1. 서 론
오늘날 로봇은 전기, 전자, 기계, 정보통신 등의 많은 공학 분야의 기술이 융합된 고도의 첨단 시스템으로 발전, 연구되고 있다. 또한, 사회의 발달에 따라 더욱 지능화되고 발전된 다양한 로봇이 요구되고 있다. 로봇의 지능화 따라 고정된 장소에서 단순 작업 형태의 로봇에서 사람의 컨트롤 (Control)이 없는 자율 주행 이동 로봇(Autonomous Mobile Robot)의 연구가 많이 진행되고 있다[1-3]. 로봇은 고정된 장소에서의 작업보다 자율주행할 경우 더 많은 서비스를 제공할 수 있다. 하지만 자율 주행 로봇이 주행 중 장애물과 충돌할 경우 로봇의 손상이 발생할 수 있고, 장애물이 사람일 경우 사람의 부상이 생기게 된다. 따라서 자율 주행 로봇의 경우 자율 주행의 방법보다 장애물과의 충돌 회피에 대한 연구가 더욱 중요하다.
효율적인 장애물 회피를 하는 자율 주행을 위해서는 이동로봇의 시작 지점에서 목표 지점까지의 경로 계획이 우선시 되어야 한다. 경로 계획 중 주변에 나타나는 동적, 정적인 장애물과의 충돌 없이 최단 거리로 이동할 수 있도록 경로를 설정하는 것은 매우 중요한 기능이다[4].
본 논문의 목적은 자율 주행 로봇이 지역 경로 계획을 하여 정지해 있는 정적인 장애물뿐만 아니라 움직이는 장애물이 있는 동적인 환경에서의 장애물 회피를 하여 목표 지점까지 안전하고 빠르게 주행하는 것이 목적이다[5-7].
이동 로봇의 경로 계획을 위해 수학적인 분석이 쉽고, 간단한 구조를 갖기 때문에 많은 연구에서 사용되는 포텐셜 필드 알고리즘을 사용한다. 포텐셜 필드 알고리즘의 기본적인 개념은 이동 로봇과 목표 지점 사이에 서로 끌어당기는 가상의 인력장이 형성되고, 이동 로봇과 장애물 사이에 서로 밀어내는 가상의 척력장이 형성되어 전체 작업 공간을 에너지 장의 형태로 표현하는 방법이다. 인력장과 척력장의 에너지장의 합으로 이동 로봇이 목표지점까지 이동함에 장애물을 안전하게 회피하고, 목표 지점에 빠르게 도달할 수 있도록 한다. 동적인 환경에서는 이동 로봇과 장애물의 위치와 속도를 모두 고려해야 하기 때문에 많은 상황이 발생한다. 이 이동 로봇과 장애물 사이의 위치와 속도에 관한 상황에 따라 포텐셜 필드 알고리즘의 척력장 가중치가 상황에 맞게 변화되어야 하지만 이 알고리즘은 척력장의 가중치가 경험적인 실험으로 얻어진 일정한 값으로 고정되어 있는 형태이므로 모든 상황에서의 최적의 척력장 가중치로 보기 어렵다. 또한 충돌 가능성 문제와 회피 시간의 지연 문제, 무리한 회피 경로의 문제를 갖는 문제 등이 발생하게 된다.
동적 환경에서의 이동 로봇과 장애물의 위치와 속도에 관해 고려하고, 척력장의 가중치를 경험적인 실험으로 고정된 가중치가 아닌 상황에 따라 변화를 줄 수 있도록 뉴럴 네트워크를 적용하는 방법을 제안하였다[8].
2. 포텐셜 필드 알고리즘
수학적인 경로 계획의 연구는 주로 정적인 환경에서의 연구가 대부분이다. 하지만 로봇이 실제 환경을 주행한다면 거의 모든 장애물이 움직이고 있는 동적인 환경이다. 따라서 동적 환경에서의 장애물 회피는 자율 주행 로봇의 연구에 필수적이다.
동적 환경에서의 포텐셜 필드 알고리즘을 이용한 자율 주행에 대한 기존의 연구는 이동 로봇과 동적인 장애물의 속도를 고려하지 않았다. 이동 로봇과 동적인 장애물을 순간의 정적인 것으로 간주하여 이들의 위치만으로 포텐셜 필드 알고리즘을 해석하였다 [9, 10]. 하지만 속도를 고려하지 않는 방법으로 동적인 환경에서의 경로 계획이라고 할 수 없다.
본 논문에서 이동 로봇의 자율 주행을 위하여 사용하는 포텐셜 필드 알고리즘은 이동 로봇과 장애물의 위치와 속도를 모두 고려한 동적인 포텐셜 필드 알고리즘으로 실제 환경에서의 주행에 적합하도록 하였다[11, 12].
2.1 인력장
포텐셜 필드 알고리즘의 인력장 함수(Attractive Potential Field Function)는 이동 로봇과 목표 지점 사이의 서로 끌어당기는 가상의 힘이다. 이동 로봇의 실제 환경에서의 주행은 동적인 환경을 고려하여 이동 로봇과 목표 지점 사이의 위치와 속도를 변수로 하였다.
식 (1)은 동적 포텐셜 필드 알고리즘의 위치에 관한 인력장을 나타낸 것이고, 식 (2)는 속도에 관한 인력장을 나타낸 것이다. ∥pgoal(t)-prob(t)∥는 시간 t에 대한 목표 지점과 이동 로봇 사이의 거리를 나타내고, ∥vgoal(t)-vrob(t)∥는 시간 t에 대한 이동 로봇과 목표 지점의 상대 속도를 나타낸다. m과 n은 인력장의 모양을 결정하는 상수로서 m,n≤1일 경우 특이점을 갖기 때문에 m, n>1로 설정한다. ξp와 ξv는 인력장의 위치와 속도에 대한 가중치를 나타낸다. nRT와 nVRT는 이동 로봇과 목표 지점사이의 위치와 속도에 대한 단위 벡터(unit vector)로써 척력장 함수와의 정규화(normalization)을 나타낸다.
동적 포텐셜 필드 알고리즘은 이동 로봇의 위치와 속도를 고려한 식 (1)과 식 (2)의 합으로 나타내며 식 (3)과 같이 나타낸다.
식 (3)에서 이동 로봇과 목표 지점 사이의 상대 거리가 가까워지거나 상대속도가 감소한다면 인력장 Fatt(p, v)는 감소하게 되고, 반대의 경우는 인력장이 증가하게 된다.
2.2 척력장
포텐셜 필드 알고리즘의 척력장(Repulsive Potential Field)은 이동 로봇과 장애물 사이의 서로 밀어내는 가상의 힘이다. 이동 로봇의 실제 환경에서의 주행은 동적인 환경을 고려하여 이동 로봇과 목표 지점 사이의 위치와 속도를 변수로 하였다. 척력장을 수식으로 나타내면 다음과 같다.
식 (4)에서 ∥pobs (t) - prob (t)∥은 시간 t에 대한 장애물과 이동 로봇 사이의 거리를 나타내고,vrobobs(t)는 이동 로봇의 상대속도를 나타낸다. Rs와 R0 는 이동 로봇이 최대로 감속 할 때의 정지거리와 장애물의 영향 범위를 나타낸다. 척력장은 이동 로봇과 장애물 사이의 위치와 속도에 대한 상황에 따라 ∥pobs (t) - prob (t)∥-Rs ≥ R0 or vrobobs(t)< 0의 경우는 이동 로봇이 장애물의 영향 범위 밖에 위치하고 있거나 이동로봇의 속도가 음의 속도이기 때문에 척력장이 발생하지 않아서 0으로 정의한다. 0< ∥pobs (t) - prob (t)∥Rs< R0 and vrobobs(t) ≥ 0의 경우는 이동 로봇이 주행 중 이고 장애물의 영향 범위 안에 있기 때문에 장애물을 회피하기 위해 척력장이 발생한다. 마지막으로 ∥pobs (t) - prob (t)∥< Rs and vrobobs(t)< 0의 경우 이동 로봇이 진행 방향의 반대로 후진을 하거나, 이동 로봇의 최대 감속 정지거리가 이동 로봇과 장애물 사이의 거리보다 큰 경우는 발생하지 않는다고 가정한다.
위의 식 (5)는 이동 로봇과 장애물 사이의 척력장을 나타낸 식이다. 로봇의 최대 가속도를 나타내고, 𝜂는 이동 로봇과 장애물 사이의 척력장 가중치를 나타낸다. nRO는 인력장과 마찬가지로 정규화(normalization)을 위한 단위 벡터(unit vector)를 나타낸다.
이동 로봇과 장애물 사이의 위치와 속도에 관한 변수를 고려한 포텐셜 필드 알고리즘의 인력장 Fatt(p, v)과 척력장 Frep1(p, v)의 합으로 동적인 장애물을 회피하여 시작 지점에서 목표 지점으로의 경로 계획은 가능하다. 하지만 포텐셜 필드 알고리즘의 단점인 지역 최소점(local minimum)의 문제점이 발생한다.
지역 최소점은 그림 1과 같이 이동 로봇과 장애물이 동일 선상에서 움직이는 경우와 같은 특수한 경우에 발생한다. 이동 로봇이 목표 지점을 향해 주행 중 동일 선상에 있는 장애물을 만나게 되면 목표 지점을 향해 주행하려는 인력장과 장애물을 회피하려는 척력장의 방향이 정 반대 방향이 되고 그 거리에 따라 인력장과 척력장의 합이 0이 되어 더 이상 주행이 어려운 경우를 말한다.
그림 1지역 최소점 문제 Fig. 1 Local minimum problem
지역 최소점의 문제를 해결하기 위해 동적인 환경에서의 척력장 가중치에 수직인 형태의 가상의 척력장을 추가하였다. 이를 수식으로 나타내면 다음과 같다.
vrobobs⊥ nRO⊥ 는 이동로봇과 장애물의 수직인 벡터로 지역최소점을 빠져나오기 위한 단위벡터이다. 지역 최소점의 문제를 해결하기 위해 제안한 포텐셜 필드 알고리즘의 척력장은 장애물과의 척력장 Frep1과 그에 수직인 형태의 Frep2의 합으로 구할 수 있다.
동적인 환경에서의 지역 최소점 문제를 해결한 포텐셜 필드 알고리즘의 전체 힘은 식 (3)과 식 (4)에 의해 다음과 같이 표현 가능하다.
본 논문에서 제안한 포텐셜 필드 알고리즘으로 이동 로봇은 시작 지점에서 목표 지점으로의 지역 최소점 문제를 극복하고 동적 장애물 회피를 하는 자율 주행을 하였고, 이는 모의실험을 통해 타당성을 확인하였다.
3. 뉴럴 네트워크
뉴럴 네트워크는 생물학적 시스템의 계산 틀을 사용하여 생물학적 정보체계와 인지과학 이론 병합한 예측, 분류와 최적화 등 문제를 해결하기 위한 기능으로 많이 이용된다. 이는 학습 기능을 통하여 변화하는 상태에 적응성을 갖으며 대규모 병렬처리로 인해 계산 시간의 감소와, 분산구조에 의한 시스템 성능의 강인성에 대한 제어 시스템에 효과적으로 사용될 수 있다. 특히 뉴럴네트워크 신경망의 연결 가중치를 조정하는 학습을 통한 최적화와 예측 능력은 수시로 변화하는 환경에 따라 최적의 값이 필요한 경우 쉽게 사용 되고 있다. 하지만 효과적인 뉴럴네트워클 모델을 만들기 위해서는 학습을 진행할 많은 Sample data필요로 한다. 만약 Sample data의 범위 밖의 오류 입력 데이터가 들어올 경우에는 학습 능력이 현저히 떨어져 정확한 예측이 불가능한 단점이 있다[13, 14].
신경망의 가장 일반적인 모델이며 본 논문에서 사용한 모델은 다층 퍼셉트론(Multi-layer Perceptron)으로 인간 두뇌의 패턴정합 능력을 학습하고자 하는 것으로, 신경의 구조를 모델링을 이용하여 다층 구조망(multi-layer network)을 구성한다. 이는 비선형 (non-linear)문제를 학습가능하다.
그림 2는 뉴럴 네트워크의 구조를 나타낸 그림이다. 회색의 원은 하나의 뉴런을 나타낸다. 그림에서 세로 방향으로 있는 뉴런들을 Layer로 구분한다. 처음의 Input Layer와 마지막의 Output Layer를 제외한 모든 Layer를 Hidden Layer로 구분한다. 각 Layer의 뉴런의 개수와 Layer의 개수는 임의로 지정이 가능하다. 뉴런으로 들어가기 전에 곱하는 값으로 뉴런으로 들어오는 net값은 아래 식으로 표현할 수 있다.
그림 2뉴럴네트워크 구조 Fig. 2 Neural Network Structure
여기서 W(Weight Factor)는 뉴런의 가중치이고 X는 뉴런의 입력이다. 사용되는 함수는 여러 가지가 함수가 있으며 본 논문에서는 Sigmoid Function을 사용한다.
4. 뉴럴 네트워크를 이용한 가중치 결정
포텐셜 필드 알고리즘을 이용한 이동 로봇의 경로 계획은 출발 지점에서 목표 지점까지 장애물을 회피하여 경로를 찾을 수 있다. 하지만 장애물이 움직이고 있는 동적인 환경에서는 충돌 위험성의 문제와 장애물 회피 시간 지연 문제 등 효율적이지 못한 경로로 주행하는 문제점이 발생한다. 본 논문에서는 동적인 상황을 고려하기 위해 포텐셜 필드 알고리즘에 이동 로봇과 장애물의 위치에 관한 변수와 속도에 관한 변수를 추가하였다. 하지만 포텐셜 필드 알고리즘의 척력장의 가중치가 고정되어있는 값으로 이동 로봇과 장애물의 관계에 따라 효율적이지 못한 경로를 계획하거나 무리한 회피를 하며 충돌하는 경우가 발생한다. 이를 해결하기 위하여 포텐셜 필드 알고리즘의 척력장 가중치를 뉴럴네트워크 시스템을 적용하여 이동 로봇과 장애물의 관계에 따라 변경할 수 있도록 하였다. 이동 로봇과 이동 중인 장애물의 충돌 위험성이 높을 때에는 척력장의 가중치를 크게 조절하여 장애물을 회피하고, 장애물과의 충돌 위험성이 낮을 때에는 척력장의 가중치를 낮게 조절하여 장애물을 효율적으로 회피한다.
그림 3은 본 논문에서 제안한 포텐셜 필드 알고리즘의 척력장 가중치를 상황에 따라 변화시키기 위한 뉴럴 네트워크의 두 입력에 관한 그림이다. 첫 번째 그림은 이동 로봇과 이동 중인 장애물 사이의 위치에 관한 관계를 나타낸 것으로 이동 로봇이 목표점을 향한 인력장의 방향과 장애물에 의해 발생하는 척력장 방향의 각도관계(𝜽)이다. 두 번 째 그림은 이동 로봇과 이동 중인 장애물 사이의 속도(v*)에 관한 관계를 나타낸 것으로 이동 로봇이 목표 지점을 향하여 주행 중인 속도와 이동 중인 장애물의 속도의 차를 속도관계로 하였다. 이동로봇과 장애물 사이의 위치에 관한 각도관계와 이동 로봇과 장애물의 속도에 관한 속도관계를 뉴럴 네트워크의 두 입력으로 하고 있다.
그림 3이동 로봇과 장애물의 각도와 속도관계 Fig. 3 Angle and the speed relationship between the mobile robot and obstacles
그림 4는 뉴럴 네트워크 시스템의 Sample data를 획득하는 과정을 나타낸 그림이다. 빨간색의 이동 로봇이 초기위치 [0m , 0m]에서 목표 위치 [20m , 20m]까지 이동 중 X모양의 장애물과 충돌 범위에 접하는 순간의 각도관계와 속도관계를 뉴럴 네트워크 시스템의 Sample data로 사용한다. 각 X모양의 장애물은 초기 위치를 다르게 하여 각도관계의 차이를 주어 총 18개의 상황, 175개의 Sample data를 사용하여 학습하였다. 학습은 MATLAB의 Neural Network ToolBox를 사용하였다.
그림 4Sample data 획득 Fig. 4 Acquisition sample data
5. 가중치 결정 모의 실험
5.1 가중치 결정 모의실험 환경
장애물이 움직이고 있는 동적인 환경을 고려하기 위하여 모의실험은 이동 로봇의 위치와 속도, 장애물의 위치와 속도, 목표 지점의 위치와 속도를 포함한다. 모의실험에서 이동 로봇은 전 방향성을 갖는 점 질량 형태로 간주하며, 장애물은 일정한 방향으로 등속도 운동으로 이동한다. 또한, 로봇과 장애물의 위치와 속도는 정확한 값으로 측정된다고 가정한다. 다음 표는 모의실험을 위한 설정 값이다.
표 1파라미터 설정 Table 1 Parameter setting
본 논문에서 제안한 뉴럴 포텐셜 필드 알고리즘은 장애물이 움직이고 있는 동적인 환경에서 이동로봇의 효율적인 경로계획에 대한 알고리즘이다. 기존의 포텐셜 필드 알고리즘만으로 경로 계획은 가능하다. 하지만 주행 중 동적인 환경에서 장애물과 충돌하는 경우나 효율적이지 못한 경로를 계획하는 경우가 발생한다. 경우에 따라 이동 로봇과 장애물의 위치에 따른 상황으로 지역 최소점(Local minimum)에 빠져 더 이상 주행을 하지 못하는 경우가 발생한다. 이의 경우는 기존의 포텐셜 필드 알고리즘의 척력장 가중치가 상황에 맞는 최적의 가중치가 아니므로 장애물과 충돌하거나 효율적이지 못한 경로를 계획한다. 최적의 가중치는 이동 로봇과 동적 장애물의 위치와 속도 관계의 상황에 따라 충돌하지 않는 가장 최적의 경로를 획득하는 실험적 가중치이다. 이는 척력장의 가중치를 0.1부터 2.5까지 고정하고 0.1씩 변화하며 25번의 실험을 통하여 최적의 가중치를 구하였다. 이동 로봇과 장애물 사이의 거리는 장애물의 크기, 이동로봇의 크기, 최고속도, 가속도를 고려하여 0.8m를 충돌 여유 거리로 가정하였다 [15]. 즉, 이동 로봇과 장애물 사이의 거리가 0.8m 이상인 경우는 충돌하지 않는 경우이다. 또한, 고정된 가중치를 0.1부터 2.5까지의 0.1씩 변화하며 25번의 실험을 통하여 얻은 이동 로봇의 초기위치에서 목표 지점까지의 총 이동거리와 총 이동시간을 1:1로 기준을 두어 Data를 종합하여 최적의 가중치를 구하였다.
뉴럴 네트워크는 18개의 각기 다른 변화되는 상황을 가정하여 175개의 Sample data로 학습하였다.
5.2 가중치 결정 모의실험
모의실험은 이동 로봇이 목표 지점을 향해 주행 중이고, 동적인 장애물이 이동 로봇을 향하여 다가오는 경우의 상황이다. 이동로봇과 장애물, 목표 지점이 동일 선상에 위치하는 특수한 상황으로 기존의 포텐셜 필드 알고리즘을 사용하였다면 지역 최소점(Local minimum)의 상황에 빠져 이동 로봇과 장애물이 충돌하는 상황이다. 실험은 고정된 척력장의 가중치를 0.1부터 2.5까지 0.1씩 변화하며 총 25개의 결과를 종합하여 최적의 가중치를 찾고, 본 논문에서 제안한 뉴럴 포텐셜 필드 알고리즘과 비교하여 타당성을 확인하는 실험이다.
이동 로봇의 초기 위치는 [0m , 0m]이고, 목표 지점의 위치는 [20m , 20m]이다. 이동로봇의 초기 위치에서의 속도는 정지 상태이다. 장애물의 초기위치는 [20m , 20m]이며 속도는 [-0.3 m/s , -0.3m/s]이다.
그림 5는 첫 번째 실험의 이동 로봇과 장애물의 시간에 따른 경로를 선과 마커를 이용하여 나타낸 그림이다. 검은색의 선이 장애물의 이동 경로이다. 파란색과 빨간색의 선이 고정된 가중치에 따른 이동 로봇의 경로이다. 그 중 빨간색 별 선은 실험으로 획득한 최적의 척력장 가중치의 경로이다. 파란색 선은 척력장의 고정된 가중치를 그림으로 비교하기 위하여 0.6, 0.9, 1.2, 1.8, 2.1의 5가지 상황만을 그림으로 나타내었다.
그림 5모의실험 결과 Fig. 5 Simulation Result
고정된 가중치가 0.1부터 1.1까지의 경우는 이동 로봇과 장애물 사이의 최소 거리가 충돌 여유 거리인 0.8m보다 작기 때문에 장애물과의 충돌인 경우로 간주하여 제외하였다. 총 이동 거리가 30.11572m로 효율적이고 총 이동 시간 또한 짧은 가중치 1.4인 경우가 최적의 고정된 가중치로 확인 할 수 있다. 이를 확대하여 그림으로 확인하면 다음과 같다.
그림 6모의실험 확대 Fig. 6 Simulation enlarge
고정된 가중치의 값이 0.6인 경우와 0.9인 경우는 장애물과 충돌이 발생하는 경우이다. 가중치 1.2의 경우는 장애물과의 충돌이 없고 이동 시간 또한 효율적이지만 빨간색 별의 최적의 가중치 1.4인 경우에 비해 이동 거리가 비효율적이고 이동 로봇의 주행각도 또한 무리한 회피를 하므로 효율적인 회피로 보기 어렵다. 따라서 가중치 1.4의 경우가 최적의 고정된 가중치로 확인할 수 있다.
다음으로, 실험을 통하여 얻은 최적의 가중치 1.4의 경우와 본 논문에서 제안한 뉴럴 포텐셜 필드 알고리즘으로 얻은 가중치의 비교를 한 실험이다.
그림 7제안된 가중치와 최적가중치의 비교실험 Fig. 7 Comparison of best weight and the proposed weight
빨간색의 세모 모양이 실험을 통하여 구한 최적의 가중치 1.4이며, 파란색 원모양 이 본 논문에서 제안한 뉴럴 포텐셜 필드 알고리즘을 이용하여 학습을 통하여 얻은 가중치로 경로 계획한 실험 결과이다. 이를 표로 정리하면 다음과 같다.
표 2모의실험 비교 (장애물과의 최소거리, 이동거리, 시간) Table 2 Simulation comparison (Minimum distance between the obstacle, Travel distance, Travel time)
실험을 통해 이동 로봇과 장애물 사이의 충돌 최소 거리 0.8m를 넘는 거리이므로 충돌이 일어나지 않았음을 알 수 있다. 또한, 이동 로봇과 장애물 사이의 위치에 따른 최적의 가중치를 구한 결과 값과 뉴럴 포텐셜 필드 알고리즘을 사용한 결과 값의 비교결과, 총 이동거리와 총 이동 시간이 뉴럴 포텐셜 필드 알고리즘을 사용한 결과가 더 효율적임을 알 수 있다.
이의 실험 비교는 주어진 모의실험의 실험 환경에서 최적의 가중치를 구한 후, 뉴럴 포텐셜 필드 알고리즘과의 비교이다. 즉, 다른 실험 환경에서는 최적의 가중치가 다른 값이 될 것이다. 하지만 뉴럴 포텐셜 필드 알고리즘은 그 다른 실험 환경에 맞추어 새로운 가중치를 학습을 통하여 찾기 때문에 효율적이다.
표 3은 뉴럴 포텐셜 필드 알고리즘을 이용하여 경로 계획 중 이동 로봇이 장애물의 영향 범위에 들어와 척력장이 발생하는 시점부터 장애물을 회피하여 장애물 영향 범위 밖으로 빠져 나가는 시점까지의 뉴럴 네트워크를 통한 가중치 변화를 나타낸다. 고정가중치는 처음 척력장이 발생하는 시점부터 끝나는 시점까지 1.5로 고정되어 있다. 하지만 본 논문에서 제안한 뉴럴 포텐셜 알고리즘을 이용하여 상황에 따라 가중치가 변화되는 알고리즘은 이동로봇과 장애물의 각각의 위치와 속도에 대한 가중치를 변화시키기 때문에 더 효율적이며 이를 실험으로 타당성을 확인하였다.
표 3모의실험 가중치 비교 Table 3 Simulation weight comparison
6. 결 론
본 논문에서는 장애물이 이동하고 있는 동적 환경에서 이동로봇의 장애물 회피 및 경로 계획에 대하여 뉴럴 포텐셜 필드 알고리즘을 제안하였다. 기존의 포텐셜 필드 알고리즘을 이용한 경로 계획의 효율적이지 못한 경로 획득과 무리한 경로 획득의 문제점을 포텐셜 필드 알고리즘 척력장 가중치의 고정된 값의 문제점으로 파악하고 이를 개선하기 위해 뉴럴 네트워크 시스템을 도입하였다. 이동 로봇과 이동 중인 장애물 사이의 위치와 속도를 고려한 동적 포텐셜 필드 알고리즘의 척력장 가중치를 뉴럴 네트워크 시스템으로 학습하여 상황에 따른 적절한 척력장 가중치를 장애물을 완벽히 회피할 때까지 변화시켜 효율적으로 장애물을 회피한다.
뉴럴 포텐셜 필드 알고리즘을 이용하여 장애물과의 충돌 가능성이 적을 경우에는 척력장 가중치를 작게 변화하고 충돌 가능성이 높을 경우에는 척력장 가중치를 크게 변화시켜 목표 지점에 빠르고 효율적으로 도달하는 것을 모의실험을 통해 확인하였다. 장애물과의 최소 충돌 거리인 0.8m의 거리를 확보하고, 목표 지점까지 총 이동 거리와 총 이동 시간의 개선되었음을 모의실험을 통해 확인하였다.
본 논문에서는 기존 포텐셜 필드 알고리즘의 척력장 가중치를 뉴럴 네트워크 시스템을 이용하여 상황에 따라 변화시키는 방법에 대하여 제안하였다. 차후에는 포텐셜 필드 알고리즘의 척력장 가중치뿐만 아니라 인력장의 가중치 또한 상황에 따라 변화되는 방법으로 더욱 효율적인 경로 획득을 위한 연구가 되어야 할 것이다.