스마트팩토리를 위한 모바일 로봇의 반복학습 자율주행제어에 관한 연구

A Study on Autonomous Driving Control of Mobile Robot Based on Iterative Learning

Abstract

In recent times, workers, both in domestic and abroad, tend to avoid working at manufacturing process and other industrial sites. Therefore, we propose a new approach to control and design of autonomous driving robot system based on iterative learning control for smart factory. In order to achieve the unmanned manufacturing, it is necessary to be performed the autonomous task performance by robot system with learning capabilities based on deep learning. In this study, the main focus is real time implementation of autonomous driving control and iterative learning control of mobile robot based on neural network. The detailed contents include the kinematic modeling and dynamic characteristics analysis, and the SLAM(simultaneous localization and mapping) for autonomous driving of mobile robot system. Furthermore, the paper proposes an accuracy path control technology of position and velocity control based on a neural network control algorithm. It has been verified the performance of the iterative learning control of mobile robotl based on voice command by experiments.

1. 서론

최근 제조산업의 현장 작업기피 심화 및 비대면 산업 증대로 물류자동화를 위한 자율주행 로봇의 적용 분야가 제조산업과 서비스 산업으로 확장됨에 따라 자율주행 로봇의 용도가 증가되고 있는 추세이다. 따라서 작업환경 정보를 인식하고 자율 주행을 통해 스스로 물품을 운송하는 자율주행로봇(Autonomous Mobile Robot, AMR)기술에 의한 제조공정 및 물류서비스 용도의 로봇의 수요가 급속히 증가되고 있다.

자율주행로봇은 플랫폼과 센서를 포함한 H/W 자체, 센싱된 데이터를 융합⋅처리하는 정보처리 및 환경인지, 맵핑(mapping), 내비게이션 등의 다양한 기능이 조화되어야 이루어질 수 있는 고도의 기술이다. 또한, 자율주행기술은 자율 이동성을 갖춘 지능형 서비스용 로봇의 전용 기술이며, 인력난 및 재난문제 해결을 비롯하여 효율적인 물류 서비스를 제공하기 위해 꼭 필요한 매우 중요한 기술이다.

모바일 로봇의 제어는 주어진 궤적이나 주위의 환경 변화에도 적응성을 가질 수 있도록 설계되어야 하며, 또한 이동로봇과 같은 비선형 시스템의 효율적인 제어를 위해서는 정확한 모델링도 함께 구현되어야 한다. 하지만, 기존의 수학적 모델링 기법은 그 과정이 복잡하여 실제 시스템의 비선형적 특성을 잘 표현하기 어렵고, 시스템 모델링에 필요한 매개변수를 시스템으로부터 직접 측정하기 어려운 실정이다.

따라서 이러한 문제점의 해결을 위한 방안으로 모바일 로봇의 위치 및 속도제어는 뉴럴제어 기법을 적용한 학습제어 기법을 적용한다. 그리고 자율주행제어는 사람과의 교감을 통한 무인화 및 협력제어를 위하여 음성인식을 통한 음성명령에 의한 모바일 로봇의 자율주행 제어기법을 연구를 수행한다.

본 논문에서는 모바일 로봇의 주행제어에 관한 연구를 수행을 위한 세부 연구 내용으로는 2자유도 2휠 구동 모바일 로봇의 운동학적 모델링을 수행하고, 자코비안 행렬을 구성하여 구륜의 각속도를 본체 속도로 변환한다. 또한, 구륜의 속도 성분을 구동 성분과 비구동 성분, 그리고 감지 성분과 비감지 성분으로 구분하여 정 기구학과 역기구학을 유도하고 자율 주행로봇의 미끄러짐 방지를 위한 이동경로 계획 및 로봇의 위치추정을 수행한다. 로봇의 이동 경로계획은 로봇의 미끄러짐을 고려하여 퍼텐셜 필드 방식에서 장애물에 대한 퍼텐셜 장벽을 평탄화함으로써 로봇의 미끄러짐을 최소화 하도록 하고 제안된 방식의 유용성을 확인하기 위하여 모바일 로봇의 주행경로 제어에 대한 성능검증을 시뮬레이션 통하여 그 신뢰성을 확인한다.

2. 모바일 로봇의 동적 모델링

모바일 로봇의 운동학적해석은 구동휠에 부착된 엔코더에 의해 감지된 구륜 속도로부터 본체의 선속도 및 회전속도를 산출하고, 구륜 속도의 성분을 구동 성분과 비구동 성분으로 구분하여 역 기구학을 해석한다. 역 기구학은 이동로봇이 기준 궤적을 추적하기 위해 요구되는 구륜 속도를 계산하고, 기준 궤적이 본체 속도 및 회전속도로 주어졌을 경우, 역 기구학을 이용하여 기준 궤적을 추적하기 위해 필요한 구륜속도를 산출한다. 모바일 로봇의 운동학적 모델링의 단순화를 위하여 모바일 로봇의 구조는 강체이고, 모든 조향축은 주행면에 수직이며, 그리고 로봇은 평지에서 이동하며 주행 중 접촉점에서는 마찰력이 충분히 크다고 가정한다.

본 연구에서의 모바일 로봇의 X-Y평면상에서 좌표계 설정은 Fig. 1에서와 같다.[1]

Fig. 1. The travelling coordinates system(2D) of mobile robot

주행 로봇의 모델링 및 제어를 수행하는 경우에 일반적으로 다음의 두 가지 조건이 만족된다는 가정을 한다. 이 조건들은 순수구름조건과 미끌림없음 조건이다. 순수구름조건은 주행로봇의 바퀴와 접촉면 사이의 순간적 이동 방향으로는 상대속도가 0이라는 조건이고, 미끌림없음 조건은 주행로봇의 바퀴와 지면과 접촉면 사이에서 이동방향의 수직방향 순간적 상대속도가 0이라는 조건이다.

순수구름 조건을 각 바퀴에 대한 수식으로 표현하면 다음과 같다.

\(\begin{align}-\cos \theta \dot{x}-\sin \theta \dot{y}+\dot{L} \dot{\theta}+\dot{R q_{l}}=0\end{align}\)       (1)

\(\begin{align}-\cos \theta \dot{x}-\sin \theta \dot{y}-L \dot{\theta}+R \dot{q_{r}}=0\end{align}\)       (2)

위 식에서 R은 같은 크기의 왼쪽 및 오른쪽 바퀴의 반지름을 나타내고, \(\begin{align}\dot{q_{r}}\end{align}\)은 오른쪽바퀴의 운동, \(\begin{align}\dot{q_{l}}\end{align}\)은 왼쪽바퀴의 운동을 나타내고, L은 바퀴와 몸체 좌표계의 원점 M사이의 거리를 나타내고, 미끌림없음 조건을 수식으로 나타내면 아래식과 같이 된다.

\(\begin{align}-\sin \theta \dot{x}+\cos \theta \dot{y}=0\end{align}\)       (3)

앞의 식 (1), (2), (3)로부터 바퀴운동과 직교 좌표계상의 운동관계는 자코비안 행렬에 의해 다음과 같은 관계식으로 표시된다.

\(\begin{align}\dot {x} = J\dot{q}\end{align}\)       (4)

Fig. 1에서 R은 바퀴의 반지름, L은 바퀴와 중심, M, 사이의 거리라 하고 주행로봇의 무게중심의 평균이동 속도를 v_c = \(\begin{align}[\dot {x}\dot {y}]^{T}\end{align}\), 각속도를 w, X_w축과 주행로봇과의 각을 θ라 했을때, 주행로봇의 진행 방향으로의 속도와 각속도는 다음과 같이 기술된다.

\(\begin{align}\dot{x}=\frac{R}{2}\left(\dot{q}_{l}+\dot{q}_{r}\right) \cos \theta\end{align}\)       (5)

\(\begin{align}\dot{y}=\frac{R}{2}\left(\dot{q}_{l}+\dot{q}_{r}\right) \sin \theta\end{align}\)       (6)

\(\begin{align}\dot{\theta}=\frac{R}{2 L}\left(\dot{q}_{l}-\dot{q}_{r}\right)\end{align}\)       (7)

또한 p를 주행로봇의 현재위치 \(\begin{align}\dot {p}\end{align}\)를 주행로봇의 소도라고 했을 때, Jacobian을 행렬식은 식(8)과 같이 나타낼 수 있다.

\(\begin{align}\dot{p}=J(q) \dot{q}\end{align}\)       (8)

식( 8)에서 \(\begin{align}\dot{p}=[\dot{x} \dot{y} \dot{\theta}]^{T}, \dot{q}=\left[\begin{array}{ll}\dot{q}_{r} & \dot{q}_{l}\end{array}\right]^{T}\end{align}\)이며, J(q)는 Jacobian을 나타낸다.

로봇시스템을 구성하는 구성요소 사이의 상대적 위치와 방향은 3차원 직교좌표 공간에서는 다음과 같은4×4동차 변환 행렬로 나타낼 수 있다. 이동 로봇은 2차원 평면상에서 동작하므로 각 구성 사이의 좌표변환은 다음과 같이 4×4 동차 변환 행렬로 나타낼 수 있다.

\(\begin{align}{ }^{A} T_{B}=\left[\begin{array}{cccc}\cos ^{A} \theta_{B} & -\sin ^{A} \theta_{B} & 0 & { }^{A} d_{B_{x}} \\ \sin ^{A} \theta_{B} & \cos ^{A} \theta_{B} & 0 & { }^{A} d_{B_{y}} \\ 0 & 0 & 1 & { }^{A} d_{B_{z}} \\ 0 & 0 & 0 & 1\end{array}\right]\end{align}\)       (9)

여기서 ^Aθ_B는 두 좌표계의 z-축이 일치할 경우, 좌표계 A의 x-축과 좌표계 B의 x-축이 이루는 각을 나타내고, ^Ad_Bk는 좌표계 A의 k-축에 대한 좌표계 A의 원점과 좌표계 B의 원점 사이의 변위를 나타낸다.[2]

모바일 로봇의 각 구성요소에 선정된 좌표계와 연속적인 좌표변환 행렬, 그리고 순간일치 좌표계를 이용하여 2 자유도 이동 로봇의 동차변환을 위한 운동학적 방정식을 유도한다. 변환행렬 \(\begin{align}^{\bar {B}}T_B\end{align}\)는 식 (10) 같은 연속적인 변환행렬을 이용하여 나타낼 수 있다.

\(\begin{align}\begin{aligned} \bar{B}_{i} T_{B} & ={ }^{\overline{B_{i}}} T_{F} \bullet{ }^{F} T_{\overline{C_{i}}} \bullet{\overline{C_{i}}}^{i} T_{C_{i}} \bullet{ }^{C_{i}} T_{S_{i}} \bullet{ }^{S_{i}} T_{H_{i}} \bullet{ }^{H_{i}} T_{B} \\ & ={ }^{F} T_{\bar{B}}{ }^{-1} \bullet{ }^{F} T_{\overline{C_{i}}} \bullet \bar{C}_{i} T_{C_{i}} \bullet{ }^{S_{i}} T_{C_{i}}{ }^{-1} \bullet{ }^{H_{i}} T_{S_{i}}{ }^{-1} \bullet{ }^{B} T_{H_{i}}{ }^{-1}\end{aligned}\end{align}\)       (10)

Fig. 2는 모바일로봇의 위치변환 그래프를 나타내고 있다.

Fig. 2. Position transformation graph of Mobile Robot

식 (10)를 시간에 대해 미분하여 정리하면 식 (11)과 같이 표현된다.

\(\begin{align}\begin{aligned} \bar{B}_{i} \dot{T}_{B}= & { }^{F} T_{B}^{-1} \bullet{ }^{F} T_{\overline{C_{i}}} \bullet \bar{C}_{i} \dot{T}_{C_{i}} \bullet{ }^{S_{i}} T_{S_{i}}^{-1} \bullet{ }^{H_{i}} T_{S_{i}}^{-1} \bullet{ }^{B} T_{H_{i}}^{-1} \\ & +{ }^{F} T_{\bar{B}}^{-1} \bullet{ }^{F} T_{\overline{C_{i}}} \bullet \bar{C}_{i} T_{C_{i}} \bullet{ }^{S} T_{C_{i}}^{-1} \bullet{ }^{H_{i}} T_{S_{i}}^{-1} \bullet{ }^{B} T_{H_{i}}^{-1}\end{aligned}\end{align}\)       (11)

여기서

\(\begin{align}{ }^{F} T_{\overline{C_{i}}}={ }^{F} T_{\bar{B}} \cdot{ }^{\bar{B}} T_{B} \cdot{ }^{B} T_{H_{i}} \cdot{ }^{H_{i}} T_{S_{i}} \cdot{ }^{S_{i}} T_{C_{i}} \cdot{ }^{\bar{C}} T_{C_{i}}{ }^{-1}\end{align}\)       (12)

구동구륜의 실질적인 동작은 구동축을 중심으로 한 회전운동이므로 운동 방정식을 접촉점에서 선속도보다 구륜축 중심의 각속도로 표현하는 것이 타당하므로 로봇의구륜의 접촉점에서의 선속도와 구륜의 각속도와의 관계는 식 (13)과 같다.

\(\begin{align}\begin{array}{l}\hat{\hat{q}}_{i}=\left[{ }^{\bar{c}} v_{C_{i x}}{ }^{\bar{c}} v_{C_{i y}}{ }^{\bar{c}} w_{C_{i z}}{ }^{H} w_{S_{i}}\right]^{T}=\left[\begin{array}{cc}0 & 0 \\ R & 0 \\ 0 & 1 \\ 0 & 0\end{array}\right]\left[\begin{array}{l}{ }^{A_{i}} w_{i x} \\ \bar{C}_{i} w_{C_{i z}}\end{array}\right] \\ =W_{i} \cdot \dot{q}_{i}\end{array}\end{align}\)       (13)

3. 신경회로망기반 학습제어

신경회로망의 학습이라 함은 특정한 응용 목적에 적합하도록 뉴런 간의 연결 강도를 적응시키는 과정이다. 우선, 학습 입력 패턴을 신경회로망에 입력을 하면 입력층에서 은닉층으로 은닉층에서 출력층으로 각층을 통과 하면서 가중된 합계를 구하고, 활성화 함수를 통해 계산되어 최종 출력값을 얻게 된다. 다음으로 출력값과 목표값과의 차에 해당하는 오차를 구하고, 마지막으로 오차값을 감소시키는 방향으로 역전파하면서 각층 사이의 연결 강도를 변경한다. 학습은 오차의 최소 임계치보다 작아질 때까지 진행하게된다. 즉, 원하는 출력패턴과 출력층을 통해서 계산된 출력패턴과 비교하여 일치할 경우에는 학습을 중단하게 되며, 그렇지 않을 경우에는 오차값이 감소되는 방향으로 반복해서 학습이 진행된다.[3]

학습에 있어서 중요한 문제는 각층의 초기 연결강도를 적절히 선택하는 것이다. 초기 연결강도를 잘못 설정하면 응용 목적에 적합한 학습이 이루어지지 않으며, 오차의 국부 최소점에 빠져 학습을 진행할 수 없게 된다. 또한, 은닉층의 뉴런 개수선택과 학습율도 학습의 진행 속도에 관련하게 된다. 따라서, 초기 연결 강도와 은닉층 뉴런개수, 학습율에 대한 최적의 선택이 학습능률을 향상시키는 중요한 성분이된다.

학습알고리즘은 다층신경구조인 역전파 학습 알고리즘을 적용하였으며, 구조는 Fig. 3과 같이 구성되어 있다.

Fig. 3. Structure of neural network

[4]다층신경회로망(MultipleNeuralNetwork: MNN)은 단층 퍼셉트론 (Perceptron)을 확장한 형태로서 단층 퍼셉트론의 한계를 극복할 수 있는 우수한 특성을 가지고 있다.[4][5].

역전파알고리즘을 이용한 다층 신경회로망의 세부적인 학습 절차는 다음과 같이 진행된다.[6]

입력층 패턴 벡터 X, 은닉층 출력 벡터 H, 출력층 출력 벡터 Y는 다음과 같이 표현한다.

X = [x₁ x₂ ⋯ x_n]

H = [h₁ h₂ ⋯ h_p]

Y = [y₁ y₂ ⋯ y_m]       (14)

입력층과 은닉층 간의 연결 강도V(p×n), 은닉층과 출력층 간의 연결 강도 W(m×p) 매트릭스 형태로 다음과 같이 표현한다. 여기서 연결 강도 v, w는 -0.5에서 +0.5 사이의 작은값으로 초기화시킨다.[7]

다층 신경회로망 학습법에서는 활성화 함수로 시그모이드 함수가 사용되며, 단극성 시그모이드 함수와 양극성 시그모이드 함수가 있다. 식 (15)는 각각 단극성 시그모이드 함수와 양극성 시그모이드 함수를 나타낸다.

\(\begin{align}\begin{aligned} f(N E T) & =\frac{1}{1+\exp \left(-N E T_{h}\right)} \quad \text { unipolar sigmoid } \\ & =\frac{1-\exp \left(-N E T_{h}\right)}{1+\exp \left(-N E T_{h}\right)} \quad \text { bipolar sigmoid }\end{aligned}\end{align}\)       (15)

원하는 목표값과 신경 회로망의 출력을 뺀 값의 평균 제곱 오차를 구하면 다음과 같다.[8][9]

\(\begin{align}E=\frac{1}{2} \sum_{i=1}^{m}\left(d_{i}-y_{i}\right)^{2}\end{align}\)       (16)

평균제곱 오차 E를 최소화하는 방향으로 연결 강도 w_kj와 v_ji를 변경시켜야 한다. 연결강도w_kj의 변화량인 ∆w_kj는 다음과 같다.[10]

\(\begin{align}\Delta w_{k j}=-\alpha \nabla E=-\alpha \frac{\partial E}{\partial w_{k j}}\end{align}\)       (17)

여기서, α는 학습률이라 하며, 양수의 값을 가진다.

n번째 학습 단계에서의 은닉층과 출력층 간의 연결 강도 변화량 ∆wⁿ및 입력층과 은닉층 간의 연결 강도 변화량 ∆vⁿ을 정리하면 다음과 같다.

∆wⁿ = ⍺δ_yh

∆vⁿ = ⍺δ_hx       (18)

n+1번째 학습 단계에서의 은닉층과 출력층 간의 연결 강도wⁿ⁺¹,입력층과 은닉층 간의 연결 강도 vⁿ⁺¹을 구하면 다음과 같이 나타낸다.[11]

wⁿ⁺¹ = wⁿ + ∆wⁿ

= wⁿ + ⍺δ_yhⁿ       (19)

vⁿ⁺¹ = vⁿ + ∆vⁿ

= vⁿ + ⍺δ_yxⁿ       (20)

학습 패턴쌍을 반복 입력하여 연결 강도를 변경하며, 오차 E가 특정 범위 E_max보다 적어지면 학습을 종료하게 된다.

4. 성능실험

4.1 주행경로제어 성능실험

이동형 로봇의 성능시험을 뉴럴제어기법에 의해 컴퓨터 시뮬레이션을 통하여 수행하였다. 수치실험은 미지의 외란 및 파라미터의 불확실성을 고려한 상태에서 이동용 로봇의 속도 및 방향 제어에 대한 성능시험을 수행하였다. 위의 이동로봇 모델의 시뮬레이션 조건은 샘플링 기간은 10[ms]인 것으로 가정한다. 또한, 기준속도V_d는 35[mm/s]로써 주어졌고, 상태변수의 초기값은 x = [0 0 0]T로서 주어졌다. 이동로봇의 물리적인 파라미터들의 사양은 다음과 같다. M_V = 6[kg m2], m = 20[kg], L = 0.5[m], f_k = 5, M_w = 0.03[kg m2], f_c = 0.03 [g/s], R = 0.5[m]Ω_s의 관련 학습결과들은 Table 1에서 도표화되었다.

Table 1. Specification of Robotic Parameters

시뮬레이션 실험에 있어서 시뮬레이션 시 고려된 파라메타의 불확실성의 고려는 주어진 이동형 로봇의 모든 제원에서 휠의 관성모멘트 및 점성마찰력에 대한 파라미터 값을 증감시키는 방법으로 고려하였다.[10]

Fig. 4는 4%의 파라미터의 불확실성을 고려한 상태에서의 제안된 뉴럴제어기의 속도궤적추적 성능 실험 결과를 나타내고 있다. 성능실험결과 4% 파라미터 불확실성시 최대 오버슈트량은 약 0.34(m/s)를 나타내고, 정착시간(settling time)은 약 0.1초를 나타내고 있다.

Fig. 4. The experimental results for velocity trajectory control with parameter uncertainties (4%).

Fig. 5 는 8%의 파라미터 불확실성을 고려한 상태에서 제안된 뉴럴제어기의 속도궤적추적 성능 실험 결과를 나타내고 있다. 파라미터 불확실성을 8% 고려한 상태에서의 제안된 제어시의 최대 오버슈트량은 약 0.5(m/s)를 나타내고, 정착시간(settling time)은 약 0.1초를 나타내고 있다.

Fig. 5. The experimental results for velocity trajectory control with parameter uncertainties (8%).

Fig. 6 와 Fig. 7 은 각각 4%,와 8%의 파라미터 불확실성을 고려한 경우에서의 뉴럴제어기의 방향각궤적추적 성능 실험 결과를 나타내고 있다. 성능실험결과 각각 파라미터 불확실성시 최대 오버슈트량은 약 0.008(rad)를 나타내고, 정착시간(settling time)은 약 0.31초를 나타내고 있다. 모의성능실험 결과로부터 제안된 제어방식은 파라메터 불확실성이 4%에서 8%로 증가하여도 거의 동일한 제어성능을 유지한다는 것을 확인하였다.

Fig. 6. The experimental results for the azimuth trajectory control with parameter uncertainties (4%).

Fig. 7. The experimental results for the azimuth trajectory control with parameter uncertainties (8%)

4.2 자율주행성능실험

본 연구에서 설계한 모바일로봇의 자율주행 성능실험은 ROS-SLAM기반에 라이다 센서를 사용한 자율 주행 성능실험을 수행하였다. 모바일 로봇의 자율주행 성능실험방법은 원하는 목표의 기준궤적을 설정하고, 주행궤적을 학습한 후에 반복적인 주행 실험을 통하여 자율주행 정밀도를 검증하였다.아래의 Fig. 8부터 Fig. 10 까지는 모바일 로봇의 자율주행에대한 제어성능결과를 나타내고 있다.

Fig. 8. The experimental results of iterative autonomopus driving for the desired trajectory control (iteration 6)

Fig. 9. The experimental results of iterative autonomopus driving for the desired trajectory control (iteration 12)

Fig. 10. The experimental results of iterative autonomopus driving for the desired trajectory control (iteration 20)

Fig. 8은 로봇이 원하는 주행궤적을 6회 반복주행하는 결과를 나타내는 그래프이다. 그리고 Fig. 9는 로봇이 원하는 주행궤적을 12회 반복주행하는 결과를 나타내는 그래프이다. Fig.10은 로봇이 원하는 주행궤적을 20회 반복 주행하는 결과를 나타내고 있다. 성능실험 결과에서 반복 학습기반 자율주행 제어성능이 양호함을 확인하였다.

4.3 음성명령 자율주행 성능실험

모바일 로봇의 자율주행 제어실현은 작업자의 음성명령에 의한 자율주행실현에 대한 성능실험도 구현하고 신뢰성을 검증한다. 음성인식 방법은 크게 인식대상과 인식대상 어휘에 따라 크게 두 가지로 분류한다. 인식 대상에 따라 특정화자의 음성만을 인식하는 화자종속, 불특정화자의 음성을 인식하는 화자독립, 화자독립의 성질을 가지고 있으면서도 특정화자의 음향학적 성질에 적응하는 화자 적응 시스템으로 나눌 수 있으며. 인식대상 어휘에 따라 발음된 단어의 시작과 끝을 알 수 있는 고립단어 인식(Isolated Word), 연결된 단어를 인식하는 연결단어 인식(Connected Word), 일상적 대화체 문장을 인식하는 연속음성 인식(Continuous Speech), 일상적인 문장 속에서 핵심단어만 인식하는 핵심단어 인식으로 나눌 수 있다. Fig.11과 같은 구조에서 끝점검출에서 음성의 시작점을 검출하면, 검출된 음성에 대해서 Front end feature extraction에서 MFCC로 변환하고, MFCC를 이용하여 Acoustic matcher에서 Speech model과 Acoustic score를 구한다.[12] 그리고 그 Score를 이용하여 인식 Network을 Parsing해서 인식된 결과가 나오면 Rejection에서 음성의 신뢰도가 검증된다. Fig. 11은 음성명령(voice command)에 의한 로봇제어를 위한 음성인식 방법의 상세구조를 나타내고 있다.

Fig. 11. The structure of speech recognition

4.3.1 성능실험 방법 및 결과

음성명령에 의한 모바일 로봇의 자율주행제어 실현을 위한 구체적인 방법은 다음과 같이 진행된다.

-. 휴대폰 혹은 노트북 기반 음성명령어 지령

-. 화자독립방식에 의한 음성명령 정보신호 전달

-. 무선통신 리모컨 제어방식 동시 적용

-. 마이크로폰에의한 음성명령입력 통한 로봇주행실행

Fig. 12는 음성인식 로봇제어의 원격 제어구조를 나타낸다.

Fig. 12. Remote control schematic diagram of voice recognition robot

4.3.2 성능실험 조건

음성인식 실험의 인식률 테스트를 위하여 2명을 대상으로 Table 2에서 제시한 24개의 명령어를 각각 50번씩 발성하게 하였다. 그리고 10번 발성하여 학습용에 사용하고 나머지 발성음 50번은 인식용으로 사용하여 실험 결과를 분석 평가하였다. 음성인식 실험은 음성인식을 위해 1회에 걸쳐 기준 음을 설정하였으며, 초기 기준 음과 입력 음파의 DTW에 의한 유사도를 비교하여 입력음파의 최소거리를 갖는 기준음을 인식된 음성으로 결정된다.

Table 2. Voice recognition words.

Table. 2는 음성인식을 위한 명령어로서 24개의 단어를 반복하여 음성인식의 인식율을 테스트하기 위한 단어를 나타낸다. 24개 단어를 학습시킨후 다른 작업자가 반복하여 말할 경우에 대한 음성인식율을 분석한 결과를 아래의 Fig.13에서 나타내고 있다.

Fig. 13. Voice recognition result

4.3.3 로봇의 반복 자율주행 성능실험

로봇의 반복 자율주행 성능실험은 다음과 같은 조건으로 주행하였다.

- 자율주행 경로는 가로x세로 각각 6m의 정사각형의 주행경로를 설정하였다.

- 반복자율주행 방법은 음성명령으로 주행경로를 반복하는 학습 후 로봇이 작업자의 음성 명령에 따라 반복 주행 하도록 하였다.

- 반복자율주행 경로 및 방법은 직선주행, ㄱ자주행 ㄷ자주행 등을 10회, 20회, 50회 등으로 반복수행을 통하여 성능을 검증하였다.

Fig. 14는 음성명령에 의한 모바일 로봇의 자율 주행 성능실험 장면 및 결과를 나타내고 있다.

Fig. 14. The experimental scene and results of autonomous driving by voice command

5. 결론

본 논문에서는 자율주행을 위한 모바일 로봇시스템을 구성하고 신경회로망 제어기법에의한 학습 제어알고리즘을 개발하여 반복 학습에 의한 모바일 로봇의 주행경로의 실시간 자율주행제어에 관한 연구를 수행하였다. 본 연구에서 수행된 세부 내용을 요약하면 다음과 같다.

2휠구동 주행로봇의 운동 방정식을 유도하고, 구륜의 속도 성분을 구동 성분과 비구동 성분, 그리고 감지 성분과 비감지 성분으로 구분하여 운동학 및 동특성을 분석 하였다. 신경회로망 기반 학습제어기법을 이용한 주행 경로 계획 및 경로제어, 그리고 주행 속도제어를 수행하고 실험을 통하여 신뢰성을 검증하였다. 그리고 작업기피현상이 심한 3D환경 제조공정 무인화 및 자율제조 실현을 위하여 음성명령기반 자율주행 반복학습제어를 수행하고, 자율제조를 위한 실시간 작업 공정라인 정밀 위치추적의 반복학습 정밀도에 대한 신뢰성을 검증하였다.