Current Issue

그림 2는 제안 시스템 구조를 보여준다. 각 계층에서 동작하는 인식(Perception), 계획(Planning), 제어(Control) 기능은 다음과 같다.

Fig. 2. 
Architecture of proposed system

인식 계층은 로봇이 외부 환경을 파악하기 위한 핵심 부분이다. 카메라와 LiDAR 같은 센서들을 사용하여 주변 환경 데이터를 수집하고, 이 데이터는 맵 서버와 오도메트리(Odometry) 소스 및 AMCL(Adaptive Monte Carlo Localization) 알고리즘을 통해 로봇의 위치와 주변 환경에 대한 정보를 제공한다[12].

계획 계층은 로봇이 목표 지점까지의 경로를 계획한다. 입력받은 Move Toward를 기반하여, 전역 및 지역 계획 알고리즘을 사용하여 최적의 경로를 결정한다. 전역 계획(Global Planner)는 전체 경로를 설정하는 반면, 지역 계획(Local Planner)는 로봇이 인식 계층에서 받은 정보를 바탕으로 실시간으로 경로를 결정한다.

제어 계층은 계획된 경로에 따라 로봇을 실제로 움직이는 부분이다. 장애물 검출 여부를 계산하고, 속도와 방향을 조정한다. 이 계층은 로봇의 기본 컨트롤러를 통해 모터와 기타 구동 장치를 조작하여 경로를 따라 이동 명령을 전달한다.

그림 3은 제안 시스템의 전체적인 작동 흐름을 보여준다. 사용자로부터 입력을 받은 후, 내비게이션 스택을 사용하여 경로를 계획하고 이동한다. 이동 중 장애물을 감지하면 정지하고, 장애물이 감지되지 않으면 다시 이동하여 목적지에 도달한다.

Fig. 3. 
System flowchart

본 논문에서는 로봇 응용 프로그램 개발을 위한 통합 플랫폼으로 ROS(Robot Operating System)을 사용한다. ROS는 다양한 로봇 하드웨어에 대한 지원과 함께 노드 기반의 통신 구조를 제공하여 각각의 기능을 독립적인 모듈로 개발하는 것이 가능하다. 또한, 다양한 하드웨어 및 소프트웨어 플랫폼 간의 통합을 용이하게 한다.

그림 4는 리눅스 기반의 Remote PC에서 실행되는 ROS 시스템의 핵심 구성 요소들과 그들 사이의 연결 방식을 보여준다. 마스터(Master) 노드는 중앙 집중식 통신 관리자로서 다수의 노드(Node)간 메시지 교환을 조정한다. 각 노드는 분산된 로봇 시스템 내에서 특정 작업을 수행한다.

Fig. 4. 
Hardware architecture based on ROS

무선 통신망(Wi-Fi)를 통해 Remote PC는 라즈베리파이(Raspberry Pi)와 OpenCR 등의 주변 장치들과 데이터를 교환한다. 라즈베리파이는 실시간 객체 인식, 거리 센싱 역할을 수행하는 카메라 및 LiDAR(LDS-02) 센서에 연결되어 있다. 센서로부터 수집된 정보는 실시간으로 처리할 수 있으며, OpenCR은 TTL(Time to Live) 통신을 통해 액추에이터로 구성된 로봇의 이동부를 제어하여 움직임을 가능하게 한다.

사용자 인터페이스를 기반으로 한 목표 지점 이동 기능을 통해, 로봇은 사용자가 지정한 목표 위치로 자동으로 이동하게 된다. 로봇이 목표 지점까지 안정적으로 이동하기 위해서는 로봇이 자신의 위치를 파악하고, 동시에 주변 환경의 지도를 생성하는 SLAM(Simultaneous Localization and Mapping) 기술이 필요하다[13]. SLAM을 통해 작성된 지도를 바탕으로 로봇에게 경로 지점을 줬을 때 Navigation stack을 사용하여, 최적의 경로를 생성하고 목적지까지 이동한다[14]. 또한, 생성된 지도상에서 /amcl_pose 토픽을 통해 로봇의 위치 및 방향 정보를 알 수 있다. 본 논문에서는 로봇의 위치와 방향 값을 미리 설정하여 저장한다.

본 논문에서 사용하는 주요 토픽은 표 1과 같다.

그림 5는 사용자의 키보드 입력을 기반으로 로봇이 목표 지점까지 이동하는 과정을 나타낸다. 사용자의 입력은 /move_toward 노드로 전달되며, 이 노드는 대응하는 위치 및 방향 값을 /move_base_simple/goal 메시지로 변환하여 /move_base 노드에 토픽을 발행한다. /move_base 노드는 이 토픽을 받아 로봇의 현재 위치에서 목표 지점까지의 최적 경로를 계산하고, 해당 경로를 따라 로봇이 목적지에 도달할 수 있도록 지시를 내린다. 이러한 방식으로 로봇은 사용자가 지정한 위치까지 안정적으로 이동할 수 있다.

Fig. 5. 
Target point movement process

로봇이 자율주행 환경에서 안정적으로 작동하기 위해서는 실시간 객체 검출의 정확도와 속도가 핵심이다. YOLO(You Only Look Once)는 요구사항을 만족시키는 객체 검출 방식 중 하나로, 단일 합성곱 신경망(CNN) 구조를 사용하여 빠르면서도 정확한 검출이 가능하다. 특히, YOLOv5는 이 중에서도 높은 성능을 자랑하며, 모델의 크기와 경량화 측면에서도 이점이 있어 본 논문에서 선택하여 사용하였다[15].

그림 6은 로봇이 장애물을 감지하고 대응하는 동작 과정을 보여준다. 이동 명령은 /move_base 노드에 의해 처리되며, 해당 명령은 /nav_vel 토픽을 통해 /obstacle_avoidance 노드로 전송된다. /detected_objects 노드는 설정된 장애물에 대한 실시간 객체 인식 결과를 /detected_objects_count 토픽으로 발행한다.

Fig. 6. 
Obstacle detection and response processes

또한, /turtlebot3_lds 노드는 로봇의 정면 20도 범위 내의 장애물과 거리를 측정한 데이터를 /scan 토픽을 통해 /obstacle_avoidance 노드로 전달한다. /obstacle_avoidance 노드는 받은 데이터를 분석하여, 설정된 장애물이 검출되고 동시에 해당 장애물이 로봇의 정면 20도 범위 내에서 설정된 특정 거리 안에 위치할 경우, 이동 명령을 수정하여 장애물과의 충돌 없이 안전한 거리를 유지하며 멈춘다. 이와 반대로, 설정된 장애물이 검출되지 않거나, 장애물이 안전거리 바깥에 있을 경우, /obstacle_avoidance 노드는 아무런 변경 없이 /move_base 노드에서 발행된 원래의 이동 명령을 /turtlebot3_core 노드로 전달하여 이동한다.

본 논문에서는 그림 7과 같은 ROBOTIS사의 Turtlebot3 Burger 모델을 활용하였으며, 구현 환경은 표 2와 같다. 중앙 처리 장치로는 ROS Noetic 버전을 탑재한 리눅스 우분투 20.04 OS가 설치된 리모트 PC를 사용하였다. 이 PC는 Intel i5-10210U CPU와 NVIDIA GeForce GTX 1650 GPU를 갖추고 있어 높은 처리 능력을 제공한다. 또한, 로봇의 주된 컨트롤러로는 Raspberry Pi 4 Model B를 사용하였다. 로봇의 움직임과 주변 환경 인식 및 실시간 객체 인식을 위해, 360도 레이저 거리 센서 LDS-02와 Raspberry Pi Camera Module V2를 장착하였고, 움직임은 XL430-W250 액추에이터로 제어된다. 또한, 위치와 자세 인식을 위한 IMU는 자이로스코프와 가속도계를 포함한다.

Fig. 7. 
Turtlebot3 burger

본 논문에서 자율주행 로봇 주행 테스트를 수행하기 위해 그림 8과 같은 복분자 재배 환경을 구축하였다. 로봇의 크기를 고려하여 환경은 길이 113cm, 폭 54cm, 높이 27cm의 크기로 설계되었다. 또한, 해당 테스트 환경 내에서 SLAM 기술을 사용하여 로봇이 생성한 지도를 보여주며, a, b, c 지점은 사용자가 지정한 목표 도착 지점을 보여준다.

Fig. 8. 
Navigation test environment and SLAM path points

표 3은 SLAM을 통해 맵핑된 환경 내에서 정의된 각 목표 지점 a, b, c에 대한 2차원 좌표 위치(x,y)와 3차원 공간에서 해당 지점의 회전을 나타내는 방향(z,w) 정보 값을 나타낸다.

로봇에게 임의로 선택된 지점 a, b, c로 이동 명령을 내렸다. 이동 경로 상에는 객체 인식이 설정된 장애물과 설정되지 않은 장애물을 배치하여 실험하였으며, 설정된 장애물과의 안전 거리는 1m로 설정하였다. 로봇이 목표 지점으로 이동 중 설정된 장애물을 감지하였을 때는 해당 장애물과 안전 거리를 유지하며 멈추고, 장애물이 제거될 때까지 대기한 후 경로를 계속 추종하여 목표 지점으로 이동하였다. 설정되지 않은 장애물의 경우, 로봇은 동적으로 경로를 재 계획하여 목표 지점까지 이동하였다.

표 4는 로봇이 10회의 자율주행을 수행할 때 이동 명령에 따른 도착 지점의 오차 및 거리유지 성능을 나타낸다.

거리유지(Keep Distance)에 대한 실험에서는 안전 거리를 1m로 설정하고, 이 거리 내에서의 오차를 측정하였다. 실험 결과, 설정된 거리에 대비하여 실제로 측정된 거리는 평균 약 0.038m의 오차를 보였다. 위치정확도(Location Accuracy)에 대한 실험에서는 a,b,c 세 지점을 이동하며, 각 지점에 도착할 때마다 /amcl_pose 토픽을 통해 실제 로봇의 위치 및 방향 좌표값을 확인하였다. 실시간 위치 및 방향 좌표값과 미리 설정한 좌표값을 비교하여 오차를 계산하였다. 계산된 오차값들의 평균은 약 5.7252%로 나타났다.