[논문 리뷰] Motion Planning Of an Autonomous Mobile Robot Using Artificial Neural Network

Gyanendra Nath Tripathi, V. Rihani|arXiv (Cornell University)|2012. 07. 20.

Robotic Path Planning Algorithms참고 문헌 16인용 수 6

한 줄 요약

이 논문은 인공신경망(ANN)을 사용하여 직선 주행 및 정밀 회전 결정을 학습하고 최적화하는 자율 이동 로봇를 위한 운동 계획 시스템을 제시한다. 훈련된 ANN은 마이크로컨트롤러에 구현된 최적의 가중치를 계산하여 실험적 검증에서 뛰어난 성능을 보이며 실시간 자율 주행을 가능하게 한다.

ABSTRACT

The paper presents the electronic design and motion planning of a robot based on decision making regarding its straight motion and precise turn using Artificial Neural Network (ANN). The ANN helps in learning of robot so that it performs motion autonomously. The weights calculated are implemented in microcontroller. The performance has been tested to be excellent.

연구 동기 및 목표

• 인공지능을 사용하여 실시간, 자율적인 운동 계획 시스템을 개발하기 위해.
• 로봇이 신경망 훈련을 통해 직선 주행 및 정밀 회전과 같은 운동 결정을 학습하고 적응할 수 있도록 하기 위해.
• 학습된 가중치를 마이크로컨트롤러에 구현하여 임베디드 실시간 제어를 가능하게 하기 위해.
• 자율 주행 작업에서의 시스템 성능을 검증하기 위해.
• 제한된 하드웨어 환경에서 저수준 로봇 운동 제어에 ANN을 사용하는 것이 가능한지를 입증하기 위해.

제안 방법

• 인공신경망(ANN)이 센서 입력을 최적의 운동 명령(직선 또는 회전)으로 매핑하도록 훈련된다.
• 환경 조건와 해당하는 로봇의 바람직한 동작가지의 데이터셋을 사용하여 네트워크를 훈련한다.
• 훈련된 ANN의 가중치를 전달하고 마이크로컨트롤러에 구현하여 실시간 실행을 수행한다.
• 로봇은 내장된 센서의 피드백을 이용하여 ANN의 출력 결정에 기반해 운동을 조정한다.
• 하드웨어(마이크로컨트롤러, 모터, 센서)와 ANN 기반 의사결정 논리가 통합되어 폐쇄 루프 제어를 구현한다.
• 통제된 환경에서 정의된 경로를 따라 실험적 테스트를 통해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 ANN은 자율 이동 로봇을 위한 운동 결정(직선 대 회전)을 효과적으로 학습하고 일반화할 수 있는가?
• RQ2 훈련된 ANN이 실시간 운동 제어를 위해 마이크로컨트롤러에 얼마나 정확하게 구현될 수 있는가?
• RQ3 정밀도와 안정성 측면에서 ANN 기반 시스템의 주행 정확도 성능은 어떠한가?
• RQ4 유연성 측면에서 전통적인 규칙 기반 운동 계획에 비해 ANN 기반 접근 방식은 어떻게 비교되는가?
• RQ5 각 상황에 대해 명시적인 프로그래밍 없이도 정밀한 회전과 직선 주행을 달성할 수 있는가?

주요 결과

• ANN 기반 시스템은 입력 조건에 기반하여 직선 주행와 정밀 회전 결정을 정확히 학습하는 데 성공했다.
• 훈련된 네트워크의 가중치가 마이크로컨트롤러에 성공적으로 구현되어 실시간 운영이 가능했다.
• 실험 결과 자율 주행 작업에서 뛰어난 성능을 보였다.
• 다양한 환경 입력 조건 하에서도 신뢰할 수 있고 반복 가능한 운동 제어를 달성했다.
• ANN과 임베디드 마이크로컨트롤러 하드웨어의 통합은 실시간 의사결정에 효과적이었다.
• 이 접근 방식은 적응형이며 저비용인 자율 로봇 운동 계획에 강력한 잠재력을 보였다.