자율주행 자동차 경주 대회는 Formula 1 및 IndyCar를 비롯한 저명한 모터스포츠로부터 영감을 받아, 여러 국가와 다양한 행사 전반에 걸쳐 널리 확산되었다. 전통적 모터스포츠가 자동차 기술의 발전을 견인해 온 것처럼, 연구자와 학생들은 자율주행 자동차 경주 대회에서도 유사한 기여가 나타날 것으로 기대하고 있다. Betz 등은 [1] 에서 자율주행 자동차 경주의 현재 지형에 대한 포괄적인 검토를 제공하였다. 이러한 대회에는 다양한 로봇 자동차가 등장하며, 규모는 1:10부터 전(全)규모에 이르기까지 다양하다(구체적인 내용은 표 1 참조). 크기의 차이는 사용되는 감지 및 연산 시스템으로도 확장된다. 이들 행사 중 다수는 고등학교부터 대학원 과정까지의 학생들을 대상으로 하는 교육 목적에 맞추어 설계되어 있지만, 소규모 하드웨어 시스템이 실제 규모에 해당하는 시스템과 동일한 감지 및 연산 시스템을 반드시 활용하는 것은 아닐 수 있음이 지적된다. 그러나 이는 알고리즘 및 프로그램 개발에서의 기술적 난이도가 전(全)규모 또는 준(準)전(全)규모 사례에서 겪는 것보다 덜하다는 의미는 아니다. 크기 차이로 인해 감지, 연산, 하드웨어 자원이 달라지면, 실제 도로 환경을 주행하는 자율주행 자동차에서는 마주치지 않는 서로 다른 기술적 문제가 발생할 수 있다. 그럼에도 불구하고, 기획, 모션 제어, 온보드 시스템을 통한 실시간 인식과 같은 근본적인 과제는 두 규모 모두에서 공통적으로 나타난다.

자유도가 높은 이동형 매니퓰레이터의 동작 계획(motion planning)은 어렵다. 이동형 매니퓰레이터의 동작 계획에 가장 효과적인 접근은, 각 시스템을 별도로 계획하고 제어할 때 이동 로봇과 매니퓰레이터의 서로 다른 특성을 고려하는 것이다. 선행 연구에서는 가상 임피던스(virtual impedance)를 통해 서로 다른 특성을 고려하였다. 이 방법은 두 하위 시스템 간에 가상 임피던스 관계를 형성함으로써 이동 로봇이 매니퓰레이터의 움직임을 추종할 수 있도록 한다. 그러나 본 연구에는 몇 가지 제한점이 있었다. 첫째, 이 방법은 비홀로노믹(non-holonomic) 이동 로봇에는 적용할 수 없다. 둘째, 이동 로봇을 위한 장애물 회피 방법이 고려되지 않는다. 이러한 제한점을 해결하기 위하여, 우리는 가상 임피던스 에너지 장(virtual impedance energy field, VIEF)이라 불리는 새로운 개념을 동작 계획기에 제안한다. 이는 총에너지의 변화와 그에 따른 일을 의미한다. 우리는 가상 임피던스 힘을 VIEF로 변환함으로써 선행 연구의 첫 번째 제한점을 해결하였다. 또한 장애물 장(obstacle field)을 VIEF에 통합하고 이를 로컬 비용 지도(local costmap)로 사용함으로써 두 번째 제한점을 보완하였다. 동작 계획기의 성능을 검증하기 위해, 장애물이 포함된 환경에서 말단효과기(end-effector)의 직선 및 곡선 궤적을 대상으로 시뮬레이션을 수행하였다. 그 후 이동 로봇과 말단효과기의 자세 변화 그래프, 말단효과기의 자세 오차, 이동 로봇의 속도를 분석하였다. 따라서 매니퓰레이터가 원하는 궤적을 성공적으로 추종하는 한편, 이동 로봇은 말단효과기와의 거리를 유지하면서 장애물을 회피함을 확인하였다.

자율주행 자동차 경주 대회는 Formula 1 및 IndyCar를 비롯한 저명한 모터스포츠로부터 영감을 받아, 여러 국가와 다양한 행사 전반에 걸쳐 널리 확산되었다. 전통적 모터스포츠가 자동차 기술의 발전을 견인해 온 것처럼, 연구자와 학생들은 자율주행 자동차 경주 대회에서도 유사한 기여가 나타날 것으로 기대하고 있다. Betz 등은 [1] 에서 자율주행 자동차 경주의 현재 지형에 대한 포괄적인 검토를 제공하였다. 이러한 대회에는 다양한 로봇 자동차가 등장하며, 규모는 1:10부터 전(全)규모에 이르기까지 다양하다(구체적인 내용은 표 1 참조). 크기의 차이는 사용되는 감지 및 연산 시스템으로도 확장된다. 이들 행사 중 다수는 고등학교부터 대학원 과정까지의 학생들을 대상으로 하는 교육 목적에 맞추어 설계되어 있지만, 소규모 하드웨어 시스템이 실제 규모에 해당하는 시스템과 동일한 감지 및 연산 시스템을 반드시 활용하는 것은 아닐 수 있음이 지적된다. 그러나 이는 알고리즘 및 프로그램 개발에서의 기술적 난이도가 전(全)규모 또는 준(準)전(全)규모 사례에서 겪는 것보다 덜하다는 의미는 아니다. 크기 차이로 인해 감지, 연산, 하드웨어 자원이 달라지면, 실제 도로 환경을 주행하는 자율주행 자동차에서는 마주치지 않는 서로 다른 기술적 문제가 발생할 수 있다. 그럼에도 불구하고, 기획, 모션 제어, 온보드 시스템을 통한 실시간 인식과 같은 근본적인 과제는 두 규모 모두에서 공통적으로 나타난다.

자유도가 높은 이동형 매니퓰레이터의 동작 계획(motion planning)은 어렵다. 이동형 매니퓰레이터의 동작 계획에 가장 효과적인 접근은, 각 시스템을 별도로 계획하고 제어할 때 이동 로봇과 매니퓰레이터의 서로 다른 특성을 고려하는 것이다. 선행 연구에서는 가상 임피던스(virtual impedance)를 통해 서로 다른 특성을 고려하였다. 이 방법은 두 하위 시스템 간에 가상 임피던스 관계를 형성함으로써 이동 로봇이 매니퓰레이터의 움직임을 추종할 수 있도록 한다. 그러나 본 연구에는 몇 가지 제한점이 있었다. 첫째, 이 방법은 비홀로노믹(non-holonomic) 이동 로봇에는 적용할 수 없다. 둘째, 이동 로봇을 위한 장애물 회피 방법이 고려되지 않는다. 이러한 제한점을 해결하기 위하여, 우리는 가상 임피던스 에너지 장(virtual impedance energy field, VIEF)이라 불리는 새로운 개념을 동작 계획기에 제안한다. 이는 총에너지의 변화와 그에 따른 일을 의미한다. 우리는 가상 임피던스 힘을 VIEF로 변환함으로써 선행 연구의 첫 번째 제한점을 해결하였다. 또한 장애물 장(obstacle field)을 VIEF에 통합하고 이를 로컬 비용 지도(local costmap)로 사용함으로써 두 번째 제한점을 보완하였다. 동작 계획기의 성능을 검증하기 위해, 장애물이 포함된 환경에서 말단효과기(end-effector)의 직선 및 곡선 궤적을 대상으로 시뮬레이션을 수행하였다. 그 후 이동 로봇과 말단효과기의 자세 변화 그래프, 말단효과기의 자세 오차, 이동 로봇의 속도를 분석하였다. 따라서 매니퓰레이터가 원하는 궤적을 성공적으로 추종하는 한편, 이동 로봇은 말단효과기와의 거리를 유지하면서 장애물을 회피함을 확인하였다.

심도 카메라와 LiDAR의 발전으로 더 많은 데이터가 생성되면서, 3D 포인트 클라우드에서의 응용이 빠르게 확대되고 있다. 그러나 생성되는 방대한 데이터의 양은 계산 부담을 증가시키며, 그 결과 저장 공간의 부족으로 이어진다. 따라서 3D 포인트 클라우드를 사용하기 전에 포인트의 수를 줄이기 위한 전처리 단계가 필요하다. 본 연구는 로봇의 목표 궤적을 따라 원형 및 직사각형 ROI(관심영역)를 순차적으로 구성하여, 목표 작업에 필요한 핵심 데이터만 추출하는 ROI 결정 방법을 제안한다. 이 두 가지 ROI 결정 방법에는 두 가지 이점이 있다. 첫째, 원본 데이터의 해상도를 유지한다. 둘째, 궤적의 복잡도와 무관하게 정확히 일치하는 두 개의 ROI를 생성한다. 이 두 가지 ROI 결정 방법의 높은 성능을 검증하기 위해 다양한 데이터—인공 프레임, 키프레임, 순차 프레임—를 사용하여 시뮬레이션과 실험을 수행하였다. 그 결과, 중심점 사이의 거리가 작을 때 원형 및 직사각형 ROI의 지름 또는 높이의 25%에서, 분류 평가 결과는 1에 더 가깝게 나타났고 처리 속도는 원본 데이터 획득 속도보다 빨랐다. 그러나 거리 매개변수에 따라 분류 결과와 처리 시간 사이에 상충 관계가 존재함을 확인하였다. 또한 이전 연구의 장방형(긴 직육면체) ROI 결정 방법과의 정성적 비교를 통해, 기존 연구의 한계와 두 가지 제안된 ROI 결정 방법의 장점을 확인하였다.

신발 갑피(upper) 접착제 분사 공정을 신발 갑피의 3차원 곡면 형상 때문에 로봇으로 자동화하는 것은 어렵다. 본 논문에서는 3-D 측정 장치와 산업용 로봇을 이용하여 신발 갑피 접착제 분사 공정을 자동화하는 방법을 제안한다. 접착제 분사 자동화 공정은 다음 단계를 포함한다. 첫째, 변환 행렬 보정을 수행하여 3-D 측정 장치로 측정된 점과 로봇 엔드이펙터(end-effector) 점을 동일하게 만든다. 둘째, 3D 측정 장치로 측정된 신발 접착제 분사 라인을 연결하는 신발 게이지 라인(shoe gauge line)을 매끄럽게(smooth) 한다. 마지막으로, 접착제를 정량적으로 분사하기 위한 로봇 엔드이펙터의 목표 점을 선택하고, 로봇을 구동하기 위한 로봇 엔드이펙터의 위치/자세(position/orientation)를 생성한다. 제안한 방법은 신발 갑피 분사 시스템의 시험용 베드(test bed)에서 검증하였다. 본 논문에서 제안한 방법을 사용하면 로봇 비전문가도 3-D 측정 장치로 신발 게이지 라인 데이터를 측정할 수 있으며, 로봇을 수동으로 조작하지 않고도 신발 갑피 접착제 분사 공정을 자동화할 수 있다.

본 논문은 사용이 용이한 RGB-D(Depth) 카메라를 이용한 거리 오차 모델 기반의 로봇 매니퓰레이터 기구학 캘리브레이션 방법을 제안한다. RGB-D 카메라는 로봇의 말단 이펙터에 부착되며, 체커보드의 코너 3차원 위치를 두 가지 서로 다른 위치에서 측정한다. 두 서로 다른 RGB-D 카메라 위치 간의 회전 행렬과 변위 벡터를 포함하는 동차 변환 행렬은 RGB-D 카메라로부터 획득한 위치 데이터로부터 계산된다. 거리 오차는 유도된 동차 변환 행렬에 의해 계산된 RGB-D 카메라의 이동 거리와 로봇 매니퓰레이터가 실제로 이동한 거리의 비교를 통해 측정한다. 제안된 로봇 매니퓰레이터 기구학 캘리브레이션 방법의 타당성을 확인하기 위해 6자유도(6-DOF) 로봇 매니퓰레이터에 대해 시뮬레이션과 실험을 수행하였다.

산업용 로봇 매니퓰레이터는 정밀하고 복잡한 작업을 수행하기 위해 엔드 이펙터의 높은 절대 위치 정확도를 요구한다. 그러나 제조 오차로 인해 명목 파라미터와 실제 파라미터 간에 차이가 발생하며, 엔드 이펙터의 예상 위치와 실제 위치 간의 오차로 이어져 원치 않는 절대 위치 정확도 저하를 초래한다. 따라서 엔드 이펙터의 절대 위치 정확도를 향상시키기 위해서는 명목 파라미터를 실제 파라미터에 가깝게 보정할 수 있도록 기구학 캘리브레이션이 필요하다. 하지만 본 연구에서는 인접 프레임에서 파라미터의 중첩 자유도(overlapping degrees of freedom)로 인해 파라미터의 중복성이 발생할 수 있으며, 이로 인해 최적화 과정에서 불필요하게 많은 파라미터를 보정하는 문제가 발생한다. 이에 본 논문은 이러한 문제를 해결하고 필요한 파라미터만 활용하기 위해, 중복 파라미터의 선형 관계에 초점을 맞추고 Pearson Correlation Analysis를 통해 이를 자동으로 판별하고 제거하는 방법을 제안한다. 또한 두 가지 매니퓰레이터 모델에 대한 시뮬레이션을 통해 제안된 방법으로 결정된 파라미터 중복성의 정확도를 검증하고, 중복성 제거 전후의 결과를 비교하여 일관성과 효율성을 입증한다.