동적인 실내 환경에서 강건한 인간-로봇 협업(HRC)을 위해서는 정확한 3차원(3D) 위치추정이 필수적이다. 그러나 복잡한 상황에서 고정밀 위치추정을 구현하는 일은 다중경로 효과, 시야각 가림(field-of-view occlusion) 등과 같은 문제로 인해 여전히 어려움을 겪고 있다. 이러한 한계를 해결하기 위해 본 연구에서는 초광대역(ultra- wideband, UWB) 센서, 관성측정장치(inertial measurement unit, IMU), 기압 센서(barometric pressure, BMP)를 통합하는 기하 제약 기반 장단기 기억(geometry-constrained long short-term memory, LSTM) 프레임워크 Geo-LSTM을 제안한다. 먼저, 이중-BMP 센서와 IMU 센서를 사용하여 정밀한 높이 정보를 획득하고, UWB 태그와 앵커 간의 기하학적 관계를 활용해 초기 위치 추정치를 계산하는 Simplified Geometric Localization (SGL) 알고리즘을 제안한다. 이 초기 추정치는 Geo-LSTM 네트워크에 대한 사전(a priori) 입력으로 사용된다. 이후 Geo-LSTM 알고리즘은 다중 출처의 기하학적 정보를 통합하여 UWB 거리 측정 데이터와 태그의 사전 위치로부터 시계열 특징을 추출함으로써 3D 위치추정 정확도를 한층 향상시킨다. 가림이 존재하는 실제 HRC 과업을 포함하여 복잡한 실내 환경에서의 실험 결과에 따르면, Geo-LSTM 알고리즘은 평균 3D 위치추정 근평균제곱오차(root mean square error, RMSE) 0.103 m를 달성하였으며, 이는 가중최소제곱(weighted least squares, WLS) 방법과 거리 기반 LSTM 알고리즘 대비 각각 38.60%, 31.20%의 개선을 나타낸다. 이러한 결과는 HRC 응용에서 Geo-LSTM이 신뢰할 수 있는 다중 센서 3D 위치추정의 잠재력을 지님을 보여준다.

본 논문은 로봇이 목표 지점에 도달하는 과정에서 제거되는 장애물의 수를 줄여 로봇 조작의 효율을 향상시키는 새로운 알고리즘을 제시한다. 이로써 처리 시간이 단축되어 성능이 향상된다. 슈퍼마켓, 공장 등 복잡하고 혼잡한 환경에서(예: 실시간으로 변화가 계속 발생하는 환경) 로봇 조작이 직면하는 문제는 잘 알려져 있다. 이러한 문제를 해결하기 위해 로봇은 작업 효율을 높이기 위해 장애물의 이동(재배치)을 최소화하면서도 목표에 도달할 수 있는 충돌 회피 경로를 생성해야 한다. 이를 달성하기 위해 제안하는 작업 계획 알고리즘은 Rapidly-exploring Random Tree (RRT) 알고리즘과 수정된 Vector Field Histogram Plus (VFH+)를 통합한다. 해당 알고리즘은 시뮬레이션된 서비스 도메인 환경에서 선반 위에 물체를 배치한 조건으로 테스트한 뒤, 실제 로봇 실험을 수행하였다. 두 실험 모두에서 제안 알고리즘의 결과는 다른 기존 방법에 비해 장애물 제거 횟수가 더 적었으며(최대 37%), 그에 따라 처리 시간이 더 빠른 것으로 나타났다(최대 36% 향상). 따라서 제안 알고리즘은 기존 방법에 비해 장애물 재배치 횟수를 줄이고 처리 시간을 개선하는 것으로 확인되었다. 그 결과, 본 방법은 이전 접근 방식 대비 작업 효율의 향상으로 평가되었으며, 혼잡한 환경을 갖는 서비스 도메인에서의 로봇 조작 활용에 중요한 함의를 지닌다.