콘크리트 크랙 탐색 및 실링을 위한 다수의 자율주행로봇

2.1. 위치 추정

이동로봇에서 필수 기능에 해당하는 위치 추정은 측 정거리, 측정 방법, 위치 추출 등 세 가지 영역으로 나눌 수 있다. 거리측정을 위한 다양한 센서 중 초음파센서는 간단한 구동원리, 저렴한 비용, 센티미터 단위 정확성 등 다양한 장점이 있고, 초음파 센서 기반 위치인식 시스 템을 구성할 경우 동시에 많은 이동 노드를 추적할 수 있어 일반적으로 많이 사용된다^[15]. 센서를 통해 거리를 측정하는 다양한 방법 중 일반적으로 많이 사용하는 TOA (Time of Arrival)는 전파가 송신 측에서 출발하여 수신 측에 도달할 때까지 시간을 측정한 후 전파의 속도 를 곱하여 거리를 측정한다^[16]. 이 방법은 신호원과 수신 기가 정확히 동기되어야 하며 전파 속도가 느릴수록 정 확도가 올라가므로 RF (Radio Frequency) 보다는 초음 파가 많이 사용된다. 음파는 온도의 영향을 받으므로 온 도보상을 고려한 측정 거리는 다음과 같다.

• r: 측정거리, υ: 음파 속도, T: 섭씨 온도

일반적으로 초음파 거리 측정은 비행 거리에 따라 초 음파의 속도가 상대적으로 변하고 펄스가 트리거 된 후 실제 송출되기까지도 일정한 시간 지연이 발생되며 음 원에서 반사판까지 거리를 고려해야 하므로 식 (2)와 같 이 변형한다.

• E: 펄스지연오차 + 거리와 반사판 사용에 따른 오차

오차 E는 거리에 따라 거의 선형성을 가지므로 여러 번 실험을 통해 데이터를 얻을 수 있다. 이렇게 측정된 거리정보를 이용하여 위치를 추정하는 방법들 또한 다양 한데 지금까지의 일반적인 방법은 비컨에 해당하는 초 음파 송신기들을 천정에 고정하고 수신기를 장착한 로봇 들이 비컨까지 거리를 측정하면 삼변측량법(Trilateration) 을 이용해 위치인식을 한다. 이러한 방법은 장소가 협소 하여 고정 비컨들을 설치할 수 없는 문제와 넓은 영역에 서의 설치비용 문제가 있고, 확장성에 제한적이며 여전 히 적지 않은 오차가 존재한다. 이러한 문제를 해결하기 위해 움직이는 로봇이 비컨이면서 동시에 필요한 위치 를 획득할 수 있도록 하는 위치인식 비컨 시스템^[17]이 제안됐지만 작업 공간 내에서 상대적인 위치를 인식하 며 위치인식을 할 때는 비컨 로봇이 정지한 상태에서 가능했다.

따라서 본 논문에서는 시계가 확보된 넓은 공간에서 영역확장에 따른 확장성이 용이하며 멈추지 않고 자율 주행 중에 위치를 인식하여 공간을 탐색하고 작업을 할 수 있도록 멀티로봇의 새로운 위치인식 시스템을 제안 한다. Fig. 2는 새로운 위치인식 시스템의 개념도이다. 이 시스템은 Fig. 3과 같은 초음파-비컨 장치와 RF를 이 용한 거리측정 시스템을 로봇에 장착하고, 측정 로봇과 비컨 로봇이 역할을 교대로 수행하면서 로봇이 자율 주 행 중에 자기위치 인식이 가능한 시스템이다. 초음파-비 컨 장치의 반사판은 일정한 지향각을 갖고 수직 방향으 로 방사된 초음파를 수평 방향으로 전파시켜 모든 로봇 이 동시에 거리측정이 가능하도록 하고, 반사각에 따른 거리 값의 변화^[18]를 방지하며 정반사 되도록 Fig. 4와 같이 설계하였다.

Fig. 2

Localization system outline

Fig. 3

Ultrasonic-Beacon system

Fig. 4

Ultrasonic reflector

새로운 위치인식 시스템에서 위치 추정을 할 때 모든 로봇의 초기 위치값은 알고 있으며, 모든 로봇의 위치 는 공유 가능하다고 가정한다. 로봇의 위치 추정 방법 을 예를 들어 설명하면 먼저 1번 로봇이 비컨이 되어 Fig. 5의 신호체계에 따라 모든 로봇에게 RF 동기 신호 를 보낸 후 응답 신호를 받으면 초음파 신호를 송신한다. 1번 로봇을 제외한 다른 모든 로봇은 응답 신호를 보낸 후 초음파 신호를 대기하면서 시간을 카운터하여 1번 로봇과의 거리 값을 계산하여 저장한다. 다음은 2번 로 봇이 비컨이 되어 모든 로봇에게 동기 신호와 초음파 신호를 송신하며 나머지 로봇들은 2번 로봇과의 거리 값을 계산하여 저장한다. 이런 방법으로 n번 로봇까지 진행하고 이것을 다시 반복 순환한다. 이 과정에서 모든 로봇은 다른 로봇과의 거리 값을 최신 정보로 업데이트 하고, 다른 로봇과의 거리정보가 세 개(r1, r2, r3) 이상이 면 위치(p1, p2, p3)는 알고 있으므로 삼변측량법을 적용 하여 자기위치 측정이 가능하다.

Fig. 5

Signal rule of localization system

여기서 자신을 제외한 모든 로봇은 비컨으로서의 역 할이 가능하지만 반드시 모두가 가능한 것은 아니다. 본 논문에서는 고정 비컨이 아니라 비컨들이 자율 주행하 는 로봇이므로 가령 비컨들과 측정 로봇이 일직선상에 있을 때 거리측정 오차를 고려하면 만나는 점이 형성되 지 않아 측정이 불가능하다. 따라서 Fig. 6의 θ와 D가 식 (3), (4)를 만족하는 로봇들을 선택한다.

Fig. 6

Requirement for application of trilateration

이렇게 측정된 위치들은 식 (5)과 같이 일반화된 식으 로 나타낼 수 있다.

• xin : n번 로봇의 i번째 위치 추정 값
• x^in : n번 로봇의 i번째 위치의 위치 측정 값

여기서 Δx는 측정 오차이며 칼만 필터를 통해 측정에 러를 감소시킨다. 칼만 필터를 이용한 위치 보정 방법은 예측단계에서 추정된 위치정보, 오차 공분산, 로봇의 속 도정보를 이용하여 로봇위치와 오차 공분산을 예측하고 측정값과 예측값으로 로봇의 위치를 추정한다^[19]. 멀티 로봇의 위치 추정을 위한 선형 모델과 상태변수는 식 (6)과 같다.

• x_k: 상태변수(위치, 속도), z_k: 측정값(로봇의 위치)
• A: 상태전이행렬,    H: 측정값과 상태변수 관계

2.2. 비전 시스템

로봇이 주어진 임무를 수행하기 위해 스스로 주위 환 경 정보를 획득하는 것은 필수적이며, 본 논문에서는 2 차원 평면에 존재하는 크랙을 탐색하고 실링하는 방법 에 관한 연구가 목적이므로 비전 센서를 통해 보다 효율 적인 크랙 탐색과 검출 및 실링을 하도록 한다.

2.2.1. 시각 시스템 모델링

시각 시스템을 통해 외부환경을 인식하기 위해서는 실 좌표 중 적어도 하나의 좌표 정보를 알아야 하며 본 논문에서는 2차원의 평면 바닥에 존재하는 크랙을 탐색 하는 문제이므로 z에 대한 정보는 알 수 있다. 따라서 Fig. 7과 같은 시각 시스템 모델링을 통해 수학적으로 계산이 가능하다^[20]. 식 (7)은 실 좌표를 영상 좌표로 변 환하는 식이며, 본 논문에서는 탐색 된 영상 좌표를 통해 실세계 좌표가 필요하므로 식 (8)과 같이 변환한다.

Fig. 7

Vision system modeling

$\[ c_h=PCRG{w}_h \]$

(7)

$\[ w_h={\left(PCRG\right)}^{-1}{c}_h \]$

(8)

• R: 원근 변환, R: 회전 변환,   C: 짐벌-영상 변환
• c_h: 영상 좌표, w_h: 실세계 좌표, G: 기준-짐벌 변환

변환 행렬 (PCRG)^-1 을 구하는 방법은 모델 식을 통해 구할 수도 있지만 카메라 경사각이 고정되어 있어 실 좌표를 알고 있는 여러 점을 이용하는 카메라 보정 방법 을 사용하여 추정하도록 한다. 바닥에 존재하는 크랙의 Z값은 0이므로 식 (9)와 같이 동차 좌표형태로 나타내고, 변환행렬의 미지수를 결정하기 위해 식 (10)을 풀어 정 리하면 식 (11)을 얻을 수 있으며 정확한 정보를 위해 여러 번의 데이터 획득을 통해 변환 행렬을 결정하도록 한다.

$\[ w_h=\left[\begin{array}{c}kX\\ kY\\ k\end{array}\right],c_h\left[\begin{array}{c}x\\ y\\ 1\end{array}\right],PCR{G}^{-1}=\left[\begin{array}{c}{a}_{11}{a}_{12}{a}_{13}\\ a_{21}{a}_{22}{a}_{23}\\ a_{31}{a}_{32}{a}_{33}\end{array}\right] \]$

(9)

$\[ \begin{array}{l}{a}_{31}xX+a_{32}yX+a_{33}X-a_{11}x-a_{12}y-a_{13}=0\\ a_{31}xY+a_{32}yY+a_{33}Y-a_{21}x-a_{22}y-a_{23}=0\end{array} \]$

(10)

2.2.2. 크랙 검출

콘크리트 균열 검출과 관련한 많은 연구들이 진행되 었지만 전체적인 흐름에서 알고리즘들은 큰 차이가 없 으므로 본 논문에서는 이동로봇의 실시간 처리에 주안 점을 두어 알고리즘을 적용하였다. 먼저 처리 속도를 고 려하여 컬러 영상을 흑백으로 변환하고, 배경과 크랙의 밝기값 대비를 강조하여 효과적으로 크랙을 검출하도록 식 (11)과 같이 모폴로지 기법을 적용하였다^[19].

$\[ h=f+\left(f-\left(f°b\right)\right)-\left(\left(f·b\right)-f\right) \]$

(11)

• °: Opening 연산,  ∙: Closing 연산
• f: 입력영상,   b: 구조요소

영상 전처리 후 배경과 물체를 분리하는 일반적인 방 법은 이진화 기법이며, 본 논문에서는 이들 중 Otsu방법 을 적용하였다^[21]. 이진화 처리 후 영상은 크랙뿐만 아니 라 많은 노이즈를 포함하고 있다. 일반적으로 노이즈는 연결되어 있지 않고 산포하기 때문에 labeling 기법을 통해 이들을 제거할 수 있다. 미소 잡음 제거 후 남은 물체는 잘못 인식된 작은 물체와 실링이 완성된 크랙, 그리고 검출하고자 하는 크랙 등 세 가지 정도가 있을 수 있다. 본 논문에서는 찾고자 하는 크랙만 검출하기 위해 물체의 특징을 나타낼 수 있는 형상분석 방법 중 Packing density를 적용하여 최종 크랙을 검출하였다^[8]. Fig. 8의 (a)는 가지 형상의 크랙으로 일부 실링작업이 완료된 영상이고 Fig. 8의 (b), (c)는 검출 알고리즘에 따라 실링작업이 완료된 크랙과 작업 전 크랙을 분리하 여 검출한 영상을 보여준다.

Fig. 8

Crack detection

2.3. 탐색영역 분할

주어진 2차원 평면 공간에서 주변 상황에 따라 탐색 영역을 분할하여 로봇을 배치함으로써 효율적인 탐색 작업이 되도록 하며, 영역분할을 위해 영상처리 기법과 보로노이 테셀레이션 방법^[22]을 적용한다.

2.3.3. 세부영역 분할

로봇들이 작업을 시작한 초기에 영역 분할을 하는 경 우 Fig. 9의 (a)와 같이 미 탐색지역이 아주 크게 분할되 고, 이 지역을 한 대의 로봇이 이동하여 탐색을 하는 것 은 비효율적이므로 일정 크기 이상의 큰 영역이라면 다 시 세부영역으로 분할하는 것이 합리적이다. 영역 분할 은 기하학 등에서 많이 사용하는 보로노이 테셀레이션 알고리즘을 사용한다. 식 (15)는 보로노이 셀 V(p_i) 를 정의한다.

Fig. 9

Area saeparation for searching

(15)

보로노이 테셀레이션을 실행하기 위해 보로노이 셀 이라는 생성자가 필요하며 면적 중심점을 이용하여 찾 는다. 식 (16)에서 A는 분할하고자 하는 영역의 면적이 며, x¯, y¯ 는 1차 면적 모멘트에 해당하는 면적의 중심점 이다.

$\[ \begin{array}{l}A={\displaystyle {\sum }_{i=1}^n{\displaystyle {\sum }_{j=1}^{m}f\left(i,j\right)}}\\ \overline{x}-\frac{{\displaystyle {\sum }_{i=1}^n{\displaystyle {\sum }_{j=1}^{m}jf\left(i,j\right)}}}{A},\overline{y}=\frac{{\displaystyle {\sum }_{i=1}^n{\displaystyle {\sum }_{j=1}^{m}f\left(i,j\right)}}}{A}\end{array} \]$

(16)

면적 중심이 구해지면 중심에서 얼마나 산포하는 가 를 나타내는 분산값을 구하고, 면적 중심에서 이 분산값 을 반지름으로 하는 원을 그린다. 이 원주 상에 분포하는 셀들의 수를 분할하려는 수로 나누고, 등 간격에 분포한 셀들이 찾고자 하는 생성자가 된다. 획득한 생성자를 중 심으로 보로노이 테셀레이션을 수행하여 Fig. 9의 (b)와 같이 세부 영역 분할을 완성한다. Fig. 10의 (a) ~ (d)는 세부영역 분할의 단계를 설명하며, 완성된 세부 영역들 의 면적 중심점들은 새로운 목표 지점으로 모든 로봇에 게 통신을 통해 공유한다. 세부영역 분할의 수는 최대 작업 로봇의 수와 같으며 최소 20픽셀 이상일 때 세부영 역 분할을 한다.

Fig. 10

Area separation in detail

3.1. 충돌 회피

로봇이 충돌을 회피하는 것은 기본적인 능력에 해당 하며 효율적인 충돌회피에 관한 다양한 방법들이 있지 만 여전히 충돌 위험성 문제와 과도한 경로 회피 문제를 가지고 있다. 따라서 본 논문에서는 작업의 효율성을 고 려해 다음과 같은 방법을 사용한다. 우선 모든 로봇은 현 작업 상태에 따라 Table 1과 같이 가상의 질량 가중값 을 가진다. 두 로봇이 충돌회피 영역 안에 있는 경우 질 량 가중값이 큰 로봇은 식 (18)을 사용하여 속도만 감속 하고 방향은 유지한다. 반면 다른 로봇은 Borenstein과 Koren이 제안한 포텐셜 필드 알고리즘에 따라 식 (17)의 포텐셜 필드 함수에 의해 결정된 방향과 속도로 충돌을 회피하는 방식이다^[23,24]. 실링하는 두 로봇이 마주 보고 충돌하는 경우는 가중값이 적은 로봇이 임의 방향으로 회피하고, 만약 가중값이 같을 때는 실링량이 많은 로봇 이 임의 방향으로 회피한다.

Table 1

Weight Value depending on Working State

식에서 wmi 는 i번째 로봇의 질량 가중치를 나타내고, d_ij는 i번째 로봇과 j번째 로봇과의 거리를 나타내며, υ₀ 는 처음 속도, υci는 i번째 로봇의 현재 속도를 의미한다. η는 포텐셜 함수에 의해 구해진 전체 힘의 가중치를 나 타내는 상수이다.

3.2. 주변 탐색

작업공간에 있는 로봇은 항시 임의의 셀 안에 존재 하므로 현 셀을 포함한 주변 8개 셀의 탐색량을 평가 하고, 탐색이 필요한 경우 현 셀의 중앙으로 이동하여 회전하면서 영상으로 크랙을 탐색한다. 탐색 윈도우 영 역 안의 탐색량을 누적 계산하기 위해 셀들은 작은 셀들 로 세부 분할되며 회전하는 동안 주변 셀들의 누적 탐색 량이 일정 값(1800) 이상이 되면 주변 탐색을 완료한다. 식 (19)은 k셀의 누적 계산식을 나타낸다.

3.3. 근거리 탐색

작업 초기 처음 영역 분할은 전체 탐색공간의 영역 분할로 볼 수 있으며, 처음 분할된 지역으로 이동하여 탐색하는 로봇은 현 지역에서 탐색과 작업을 완료한 후 다른 지역으로 이동하는 것이 효율적이다. 따라서 다음 조건을 만족하는 경우 현 위치에서 가장 가깝고 미탐색 된 공간으로 이동하여 탐색을 하도록 한다.

• 조건1: 주변 탐색을 완료한 경우
• 조건2: 현 지역의 탐색률이 임계값 이하인 경우
• 조건3: 목표점 주변 다른 로봇이 없는 경우

3.4. 전역 탐색

주변 상황에 따라 탐색량이 적거나 미탐색된 지역으 로 이동하여 탐색하는 것은 로봇들을 전체 작업 영역으 로 분산시켜 로봇들 간의 충돌을 예방하고 주어진 임무 를 빠른 시간에 완성할 수 있는 적절한 방법이다. 따라서 다음 조건을 만족하는 경우 2절에서 제안한 영역 분할 방법을 통해 전역목표 지점으로 이동하여 전역 탐색을 수행한다.

• 조건1: 주변 탐색을 완료한 경우
• 조건2: 근거리 탐색을 할 수 없는 경우
• 조건3: 목표점 주변 다른 로봇이 없는 경우
• 조건4: 평가함수 μ_k의 최대값이 0보다 큰 경우

영역 분할 방법을 통해 찾은 전역목표 지점들은 상황 에 따라 다르지만 여러 목표 지점들이 주어진다. 이때 로봇들은 식 (20)과 같이 평가함수를 통해 가장 높은 값 을 가지는 지점으로 이동하는 것이 합당하다. μ_k는 전역 목표 지점 k셀의 평가값이고, ΣQk(x, y)는 k셀 주변 8 개를 포함하는 탐색량이며, d_k는 현 로봇에서 k셀까지 거리를 나타낸다. c는 평가함수를 조절하기 위한 상수이 다. T는 평가 함수의 임계값으로 조건 없이 이동하는 경우 목표점 도착 전에 다른 로봇이 같은 지역으로 이동 할 수 있어 이를 방지한다.

3.5. 임의 탐색

임의 탐색 동작은 작업 마무리 단계에서 기본 여섯 가지 동작 중 충돌 회피, 주변 탐색, 실링작업유도, 근거 리 탐색 그리고 전역 탐색이 선택되지 않을 때이며, 작업 초기에 임의 탐색은 거의 이루어지지 않는다.

3.6. 실링작업 유도

2절에서 제안한 비전 시스템에 의해 크랙을 발견하는 경우 두 번의 단계를 통해 크랙에 도달한다. 첫 번째는 탐색 윈도우 안에 존재하는 크랙의 중간점을 계산하고 그 지점으로 이동을 시작한다. 두 번째는 이동 중 크랙과 일정 거리에서 다시 크랙을 탐색하고, 만약 크랙의 끝점 이 발견될 경우 끝점으로 이동하고, 아니면 다시 크랙의 중간점을 다시 계산해 이동한다. 이때 끝점 혹은 중간점, 그리고 다른 점과의 기울기를 계산해 실링 방향도 알 수 있다. Fig. 11의 (a), (b)는 단계별 크랙 접근방법을 보여준다. 크랙의 끝점을 발견했을 때는 현 로봇이 즉시 실링을 시작하고, 끝점이 아닌 경우 협동 작업을 위해 주위 로봇들에게 크랙 발견을 통신으로 알리고 실링작 업을 유도한다. 이때 실링작업 중이고, 목표점으로 이동 중인 로봇을 제외한 모든 로봇 중 가장 가까이 있는 로봇 을 유도하며, 일정 시간 동안만 유도신호를 보내고 유도 되는 로봇이 없을 때는 협동 없이 실링작업을 시작한다. 실링작업 중 가지 형상의 크랙을 발견하는 경우도 실링 작업 유도를 하게 된다.

Fig. 11

Crack approach method

3.7. 실링작업

발견된 크랙에 도착하면 실링작업 윈도우로 전환하고, 크랙 탐색 단계에서 구한 실링 방향으로 회전하여 실링 작업 준비를 완료한다. 본 논문에서는 영상 시스템을 이 용하여 크랙을 정밀하게 추적하면서 동시에 실링작업 을 해야 하므로 탐색작업에서 사용한 탐색 윈도우를 실 링작업 윈도우로 변경할 필요가 있다. 따라서 실링 작업 윈도우의 시각 시스템 변환행렬은 실링작업 윈도우 영 역으로 한정한 데이터를 통해 다시 계산된다. Fig. 11의 실링작업 윈도우는 로봇의 중앙에서 전방 150 mm, 실링 건에서 75 mm 지점에 위치하며, 크기는 300×50 mm이 다. 새로운 변환행렬을 사용한 실세계 좌표 계산 오차는 평균 ±0.3 mm 이내로 매우 적고, 실제 실링한 라인의 두께는 30 mm 정도 폭을 가지므로 정확한 실링 작업을 위해 충분함을 알 수 있다.

4.1. 자기위치 추정 시스템

로봇이 자율 주행하면서 스스로 자기위치를 인식하는 시스템은 Nordic사의 nRF24L01 RF 모듈과 하기소닉사 의 HG-M40DC 송/수진 겸용 초음파모듈을 사용하여 구 성 하였다. 정지한 상태에서 거리측정 실험은 평균 0.76 cm 오차를 보이며, 위치측정 실험은 평균 1.1 cm 오차를 보였다. 이동 중인 로봇의 위치 인식은 처음 로봇들의 위치는 안다고 가정하고, 기초 실험으로 획득한 데이터 를 바탕으로 거리측정 시 거리 오차를 감안한 오차 평균 (0.1 cm)과 표준편차(0.92 cm)로 정규 분포를 따르는 거 리 오차를 발생시키며, 180 ms 단위로 로봇의 진행 방향 을 랜덤으로 변화시켜 진행하도록 하는 시뮬레이션 환 경에서 MATLAB으로 구현하였다. 측정된 위치 오차 보 정을 위해 칼만 필터에 적용된 파라미터는 샘플링 시간 (20 ms)과 위치와 속도관계를 고려하여 A, H를 설정하 고, 잡음에 대한 공분산을 나타내는 Q, R은 센서 오차에 대한 정보를 바탕으로 식 (23)과 같이 적절한 값을 선정 하였다.

Fig. 12와 Fig. 13은 총 7대 중 2대에 대한 위치 추정 오차와 그에 따른 궤적 오차를 나타내고 있으며, 7.5 cm/s의 이동 속도로 60초 동안 연속적으로 움직여 실험 한 결과이다. 전체적으로 최대 30 cm 이내의 오차로 크 게 발산하지 않고 위치 추정이 됨을 알 수 있으며, 이 오차를 고려하여 탐색 공간의 격자 셀 기준을 30 cm×30 cm로 하였다. 실제 적용되는 환경에서 로봇은 주변 탐색 을 하는 동안 제자리에서 회전만 하여 이동과 정지 상태 를 반복하고, 실링 작업에서는 현실성을 고려하여 현재 속도보다 1/3 정도로 감속하므로 센서 샘플링 타임은 이 보다 줄어 위치 오차는 더 줄 것으로 판단하며, 시각 시 스템의 탐색 윈도우가 로봇의 중앙에서 전방으로 550 mm, 좌우로 최대 500 mm의 범위를 가지므로 최대 30 cm 위치 추정 오차는 충분히 크랙을 검출할 수 있는 오 차임을 알 수 있다.

Fig. 12

Position estimation error

Fig. 13

Moving trace error of mobile robot

4.2. 비전 시스템

시각 시스템 모델링을 통해 주변 환경을 인식하기 위 해 Point Gray사의 FFMV-03M2M 카메라 모델과 초점 거리 3.5 mm 렌즈를 사용하였고, Fig. 11과 같이 탐색 윈도우가 형성되도록 하였다. 카메라는 45도 아래로 고 정되어 있으므로 카메라 캘리브레이션을 통해 영상 중 심좌표(315, 251)와 Scale factor Sx=0.005488 (mm/pix), Sy=0.006816 (mm/pix)을 구했다. 영상 좌표를 실 좌표 로 변환하는 변환 행렬은 탐색 윈도우에서 사용되는 T_A 와 실링작업 윈도우에서 사용하는 T_B을 구별하여 적용 하며 각각의 변환행렬은 다음과 같다.

Fig. 14의 (a)는 탐색 윈도우 위치 오차를 나타내는 것으로 x축 중앙에서 벗어날수록 위치 오차가 크게 나타 나는 것을 볼 수 있고, 오른쪽 250 mm 지점, 전방 600 mm 지점에서는 렌즈 왜곡에 의해 오차가 거의 50 mm까 지 크게 발생하는 것을 볼 수 있다. 따라서 탐색 윈도우 영역을 전방 550 mm에서 좌우 500 mm로 하였다. 그리 고 Fig. 14의 (b)는 실링작업 윈도우의 위치 오차를 나타 내며 중앙에서 벗어날수록 오차는 거의 변화가 없고, 평 균 0.3 mm 정도로 아주 정밀하게 측정 되었다.

Fig. 14

Localization error of vision system

4.3. 탐색 및 실링 시뮬레이션

멀티로봇 시스템을 이용하여 콘크리트 슬래브나 바닥 에 존재하는 크랙을 탐색하고 실링하는 방법에 대한 효 율성을 검증하기 위해 MATLAB을 사용하여 시뮬레이 션하였다. 사용된 로봇의 대수는 최대 7대이고 로봇의 탐색 속도는 7.5 cm/s이며, 실링 작업할 때 실링 속도는 2.5 cm/s이다. 로봇의 크기는 지름 10 cm이며 탐색 영역 안의 크랙 구성과 배치는 Fig. 15와 같이 두 가지 형태로 구성하여 실험하였다. 출발은 한 곳에서 하지만 매번 실 험을 반복할 때마다 출발 위치를 달리하여 다양한 환경 에서 실험한 효과를 얻을 수 있도록 하였다. Fig. 16은 작업 시작 후 주변 상황에 따라 충돌 회피 경로와 전역 탐색 경로 및 행동의 변화를 나타내는 것으로 시뮬레이 션에서 파란색은 충돌 상태를 나타내며, 분홍색은 전역 탐색의 상태를 나타낸다. ③번 로봇은 시작점 주변 셀들 이 모두 탐색되어 전역 탐색 경로로 이동 중 ①번 로봇과 충돌이 예상되어 제안하는 충돌 회피 방법으로 회피하 여 목표 지점으로 이동하는 것을 보여준다. 그리고 ④번 로봇은 주변 셀들의 상황에 따라 전역 목표 지점으로 이동하는 것을 보여준다. Fig. 17은 주변 탐색, 근거리 탐색, 실링작업유도 등의 경로와 행동의 변화를 나타낸 다. ①번 로봇은 실링 작업을 완료한 후 주변 탐색을 하 고 있으며 황색으로 현재 작업 상태를 나타내고 있다. 주변 탐색을 완료하면 현재 지역에서 가장 가까운 지역 으로 이동하여 근거리 탐색을 하며 파란색 실선으로 표 시된 지역으로 이동한다. ④번 로봇은 크랙에 도착한 다 음 주변 로봇들에게 실링유도 신호를 보내 협동 작업을 유도하였고, 주변 탐색을 하고 있던 ②번 로봇이 유도되 는 것을 확인할 수 있다. 유도되는 로봇은 빨간색으로 현재의 작업 상태를 나타내고 있다. ⑥번 로봇도 크랙에 도착하여 유도 신호를 보내고 있으며 일정 시간이 지나 고 유도되는 로봇이 없다면 협동 없이 실링 작업을 진행 하게 된다.

Fig. 15

Sample of environment

Fig. 16

Change of path and behavior depending on the circumstances (collision avoidance, global search)

Fig. 17

Change of path and behavior depending on the circumstances (neighbor, nearest search, attraction behavior)

크랙 탐색과 실링하는 방법에 대한 효율성 검증은 제안 하는 방법(Proposed Method)과 계획된 경로 탐색(Planned Path Method)의 두 방법을 비교 실험하여 진행하였으며, 계획된 경로 탐색은 탐색영역의 크기를 정확하게 안다 고 가정하고 일정한 간격으로 배치하여 미리 계획된 경 로로 탐색하는 방법이다. 모든 실험 결과는 총 20번 실험 한 평균값을 적용하였다. Fig. 18은 로봇 수량을 달리해 비교 실험한 결과이며, 로봇 수량이 적을수록 큰 차이를 보이며 최대 100초 이상 차이가 나는 것을 알 수 있다. Table 2는 Environment 2에서 실험한 결과를 표로 정리 한 것이며 Environment 1과 비슷한 실험 결과를 보인다.

Fig. 18

Result of simulation (Environment 1, N=4, 5, 6, 7)

Table 2

Simulation results comparison (Environment 2)

모든 경우의 실험에서 제안하는 방법은 로봇 수량과 환경의 변화에 거의 일정한 작업 시간의 변화를 나타내 고 있는 데 반해 PPM 방법은 환경에 따라 작업 시간의 변화가 불규칙적이며, 로봇 수량 증가에 따라 작업효율 이 좋아져야 하지만 Table 2의 PPM 방법에서 5대와 6대 의 작업시간 차이는 거의 없는 경우도 발생한다. 이것은 제안하는 방법이 전역 탐색을 통해 로봇을 분산된 상태 로 효율적으로 탐색하고 있음을 증명한다. 한편, 로봇 수량이 적을 때와 달리 수량이 점점 증가하면서 두 방법 의 작업시간 격차가 점점 줄어드는 것은 제한된 영역에 서 일정 수 이상의 로봇이 투입되면 계획된 경로 탐색과 비교하여 상대적으로 분산효과가 크지 않아 나타나는 현상으로 판단된다. 하지만 실제 현장에 적용할 경우 탐 색 공간에 대한 정확한 정보를 알 수 없을 뿐만 아니라 미리 계획된 경로로 적용할 수 없는 경우가 훨씬 많으므 로 제안하는 방법을 적용하는 것이 현실적이며 효율적 이라고 판단된다.