복합재난현장 대응로봇의 한정된 통신 환경에 기반한 전역지도 생성 알고리즘

1. 서론

재난재해현장에 로봇을 적용하기 위한 연구는 오랫동안 계속되고 있다.^1,2 재난현장 구조 활동 중에 발생하는 2차 사고에 의한 희생을 조금이라도 줄이기 위해서이다. 이에 대한 로봇 연구는 크게 두 가지로 분류할 수 있다. 하나는 요구조자 탐색을 목적으로 하는 정찰로봇이고, 다른 하나는 요구조자를 구조해서 안전한 지역으로 이송하기 위한 구조로봇이다. 정찰로봇은 목적에 맞춰서 신속한 이동이 가능한 드론 같은 비행정찰로봇, 험지 주행이 가능한 지상정찰로봇, 협소한 틈으로 들어갈 수 있는 뱀로봇 등이 있다. 구조로봇은 인간과 유사한 크기의 양팔형 로봇, 굴삭기 같은 중장비를 재난현장에 맞게 개발한 중장비형 로봇, 구조 인력을 화재현장이나 유해물질이 있는 지역에서 안전하게 이송하기 위한 장갑형 로봇 등이 있다.

본 논문에서는 복합재난현장에서의 정찰로봇에 대해서 다룬다. 여기서 복합재난이라 함은 화재, 홍수, 지진, 건물 붕괴 등에서 두 가지 이상의 재난이 동시에 발생하는 경우를 가리킨다.³ 최근 급격한 도시화에 따라서 고층 대형건물이 점점 증가하고 있고, 또 대형건물들이 밀집하고 있다. 이러한 지역에서 지진이 발생하면 건물 붕괴와 더불어 화재가 일어나는 것이 일반적이다. 붕괴와 화재가 동시에 일어나고 있는 상황에서 정찰로봇이 요구조자를 탐색하는 임무는 매우 중요하다. 위에서 말한 구조 인력이 꼭 필요한 곳에만 투입하여 2차 사고의 가능성을 낮추는 것과 더불어, 보다 빠른 시간 내에 더 많은 요구조자들을 구조할 수 있기 때문이다. 이러한 정찰로봇 운용대수가 1, 2대가 아니라 수십대의 정찰로봇이 임무를 수행한다면 영화처럼 빠른 탐색 및 구조가 가능해질 것이다.

위와 같은 시나리오를 바탕으로, 본 논문에서 집중하고 있는 것은 전역지도(Global Map) 생성, 또는 지도병합(Map Merging)이다. 다수의 정찰로봇이 요구조자를 탐색(Explore)하면서 SLAM (Simultaneous Localization and Mapping)을 실행하여 생성한 지역지도(Local Map)를 활용하는 방법에 대한 것이다. 이에 대한 구체적인 제안을 설명하기 전에 복합재난현장에서의 한 가지 특성에 대해서 언급이 필요하다. 복합재난현장의 붕괴와 화재에 의하여, 4G LTE, 5G나 Wi-Fi 같은 기존 통신망은 무력화되었다고 전제해야 한다는 것이다. 중계기가 화재로 소실될 수도 있고, 전력공급이 차단될 수도 있다. 5G에서는 이러한 상황을 고려하여 재난망을 위한 사설 중계기(Private Router) 등을 사용 시나리오에 포함하고 있다. 본 논문에서는 비행형 정찰로봇인 드론들이 복합재난현장에 투하한 Wi-Fi 중계기를 통해 구축된 전용 통신망을 가정하고, 전역지도 생성 알고리즘을 설계하였다.^4,5 본 논문의 실험에 적용한 Wi-Fi 통신망은 2홉을 기준으로, 30 Mbps의 통신속도를 제공한다. 이는 전역지도 생성 알고리즘이 구동되는 통합운용플랫폼에 전달되는 지역지도의 크기를 제한한다.⁶ 본 논문에서는 지역지도의 형태(즉, 데이터 구조)에 대해서 2차원 점유격자지도(2D Occupancy Grid Map)를 적용하였다. 공간을 표현함에 있어서 제일 적은 데이터량을 필요로 하고, 이를 통신으로 전달하기 위한 영상처리 기반의 다양한 기법들이 존재하기 때문이다.

본 논문은 복합재난현장에서 위와 같은 시나리오를 바탕으로 구동되는 전역지도 생성 알고리즘에 대한 것이다. 복합재난현장의 특성상 다양한 형태의 정찰로봇과 구조로봇이 적용될 수밖에 없고, 여기에 맞는 센서는 각양각색일 것이다. 이에 따라서 지역 지도 생성 알고리즘도 다양할 수밖에 없다. 본 논문은 이렇게 다양한 지역지도 알고리즘들을 복합재난 발생 후 긴급 설치된 Wi-Fi망의 제한에 따라 지역지도를 경량화하고, 이를 통합운용플랫폼에 전송하여 전역지도를 생성하는 방법에 대해 제안한다. 2장에서는 지역지도와 전역지도, 지도정합(Map Matching)에 대한 기존 연구를 살펴볼 것이며, 3장에서는 이를 바탕으로 제안하는 방법에 대해서 논하였다. 4장에서 실험 결과에 따른 고찰을 통해, 제안하는 방법이 실제 복합재난현장에서 유용함에 대해 확인하였다.

2. 관련 연구

Anderson⁷은 지도병합에 대하여 체계적인 분류 및 이에 대한 정의를 자세하게 나열하고 있다. Anderson⁷의 분류에 따르면, 지도병합은 지도융합(Map Fusion)과 지도정합으로 나뉜다. 지도 융합은 지역지도 간의 대응점(Correspondence)를 알고 있을 때 지역지도로부터 얻어진 데이터들을 병합하는 방법을 가리킨다. 지도정합은 앞서 말한 대응점 정보를 모를 때 이를 알아내는 방법을 말한다. Anderson⁷은 지도병합에 사용되는 지역지도들이 동일한 종류(Homogeneous) 인가와 다른 종류(Heterogeneous)인가로도 분류한다. 동일한 종류의 지역지도들로 지도융합과 지도정합이 필요할 수 있고, 다른 종류의 지역지도도 마찬가지로 지도융합과 지도정합이 있을 수 있다. 예를 들어서, 본 논문의 시나리오인 복합재난현장에서 3D LiDAR를 장착한 드론과 2D LiDAR를 장착한 크롤러 로봇이 각각 지역지도를 생성했다면, 다른 종류를 바탕으로 하는 지도병합 알고리즘이 필요하다. 이 2대의 로봇이 초기 위치에 대한 정보나 서로의 상대 위치에 대한 정보를 확보할 수 있다면, 바로 지도융합 알고리즘을 수행하여 지도병합을 할 수 있다. 그렇지 않다면, 지역지도로부터 대응점을 추출하기 위한 지도정합 알고리즘을 수행한 후에 지도융합을 할 수 있다.

Lee⁸는 지도병합을 직접적인 지도병합(Direct Map Merging)과 간접적인 지도병합(Indirect Map Merging)으로 분류하였다. 직접적인 지도병합은 두 지역지도 위의 로봇들 사이의 위치변환(Transform)을 계산하는데 센서 데이터를 활용하는 방법을 말한다. 이는 정밀한 위치변환이 계산 가능하다는 장점이 있는 반면에, 로봇의 랑데부(Rendezvous)나 동일 시점(時點)에 표지점(Landmark)을 공유하는 조건이 필요하고, 데이터 교환이 필요하다는 단점이 있다. 이와 같은 단점에 의하여 이 방법에는 이종 로봇에는 적합하지 않다는 한계가 있다. 간접적인 지도병합은 지역지도의 겹침(Overlap)을 통해 로봇들 사이의 위치변환을 계산하는 방법이다. 이에 따라서, 이 방법은 이종 로봇에서도 가능하다는 장점이 있다. 즉, 센서와 SLAM 알고리즘이 달라도 지도 형식(Map Format)만 동일하면 적용할 수 있는 방법이다. 뿐만 아니라, 각 로봇이 다른 시점(時點)에 지역지도 겹침 영역을 방문해도 되고, 이에 따라서 지도병합을 위한 추가적인 로봇제어가 필요하지 않다. 간접적인 지도병합의 단점은 직접적인 방법보다 정밀한 로봇간 위치변환 결과를 얻기 어렵다는 것이다. 지역지도를 생성하면서 발생하는 데이터 손실의 영향을 받기 때문이다.

이와 같은 지도병합은 단일 로봇이 긴 거리를 이동한 후, 지나갔던 곳으로 재방문하는 루프결합(Loop Closure) 문제에서도 필요하다.^9,10 Frey⁹에서는 시멘틱 SLAM (Semantic SLAM)에서의 루프결합을 위한 지도병합에 대해서 제안하고 있다. 시멘틱 SLAM에서의 표지점들을 별자리(Constellation)로 묶어서 표지점들이 중복해서 새 표지점으로 등록되는 문제를 해결하는 방법이다.

본 논문에서 제안하는 방법에 위와 같은 분류를 적용해보면 다음과 같다. 복합재난현장의 비행정찰로봇인 드론에서 만들어진 복수개의 지역지도를 임시 설치된 통신망을 통해서 중앙의 통합운용플랫폼으로 전달하기⁶ 때문에, Lee⁸에서 소개한 간접적인 지도병합 방법을 사용한다. 지도 형식은 2차원 점유격자지도(2D Occupancy Grid Map)를 사용한다. 드론같은 비행형 로봇의 경우 자율주행이나 장애물 회피를 할 때에 3차원 지도를 활용하는 것이 일반적이지만, 본 논문은 이와는 독립적인 전역지도 생성만을 위하여 추가적으로 후처리가 된 지역지도에 대해서만 다루는 것이다. 앞서 말했듯이, 임시 설치된 30 Mbps의 무선통신망을 바탕으로 하기 때문에, 상대적으로 용량이 적은 2차원 점유격자지도가 적합한 지도형식이다.

본 논문의 시나리오에서는 복합재난현장의 빠른 초동 대응을 위하여 정찰로봇들의 초기 위치는 확보하지 않고, 바로 정찰 임무에 로봇을 투입한다. Lee⁸에서 이야기했듯이, 초기 위치를 확보하기 위해서는 추가적인 장치나 로봇제어 절차가 필요하기 때문이다. 이에 따라서, Anderson⁷에서 소개한 지도병합 방법 중 동일한 지도를 활용하는 지도정합을 수행한다. Hörner¹¹와 Kim¹²에서 제안된 방법인 2차원 점유격자지도를 이미지로 변환한 후 이미지 스티칭(Image Stitching)을 바탕으로 하는 전역지도 생성 알고리즘을 활용한다.

3. 다양한 SLAM 지도들을 2차원 점유격자지도로 변환 및 전역지도 생성

3.1 복합재난현장에서의 지역지도 생성

본 논문이 목표로 하는 복합재난현장은 다양한 형태의 재난대응로봇을 요구한다. 이에 따라서, 각 로봇에 적합한 센서시스템 또한 달라지게 된다. 예를 들어서, 드론과 같은 비행형 정찰 로봇에 적합한 센서는 벨로다인(Velodyne)과 같은 3차원 라이다(3D LiDAR)이고, 바퀴형 이동로봇의 휠 인코더(Wheel Encoder)를 장착할 수는 없다. 이 센서시스템을 활용하는 SLAM 알고리즘 또한 로봇에 따라 다양하게 결정된다. 뿐만 아니라, 로봇의 형태에 따라서 SLAM 알고리즘의 종류도 달라지게 된다. 바닥 평면 위를 주행하는 바퀴형 또는 크롤러형 이동로봇의 로봇 기구학(Kinematics)은 2차원으로 이동하기 때문에 2차원 SLAM이 적합하고, 공중을 비행하는 드론은 3차원 SLAM이 적합하다.

위의 이유로, 하나의 재난대응로봇 시스템에서 다양한 로봇들이 사용되는 경우 각각의 지역지도가 다를 수밖에 없고, 이는 전역지도 생성 알고리즘이 풀어야 하는 문제이다. 게다가, 복합 재난의 한정된 통신 환경에서 전송을 하기 위한 통일된 데이터 구조인 2차원 점유격자지도로 지역지도를 변환하더라도, 지도 생성 알고리즘이 다르다면 그 특색이 다를 수밖에 없다. 이에 대한 예로 Fig. 1(a)의 일반적인 건물 실내공간에서 Velodyne사의 VLP-16을 장착한 이동로봇으로 취득한 하나의 데이터셋으로 두 가지 SLAM 알고리즘을 활용한 지역지도를 생성하였다. Figs. 1(b)는 2D Cartographer를 수행한 결과이고, 1(c)는 GMapping을 수행한 결과이다. 이 두 지도를 보면 동일한 데이터셋을 사용했음에도 불구하고 지도의 특색이 다름을 확인할 수 있다.

Fig. 1

Even though the input dataset is the same, the 2D Cartographer SLAM and the GMapping SLAM generate different 2D occupancy grid maps

일반적인 로봇 시스템은 여러 SLAM 알고리즘 중에서 각 상황에 맞는 최적의 SLAM 알고리즘을 임무수행 전에 선택할 수 있고, 이에 대해 최적의 전역지도 생성 알고리즘을 적용할 수 있는 문제를 갖는다. 하지만, 본 논문에서 목표로 하는 복합재난현장 대응로봇시스템은 이종다중로봇을 기본으로 하고 있고, Figs. 1(b)와 1(c)의 다름보다 더 심한 지역지도를 정합하여 전역지도를 생성해야 한다.

추가적으로, 같은 공간에 대하여 어떠한 경로로 로봇이 주행하여 지역지도를 생성하는가에 따라서도 지도가 달라지게 된다. Fig. 2(a)는 실험에 사용된 테스트 공간에 대한 건축도면이다. 이 Figs. 2(a)의 A지점에서 출발하여 B지점으로 주행하면서 생성한 지도와 그 반대로 주행한 지도가 2(b)이다. 동일한 공간에서 생성한 지도이기 때문에 공간에 대한 문맥은 동일하다고 할 수 있다. 하지만 센서 노이즈와 장애물에 의한 가려짐 등의 차이로 수치적으로 동일한 지도라고 할 수는 없다.

Fig. 2

The left map is built from the point A to the point B, and the right map is from the point B to the point A

이 문제는 복합재난현장 대응로봇의 시나리오에서 더 중요한 의미를 갖는다. 일반적인 이동형 서비스로봇은 경로 계획 등의 기법을 활용하여 루프폐쇄검출(Loop Closure)을 활용한 정밀한 지도 생성이나 사전구축지도(Pre-Built Map)를 활용한 자율주행을 할 수 있다. 하지만, 화재 상황의 건물 내부를 정찰하는 로봇의 경우는 주행 가능한 공간이 극도로 제한되는 경우가 많다. 뿐만 아니라, 인명구조를 위해서 정찰로봇이 파괴를 감수하고, 요구조자 탐색에 투입될 경우 단방향 주행 데이터만 통합운용시스템으로 전송되는 것도 고려해야 한다.

1장에서 언급한 정찰로봇이 복합재난현장에 투하한 Wi-Fi 중계기도 복합재난현장에서의 지역지도 생성을 어렵게 하는 요소이다. 현재 본 논문의 시스템이 갖는 Wi-Fi 속도 V는 30 Mbps이다. 하지만 V를 지역지도를 전송하는 데에만 사용할 수는 없다. 이 외에도 여러 로봇들의 모니터링 RGB 영상, 로봇 상태정보, 임무수행을 위한 제어명령 등에 사용하고 있다. 아래 식(1)은 이를 바탕으로 하는 지역지도의 전송 주기 T이다.

$\[ T=\frac{MN}{\text{α}V} \]$

(1)

α는 지역지도 전송을 위해 할당 받은 Wi-Fi 전송속도의 비율이다. 현재 시스템에서는 약 30%의 비율로 설계하였다. N은 정찰로봇의 개수로, 지역지도를 생성하는 로봇의 개수를 의미한다. 통신공학에서 연구되는 Round Robin 방식이나 CD (Collision Detection) 알고리즘을 적용하는 것도 검토해보았지만, 복합재난현장의 특성을 고려했을 때 어떤 상황에 어느 로봇의 지역지도의 갱신이 필요할지 모르므로 균등분배하는 설계를 적용하였다. M은 지역지도의 크기로, 로봇이 현재 주행하고 있는 공간의 크기와 복잡도에 따라 결정해야 하는 파라미터이다. 특히 2차원 점유격자지도는 3차원 영상 기반 지도에 비해 특징점이 현저하게 적기 때문에, 지역지도가 너무 작게 되면 위치파악이나 전역지도 생성이 되지 않는 지도가 된다. 반면에 M이 커지게 되면 전송주기 T가 비례하여 커지기 때문에, 지역지도의 갱신이 그만큼 늦어지게 된다.

3.2 복합재난현장에서의 전역지도 생성

복합재난현장에서 전체 공간정보를 가시화하기 위한 전역지도는 위의 여러 형태의 이종다중로봇에서 얻어진 지역지도를 병합(Merge)하여 얻어진다. 이 지역지도는 3.1절에서 논의된 내용들을 고려하여 조정된 지역지도이다.

Fig. 3(a)는 본 논문에서 제안하는 전역지도 생성 전략을 위한 ROS Kinetic RQt GUI이다. 각 정찰로봇으로부터 전달받은 지역지도를 이미지로 변환한 후, 이를 바탕으로 이미지 스티칭 알고리즘을 적용하는 Hörner¹¹와 Kim¹²의 방법을 적용하였다. Fig. 3(b)는 생성된 지도에 대하여 AKAZE 특징점을 추출한 후 매칭을한 결과이다. 여기에 적용된 지역지도는 Fig. 2(b)에서 보여진 동일 공간을 반대 방향으로 Velodyne 센서스캔하여 얻어진 2개의 서로 다른 Cartographer 지도이다. 이는 복도 끝 창문에서 LiDAR의 줄기가 발산한 분포가 다름을 통해 구분할 수 있다. 그리고 이미지 스티칭 알고리즘이 이러한 센서 데이터의 발산이나, 한정된 로봇 방향과 장애물에 의한 센서 가려짐 문제를 극복하고, 정상적으로 지역지도 매칭이 되었음을 Fig. 3(b)를 통해서 확인할 수 있다. Figs. 3(c)는 생성된 전역지도로서, 2개의 지역지도에 포함된 노이즈들을 극복하고, 2(a)의 건축도면과 동일한 형태의 SLAM 지도를 생성하였음을 확인할 수 있다.

Fig. 3

The global map was generated using the AKAZE feature matching

4. 실험 및 고찰

복합재난현장에서 재난대응 정찰로봇이 투입되었을 때 발생할 수 있는 전역지도 생성 시나리오에 대해서 실험을 통해 검증하였다. 특히 본 논문에서 설명한 전역지도 생성 알고리즘이 각 상황에 대해 대응이 가능함을 이를 통하여 확인할 수 있었다.

실험 상황으로서, 앞서 보인 지도들과 마찬가지로 Fig. 2(a)의 실내 환경에서 실험을 수행하였다. 보통의 SLAM과는 달리 복합재난상황을 상정하여 로봇이 지도를 구축하다가 중간에 멈추는 상황을 연출하였고, 이런 부분지도들을 활용하여 전역지도를 생성하는 실험을 수행하였다. Velodyne사의 VLP-16이 장착된 이동로봇을 통해서 취득한 데이터를 활용하여 지역지도를 생성하였고, 본 논문에서 제안하는 전역지도 생성 알고리즘을 적용해보았다. 실험 조건으로서, 데이터 취득과 알고리즘은 Intel 8세대 i5 (NUC8i5BEK), Ubuntu 16.04 LTS, ROS Kinetic에서 구동되었다.

4.1 2개의 Cartographer 부분지도의 전역지도화

Fig 4(b)의 지역지도는 Cartographer 알고리즘을 활용하여 생성한 지도로서 로봇의 출발 지점과 도착 지점을 보면, 전역지도의 70% 정도를 주행한 지역지도이다. 앞서서 예시로 들었던 복합재난현장에서 건물의 두 입구로 2개의 정찰로봇이 투입되었고, 두 로봇 다 건물을 부분적으로만 정찰을 한 시나리오이다.

Fig. 4

The global map built with the Cartographer local maps which cover about 70% of the global map

두 지역지도를 특징점 매칭한 결과인 Figs. 4(c)를 보면 두 지역지도의 겹침 영역인 우측 수직 방향 복도를 중심으로 매칭된 특징점들이 검출되었고, 4(d)의 전역지도가 2(a)의 건축도면과 같은 형태로 생성되었다. 뿐만 아니라 Fig. 2(b)의 Cartographer로 완주한 지도와 유사한 지도임도 확인할 수 있었다.

4.2 GMapping, Cartographer 부분지도의 전역지도화

4.1절의 실험은 동일한 방식(Homogeneous)으로 생성된 지역지도 2개를 갖고 전역지도를 생성하는 것에 대한 것이었다면, 4.2절은 다른 방식(Heterogeneous)으로 생성된 지역지도에 대한 것이다. Fig. 5(b)의 왼쪽 지도는 GMapping으로 전역지도의 약 40% 정도 영역을 지역지도로 만든 지도이다. 오른쪽 지도는 Cartographer로 70% 영역의 지역지도이다. Figs. 5(c)는 5(b)의 지역지도에 대한 특징점 매칭을 한 결과이다. 4.1절과 마찬가지로 두 지역지도의 겹침 영역에서 특징점 매칭이 집중적으로 이루어졌고, 이를 바탕으로 Fig. 5(d)와 같이 전역지도가 생성되었다. 이 전역지도도 Figs. 2(a)의 건축도면과 같은 형태이고, 4(d)의 전역지도와도 유사한 결과를 얻을 수 있었다. Figs. 4(d)의 좌측 상단은 Cartographer로 생성된 반면에 5(d)의 좌측 상단은 GMapping으로 생성된 것이다. 이 차이로 인하여 두 전역지도 좌측 상단의 노이즈 형태가 다름이 발생한 것이다.

Fig. 5

The global map built with the GMapping local map which covers about 40% of the global map and the Cartographer local map which covers about 70% of the global map

4.3 Cartographer, GMapping 부분지도의 전역지도화

4.3절의 실험은 4.2절의 실험과 기본적인 환경은 동일한데, 전역지도 상단이 Cartographer로 만들어지고, 하단이 GMapping으로 만들어졌다는 차이가 있다. Figs. 6을 보면 5와 동일한 구성의 실험결과가 제시되었다. Figs. 5(c)와 마찬가지로 6(c)에서도 겹침 영역에서 특징점 매칭이 성공적으로 이루어졌고, 이를 바탕으로 6(d)와 같이 전역지도가 생성되었다. 추가적으로, GMapping으로 생성된 우측 하단 지도가 상대적으로 노이즈가 심하다는 것도 확인할 수 있다.

Fig. 6

The global map built with the Cartographer local map which covers about 70% of the global map and the GMapping local map which covers about 40% of the global map. Note that the start points of the SLAM algorithms are switched to contrast Fig. 5

4.4 비행형 정찰로봇 테스트

Fig. 7의 실험은 이동로봇 뿐만 아니라, 드론과 같은 비행 정찰로봇에서도 본 논문에서 제안하는 방법이 유효함을 확인하기 위한 실험이다. 실험 내용은 4.1절에서 4.3절까지의 실험과 동일하게 실내 공간의 양쪽에서 지역지도를 구축하기 시작하여 겹침 영역이 확보된 후 전역지도를 생성하는 것이다. Figs. 7(a)는 지역지도의 크기가 기준보다 작아서 전역지도 생성이 되지 않은 상태이고, 7(b)는 우측 지역지도가 전역지도와 합쳐지면서 파란색으로 가시화된 결과이다. Fig. 7(c)에서는 좌측 지역지도가 확장되어 전역지도와 합쳐져서 빨간색으로 가시화되었다.

Fig. 7

The global map generation using two local maps built by the flight reconnaissance robot

식(1)에 따른 실험 정보는 다음과 같다. 정찰로봇 개수 N은 2이고, 지역지도 전송을 위해 할당 받은 Wi-Fi 전송속도의 비율 α는 은 30%로 설계하였다. 전송을 하기 위한 지도의 크기 M은 433 × 564 pixel로 총 244,212 byte로 설정하였다. 이에 따라 도출된 지역지도의 전송 주기 T는 실험에 사용된 드론이 임시 설치하는 최대 2홉 Wi-Fi 시스템의 최저 속도인 30 Mbps를 기준으로 최대 207 msec로 설계되었다.

Fig. 8의 실험은 생성된 전역지도에 대해 가상 시야를 생성하는 알고리즘에 대한 것이다. 특히 본 논문이 제안하는 전역지도 생성 알고리즘이 전역지도상에서 지역지도를 매칭하고, 그 위치를 보정하는 알고리즘이기 때문에 로봇을 제어하거나 관제를 할 때 이 보정이 오히려 방해가 되는 경우가 발생하였다. 이에 대한 대응으로 지역지도를 생성하는 로봇의 위치와 방향을 지도 가시화할 때의 시야각 기준으로 하여 가상 시야를 생성하는 알고리즘을 테스트하여 유효성을 확인하였다.

Fig. 8

Virtual view generation for the global map

5. 결론

복합재난현장 대응로봇을 위한 전역지도 생성에 대한 방법론을 제안함에 있어서, 본 논문은 실제 시스템에서 발생하는 제한요소들을 극복할 수 있는 실현 가능한 방법에 대해서 논하였다. 특히, 로봇이 스스로가 활용할 통신망을 설치한다는 대응 시나리오에 맞춰서 발생되는 통신속도 미달의 문제에 대한 구체적인 해법에 대해 연구하였다. 이에 따라서, 다양한 형태의 지역지도를 2차원 점유격자지도로 변경하고, 이를 이미지로 변환 후 전역지도를 생성한다는 전략을 채택하고, 이에 대한 실제 로봇 테스트를 통해서 전략의 유효성을 확인하였다. 이 유효성 확인에 있어서 이종다중 지역지도에 대한 테스트를 진행함으로서, 다양한 형태의 복합재난현장 대응로봇에 적용가능함을 보였다.

향후 연구로서, 본 논문에서 제안하는 전역지도를 실제 로봇의 관제나 제어에 활용하는 방안에 대해서 연구를 진행할 계획이다.

Acknowledgments

이 논문은 산업통상자원부 산업기술혁신사업의 지원을 받아 수행된 연구임(복합재난 사고대응 지원용 다중로봇 통합관제운용 시스템 개발, No. 10067206).

REFERENCES

• Hahm, J., Oh, S., Jang, H., Lee, S., and Suh, J., “A Study on Empirical Demonstration Scenario for Performance Evaluation of Disaster Response Robot System,” Proc. of the. 13th Korea Robotics Society Annual Conference, pp. 706-707, 2018.
• Oh, S., Hahm, J, Jang, H., Lee, S., and Suh, J., “A Study on the Disaster Response Scenarios Using Robot Technology,” Proc. of the 14th International Conference on Ubiquitous Robots and Ambient Intelligence, pp. 520-523, 2017.
• Park, M. R. and Lee, Y. G., “Major Cases and Implications of Massive Complex Disasters,” Disaster Prevention Review, Vol. 18, No. 3, pp. 19-27, 2016.
• Kuntze, H. B., Frey, C., Emter, T., Petereit, J., Tchouchenkov, I., et al., “Situation Responsive Networking of Mobile Robots for Disaster Management,” Proc. of the 41st ISR/Robotik International Symposium on Robotics, pp. 1-8, 2014.
• Kuntze, H. B., Frey, C. W., Tchouchenkov, I., Staehle, B., Rome, E., et al., “Seneka-Sensor Network with Mobile Robots for Disaster Management,” Proc. of the IEEE Conference on Technologies for Homeland Security, pp. 406-410, 2012. [https://doi.org/10.1109/THS.2012.6459883]
• Jung, Y. H., Kim, D. Y., Kim, Y. J., Lee, J. M., Won, G., et al., “Global Localization Using Two-Dimensional Local Map Transmitted in Complex Disaster Environment,” Proc. of the 14th Korea Robotics Society Annual Conference, pp. 356-357, 2019.
• Andersone, I., “Heterogeneous Map Merging: State of the Art,” Robotics, Vol. 8, No. 3, p. 74, 2019. [https://doi.org/10.3390/robotics8030074]
• Lee, H. C., Lee, S. H., Lee, T. S., Kim, D. J., and Lee, B. H., “A Survey of Map Merging Techniques for Cooperative-SLAM,” Proc. of the 9th International Conference on Ubiquitous Robots and Ambient Intelligence, pp. 285-287, 2012. [https://doi.org/10.1109/URAI.2012.6462995]
• Frey, K. M., Steiner, T. J., and How, J. P., “Efficient Constellation-Based Map-Merging for Semantic SLAM,” Proc. of the International Conference on Robotics and Automation, pp. 1302-1308, 2019. [https://doi.org/10.1109/ICRA.2019.8794452]
• Kim, D. Y., Jung, Y. H., Kim, Y. O., and Hwang, J. H., “Loop Closure Method for Global Localization under Complex Disaster Environment,” Proc. of the 13th Korea Robotics Society Annual Conference, pp. 706-707, 2018.
• Hörner, J., “Map-Merging for Multi-Robot System,” https://dspace.cuni.cz/bitstream/handle/20.500.11956/83769/BPTX_2015_1_11320_0_410161_0_174125.pdf?sequence=1&isAllowed=y, (Accessed 14 SEPTEMBER 2021)
• Kim, D. Y., Jung, Y. H., and Hwang, J. H., “Global Map Generation Strategy Using Existing Map in Complex Disaster Environment,” Proc. of the 15th Korea Robotics Society Annual Conference, pp. 17-18, 2020.