확률적 로봇 공학 - 6.6.5~ 추가적인 고려사항들

6.6.5 추가적인 고려사항들 further consideration

 특징 기반 측정치를 사용한 알고리즘 둘다 대응관계가 알려진 경우를 가정하고 있습니다. 이후 챕터에서 대응관계가 알려지지 않은 경우를 다룰것인데, 대응관계를 모를떄 위치 추정과 맵핑 문제를 다루는 알고리즘을 볼때 살펴볼것입니다.

 

 이미 이번장에서 랜드마크의 시그니처 값을 소개했는데, 대부분의 알고리즘에서는 특징적인 외형을 사용하지 않습니다. 그래서 시그니처가 주어지지 않을때, 랜드마크가 똑같아 보이는 경우에 변수 대응관계 추정하는 데이터 연관 data association 문제가 더 힘들어질수 있습니다. 우리가 사용한 모델에서는 시그니처를 포함하고 있는데 이는 센서 측정으로 쉽게 추출될수도 있는 중요한 자원이기 때문입니다.

 

 위의 설명대로 전체 측정 베거를 사용하는것보다 특징을 사용하는 방법이 더 낫고, 수백만개의 거리 데이터를 사용하는것보다 몇백개의 특징들을 다루는것이 더 쉽습니다. 여기서 살펴본 모델은 아주 가공되지 않은것으로 특징 처리에 대해 물리적 법칙들을 다루지는 않았습니다. 그럼에도 불구하고 이 모델은 수많은 응용분야에서 잘 동작되고 있습니다.

 

 측정치에서 특징들로 줄여나가는 과정은 현실적으로 매우 중요하다는 것을 알수있는데 로봇 공학에서 종종 특징들을 측정 벡터 $z_t$를 사용하기도 합니다.

 

 현실적으로 모든 측정 값들을 사용하는대신 특징을 사용함으로서 않은 정보들을 일을수 있지만, 사라진 정보들은 로봇이 이전에 방문하였던 장소인지 아닌지 판단하는 데이터 연관 문제 같은 문제를 더 어렵게 만들수도 있습니다. 다음의 예시로 특징 추출의 효과를 쉽게 이해할 수 있습니다. 당신의 눈을 열면, 전역적으로는 불확실하더라도 주위에 대한 시각 정보들이 당신이 어디에 있는지 명확하게 말할 수 있을 정도로 아마 충분할 겁니다. 다르게 말하면 문 틈이나 창틀과같은 상대적인 위치 같은 특정한 특징들만 감지하더라도 어디에 있는지는 조금은 덜 확실해질겁니다. 이런 정보는 전역 위치 추정에서 부족할지도 모릅니다.

 

 컴퓨터 성능의 개선으로 로봇 공학의 분야에서 특징의 중요성은 점차 줄어들었으나 거리계를 사용하는 최신알고리즘은 밀집한 측정 벡터를 사용하고, 밀집된 위치 기반 지도를 주위 환경을 나타내기 위해 사용합니다. 하지만 특징은 더 중요해지고 있는데, 이를 이용해서 확률적 로봇공학의 기본 컨샙을 알수있게 해주고, 스캔한 점들의 집합으로 구성된 지도를 적절하게 다룰수 있게 해줍니다. 이러한 이유들로 여기서 다루는 수많은 알고리즘들이 처음 특징 ㅣ반으로 소개되고, 로 센서 측정치를 사용하는 알고리즘으로 확장하겠습니다.

 

6.7 현실적인 고려사항들

 이번 장에서는 거리 측정 모델에 대해서 살펴보겠습니다. 여기서는 거리계를 사용하는 모델을 주로 다루어왔는데 그만큼 로봇 공학에서 중요하기 때문입니다. 하지만 이 모델은 확률적인 모델에넌 다양한게 존재하는데, 올바른 모델을 선택하는것이 현실과 알고리즘이 처리할 성질들 사이 트레이드 오프를 하기위해서 중요합니다. 예를들자면 물리적으로 현실적인 거리계 모델이 부드럽지 않게 로봇의 자세에 대한 확률을 구한다면 파티클 필터 같은 알고리즘을 사용시 문제가 발생할 수 있습니다. 그러므로 물리적으로 현실성만이 올바른 센서 모델을 선택하는 기준이 되어서는 안되고, 그 알고리즘이 적합한지도 고려하여야 합니다.

 

 더 모델이 정확할수록 더 좋고 센서 측정치로부터 추출가능한 정보가 많을 수록 더 개선됩니다. 특징 기반 모델들은 고차원 센서 측정치를 저차원 공간으로 사영시키는 특징 추출기에 의해 상대적으로 적은 정보만을 추출합니다. 그 결과 특징 기반 방법은 적은 결과를 만들어내며 이러한 단점은 특징기반의 방법으로 계산량을 줄여줍니다.

 

 측정 모델의 고유 파라미터를 조절시에는 인공적으로 불확실성을 부풀리는것이 좋은 방법이 될수도 있스비다. 이는 확률적인 방법의 제한때문인데, 확률적인 기술들이 추적할수 있게 되려면 물리적인 세계에 존재하는 의존관계들을 무시하여야 합니다. 이러한 의존관계가 설계되지 않을때, 여러 측정치를 합친 알고리즘들은 빠르게 과신하게 됩니다. 이러한 과신은 잘못된 결론으로 유도하여 결과에 부정적인 영향을 줄것입니다.

 

 현실적으로는 센서가 전달하는 정보를 줄이는게 좋은 방법이 되는데 센서 측정치를 저차원 특징 공간으로 사영함으로서 이를 수행하는 한가지의 방법이 됩니다 하지만 위에서 언급한 제한이 존재하므로, 6.3.4장에서 설명한 파라미터 $\alpha$를 사용하여 측정 모델을 지수화 시킴으로서 정보를 균일하게 없애는 것이 확률적 알고리즘의 결과에 추가적인 분산을 주는것 없이 더 나은 방법이 될수도 있습니다.

 

 

6.8 정리 

 이번 장에서는 확률적인 측정 모델들을 살펴보았습니다

 

- 거리계 모델에서 시작하여 특정한 경우 레이저 등, 측정모델 p($z_t$ | $x_t$, m)에 대해서 다뤄봤습니다. 첫번째로는 로봇의 자세 $x_t$와 지도 m이 주어질때 p($z_t$ | $x_t$, m)의 형태를 구하려고 광선 투사 방법이 사용되었습니다. 여기서 거리 측정에 영향을 주는 다양한 노이즈를 고려한 혼합 모델들도 설명하였습니다.

 

- 다음으로 측정 모델의 고유 노이즈 파라미터를 구하기 위해 최대 우도 기술을 설명하였습니다. 측정 모델은 혼합 모델이므로 최대 우도 추정을 반복적으로 수행하는 과정을 거쳤습니다. 이 방법은 기대치 최대화 알고리즘을 구현한 것으로 기대 값이 최적의 고유 파라미터 집합에 가까워지는 최대치를 찾도록 측정치 에러를 계산해 나갔습니다.

 

- 거리계 측정모델의 다른 방법으로 우도 필드에 기반한 모델이 있습니다. 이 기술은 2차원 평면 상에 확률 p($z_t^k$ | $x_t$, m)로 최근접 거리를 나타내며, 이 접근 방법은 분포 p($z_t^k$ | $x_t$, m)를더부드럽게만듭니다. 이는 사이드 이팩트로 의도치않는 비용을 초래하는데 우도 필드 기술은 자유 공간에 대한 정보를 무시하고, 거리 측정 정리시 폐색을 고려하지 못합니다.

 

- 세번째 측정 모댈은 맵 매칭에 기반한 방법으로 맵매칭은 센서 스캔 데이터를 지역 지도로 매핑하고 전역 지도와 상관관계를 구합니다. 이 접근 방법은 물리적으로는 힘들수 있으나 매우 효율적으로 구현될 수 있습니다.

 

- 실시간 동작시 계산 비용을 줄이기 위해 어떻게 전계산이 수행되는지 다루어봤습니다. 빔 기반 측정 모델에서 전계산은 3차원에서 수행되고, 우도 필드에서는 2차원 전계산이 요구되었습니다.

 

- 특징 기반 센서 모델에 대해서도 살펴보았는데 랜드마크에 대한 거리와 방위, 시그니처를 추출하게 됩니다. 이 특징 기반 기술들은 로 센서 측정 데이터로부터 구분되는 특징들을 추출합니다. 이렇게 하여 센서 측정의 차원 수를 줄이게 됩니다.

 

- 이 장의 마지막으로 구현시 발생하는 몇가지 실용적인 이슈에 대해 다루었습니다.