💡
X80-h 모바일 로봇의 특징을 연구한 결과, 이 유형의 로봇은 바퀴 정렬 문제가 발생할 수 있음이 확인됨. 실내 GPS는 x, y 및 각도 데이터를 제공하며 이를 데이터베이스에 기록하여 정렬 오류를 보상하는 알고리즘을 작성하는 것이 목표
⇒ 현재 스타렉스 테스트 차량으로 일직선을 달렸을 때, X,Y,Z축의 이동거리가 일정하지 않고 퍼지는 문제가 있음. 이것을 x80-h라는 로봇에서 발생하는 정렬오류과 같다고 생각해 볼때, 추후 계산식 삽입으로 분포가 퍼지는 문제를 해결하고, 정확한 x,y,z
자율 컴퓨팅의 기본 : CHOP
- self-configure
- 변화하는 환경에 즉각적으로 적응할 수 있는 능력
- self-healing
- 혼란을 발견하고, 진단하며, 반응할 수 있는 능력
- 구성요소가 응답하지 않는다면 restart하여 문제를 해결할 수 있음
- self-optimizing
- 자동적으로 자원을 모니터링하고 할당할 수 있는 능력
- 만약 한 센서가 로봇에서 떨어진다면, 남아있는 센서들이 re-calibrated하여 loss된 센서의 손실을 보상해줌
- self-protecting
- 소프트웨어나 하드웨어 시스템에 가능한 위협을 예상하고, 발견하며, 분별할 수 있는 능력
→ CHOP은 자율 관리 시스템에 결합하여 기여할 수 있음. 이것을 MAPE이라고 할 수 있음
MAPE
- Monitoring, analysising, planning, excuting
ex) 만약 robotic device에 바이러스가 있다면, 자율 관리자는 모니터링과 분석 기능을 수행하고, 해당 소프트웨어에 가해지는 위험이 있는지 확인함
IMD(inteligent machine design) 구조
- 자율 컴퓨팅 시스템의 IMD 구조는 biological system이 작동하는 원리와 상당히 연관이 있음
- IMD 구조는 3가지 별개의 layer를 제안함
- reacting layer
- 하위 계층인 reacting layer는 이펙트와 센서에 연결되어 있음.
- 휠 얼라이먼트 검사와 관련된 figure1
- X80 로봇의 센서는 실시간으로 길의 장해물이나 위험물을 자외선, 초음파, 카메라같은 센서로 발견하는데 사용함.
- routine layer
- 내장된 상황을 처리ex) 휠얼라인먼트 이슈에서 계산된 보상되어있는 경로(compensated path)같은거
- reflection layer
- 일정기간동안 수집된 지식기반으로 결정을 내림.
- 이 데이터를 이용해서 가장 좋은 조치를 결정함
- 일정기간동안 수집된 지식기반으로 결정을 내림.
- reacting layer
learning process
- 학습 과정은 휠얼라이먼트 개발이나 refining과 관련되어 있음
- 위 그림은 reflection layer임.
- 위 과정은 실내에서 이루어졌음.
- 현재 부분 수동적으로 작동됨. 하지만 이건 현장에서 사용을 위해 자동화되어야함.
- 이 과정은 GUI(사용자가 로봇 여정을 계획하고 표시할수 있음 )로 이루어짐
- 이건 특정 명령어를 로봇에게 보내는 과정이 반복되는 코드로 이루어짐.
wheel alignment 프로그램의 process flow
- 2미터, -30도로 움직였을때 test data error plotting
- 이때 x80-h라는 로봇에서 휠 정렬 오류가 남.
⇒ Arc method와 wave method를 결합하여 알고리즘을 사용하여 오류 최소화
- 휠얼라이먼트의 정렬오류를 보상하기 위해 새로운 각도 계산하여 조작함.⇒ 4,0 80, 120, 160, 200cm 간격으로 로봇의 위치, 목적지의 위치를 이용하여 각도를 계산했을 때 엉뚱한 곳으로 가고 있다면 새로운 각도(다시 목적지로 향하도록 하는 각도)를 계산하여 로봇이 올바른 각도로 이동할 수 있도록 하는 방법
결론
- 결과 데이터를 보정하는 방법이 아니라 로봇을 조정하는 제어 알고리즘이었음. 현재 시스템에 적용할 수 없음