Journal of Institute of Control, Robotics and Systems (20xx) xx (xx): xxx-xxx DOI:10.5302/J.ICROS. 20xx.xx.xx.xxx ISSN:1976-5622 청소로봇성능향상을위한먼지검출시스템 A Dust Detection Sensor System for Improvement of a Robot Vacuum Cleaner 김동회 *, 민병철, 김동한 (Dong-Hoe Kim 1, Byung-Cheol Min 2 and Dong-Han Kim 1 ) 1 Kyung Hee University, 2 Purdue University Abstract: In this paper, we develop a dust detection sensor system capable of identifying types of dust for an improvement of a robot vacuum cleaner. The dust detection sensor system is composed of a set of infra-red sensors: a single transmitter and multiple receivers. Given the fixed amount of light transmitted from the transmitter, the amount of light coming in multiple receiver sensors varies, depending on the type and density of dust that is passing between the transmitter and the receivers. Therefore, the type of dust can be identified by means of observing the change of the amount of light from the receiver sensors. For experiments, we use two types of dust, rice and sesame, and validate the effectiveness of the proposed method. Keywords: Dust Sensor, Robot Vacuum Cleaner, Infra-red (IR) sensor, Pixel-based Image Similarity I. 서론 최근서비스로봇시장을이끌고있는청소로봇은이미 초기시장이구축되어, 인간의생활패턴변화를주도할수 있는새로운생활가전으로서그시장규모가지속적으로확 대되어가고있다. 또한청소로봇은일반인들에게로봇에 대한 기술적접근성 을높여줌으로써연구차원에서보여 지던로봇기술의비현실성, 비실용성에서탈피하여실제 생활에서로봇이유익한서비스를제공하고있는예를제시 함으로써기타서비스로봇에대한친밀도를높여주고있다. [1-2] 이에따라전세계로봇및가전업체, 그리고연구기 관에서청소로봇시장점유율확대를통한경쟁우위를선점 하기위해핵심기술개발에박차를가하고있다. 국내에서 도대기업및로봇관련중소기업을중심으로다양한청소로 봇제품들이출시되고있으며괄목할만한기술적성장을이 루어왔다. 또한대학및연구기관에서도청소로봇의성능을 높이기위한연구를활발하게진행하고있다 [3]. 청소로봇성능개선을위한방법으로는크게로봇의항법, 위치인식등지능개발을통한방법과로봇의핵심부품개 발을통한방법으로나눌수있다 [4-6]. 핵심부품으로는카 메라, 구동, 배터리, 제어기기등을들수있으며, 최근에는 먼지감지센서기술에대한연구개발및적용에대해논의 가되고있다 [7-8]. 먼지센서에대한실제적용예로서, 아 이로봇사의룸바같은경우먼지의유무를판단할수있는 기능을가지고있다. 하지만, 먼지의유무정도만단순하게 판단하기때문에청소성능에큰향상을기대할수는없다. * 책임저자 (Corresponding Author) 논문접수 : 20xx. xx. xx., 수정 : 20 xx. xx. xx., 채택확정 : 20 xx. xx. xx. 김동회, 김동한 : 경희대학교전자전파공학과 (genesis130@khu.ac.kr/ donghani@gmail.com) 민병철 : 퍼듀대학교컴퓨터정보기술학과 (minb@purdue.edu/) 본연구는지식경제부 ( 과제번호 No. 10041834) 와교육과학기술부 ( 과제번호 No. 2012R1A1A2043822) 에지원받아연구되었음. 이논문은 2013제 28회 ICROS 학술대회에초안이발표되었음 [11]. Copyright(C) ICROS 2010 따라서본논문에서는적외선센서를이용하여기존의먼 지센서기술보다발전된먼지검출시스템을제안하고자한 다. 제안된시스템은먼지의종류를파악할수있는센서 시스템으로서기존의단순유무정도판단의기술보다나은 성능효과를기대할수있다 [9]. 본논문의구성은다음과같다. II 장에서는적외선센서를 이용한데이터의검출방법을제안하며, III 장에서는측정된 데이터를필터링하는방법을소개한다. IV 장에서는필터링 한데이터의유사도를판단하고분석하는기법을다루며, 실 험방법과결과는 V 장에서보여진다. 그리고 VI 장에서결론 을맺는다. II. 적외선센서를이용한데이터검출 본논문에서제안되는먼지감지장치는적외선센서들로 구성되어있으며, 빛을발생하는발광부와먼지에반사되거 나통과되는빛을검출하는수광부로구성되어있다. 장치 는한개의발광부와다섯개의수광부를사용하여먼지가 센서의중앙부를지날때수광부에들어오는빛의양의변화 를분석하여먼지의종류를판단한다. 그림 1. 광학식먼지감지센서개념도 Fig 1. Concept of dust detection sensor
김동회, 민병철, 김동한 2 그림 1 은광학식먼지감지센서의원리를설명한그림으로발광부 (LED) 에서발광한빛이먼지의유무에따라반사되어수광부 (Light Receptor) 로들어가는모습을보여주고있다. 그리고빛의양은출력 (Output) 으로확인할수있다. 그림 2. 수광발광센서의구성도 Fig 2. Configuration of transmitter and receiver sensors 그림 2 는발광부와수광부의구성을나타낸다. 번호 1 부터 5 까지는수광부의순서를의미하며, 발광부와마주보고있는센서 (1, 2) 들은먼지에통과되는빛을, 센서 (3, 4, 5) 들은반사되는빛을검출할수있다. 또한, 먼지센서에먼지가유입되지않은경우에는수광부 1 과수광부 2 에만많은양의빛이들어가게되고, 수광부 3, 4, 5 에는아주극소량의빛이들어가게된다. 표 1. 수광부위치에따른데이터 1 42 773 1008 1019 1017 2 41 659 1014 1020 1018 3 44 822 1012 1020 1017 4 56 792 987 1011 1014 5 43 641 993 1016 1012 예로서, 수광부에들어오는빛의양을표 1 에나타내었다. 빛이많이들어올수록숫자가작아지며, 빛이적게들어올수록숫자는커지게된다. 세로축값인측정순서에따라수광부에들어오는빛의양을확인할수있으며, 실제 1/8 초단위로초당 8 개의데이터를받는시스템으로구현되어있다. 그림 3. 먼지검출시스템알고리즘 Fig 3. Algorithm of dust detection sensor system 그림 3 은전체적인먼지검출시스템의과정을표현한순서도이다. 가장먼저시스템에먼지가투입되고, 그림 2 의장치를통해센서값이추출된다. 본논문에서는센서에서바로추출된값을 Raw Data 라고한다. 센서값은투입된먼지의종류에따라투과되고반사되어빛의양이달라지게되며, 이데이터들은필터링과정과유사도판별알고리즘을거치게된다. 그리고최종단계로먼지종류가판별된다. 필터링과정에서는데이터들의평균치를구하는평균방법 (Average. AVR) 과평균이동필터방법 (Moving Average. M/V) 을사용하여성능을비교하며, 이에대해서는다음장에서자세하게다룬다. 그리고먼지종류판별법으로는 Pixel-based Dust Similarity 방법을이용하고이에대해서는 IV 장에서소개한다. III. Filter 표 1 의경우, 같은종류의먼지를이용하여실험을진행하였다. 하지만수광부 2 의경우, 측정된값들에서큰차이가보였다. 이는측정잡음또는먼지가센서를지날때, 분포가일정하지못한것에서기인된다. 이차이는다음장에서제안될먼지유사도판별알고리즘의오류를유발할수있다. 따라서차이를없애거나, 최소화할수있는필터링에대한구현은필수적이다. 센서를통해측정된값을필터링하는방법으로평균치를이용하는평균방법과평균이동필터방법을사용하였다. ( )
김동회, 민병철, 김동한 3 평균방법은각각의수광부센서에서측정된값들을평균 내어데이터를필터링하는방법이다. 수식 (1) 에서 는번 째수광부센서의평균값을의미하며, 른센서값들을의미한다. 그리고 는데이터의총개수를말한다. 표 2. 측정데이터 는측정순서에따 은평균방법에사용되 1000 800 600 400 200 1 47 953 990 1015 1016 2 47 935 1008 1018 1019 3 492 987 1008 1014 1011 4 825 736 1008 1012 1008 5 48 768 1005 1020 1019 6 313 775 1003 1001 1013 7 103 860 995 1016 1017 8 914 930 984 1010 1006 9 68 947 999 1001 1009 10 48 892 1007 1015 1005 11 52 934 1004 1019 1022 12 963 915 1004 1019 1021 13 61 973 1001 1017 1020 14 46 676 996 1017 1020 15 56 851 993 1011 1012 0 Raw Data 1 2 3 4 5 6 7 8 9 101112131415 수광부1 수광부2 수광부3 수광부4 수광부5 그림 4. 필터적용전초기데이터그래프. Fig 4. Graph of raw data 표 3. 평균방법 1 272.2 875.4667 1000.333 1013.667 1014.533 1000 800 600 400 200 0 그림 5. 평균방법그래프 Fig 5. Graph of average method 표 2 의값들은 5 개의수광부센서에서측정된 Raw Data 이며, 데이터에서확인해볼수있듯이마주보고있는수광부 1 의데이터변화폭이가장크며같은투과성빛을감지하는수광부 2 의변화도크게된다. 나머지수광부 3,4,5 는반사되는빛의량이극소량생겨데이터값이조금씩증가하는모습을볼수있다. 표 3 의값들은평균값을나타낸다. 여기서 15( ) 개의데이터가평균방법에사용되었으므로평균데이터는약 2 초마다갱신된다. 그림 4 는표 2 의 Raw Data 의그래프이며, 그림 5 에서볼수있듯이평균방법을이용하면 Raw Data 에서나올수있는측정잡음을줄일수있다. 평균이동필터방법은반복적자료처리라고도하며, 이를수식으로나타내면다음과같다. [ ] ( [ ] [ ] [ ]) ( ) 식 (2) 에서확인할수있듯이번째수광부센서의필터링 된값 [ ] 은현재 Raw Data 값 [ ] 과 개의과 거값 [ ] 사이에서측정된 n 개의값들의평균이 라는것을알수있다. 표 4 의값들은평균이동필터방법을통해필터링된데 이터들이다. Average Data 수광부 1 수광부 2 수광부 3 수광부 4 수광부 5 표 4. 평균이동 (Moving Average) 필터방법 1 348.625 868 1000.125 1013.25 1013.625 2 351.25 867.25 1001.25 1011.5 1012.75 3 351.375 861.875 1001.125 1011.125 1011 4 296.375 855.25 1000.625 1011.75 1012.375 5 313.625 877.625 1000.125 1012.625 1014
김동회, 민병철, 김동한 4 1000 6 315.25 903.25 999.625 1012.25 1014.125 7 281.875 890.875 998.75 1014.25 1015 8 276 889.75 998.5 1013.625 1014.375 Moving average Data 값이작을수록두개의데이터세트는유사하다는것을알수있으며, 이유사성을가지고먼지의종류를구별할수있게된다. m d(f g) [f( j) g( j)] 2 (3) V. 실험및결과 800 600 400 200 0 1 2 3 4 5 6 7 8 수광부1 수광부2 수광부3 수광부4 수광부5 그림 6. 평균이동필터방법그래프 Fig 6. Graph of moving average method 그림 6 에서볼수있듯이평균이동필터방법을사용하면그림 4 의그래프와비교해서수광부의데이터값들의변화가작아진모습을확인할수있다. 이를통해측정잡음을줄인다. IV. Pixel-based Dust Similarity 수광부를통해들어온빛의양은필터링되고, 이값들은 이전에측정된값들과비교하여유사성을판단하게된다. 본 논문에서는유사성판단을위한기법으로 Pixel-based Image Similarity 방법 [10] 을사용한다. 이방법은두개의데이터세 트의유사성을비교하는방법으로수식 (3) 과같이표현된다. 그림 8. 중력을이용한먼지검출장치테스트베드 Fig 8. Testbed for dust detection sensor using gravity 그림 8 과 9 의장치는중력을이용한검출장치로서이번 실험을위해제작된테스트베드이다. 본장치의사용을위 해먼지는위에서아래로떨어뜨려야만하며, 떨어지는먼 지들은중앙의센서부 ( 그림 9) 를통해측정되어데이터로 변환된다. 그리고변환된데이터들은컴퓨터로보내져먼지 검출알고리즘을통해종류가판별된다. 그림 7. 유사도판별을위한두개의데이터세트 Fig 7. Two array of data set for an investigation of similarity 그림 7에서 f( j) 은첫번째데이터세트 ( 이전에측정된값들 ) 의함수이며, g( j) 은두번째데이터세트 ( 현재측정된값들 ) 의함수이다. 그리고는수광부의순서, j는데이터의순서를의미하며, 과 m은각각데이터의개수그리고수광부의개수를의미한다. 따라서, 수식 (3) 을통해계산된 그림 9. 중력을이용한먼지검출장치테스트베드의센서부 Fig 9. Sensors of testbed for dust detection sensor using gravity
김동회, 민병철, 김동한 5 성능실험을위해두가지종류 ( 쌀과깨 ) 의먼지를사용하였다. 일정양의쌀과깨를먼지검출시스템에 15초동안통과시킨뒤, 각각 8개의데이터세트를구성하였다. 그리고저장된데이터들을원본데이터인 Raw 와, 평균방법을통해필터링된 AVR 과, 원본데이터를초단위 8개의데이터로평균이동필터링한 M/V 로구성하였다. 그리고수식 (3) 을이용해두개의데이터세트를골라서로번갈아가며유사도를판단하였다. 표 5. 쌀을이용한결과 100.0% 80.0% 60.0% 40.0% 20.0% 0.0% 깨 1 깨 2 깨 3 깨 4 깨 5 깨 6 깨 7 깨 8 RAW AVR MV 100.0% 80.0% 60.0% 40.0% 20.0% 0.0% Raw AVR M/V 쌀 1 87.5 % 87.5 % 87.5 % 쌀 2 87.5 % 87.5 % 87.5 % 쌀 3 87.5 % 87.5 % 87.5 % 쌀 4 75.0 % 62.5 % 87.5 % 쌀 5 87.5 % 62.5 % 75.0 % 쌀 6 87.5 % 87.5 % 87.5 % 쌀 7 75.0 % 87.5 % 62.5 % 쌀 8 75.0 % 87.5 % 87.5 % 쌀 1 쌀 2 쌀 3 쌀 4 쌀 5 쌀 6 쌀 7 쌀 8 RAW AVR M/V 그림 10. 쌀을이용한결과그래프 Fig 10. Graph of using rice result 표 6. 깨를이용한결과 Raw AVR M/V 깨 1 37.5 % 62.5 % 62.5 % 깨 2 62.5 % 87.5 % 87.5 % 깨 3 37.5 % 87.5 % 75.0 % 깨 4 62.5 % 87.5 % 87.5 % 깨 5 37.5 % 50.0 % 75.0 % 깨 6 50.0 % 87.5 % 62.5 % 깨 7 25.0 % 12.5 % 12.5 % 깨 8 25.0 % 50.0 % 62.5 % 그림 11. 깨를이용한결과그래프 Fig 11. Graph of using sesame result 표 5 와 6, 그림 10 과 11 은유사도를판단한결과를보여주고있다. 표에서결과 (%) 는한종류의데이터세트와다른종류데이터세트와의유사도판정에따라결정된다. 유사도판정은표 1 과같이각수광부별시간에대한데이터를쌀 1 부터깨 8 까지모아 Pixel-based Dust Similarity 방법을이용하여비교를통해각각의유사도를판별한다. 유사도판별을이용해쌀 1 과비교를했을때총 16 개의데이터를비교해표 5 와표 6 의결과 (%) 를결정한다. 즉쌀 1 과깨 1 의유사도가쌀 1 과쌀 2 부터쌀 8 까지의유사도보다높다면, 결과값은낮아지게된다. 분석결과, 쌀 8 개의데이터세트에서는 Raw 에서평균 82%, AVR 에서 81%, M/V 에서 82% 의유사도판별결과를보였으며, 깨 8 개의데이터세트에서는 Raw 에서평균 42%, AVR 에서 65%, M/V 에서 64% 의유사도판별결과를보였다. 깨보다는 쌀을가지고실험했을때좀더정확한판별결과를보였다. 이는먼지에따른적외선투과성과반사도의차이때문으로 보인다. 종합적으로 Raw 데이터보다는 AVR 데이터가좀더 좋은결과를보였으며, M/V 가제일좋은결과를보였다. VI. 결론 본논문에서는적외선센서를이용한먼지검출장치에대해설명하였다. 두개의필터링방법을통해데이터의유사도판별력을높일수있음을보였으며, Pixel-based Dust Similarity 방법을이용하여먼지의종류를파악할수있음을보였다. 향후연구과제로는좀더다양한종류의먼지를가지고시스템의강건함을검증할것이며, 필터링의성능향상을위해연구할것이다. 또한, 실제로봇청소시스템에사용될수있는소형검출장치를개발할것이다. 참고문헌 [1] Fink, Julia, et al. Living with a Vacuum Cleaning Robot. International Journal of Social Robotics (2013): 1-20. [2] Forlizzi Jodi and Carl DiSalvo. Service Robots in the Domestic Environment: A Study of the Roomba Vacuum in the Home. Proceedings of the 1 st ACM
김동회, 민병철, 김동한 6 SIGCHI/SIGART conference on Human-robot interaction. ACM, 2006.(pp. 258-265) [3] Mee-Kyung Nam, "A Study on present Condition of Development and Market of Artificial Intelligence Robot In and Out of Country," Journal of the Korean Society of Design Culture, vol. 16, no. 2, pp. 198-207, 2010. [4] Batalin, Maxim A, Gaurav S. Sukhatme, and Myron Hattig. Mobile Robot Navigation Using a Sensor Network. Robotics and Automation, 2004. Proceedings. ICRA 04. 2004 IEEE International Conference on. Vol. 1. IEEE, 2004. [5] Doh, Nakju Lett, Chanki Kim, and Wan Kyun Chung. "A practical path planner for the robotic vacuum cleaner in rectilinear environments." Consumer Electronics, IEEE Transactions on 53.2 (2007): 519-527. [6] Kim, Hyunjin, et al. User-Centered Approach to Path Planning of Cleaning Robots: Analyzing User s Cleaning Behavior. Proceedings of the ACM/IEEE international conference on Human-robot interaction. ACM, 2007 (pp. 273-380) [7] Chen, Zhichao, and Stanley T. Birchfield. Qualitative Vision-based Mobile Robot Navigation. Robotics and Automation, 2006. ICRA 2006. Proceedings 2006 IEEE International Conference on. IEEE, 2006. p.2686-2692 [8] Freire. Eduardo, et al. A New Mobile Robot Control Approach via Fusion of Control Signals. Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transaction on 34.1 (2004): 419-429 [9] Kawakami, Hiroshi, et al. "Dust detector for vacuum cleaner." U.S. Patent No. 5,163,202. 17 Nov. 1992. [10] Ascenso, João, Catarina Brites, and Fernando Pereira. "Motion compensated refinement for low complexity pixel based distributed video coding." Advanced Video and Signal Based Surveillance, 2005. AVSS 2005. IEEE Conference on. IEEE, 2005. [11] Dong-Hoe Kim, Byung-Cheol Min and Dong-Han Kim Development of a Dust Detection Sensor System using Infrared Sensors ICROS 2013 conference. 김동회 2012년경희대학교전자전파과졸업. 2012 년 ~ 현재경희대학교대학원전자전파공학과석사과정재학중. 관심분야는알고리즘, 로보틱스, 로봇제어. 민병철 2008년경희대학교전자과졸업 ( 공학사 ). 2010년경희대학교전자전파과졸업 ( 공학석사 ). 2010년 ~ 현재 Purdue Univ. 대학원컴퓨터정보기술학과박사과정재학중. 관심분야는로보틱스, 네트워크로봇, 인공지능, 센서네트워크김동한 2003 년 KAIST 전기및전자공학과박사학위. 2003년 ~2004 년일리노이주립대학 Post Doc. 2004~2007 년삼성전자무선사업부책임연구원. 2007년 ~ 현재경희대학교전자정보대학교수. 관심분야는로봇제어, 다개체지능제어