Improving Lugged-Wheel Robot Localization in Rough Deformable Terrains Using DNN-Based Slip Ratio Estimation

Abstract

본 논문은 관성 센서와 엔코더를 사용한 Invariant extended Kalman filter (IEKF)와 deep nueral network(DNN) 기반 슬립 비율 추정기를 기반으로 한 lugged-wheel 로봇의 위치 추정 알고리즘을 제안한다. Wheeled mobile 로봇(WMR) 위치 추정에 사용되는 다양한 센서 중에서 관성 센서와 엔코더는 비용이 저렴하고 연산량이 낮기 때문에 일반적으로 사용된다. 그러나 관성 센서와 엔코더는 각각 고유한 센서 특성과 바퀴 슬립으로 인해 위치 추정에서 큰 오차를 발생시킬 수 있다. 바퀴 슬립에 대한 대부분의 연구는 주로 고무 타이어를 대상으로 하며, 이 슬립 비율 모델을 아웃도어 환경에서 작동하는 lugged-wheel 로봇에 적용할 경우 슬립 비율 추정에서 상당한 오차를 발생시킬 수 있다. 본 논문에서는 노면이 울퉁불퉁한 야외 환경에서도 바퀴 슬립에 강인한 DNN 기반 슬립 비율 추정기와 IEKF 기반 위치추정 알고리즘을 제안한다. 슬립 비율 추정기는 관성 센서와 엔코더의 데이터를 처리하기 위해 convolutional neural network, fully connected layer 와 smoothing filter 를 사용한다. 슬립 비율 범위를 각 클래스로 나누어 슬립 비율을 추정하고, smoothing filter 는 연속된 클래스 간의 관계를 학습하는 데 사용된다. 제안된 위치 추정 방법의 성능은 lugged wheel 을 가진 WMR 이 다양한 슬립 조건을 경험하는 야외에서 제작한 데이터세트를 사용한 실험을 통해 검증된다. 다양한 바퀴 슬립에 대한 데이터를 얻기 위해 실험은 경사진 잔디밭에서 습한 조건과 건조한 조건에서 수행된다. 실혐 결과, 제안된 위치 추정 방법이 적분 기반 위치 추정에 비해 누적 위치 오차를 50.9% 감소시키고, IEKF 기반 위치 추정에 비해 8.77% 감소시킨다는 것을 보여준다.

This paper presents a deep neural network (DNN)-based slip ratio estimator fused with an invariant extended Kalman filter (IEKF) for lugged-wheel robot localization using an inertial sensor and an encoder in rough deformable terrains. Among various sensors used in wheeled mobile robot (WMR) localization, inertial sensors and encoders are most commonly used because these sensors are inexpensive and have low computational requirements. However, inertial sensors and encoders can cause large drifts in localization due to inherent sensor characteristics and wheel slippage, respectively. Most studies on wheel slippage have primarily focused on rubber tires, and using this slip ratio model for WMRs with lugged-wheels operating in outdoor environments can result in significant estimation errors in slip ratios. This paper develops a DNN-based slip ratio estimator and IEKF for WMR localization that is robust to wheel slippage even in rugged outdoor environments. The slip ratio estimator employs a convolutional neural network, a fully connected layer, and a smoothing filter to process sequential data of the inertial sensor and encoder. The range of slip ratios is divided into classes, and the smoothing filter is used to learn the relationship between consecutive classes. The performance of the proposed localization is demonstrated through experiments using outdoor datasets where WMRs with lugged-wheels experience various slip conditions. Experiments are conducted in wet and dry conditions on a sloped grass field. Results show that the proposed localization method reduces accumulated localization errors by 50.9% compared to integration-based localization and by 8.77% compared to IEKF-based localization.