Utilizing Visual Information for Non-contact Predicting Method of Friction Coefficient

마찰계수의 비접촉 추정을 위한 영상정보 활용방법

  • Kim, Doo-Gyu (BK21 Mechatronics Group at Chungnam National University) ;
  • Kim, Ja-Young (BK21 Mechatronics Group at Chungnam National University) ;
  • Lee, Ji-Hong (BK21 Mechatronics Group at Chungnam National University) ;
  • Choi, Dong-Geol (Korea Advanced Institute of Science and Technology) ;
  • Kweon, In-So (Korea Advanced Institute of Science and Technology)
  • 김두규 (충남대학교 BK21 메카트로닉스 사업단) ;
  • 김자영 (충남대학교 BK21 메카트로닉스 사업단) ;
  • 이지홍 (충남대학교 BK21 메카트로닉스 사업단) ;
  • 최동걸 (한국과학기술원) ;
  • 권인소 (한국과학기술원)
  • Received : 2009.09.25
  • Accepted : 2010.06.22
  • Published : 2010.07.25

Abstract

In this paper, we proposed an algorithm for utilizing visual information for non-contact predicting method of friction coefficient. Coefficient of friction is very important in driving on road and traversing over obstacle. Our algorithm is based on terrain classification for visual image. The proposed method, non-contacting approach, has advantage over other methods that extract material characteristic of road by sensors contacting road surface. This method is composed of learning group(experiment, grouping material) and predicting friction coefficient group(Bayesian classification prediction function). Every group include previous work of vision. Advantage of our algorithm before entering such terrain can be very useful for avoiding slippery areas. We make experiment on measurement of friction coefficient of terrain. This result is utilized real friction coefficient as prediction method. We show error between real friction coefficient and predicted friction coefficient for performance evaluation of our algorithm.

본 논문에서는 마찰계수의 비접촉 추정을 위한 영상정보 활용방법을 제안한다. 마찰계수는 이동체의 도로주행 또는 장애물 극복에 있어 매우 중요한 요소이다. 이동체가 이동경로의 마찰계수를 미리 알 수 있다면 이동성향상을 기대할 수 있다. 본 논문의 마찰계수 추정방법은 영상정보를 활용하기 때문에 이동체가 지면과 접촉하기 전에 마찰계수를 추정 할 수 있다는 장점이 있다. 마찰계수의 비접촉 추정을 위한 영상정보 활용방법은 마찰계수측정실험과 물질그룹생성을 포함한 학습단계와 물질그룹 분류과정과 마찰계수 함수 활용을 포함한 마찰계수 추정단계로 구성되어 있으며 물질 조성비를 생성하는 영상처리는 두 단계에 모두 포함된다. 이 과정을 통해 얻은 마찰계수는 무인이동로봇이 이동경로 진입 전에 미끄러움을 판단하여 미끄럼지역을 회피 할 수 있도록 하며, 저속으로 이동이 가능한 경우 미끄럼이 발생하지 않는 적정속도를 계산하는데 확용 가능하다. 본 논문에서 사용한 지형의 마찰계수와 영상정보는 마찰계수 측정실험을 통해 취득하였다. 마찰계수 추정방법을 평가하기 위해 실험지형의 실제 마찰계수와 추정 마찰계수의 차이를 비교하였다.

Acknowledgement

Supported by : 국방과학연구소

References

  1. CHIA-SHANG LIU and HUEI PENG, "Road Friction Coefficient Estimation for Vehicle Path Prediction," Vehicle System Dynamics, vol. 25,pp.413-425, 1996.
  2. P. Lamon, A. Krebs, M. Lauria, and S. Shooter, R. Siegwart, "Wheel torque control for a rough terrain rover," IEEE International Conference on Robotics and Automation, pp. 4682-4687, 2004.
  3. F. Gustafsson, "Slip based tire-road friction estimation," Automatica: the journal of IFAC, the International Federation of Automatic Control, vol. 33, no. 6, pp.1087-1099, 1997.
  4. Christopher A. Brooks and Karl Iagnemma, "Vibration-based terrain classification for planetary exploration rovers," IEEE Transactions on Robotics, vol. 21, no. 6, pp.1185-1191, 2005.
  5. Anelia Angelova, Larry Matthies, Daniel Helmick and Pietro Perona, "Learning and Prediction of Slip from Visual Information," Journal of Field Robotics, vol. 24, no. 3. pp.205-231, 2007. https://doi.org/10.1002/rob.20179
  6. Paul Jansen, Wannes van der Mark, Johan C. van den Heuvel, Frans C.A. Geroen, "Colour based Off-Road Environment and Terrain Type Classification," IEEE Conference on Intelligent Transportation Systems, pp.61-66, 2005.
  7. 성기열, 곽동민, 이승연, 유준, "무인차량 적용을 위한 영상 기반의 지형 분류 기법" , 제어.로봇.시스템학회 논문지, vol. 15, no. 4, pp.372-378, 2009.
  8. T. Leung and J. Malik, "Representing and Recognizing the Visual Appearance of Materials Using the Three-dimensional Texton," IJCV vol. 42, no. 1, 2001.
  9. M. Varma and A. Zisserman, "Classifying images of materials achieving viewpoint and illumination indepencec," European Conference on Computer Vision, pp.255-271, 2003.
  10. P. felzenszwalb and D. Huttenlocher, "Efficient Graph based Image Segmentation," IJCV, vol. 59, no. 2, pp.167-181, 2004. https://doi.org/10.1023/B:VISI.0000022288.19776.77
  11. Richard O. Duda, Peter E. Hart and David G. Stork, Pattern Classification 2nd ed, Wiley, New York, 2001.
  12. Sethu Vijayakumar, Aaron D'Souza, and Stefan Schaal, "Incremental Online Learning in High Dimensions," Neural Computation, vol. 17, no. 12, pp.2602-2634, 2005. https://doi.org/10.1162/089976605774320557