SlideShare uma empresa Scribd logo
1 de 7
수중로봇 챌린지
• 작성자 : BARAM
• 작성일 : 2016. 09.26
경기장
초기 경기장 도안
구동 방식 ( 계획 )
1. 출발지 및 출발방향 기준 2 차원 좌표계 생성 , 수조 크기 입력
- 수조크기 2400mm( 가로 ), 1200mm( 세로 )
2. 목적지 및 도착방향 입력
- 목적지 좌표값 입력 , 도착방향 방위값 입력
3. 출발 위치에서 출발 방향으로 로봇 배치
4. magnetic compass 이용 해당 좌표계 상에서 로봇의 현재방향 추출
- 기준 좌표계 상 방향 저장 , 주기적으로 추출
5. 소나센서 이용 해당 좌표계 상에서 로봇의 현재위치 추출
- 앞 / 좌 / 우 방향 소나센서 값 순차로 저장 , 주기적으로 추출
6. 소나센서를 이용 전방 , 좌우측 벽 / 장애물과의 거리 탐지
7. 전방 벽 / 장애물과 부딪히지 않는 범위 내에서 전진
- 양측 Paddle 등속 구동
- 진행방향 방위값을 유지하도록 PD 제어
구동 방식 ( 계획 )
8. 좌우측 벽 / 장애물과의 거리가 급격히 멀어지는 구간 ( 통로 ) 탐지
- 양측 탐지 시 목적지 근접 방향으로 선택 , 통로방향을 방향벡터로 저장
9. 제자리 정지
- 양측 Paddle 역방향 구동하여 관성 상쇄
- 전방 벽 / 장애물과의 거리의 변화가 없을 때 정지로 판단
10. 통로방향으로 회전
- 로봇의 현재방향 벡터와 통로방향 벡터 비교
- 양측 Paddle 같은 속도 , 방향만 바꿔 제자리 회전 유도
11. 제자리 정지
- 현재방향 벡터의 변화가 미미할 때 정지로 판단
6.~11. 반복
- 전방 벽 / 장애물과 부딪히지 않는 범위 내에서 전진하는 동안
통로 미 탐지 시 180 도 회전 후 전진
12. 도착지 부근에서 현재 위치와 방향을 근거로 도착 방향으로 도착지에 접
근
경기장 특징
→
도착
출발
↓
출발 시 우선 도착방향으로 회전하고 전진해야 함출발 시 우선 도착방향으로 회전하고 전진해야 함
장애물장애물 11 의 간격은 수중로봇의 간격은 수중로봇 33 대 너비대 너비
장애물장애물 22 와 벽과의 간격은 도착점 쪽은 수중로봇와 벽과의 간격은 도착점 쪽은 수중로봇 11 대가 겨우 통대가 겨우 통
과할 수 있는 정도과할 수 있는 정도 ,, 반대쪽은반대쪽은 2~32~3 대 너비대 너비
장애물 1 장애물 2
구동 방식 ( 실제 )
1. 주요 지점 별 magnetic compass 값 저장
- 실제 각도와 compass 값의 크기 차이 (90° 가 70~80 사이 값으로 측정
)
- 위치 별 센서 값 차이 ( 같은 방향에서 이동 시 compass 값 변화 )
- 회전이 필요한 위치마다 필요한 목표 센서 값 저장
2. 소나센서 이용 벽과의 거리 추출
- 소나센서 측정 방향 변경에 delay 0.7 초 필요
- 한 주기에 여러 방향 센서값 추출 불가 -> 꼭 필요한 한 방향만 추출
3. 전방 벽 / 장애물과 부딪히지 않는 범위 내에서 전진
- 양측 Paddle 등속 구동
-> 동일 duty ratio PWM 신호에서 양측 속도 차 존재
- 이의 제기했지만 양측 동일 모터로 정 / 역방향 회전의 토크차이라고 답변
- 양측 duty ratio 차이를 둬 동일 속도 튜닝
구동 방식 ( 실제 )
1. 주요 지점 별 magnetic compass 값 저장
- 실제 각도와 compass 값의 크기 차이 (90° 가 70~80 사이 값으로 측정
)
- 위치 별 센서 값 차이 ( 같은 방향에서 이동 시 compass 값 변화 )
- 회전이 필요한 위치마다 필요한 목표 센서 값 저장
2. 소나센서 이용 벽과의 거리 추출
- 소나센서 측정 방향 변경에 delay 0.7 초 필요
- 한 주기에 여러 방향 센서값 추출 불가 -> 꼭 필요한 한 방향만 추출
3. 전방 벽 / 장애물과 부딪히지 않는 범위 내에서 전진
- 양측 Paddle 등속 구동
-> 동일 duty ratio PWM 신호에서 양측 속도 차 존재
- 이의 제기했지만 양측 동일 모터로 정 / 역방향 회전의 토크차이라고 답변
- 양측 duty ratio 차이를 둬 동일 속도 튜닝

Mais conteúdo relacionado

Mais de NAVER D2

[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다NAVER D2
 
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...NAVER D2
 
[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기NAVER D2
 
[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발NAVER D2
 
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈NAVER D2
 
[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&ANAVER D2
 
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기NAVER D2
 
[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep LearningNAVER D2
 
[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applicationsNAVER D2
 
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load BalancingOld version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load BalancingNAVER D2
 
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지NAVER D2
 
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기NAVER D2
 
[224]네이버 검색과 개인화
[224]네이버 검색과 개인화[224]네이버 검색과 개인화
[224]네이버 검색과 개인화NAVER D2
 
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)NAVER D2
 
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기NAVER D2
 
[213] Fashion Visual Search
[213] Fashion Visual Search[213] Fashion Visual Search
[213] Fashion Visual SearchNAVER D2
 
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화NAVER D2
 
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지NAVER D2
 
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터NAVER D2
 
[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?NAVER D2
 

Mais de NAVER D2 (20)

[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다[211] 인공지능이 인공지능 챗봇을 만든다
[211] 인공지능이 인공지능 챗봇을 만든다
 
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
[233] 대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler i...
 
[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기[215] Druid로 쉽고 빠르게 데이터 분석하기
[215] Druid로 쉽고 빠르게 데이터 분석하기
 
[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발[245]Papago Internals: 모델분석과 응용기술 개발
[245]Papago Internals: 모델분석과 응용기술 개발
 
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
[236] 스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
 
[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A[235]Wikipedia-scale Q&A
[235]Wikipedia-scale Q&A
 
[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기[244]로봇이 현실 세계에 대해 학습하도록 만들기
[244]로봇이 현실 세계에 대해 학습하도록 만들기
 
[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning[243] Deep Learning to help student’s Deep Learning
[243] Deep Learning to help student’s Deep Learning
 
[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications[234]Fast & Accurate Data Annotation Pipeline for AI applications
[234]Fast & Accurate Data Annotation Pipeline for AI applications
 
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load BalancingOld version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
Old version: [233]대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing
 
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지
 
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
 
[224]네이버 검색과 개인화
[224]네이버 검색과 개인화[224]네이버 검색과 개인화
[224]네이버 검색과 개인화
 
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
[216]Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
 
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
 
[213] Fashion Visual Search
[213] Fashion Visual Search[213] Fashion Visual Search
[213] Fashion Visual Search
 
[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화[232] TensorRT를 활용한 딥러닝 Inference 최적화
[232] TensorRT를 활용한 딥러닝 Inference 최적화
 
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
[242]컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
 
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
[212]C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
 
[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?[223]기계독해 QA: 검색인가, NLP인가?
[223]기계독해 QA: 검색인가, NLP인가?
 

Último

JMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology
JMP를 활용한 전자/반도체 산업 Yield Enhancement MethodologyJMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology
JMP를 활용한 전자/반도체 산업 Yield Enhancement MethodologyJMP Korea
 
공학 관점에서 바라본 JMP 머신러닝 최적화
공학 관점에서 바라본 JMP 머신러닝 최적화공학 관점에서 바라본 JMP 머신러닝 최적화
공학 관점에서 바라본 JMP 머신러닝 최적화JMP Korea
 
JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개
JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개
JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개JMP Korea
 
(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?
(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?
(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?Jay Park
 
실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석
실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석
실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석JMP Korea
 
JMP를 활용한 가속열화 분석 사례
JMP를 활용한 가속열화 분석 사례JMP를 활용한 가속열화 분석 사례
JMP를 활용한 가속열화 분석 사례JMP Korea
 
JMP가 걸어온 여정, 새로운 도약 JMP 18!
JMP가 걸어온 여정, 새로운 도약 JMP 18!JMP가 걸어온 여정, 새로운 도약 JMP 18!
JMP가 걸어온 여정, 새로운 도약 JMP 18!JMP Korea
 
데이터 분석 문제 해결을 위한 나의 JMP 활용법
데이터 분석 문제 해결을 위한 나의 JMP 활용법데이터 분석 문제 해결을 위한 나의 JMP 활용법
데이터 분석 문제 해결을 위한 나의 JMP 활용법JMP Korea
 

Último (8)

JMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology
JMP를 활용한 전자/반도체 산업 Yield Enhancement MethodologyJMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology
JMP를 활용한 전자/반도체 산업 Yield Enhancement Methodology
 
공학 관점에서 바라본 JMP 머신러닝 최적화
공학 관점에서 바라본 JMP 머신러닝 최적화공학 관점에서 바라본 JMP 머신러닝 최적화
공학 관점에서 바라본 JMP 머신러닝 최적화
 
JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개
JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개
JMP 기능의 확장 및 내재화의 핵심 JMP-Python 소개
 
(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?
(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?
(독서광) 인간이 초대한 대형 참사 - 대형 참사가 일어날 때까지 사람들은 무엇을 하고 있었는가?
 
실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석
실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석
실험 설계의 평가 방법: Custom Design을 중심으로 반응인자 최적화 및 Criteria 해석
 
JMP를 활용한 가속열화 분석 사례
JMP를 활용한 가속열화 분석 사례JMP를 활용한 가속열화 분석 사례
JMP를 활용한 가속열화 분석 사례
 
JMP가 걸어온 여정, 새로운 도약 JMP 18!
JMP가 걸어온 여정, 새로운 도약 JMP 18!JMP가 걸어온 여정, 새로운 도약 JMP 18!
JMP가 걸어온 여정, 새로운 도약 JMP 18!
 
데이터 분석 문제 해결을 위한 나의 JMP 활용법
데이터 분석 문제 해결을 위한 나의 JMP 활용법데이터 분석 문제 해결을 위한 나의 JMP 활용법
데이터 분석 문제 해결을 위한 나의 JMP 활용법
 

[D2CAMPUS] 수중로봇 챌린지 (BARAM)

  • 1. 수중로봇 챌린지 • 작성자 : BARAM • 작성일 : 2016. 09.26
  • 3. 구동 방식 ( 계획 ) 1. 출발지 및 출발방향 기준 2 차원 좌표계 생성 , 수조 크기 입력 - 수조크기 2400mm( 가로 ), 1200mm( 세로 ) 2. 목적지 및 도착방향 입력 - 목적지 좌표값 입력 , 도착방향 방위값 입력 3. 출발 위치에서 출발 방향으로 로봇 배치 4. magnetic compass 이용 해당 좌표계 상에서 로봇의 현재방향 추출 - 기준 좌표계 상 방향 저장 , 주기적으로 추출 5. 소나센서 이용 해당 좌표계 상에서 로봇의 현재위치 추출 - 앞 / 좌 / 우 방향 소나센서 값 순차로 저장 , 주기적으로 추출 6. 소나센서를 이용 전방 , 좌우측 벽 / 장애물과의 거리 탐지 7. 전방 벽 / 장애물과 부딪히지 않는 범위 내에서 전진 - 양측 Paddle 등속 구동 - 진행방향 방위값을 유지하도록 PD 제어
  • 4. 구동 방식 ( 계획 ) 8. 좌우측 벽 / 장애물과의 거리가 급격히 멀어지는 구간 ( 통로 ) 탐지 - 양측 탐지 시 목적지 근접 방향으로 선택 , 통로방향을 방향벡터로 저장 9. 제자리 정지 - 양측 Paddle 역방향 구동하여 관성 상쇄 - 전방 벽 / 장애물과의 거리의 변화가 없을 때 정지로 판단 10. 통로방향으로 회전 - 로봇의 현재방향 벡터와 통로방향 벡터 비교 - 양측 Paddle 같은 속도 , 방향만 바꿔 제자리 회전 유도 11. 제자리 정지 - 현재방향 벡터의 변화가 미미할 때 정지로 판단 6.~11. 반복 - 전방 벽 / 장애물과 부딪히지 않는 범위 내에서 전진하는 동안 통로 미 탐지 시 180 도 회전 후 전진 12. 도착지 부근에서 현재 위치와 방향을 근거로 도착 방향으로 도착지에 접 근
  • 5. 경기장 특징 → 도착 출발 ↓ 출발 시 우선 도착방향으로 회전하고 전진해야 함출발 시 우선 도착방향으로 회전하고 전진해야 함 장애물장애물 11 의 간격은 수중로봇의 간격은 수중로봇 33 대 너비대 너비 장애물장애물 22 와 벽과의 간격은 도착점 쪽은 수중로봇와 벽과의 간격은 도착점 쪽은 수중로봇 11 대가 겨우 통대가 겨우 통 과할 수 있는 정도과할 수 있는 정도 ,, 반대쪽은반대쪽은 2~32~3 대 너비대 너비 장애물 1 장애물 2
  • 6. 구동 방식 ( 실제 ) 1. 주요 지점 별 magnetic compass 값 저장 - 실제 각도와 compass 값의 크기 차이 (90° 가 70~80 사이 값으로 측정 ) - 위치 별 센서 값 차이 ( 같은 방향에서 이동 시 compass 값 변화 ) - 회전이 필요한 위치마다 필요한 목표 센서 값 저장 2. 소나센서 이용 벽과의 거리 추출 - 소나센서 측정 방향 변경에 delay 0.7 초 필요 - 한 주기에 여러 방향 센서값 추출 불가 -> 꼭 필요한 한 방향만 추출 3. 전방 벽 / 장애물과 부딪히지 않는 범위 내에서 전진 - 양측 Paddle 등속 구동 -> 동일 duty ratio PWM 신호에서 양측 속도 차 존재 - 이의 제기했지만 양측 동일 모터로 정 / 역방향 회전의 토크차이라고 답변 - 양측 duty ratio 차이를 둬 동일 속도 튜닝
  • 7. 구동 방식 ( 실제 ) 1. 주요 지점 별 magnetic compass 값 저장 - 실제 각도와 compass 값의 크기 차이 (90° 가 70~80 사이 값으로 측정 ) - 위치 별 센서 값 차이 ( 같은 방향에서 이동 시 compass 값 변화 ) - 회전이 필요한 위치마다 필요한 목표 센서 값 저장 2. 소나센서 이용 벽과의 거리 추출 - 소나센서 측정 방향 변경에 delay 0.7 초 필요 - 한 주기에 여러 방향 센서값 추출 불가 -> 꼭 필요한 한 방향만 추출 3. 전방 벽 / 장애물과 부딪히지 않는 범위 내에서 전진 - 양측 Paddle 등속 구동 -> 동일 duty ratio PWM 신호에서 양측 속도 차 존재 - 이의 제기했지만 양측 동일 모터로 정 / 역방향 회전의 토크차이라고 답변 - 양측 duty ratio 차이를 둬 동일 속도 튜닝