인간 활동으로 광범위한 자연 생태계 변화로 지난 몇 세기 동안 전 세계적으로 생물다양성이 심각하게 위협받고 있다. 생태계의 변화 양상을 파악하는 것은 생물다양성 위협을 파악하고 관리하는 데 필수적이다. 이러한 필요성에 따라 IUCN 의회는 2019년에 생태계의 기능과 유형을 고려한 IUCN Global Ecosystem Typology(GET)를 구성했다. IUCN은 10개의 생태계 군계, 108개의 생태기능별 토지 유형(EFG; Ecological Functional Group)을 전 지구적 범위에서 지도로 제공하고 있다. IUCN GET 생태계의 유형 분류에 따르면 국내 생태계는 Realm (1수준)이 8개, Biome (2수준)이 18개, Group (3수준)은 41개 유형으로 분류된다. IUCN이 제공하는 GET의 경우 전 세계 규모로 제작되었기 때문에 해상도가 낮고 실질적인 토지 현황과 일치하지 않는 경우가 많다. 본 연구는 토지피복지도를 활용하여 국내 IUCN GET 유형 분류의 정확도를 높이고 실질적인 현황 을 반영한 지도를 제작하고자 했다. 이를 위해 ① IUCN GET에서 제공하는 국내 GET 데이터 체계를 검토하고, ② 이를 국내 현황과 비교 분석하였다. 이 과정을 통해 GET의 한계와 활용 가능성을 평가하고 ③ 이후 국가자료를 최대 한 활용하여 국내 현황을 반영한 국내 GET 유형 분류를 수행하였다. 본 연구는 토지피복지도와 기존 국가자료를 최대한 활용하여 국내 GET를 총 25개 유형으로 분류했다(Terrestrial Realm :9, Freshwater: 9 Marine-Terrestrial:5, Terrestrial-Freshwater :1, Marine-Freshwater-Terrestrial:1). 기존 지도와 비교했을 때 수정된 국내 GET의 경우 ‘F3.2 Constructed lacustrine wetlands’, ‘F3.3 Rice paddies’, ‘F3.4 Freshwater aquafarms’, ‘T7.3 Plantations’가 면 적이 가장 많이 축소되었다. 온대 산림(T2.2)의 면적이 가장 많이 늘어났고, ‘MFT1.3 Coastal saltmarshes and reedbeds’, ‘F2.2 Small permanent freshwater lakes’등 3개 유형 또한 수정 후 GET 면적이 증가했다. 해당 과정을 통해 기존 GET에서 모든 EFG의 합이 국토 면적의 8.33배를 차지하던 기존의 지도를, 토지피복지도를 활용하여 총합 이 국토 면적의 1.22 배가 되도록 수정하였다. 이를 통해 유형별 차이가 작고 정확성이 떨어진 기존의 EFG가 본 연구를 통해 개선 및 수정되었음을 확인하였다. 본 연구는 현장 요건을 반영한 데이터를 최대한 활용하여 GET 기준 에 상응하는 한국의 GET 지도를 제작한 것에 그 의의가 있다.

This paper proposes a novel upward-looking camera-based global localization using a ceiling image map. The ceiling images obtained through the SLAM process are integrated into the ceiling image map using a particle filter. Global localization is performed by matching the ceiling image map with the current ceiling image using SURF keypoint correspondences. The robot pose is then estimated by the coordinate transformation from the ceiling image map to the global coordinate system. A series of experiments show that the proposed method is robust in real environments.

Global localization is one of the essential issues for mobile robot navigation. In this study, an indoor global localization method is proposed which uses a Kinect sensor and a monocular upward-looking camera. The proposed method generates an environment map which consists of a grid map, a ceiling feature map from the upward-looking camera, and a spatial feature map obtained from the Kinect sensor. The method selects robot pose candidates using the spatial feature map and updates sample poses by particle filter based on the grid map. Localization success is determined by calculating the matching error from the ceiling feature map. In various experiments, the proposed method achieved a position accuracy of 0.12m and a position update speed of 10.4s, which is robust enough for real-world applications.

We present an implementation of particle filter algorithm for global localization and kidnap recovery of mobile robot. Firstly, we propose an algorithm for efficient particle initialization using sonar line features. And then, the average likelihood and entropy of normalized weights are used as a quality measure of pose estimation. Finally, we propose an active kidnap recovery by adding new particle set. New and independent particle set can be initialized by monitoring two quality measures. Added particle set can re-estimate the pose of kidnapped robot. Experimental results demonstrate the capability of our global localization and kidnap recovery algorithm.