지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 성상경
- 발행연도
- 2020
- 저작권
- 건국대학교 논문은 저작권에 의해 보호받습니다.
이용수15
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
도심 및 실내 환경에서의 무인 이동체 항법이 중요해짐에 따라, 환경 인지 센서 기반의 항법과 센서 융합에 대한 연구가 활발하다. 라이다는 원거리를 높은 정확도로 측정할 수 있고, 밝기 변화에 안정적이며, 측정치가 지도 구축에 적합하다는 장점이 있어 무인 이동체 항법을 위한 핵심 센서 중 하나로 여겨진다.
본 논문은 3D 라이다와 관성 센서를 사용하는 복합 항법 시스템을 설계하며 그 과정에서 딥러닝 기법을 활용한다. 이는 딥러닝 방식을 통해 복잡한 단계를 갖는 모델의 설계 없이 항법을 수행하는 것과, 센서를 단독으로 사용할 때보다 항법 성능을 향상시키는 것을 목표로 한다.
본 논문에서는 두 가지의 라이다/관성 복합 항법 시스템을 제시한다. 그 중 하나는 라이다와 관성 센서 데이터를 입력으로 받아 포즈 변화량을 추정하는 딥러닝 신경망이다. 신경망은 각 센서 데이터의 특성을 고려하여 CNN과 RNN 구조를 복합적으로 사용해 설계하였다. 또한 학습에 필요한 데이터 전처리를 수행하고 비용 함수를 정의하였다. 다른 하나는 학습 기반의 라이다 오도메트리와 모델 기반의 관성 항법 시스템을 결합하는 항법 시스템이다. 두 개의 항법 해 결합에는 확장 칼만 필터를 사용하며, 이를 구성하기 위한 프로세스 모델과 측정 모델을 정의한다.
제안한 복합 항법 시스템의 검증은 고성능 센서를 탑재한 차량 실험 데이터 셋 KITTI와, 저가 센서가 탑재된 멀티콥터 비행 시뮬레이션으로 수행한다. 서로 다른 환경에서 각 복합 항법 시스템이 라이다 오도메트리와 이루는 성능 차이, 두 개의 복합 항법 시스템 간 성능 차이를 분석한다.
본 논문은 3D 라이다와 관성 센서를 사용하는 복합 항법 시스템을 설계하며 그 과정에서 딥러닝 기법을 활용한다. 이는 딥러닝 방식을 통해 복잡한 단계를 갖는 모델의 설계 없이 항법을 수행하는 것과, 센서를 단독으로 사용할 때보다 항법 성능을 향상시키는 것을 목표로 한다.
본 논문에서는 두 가지의 라이다/관성 복합 항법 시스템을 제시한다. 그 중 하나는 라이다와 관성 센서 데이터를 입력으로 받아 포즈 변화량을 추정하는 딥러닝 신경망이다. 신경망은 각 센서 데이터의 특성을 고려하여 CNN과 RNN 구조를 복합적으로 사용해 설계하였다. 또한 학습에 필요한 데이터 전처리를 수행하고 비용 함수를 정의하였다. 다른 하나는 학습 기반의 라이다 오도메트리와 모델 기반의 관성 항법 시스템을 결합하는 항법 시스템이다. 두 개의 항법 해 결합에는 확장 칼만 필터를 사용하며, 이를 구성하기 위한 프로세스 모델과 측정 모델을 정의한다.
제안한 복합 항법 시스템의 검증은 고성능 센서를 탑재한 차량 실험 데이터 셋 KITTI와, 저가 센서가 탑재된 멀티콥터 비행 시뮬레이션으로 수행한다. 서로 다른 환경에서 각 복합 항법 시스템이 라이다 오도메트리와 이루는 성능 차이, 두 개의 복합 항법 시스템 간 성능 차이를 분석한다.
목차
제1장 서론 1제1절 연구 배경 1제2절 연구 내용 4제2장 복합 항법 및 딥러닝 기초 6제1절 좌표계 정의 61. 관성 좌표계와 항법 좌표계 62. 센서 좌표계 7제2절 자세 표현 및 좌표계 변환 91. 자세 표현 방법 92. 좌표계 변환 12제3절 Deep Learning 기초 131. Deep Learning 132. Convolution Neural Network 193. Recurrent Neural Network 22제3장 딥러닝 기반 라이다/관성 복합 항법 시스템 26제1절 신경망 입력 261. 라이다 측정치 262. 관성 센서 측정치 303. True label 30제2절 신경망 구조 311. 라이다 오도메트리 신경망 322. 관성 항법 신경망 343. 라이다/관성 항법 결합 신경망 36제3절 비용 함수 371. Odometry loss 372. Point-to-plane ICP loss 38제4장 확장 칼만 필터 기반 라이다/관성 결합 항법 시스템 40제1절 확장 칼만 필터 401. 칼만 필터 402. 확장 칼만 필터 42제2절 관성 항법 시스템 43제3절 확장 칼만 필터 기반 라이다/관성 결합 항법 설계 471. 상태 변수 및 프로세스 모델 472. 측정 모델 50제5장 실험 및 결과 52제1절 학습 환경 및 하이퍼 파라미터 설정 52제2절 KITTI 데이터 셋을 통한 검증 531. KITTI 데이터 셋 532. 실험 및 결과 분석 54제3절 시뮬레이션을 통한 검증 631. 시뮬레이션 데이터 632. 실험 및 결과 분석 64제6장 결론 73참고문헌 75부록 83ABSTRACT 86
최근 본 자료
댓글(0)
0