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
- 유승열
- 발행연도
- 2019
- 저작권
- 한국기술교육대학교 논문은 저작권에 의해 보호받습니다.
이용수6
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
최근 4차 산업혁명에 따라 공장 및 창고에서는 단방향 컨베이어 벨트 기반의 시스템이 아닌 유연한 물류이송을 위한 자율 이동형 모바일 로봇의 사용이 증가하고 있다. 하지만 이러한 모바일 로봇들은 Simultaneously Local-ixation and Mapping(SLAM)을 통해 수동으로 맵을 만든 후, 중요 장비의 위치 등 장애물의 특성을 추가적인 작업을 통해 표기해야 한다는 단점이 존재한다. 이를 극복하기 위해 본 논문에서는 자율 주행을 위한 Deep Q Network(DQN) 기반의 Mapless Navigation을 구현하였으며 Decreasing Target Size를 이용해 교육시간을 감소시키는 방안을 제시하였다. 그리고 장애물의 특성에 따라 안전거리를 차등적으로 부여하고 이를 고려한 최적의 경로를 통해 목표지점에 도착할 수 있도록 교육을 수행하였다.
장애물의 특성을 SLAM에 적용하기 위해서는 영상인식을 통해 장애물의 속도 및 종류 등 특성을 파악한 후 LiDAR 데이터를 Offset하는 알고리즘을 제시한다. 이를 통해 모바일 로봇이 장애물의 안전거리를 고려한 최적의 경로 주행을 수행하는 것을 보였으며 SLAM을 통해 만들어지는 Map 위에 장애물의 안전거리가 경계선으로 적용됨을 보였다.
장애물의 특성을 SLAM에 적용하기 위해서는 영상인식을 통해 장애물의 속도 및 종류 등 특성을 파악한 후 LiDAR 데이터를 Offset하는 알고리즘을 제시한다. 이를 통해 모바일 로봇이 장애물의 안전거리를 고려한 최적의 경로 주행을 수행하는 것을 보였으며 SLAM을 통해 만들어지는 Map 위에 장애물의 안전거리가 경계선으로 적용됨을 보였다.
목차
제 1장 서론 11. 연구 배경 12. 관련 연구 동향 33. 연구 목적 5제 2장 DQN 기반의 Mapless Navigation 61. 이론적 배경 61.1 Value Function 61.2 Q Learning 132. 실험 방법 172.1 실험 환경 구성 172.2 Deep Q-Network 구조 213. 실험 결과 243.1 Target Size 변화에 따른 비교 243.2 DQN 교육 완료 후 테스트 결과 283.3 사람 및 장애물이 존재하는 환경에서 테스트 결과 30제 3장 장애물의 특성에 따른 Offset 알고리즘 321. 이론적 배경 321.1 YOLO Object Recognition 321.2 LiDAR Data Offset Algorithm 352. 프로그램 구조 393. 실험 환경 구성 404. 실험 결과 41제 4장 결론 44참고문헌 45Abstract 46
최근 본 자료
댓글(0)
0