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
- 강재영
- 발행연도
- 2022
- 저작권
- 인하대학교 논문은 저작권에 의해 보호받습니다.
이용수179
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
자율 주행의 핵심 요소인 내비게이션은 Global Path Planning과 Local Path Planning 두 종류로 나눠진다. Global Path Planning은 상용 지도를 기반으로 하여 출발지부터 목적지까지의 Reference 경로를 탐지하는 것이고, Local Path Planning은 Reference 경로를 따라갈 때 현재 차량의 위치에서 장애물이 있는지 판단하고 장애물을 어떻게 피해 갈지 경로를 구하는 것이다. 경로를 피해 가기 위해서는 장애물의 위치와 거리를 판단하는 과제를 해결해야 한다. 장애물과 도로를 인식하는 인식 기술을 바탕으로 거리 추정이 진행되는데 대부분의 거리 추정은 정확도가 우수한 LiDAR를 이용한다. 하지만, 해당 센서들은 고가의 비용을 요구하므로 저가의 모빌리티나 가정용 로봇에 자율 주행을 위한 경로 검출 알고리즘을 탑재하는 데 한계가 있다.
본 논문에서는 단안 카메라만을 이용해 딥러닝 Semantic Segmentation과 YOLO를 이용한 주행 가능 경로 검출에 관한 연구를 수행하였다. 딥러닝 시멘틱 세그멘테이션을 이용해 단안 카메라로 촬영한 이미지 내의 도로를 인식하고 YOLO를 이용해 이미지 내의 도로 주행 시 방해물이 될 만한 사람, 자동차, 지형지물과 같은 객체들을 인식하여 박스 형태로 표시한다. 이미지 인식 결과, 이미지 내에 Semantic Segmentation 된 도로와 박스 형태의 장애물이 결과물로 나올 것이고 해당 결과물의 픽셀 위치 데이터를 이용하여 거리를 추정한다. 최종적으로 픽셀들의 추정 거리 데이터를 기반으로 카메라의 위치를 시점으로 한 3D 지도를 제작한다.
본 논문에서는 단안 카메라만을 이용해 딥러닝 Semantic Segmentation과 YOLO를 이용한 주행 가능 경로 검출에 관한 연구를 수행하였다. 딥러닝 시멘틱 세그멘테이션을 이용해 단안 카메라로 촬영한 이미지 내의 도로를 인식하고 YOLO를 이용해 이미지 내의 도로 주행 시 방해물이 될 만한 사람, 자동차, 지형지물과 같은 객체들을 인식하여 박스 형태로 표시한다. 이미지 인식 결과, 이미지 내에 Semantic Segmentation 된 도로와 박스 형태의 장애물이 결과물로 나올 것이고 해당 결과물의 픽셀 위치 데이터를 이용하여 거리를 추정한다. 최종적으로 픽셀들의 추정 거리 데이터를 기반으로 카메라의 위치를 시점으로 한 3D 지도를 제작한다.
목차
제1장 서론 11.1 연구동향 11.2 연구목적 41.3 연구내용 5제2장 이론적 배경 62.1 객체 인식 알고리즘 62.1.1 의미론적 분할 62.1.2 BiSeNet 구조 112.1.3 객체 검출 알고리즘 132.2 객체 위치 추정 알고리즘 152.2.1 거리 추정 152.2.2 핀홀 카메라 모델 19제3장 객체 인식 213.1 Semantic Segmentation 213.1.1 알고리즘 성능 비교 213.1.2 BiSeNet 도로 인식 결과 273.2 실시간 이미지 인식 303.1.2 실시간 이미지 인식 결과 30제4장 객체의 3차원 좌표 추정 334.1 거리 추정 실험 334.1.1 거리 추정 실험 개요 334.1.2 거리 추정 실험 결과 및 분석 37제5장 결과 및 고찰 415.1 개요 415.2 3차원 재구성화 435.2.1 테스트 환경 및 이미지 설명 435.2.2 도로 환경에 따른 3차원 재구성 결과 비교 및 분석 44제6장 결론 54참고문헌 55
최근 본 자료
댓글(0)
0