자율주행 로봇 기반의 보행 여건 평가를 위한 이미지 딥 러닝 개발 :Image deep learning for sidewalk assessment based on autonomous mobile robot

최민제

추천

검색

자료유형: 학위논문

저자정보: 최민제 (서울시립대학교, 서울시립대학교 일반대학원)

지도교수: 이승재

발행연도: 2023

저작권: 서울시립대학교 논문은 저작권에 의해 보호받습니다.

이용수9

이 논문의 연구 히스토리 (2)

2023

[박사학위논문소개] 자율주행 로봇 기반의 보행 여건 평가를 위한 이미지 딥 러닝 개발

최민제 교통기술과정책 2023.08 학술저널

자율주행 로봇 기반의 보행 여건 평가를 위한 이미지 딥 러닝 개발

최민제 교통공학과 2023.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

교통 정책이 보행자 환경 개선에 점점 더 중점을 두면서 효과적이고 효율적인 보행로 평가가 무엇보다 중요해졌다. 전통적으로 보행로 평가는 노동 집약적인 작업이었으며, 도로 위주의 개발로 인해 간과되는 경우가 많았다. 이 연구는 이미지 딥러닝과 자율 로봇 공학을 결합하여 보행로 상태를 평가하고 유지 관리하는 새로운 접근 방식을 제안함으로써 이러한 문제를 해결한다.
먼저 다양한 조건과 잠재적 장애물을 묘사하는 보행로 이미지의 대규모 데이터 세트를 수집했다. 이러한 이미지를 사용하여 보행로의 장애물과 손상을 식별하고 분류할 수 있는 딥러닝 모델을 학습시켰다. 학습된 특징과 패턴을 캡슐화한 훈련된 모델의 가중치 파일을 통해 알고리즘은 새로운 데이터를 정확하게 분석할 수 있다.
이를 바탕으로 입력된 이미지를 기반으로 50m마다 보행로 상태를 평가하는 프로그램을 개발했다. 이 프로그램은 딥러닝 모델을 이미지에 적용하여 파손이나 장애물을 체계적으로 식별하고 목록화한다. 개발된 시스템은 객관적이고 확장 가능한 실시간 보행로 상태 평가의 이점을 제공하여 기존의 수동 점검 방법보다 크게 개선되었다.
이 기술을 보행로를 횡단할 수 있는 자율주행 로봇으로 확대 적용하는 것을 목표로 하고 있다. 이러한 로봇에 알고리즘을 탑재하면 보행로 환경을 자동으로 평가하여 지속적으로 모니터링하고 열화 또는 잠재적 위험을 조기에 감지할 수 있다. 또한, 이 기술은 로봇이 식별된 장애물 주변을 탐색하여 사고 위험을 줄일 수 있기 때문에 보행로에서의 자율주행의 효율성과 안전성에 기여할 수 있다.
이 연구는 보다 효과적이고 효율적인 보행로 환경 평가를 위한 중추적인 단계를 제시한다. 이미지 딥러닝과 자율 로봇 공학의 통합은 보행자 인프라의 안전성, 접근성, 전반적인 품질을 개선하여 도시 개발을 보행자 친화적인 정책과 연계할 수 있는 중요한 가능성을 제시한다.

As transport policies increasingly focus on improving the pedestrian environment, effective and efficient pedestrian pathway assessment has become paramount. Traditionally, pedestrian pathway assessment has been a labour-intensive task, often overlooked in favour of road-oriented development. This research addresses these issues by combining image deep learning and autonomous robotics to propose a novel approach to assessing and maintaining footpath conditions. We first collected a large dataset of footpath images depicting different conditions and potential obstacles. Using these images, we trained a deep learning model that can identify and classify obstacles and damage to walkways. The weight file of the trained model, which encapsulates the learned features and patterns, allows the algorithm to accurately analyse new data. Based on this, a programme was developed to assess the condition of the walkway every 50 metres based on the input images. The programme applies a deep learning model to the images to systematically identify and catalogue any damage or obstacles. The developed system offers the benefits of objective, scalable, real-time footpath condition assessment, which is a significant improvement over traditional manual inspection methods. The goal is to extend this technology to autonomous robots capable of traversing footpaths. By equipping these robots with algorithms, they can automatically assess the walkway environment for continuous monitoring and early detection of deterioration or potential hazards. This technology can also contribute to the efficiency and safety of autonomous driving on footpaths, as robots can navigate around identified obstacles to reduce the risk of accidents. This research represents a pivotal step towards more effective and efficient walkway environmental assessment. The integration of image deep learning and autonomous robotics holds significant promise for improving the safety, accessibility, and overall quality of pedestrian infrastructure, aligning urban development with pedestrian-friendly policies.

#자율주행로봇 #자율이동로봇 #보행여건평가 #이미지딥러닝

제1장 서 론 1
제1절 연구의 배경 1
1. 연구의 배경 및 필요성 1
2. 연구의 목적 2
3. 연구의 의의 3
제2절 연구의 내용 4
제2장 이론적 배경 및 선행연구 고찰 6
제1절 Image Deep Learning Algorithm 6
1. 정의 6
2. 이미지 딥러닝 알고리즘 특징 7
제2절 Sidewalk Environment and Assessment 34
1. 정의 34
2. 보행환경 평가 35
3. 보행환경 구성 45
제3절 자율주행과 로봇 52
1. 정의 52
2. 자율주행 연구 동향 57
3. 자율주행 통행 알고리즘 60
4. 보행로 자율주행 로봇의 활용 64
제4절 소결 81
제3장 보행여건 자동 평가를 위한 이미지 딥러닝 개발 82
제1절 보행여건 자동평가 개요 및 필요성 82
1. 보행여건 자동평가 개요 82
2. 보행여건 자동평가 필요성 84
제2절 보행로 장애물 판별 알고리즘 개발 87
1. 이미지 데이터 수집 과정 87
2. 이미지 데이터 라벨링 과정 91
3. 보행로 장애물 판별 알고리즘 학습 및 결과 95
제3절 보행로 파손 판별 심화 알고리즘 개발 99
1. 보행로 파손 평가 기준 99
2. 파손 이미지 수집 및 전처리 100
3. 보행로 파손 판별 심화 알고리즘 학습 과정 101
4. 보행로 파손 판별 심화 알고리즘 결과 106
제4절 한계점 및 소결 112
1. 한계점 112
2. 소결 113
제4장 자율주행 로봇을 이용한 보행여건 자동 평가 114
제1절 보행여건 자동 평가 모델 개발 114
1. 보행여건 자동 평가 모델 적용방법 114
2. 기대효과 120
제2절 자율주행 로봇 보행여건 평가 활용 121
1. 개요 121
2. 테스트 자율주행 로봇 및 하드웨어 특징 122
제3절 자율주행 로봇을 이용한 보행여건 자동 평가 실험 130
1. 주행을 위한 사전 시뮬레이션 130
2. 검증 시나리오 구성 132
3. 시나리오 세부 결과 및 시사점 결과 136
4. 소결 164
제5장 결론 165
제1절 종합결론 165
1. 연구결과 종합 165
2. 제안 모형 활용방안 167
제2절 향후 과제 169
참고문헌 171
Abstract 185

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)