본 논문은 차량용 카메라 센서를 이용한 딥러닝 기반의 자율주행 주행가능영역 검출에 관한 연구이다. 자율주행기술은 카메라, 레이더, 라이다와 같은 인지 센서를 통해 차량 주변환경에 대한 정보를 습득 및 활용하여 고속도로, 자동차 전용도로와 같은 장소에서 구현되고 있다. 하지만, 앞으로는 도심환경이나 비정형 환경과 같은 곳에서도 적용할 수 있어야하며 차로 변경이나 차량 충돌 회피와 같은 기술을 구현하기 위해서는 정확한 주행 영역 파악과 차로 방향에 대한 분류 기술이 필요하다.본 연구에서는 차량용 카메라 센서에서 취득한 이미지 데이터를 통해 특징을 정의하기 어려운 환경에서도 추출할 수 있도록 ...
본 논문은 차량용 카메라 센서를 이용한 딥러닝 기반의 자율주행 주행가능영역 검출에 관한 연구이다. 자율주행기술은 카메라, 레이더, 라이다와 같은 인지 센서를 통해 차량 주변환경에 대한 정보를 습득 및 활용하여 고속도로, 자동차 전용도로와 같은 장소에서 구현되고 있다. 하지만, 앞으로는 도심환경이나 비정형 환경과 같은 곳에서도 적용할 수 있어야하며 차로 변경이나 차량 충돌 회피와 같은 기술을 구현하기 위해서는 정확한 주행 영역 파악과 차로 방향에 대한 분류 기술이 필요하다.본 연구에서는 차량용 카메라 센서에서 취득한 이미지 데이터를 통해 특징을 정의하기 어려운 환경에서도 추출할 수 있도록 딥러닝 기술 중 하나인 Semantic Segmentation 네트워크를 제안한다. 효율적인 En coder 모듈 구성을 위해 Depth-Wise Separable, Non-bottleneck-1D, Pyramid Pooling 기법을 적용하였으며 다양한 장소, 날씨, 시간에 대한 데이터를 제공하는 Berkeley Deep Drive(BDD)100K 데이터셋을 사용하였다. 그리고 Directly Drivable Area, Alternative Drivable Area, None에 대한 클래스를 제공하는 Drivable Area 데이터셋을 통해 학습 및 검증을 수행하였다.네트워크의 정확성과 실시간성 가능성을 확인하기 위해 임베디드용 GPU PC인 Nvidia Xavier에서 검증을 수행하였으며, 고속도로 혹은 자동차 전용도로, 비정형 환경, 악조건 환경에서도 적용 가능할 수 있음을 확인하였다.
본 논문은 차량용 카메라 센서를 이용한 딥러닝 기반의 자율주행 주행가능영역 검출에 관한 연구이다. 자율주행기술은 카메라, 레이더, 라이다와 같은 인지 센서를 통해 차량 주변환경에 대한 정보를 습득 및 활용하여 고속도로, 자동차 전용도로와 같은 장소에서 구현되고 있다. 하지만, 앞으로는 도심환경이나 비정형 환경과 같은 곳에서도 적용할 수 있어야하며 차로 변경이나 차량 충돌 회피와 같은 기술을 구현하기 위해서는 정확한 주행 영역 파악과 차로 방향에 대한 분류 기술이 필요하다.본 연구에서는 차량용 카메라 센서에서 취득한 이미지 데이터를 통해 특징을 정의하기 어려운 환경에서도 추출할 수 있도록 딥러닝 기술 중 하나인 Semantic Segmentation 네트워크를 제안한다. 효율적인 En coder 모듈 구성을 위해 Depth-Wise Separable, Non-bottleneck-1D, Pyramid Pooling 기법을 적용하였으며 다양한 장소, 날씨, 시간에 대한 데이터를 제공하는 Berkeley Deep Drive(BDD)100K 데이터셋을 사용하였다. 그리고 Directly Drivable Area, Alternative Drivable Area, None에 대한 클래스를 제공하는 Drivable Area 데이터셋을 통해 학습 및 검증을 수행하였다.네트워크의 정확성과 실시간성 가능성을 확인하기 위해 임베디드용 GPU PC인 Nvidia Xavier에서 검증을 수행하였으며, 고속도로 혹은 자동차 전용도로, 비정형 환경, 악조건 환경에서도 적용 가능할 수 있음을 확인하였다.
This paper is a study on detection of driving areas for autonomous vehicle based on deep learning method using automotive camera sensor. Self-driving technology is being implemented in places such as highways and motorways by acquiring and utilizing information on the surroundings of vehicles throug...
This paper is a study on detection of driving areas for autonomous vehicle based on deep learning method using automotive camera sensor. Self-driving technology is being implemented in places such as highways and motorways by acquiring and utilizing information on the surroundings of vehicles through cognitive sensors such as camera, radar and lidar. In the future, however, it will also be applicable in places such as urban environments and atypical environments, and to implements technologies such as lane change or vehicle collision av-oidance, an accurate identification of the driving area and classify-cation technology for the direction of the road is required. This study proposes Semantic Segmentation Network, one of the deep learning technologies, so that features can be extracted in environments where it is difficult to define them through image data acquired from vehicle camera sensors. For efficient configuration of Encoder modules, Depth-Wise Separable, Non-botleneck-1D, Py- ramid Pooling techniques were applied and Berkeley Deep Drive (BDD) 100K datasets were used to provide data on various places, weather, and time. Learning and validation were performed through the Drivable Area dataset, which provides classes for Directly Drivable Area, Alternative Drivable Area, and None. Verification was carried out on Nvidia Xavier, a GPU PC for embedded, to check the accuracy and real-time feasibility of the proposed network, and it was confirmed that it could also be applied on highways or on motorways, atypical environments, and unfavorable conditions.
This paper is a study on detection of driving areas for autonomous vehicle based on deep learning method using automotive camera sensor. Self-driving technology is being implemented in places such as highways and motorways by acquiring and utilizing information on the surroundings of vehicles through cognitive sensors such as camera, radar and lidar. In the future, however, it will also be applicable in places such as urban environments and atypical environments, and to implements technologies such as lane change or vehicle collision av-oidance, an accurate identification of the driving area and classify-cation technology for the direction of the road is required. This study proposes Semantic Segmentation Network, one of the deep learning technologies, so that features can be extracted in environments where it is difficult to define them through image data acquired from vehicle camera sensors. For efficient configuration of Encoder modules, Depth-Wise Separable, Non-botleneck-1D, Py- ramid Pooling techniques were applied and Berkeley Deep Drive (BDD) 100K datasets were used to provide data on various places, weather, and time. Learning and validation were performed through the Drivable Area dataset, which provides classes for Directly Drivable Area, Alternative Drivable Area, and None. Verification was carried out on Nvidia Xavier, a GPU PC for embedded, to check the accuracy and real-time feasibility of the proposed network, and it was confirmed that it could also be applied on highways or on motorways, atypical environments, and unfavorable conditions.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.