자동차와 로봇, 항공기, 선박 등의 이동 수단이 인간의 조작없이 스스로 판단하고 운행하는 방법인 자율 주행은 최근 장비와 기술의 발달로 연구 및 개발이 활발하게 진행되고 있다. 자율 주행의 핵심 기술인 사물 인식 기술은 크게 장애물 검출 및 회피, 이동 수단의 이동 여부를 판단하기 위한 도로 인식 기술로 나눠진다. 일반적으로, 도로 인식을 위해서는 Canny Edge Detection과 Hough Transform ...
자동차와 로봇, 항공기, 선박 등의 이동 수단이 인간의 조작없이 스스로 판단하고 운행하는 방법인 자율 주행은 최근 장비와 기술의 발달로 연구 및 개발이 활발하게 진행되고 있다. 자율 주행의 핵심 기술인 사물 인식 기술은 크게 장애물 검출 및 회피, 이동 수단의 이동 여부를 판단하기 위한 도로 인식 기술로 나눠진다. 일반적으로, 도로 인식을 위해서는 Canny Edge Detection과 Hough Transform알고리즘을 기반으로 한 다양한 방법이 사용된다. 포장도로는 차선, 연석, 분리대 등을 포함하고 있기 때문에 거리 센싱 기술이나 영상 인식 기술을 적용하면 비교적 안정적인 자율 주행 제어가 가능하다. 하지만 비포장도로는 도로의 경계가 명확하지 않고 도로 주변 환경이 가변적이기 때문에 자율 주행을 위하여 더욱 섬세한 노력이 필요하다. 본 논문에서는, 이러한 문제를 해결하기 위하여, CNN(Convolutional Neural Networks) 기반 객체 인식 방법 중 하나인 의미론적 분할 모델을 활용한 이동 경로 추정 알고리즘을 제안한다. 의미론적 분할 모델인 BiSeNetV2의 학습을 통해 비포장도로 내 하늘/이동 불가능 영역/이동 가능 영역의 클래스로 분할하고, 이동 가능 영역 프레임 내에서 도로로 판단된 ROI(Region of Interest)를 설정하여 볼록 선체(Convex hull)를 통해 얻어진 외곽선 노드 간 위치 픽셀 정보로 볼록 결함(Convexity Defect)을 검사하여 도로를 향해 오목한 지점을 이어 새로운 도로 경계선을 생성한다. 실험을 통하여 의미론적 분할 모델의 높은 정확도와 연산 속도를 확인하였으며, 다양한 비장도로 이미지에 대하여 이동 가능 경로를 추론한 결과, 기존 포장도로에서 활용된 방법에 비해 이동 경로의 방향과 거리가 더욱 최적화 되었음을 확인할 수 있었다. 따라서, 제안한 알고리즘을 사용함으로써 다양한 비포장도로 환경에서 안정적인 자율 주행을 기대할 수 있다.
자동차와 로봇, 항공기, 선박 등의 이동 수단이 인간의 조작없이 스스로 판단하고 운행하는 방법인 자율 주행은 최근 장비와 기술의 발달로 연구 및 개발이 활발하게 진행되고 있다. 자율 주행의 핵심 기술인 사물 인식 기술은 크게 장애물 검출 및 회피, 이동 수단의 이동 여부를 판단하기 위한 도로 인식 기술로 나눠진다. 일반적으로, 도로 인식을 위해서는 Canny Edge Detection과 Hough Transform 알고리즘을 기반으로 한 다양한 방법이 사용된다. 포장도로는 차선, 연석, 분리대 등을 포함하고 있기 때문에 거리 센싱 기술이나 영상 인식 기술을 적용하면 비교적 안정적인 자율 주행 제어가 가능하다. 하지만 비포장도로는 도로의 경계가 명확하지 않고 도로 주변 환경이 가변적이기 때문에 자율 주행을 위하여 더욱 섬세한 노력이 필요하다. 본 논문에서는, 이러한 문제를 해결하기 위하여, CNN(Convolutional Neural Networks) 기반 객체 인식 방법 중 하나인 의미론적 분할 모델을 활용한 이동 경로 추정 알고리즘을 제안한다. 의미론적 분할 모델인 BiSeNetV2의 학습을 통해 비포장도로 내 하늘/이동 불가능 영역/이동 가능 영역의 클래스로 분할하고, 이동 가능 영역 프레임 내에서 도로로 판단된 ROI(Region of Interest)를 설정하여 볼록 선체(Convex hull)를 통해 얻어진 외곽선 노드 간 위치 픽셀 정보로 볼록 결함(Convexity Defect)을 검사하여 도로를 향해 오목한 지점을 이어 새로운 도로 경계선을 생성한다. 실험을 통하여 의미론적 분할 모델의 높은 정확도와 연산 속도를 확인하였으며, 다양한 비장도로 이미지에 대하여 이동 가능 경로를 추론한 결과, 기존 포장도로에서 활용된 방법에 비해 이동 경로의 방향과 거리가 더욱 최적화 되었음을 확인할 수 있었다. 따라서, 제안한 알고리즘을 사용함으로써 다양한 비포장도로 환경에서 안정적인 자율 주행을 기대할 수 있다.
Autonomous driving, a method in which means of transportation such as automobiles, robots, aircraft, and ships judge and operate on their own without human manipulation, has been actively researched and developed due to the recent development of equipment and technology. Object recognition technolog...
Autonomous driving, a method in which means of transportation such as automobiles, robots, aircraft, and ships judge and operate on their own without human manipulation, has been actively researched and developed due to the recent development of equipment and technology. Object recognition technology, a key technology of autonomous driving, is largely divided into obstacle detection and avoidance and road recognition. In general, various methods based on Canny Edge Detection and Hough Transform algorithms are used for road recognition. Since paved roads include lanes, curbs, and separators, relatively stable autonomous driving control is possible by applying distance sensing or image recognition. However, more delicate efforts are needed for autonomous driving on unpaved roads because boundaries of the roads are not clear and environmental conditions are variable. In order to solve this problem, this paper proposes a travel path estimation algorithm using a semantic segmentation model, one of the CNN(Convolutional Neural Networks)-based object recognition methods. Through the learning of the semantic segmentation model BiSeNetV2, an image of a unpaved road is divided into sky, non-movable area, and movable area, and the ROI(Region of Interest) determined as the road is set within the movable area frame to set the convex hull. A new road boundary line is created by connecting the concave points toward the road by examining the convexity defect with the location pixel information between the outline nodes obtained through (convex hull). Through our experiments, the high accuracy and computational speed of the semantic segmentation model were confirmed. As a result of inferring possible paths for various unpaved road images, the directions and distances of the moving paths were further optimized compared to the method used in the existing paved road. Therefore, stable autonomous driving can be expected in various unpaved road environments by using the proposed algorithm.
Autonomous driving, a method in which means of transportation such as automobiles, robots, aircraft, and ships judge and operate on their own without human manipulation, has been actively researched and developed due to the recent development of equipment and technology. Object recognition technology, a key technology of autonomous driving, is largely divided into obstacle detection and avoidance and road recognition. In general, various methods based on Canny Edge Detection and Hough Transform algorithms are used for road recognition. Since paved roads include lanes, curbs, and separators, relatively stable autonomous driving control is possible by applying distance sensing or image recognition. However, more delicate efforts are needed for autonomous driving on unpaved roads because boundaries of the roads are not clear and environmental conditions are variable. In order to solve this problem, this paper proposes a travel path estimation algorithm using a semantic segmentation model, one of the CNN(Convolutional Neural Networks)-based object recognition methods. Through the learning of the semantic segmentation model BiSeNetV2, an image of a unpaved road is divided into sky, non-movable area, and movable area, and the ROI(Region of Interest) determined as the road is set within the movable area frame to set the convex hull. A new road boundary line is created by connecting the concave points toward the road by examining the convexity defect with the location pixel information between the outline nodes obtained through (convex hull). Through our experiments, the high accuracy and computational speed of the semantic segmentation model were confirmed. As a result of inferring possible paths for various unpaved road images, the directions and distances of the moving paths were further optimized compared to the method used in the existing paved road. Therefore, stable autonomous driving can be expected in various unpaved road environments by using the proposed algorithm.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.