[학위논문]ID 전환 기능이 향상된 소형 모바일 로봇의 실시간 사용자 추적 애플리케이션 개발 Development of Real-time User Tracking Applications for Small Mobile Robots with Enhanced ID Switching원문보기
최근, 컴퓨터 하드웨어의 성능과 인공지능딥러닝 기술의 성능 향상이 활발히 이루어지면서 많은 분야에 활용되고 있다. 활용되는 사례로, 지하 광산에 사람을 대신해 작업하거나, 식당에서 서빙을 대신하는 소형 로봇의 자율주행 기술이 주목받고 있다. 일상 속에서도 현재 많이 상용화가 되어 있어 흔히 볼 수 있지만 개선되어야 할 부분들이 많다. 소형 로봇의 자율주행을 하기 위해서는 ...
최근, 컴퓨터 하드웨어의 성능과 인공지능딥러닝 기술의 성능 향상이 활발히 이루어지면서 많은 분야에 활용되고 있다. 활용되는 사례로, 지하 광산에 사람을 대신해 작업하거나, 식당에서 서빙을 대신하는 소형 로봇의 자율주행 기술이 주목받고 있다. 일상 속에서도 현재 많이 상용화가 되어 있어 흔히 볼 수 있지만 개선되어야 할 부분들이 많다. 소형 로봇의 자율주행을 하기 위해서는 센싱 기술, 매핑 기술, 경로 계획 및 제어 기술을 통합하여 주변 환경에 대한 정보를 수집해 획득한 데이터 기반으로 주행한다. 이러한 소형 로봇 제작에 현재 생산 비용이 많이 들고 각 센서에 대한 많은 지식이 필요하며 센서뿐만 아니라 처리 보드를 제조하고 설계하는 과정에도 큰 비용과 인력이 소모되고 있다. 특히, 환경 데이터를 수집하기 위한 센서가 오작동하는 경우가 많아 원활한 자율주행을 하지 못하는 문제점도 있다. 이러한 문제점들을 해결하기 위해 다양한 센서들을 융합하거나 획득한 데이터를 독창적인 방법으로 처리하는 등 소형 로봇의 자율주행에 관한 기술 연구가 활발히 이루어지고 있다. 본 논문에서는 생산 비용 절감 및 새로운 방식으로 소형 로봇이 사람을 따라다니며 자율 주행 동작을 하는 방법에 대해 제안한다. 소형 로봇에 대한 자율주행 기술은 앞서 말한 것처럼 다양한 센서들을 활용하여 연구되고 있다. 하지만 센서들의 가격은 천차만별이며 특히 소형 로봇에 자주 활용되는 라이다 같은 경우 비용도 비싸지만, 레이저를 사용하여 객체의 거리와 위치정보를 수집하여 데이터를 처리하는 특징을 가졌다. 이 처럼, 많은 데이터를 수집하는 센서를 사용할 경우 처리해야 하는 보드를 제작할 때 데이터를 처리할 수 있는 성능의 보드 제작이 필수적이며 성능에 따른 비용 또한 향상된다. 이를 보완하기 위해 태블릿에 부착된 단일 카메라 모듈을 활용하여 사람을 검출하고 검출한 객체를 추적 후 소형 로봇이 객체를 따라 자율주행하는 방법으로 문제점을 해결하고자 한다. 소형 로봇의 자율 주행에서 몇 가지 요소들을 고려해야 한다. 첫 번째로 소형 로봇에 제어하는 보드에서 처리하는 알고리즘이 실시간성을 가져야 주변환경을 판단 후 주행하는 데에 문제가 없다. 두 번째로 환경 데이터를 기반으로 처리하여 결과를 검출했을 때 정확성이 높아야 안정성이 있다. 자율 주행에 있어 고려 사항에 대한 부분을 안드로이드 애플리케이션을 통해 객체 추적 기술 및 소형 로봇 제어 기술로 해결하였다. 소형 로봇이 특정 대상을 따라다니며 주행하는 기술에서 특정대상객체에 대한 ID 가 손실이 있으면 안 된다. 하지만 카메라 기반 객체 추적 기술의 문제점은 데이터의 품질에 따라 정확도가 달라지거나 카메라가 가려져 프레임이 손실되었을 때 잘못된 추적을 하여 ID가 손실되어 정확하지 않은 아이디를 부여하는 것이다. 특정 대상의 ID 를 손실하지 않아야 특정 대상을 따라 자율주행 동작을 할 수 있기 때문에 제안하는 방법을 통해 객체 추적에 ID 손실문제를 개선하고자 한다. 제안하는 방법을 적용하기 전과 적용하였을 때, 특정대상의 ID 가 실환경 테스트 기준 95% 손실되지 않았다. 개선한 알고리즘을 애플리케이션에 접목하려면 기존 딥러닝 네트워크 및 처리 알고리즘들의 최적화가 필요하다. 최적화 방법은 본 논문에 제안한 내용과 같이 진행하였고 알고리즘을 구동한 결과 28 ~ 31 프레임의 처리속도를 보여주었다. 소형 로봇이 특정 대상을 따라다니며 자율주행하는 기술에서 제안한 방법을 적용했을 경우 특정 대상에 대해 ID 가 손실되지 않는 것을 확인하였고 개발된 알고리즘을 최적화하여 애플리케이션에 구동되었을 때 소형로봇이 특정대상을 따라 자율주행하는 결과를 확인했다. 이는 실제 범용성과 비용적인 부분 등 기존 문제점을 개선할 수 있으며 다양한 분야에 활용될 수 있고 소형 이동체의 자율주행 기술 발전을 기대해볼 수 있다.
최근, 컴퓨터 하드웨어의 성능과 인공지능 딥러닝 기술의 성능 향상이 활발히 이루어지면서 많은 분야에 활용되고 있다. 활용되는 사례로, 지하 광산에 사람을 대신해 작업하거나, 식당에서 서빙을 대신하는 소형 로봇의 자율주행 기술이 주목받고 있다. 일상 속에서도 현재 많이 상용화가 되어 있어 흔히 볼 수 있지만 개선되어야 할 부분들이 많다. 소형 로봇의 자율주행을 하기 위해서는 센싱 기술, 매핑 기술, 경로 계획 및 제어 기술을 통합하여 주변 환경에 대한 정보를 수집해 획득한 데이터 기반으로 주행한다. 이러한 소형 로봇 제작에 현재 생산 비용이 많이 들고 각 센서에 대한 많은 지식이 필요하며 센서뿐만 아니라 처리 보드를 제조하고 설계하는 과정에도 큰 비용과 인력이 소모되고 있다. 특히, 환경 데이터를 수집하기 위한 센서가 오작동하는 경우가 많아 원활한 자율주행을 하지 못하는 문제점도 있다. 이러한 문제점들을 해결하기 위해 다양한 센서들을 융합하거나 획득한 데이터를 독창적인 방법으로 처리하는 등 소형 로봇의 자율주행에 관한 기술 연구가 활발히 이루어지고 있다. 본 논문에서는 생산 비용 절감 및 새로운 방식으로 소형 로봇이 사람을 따라다니며 자율 주행 동작을 하는 방법에 대해 제안한다. 소형 로봇에 대한 자율주행 기술은 앞서 말한 것처럼 다양한 센서들을 활용하여 연구되고 있다. 하지만 센서들의 가격은 천차만별이며 특히 소형 로봇에 자주 활용되는 라이다 같은 경우 비용도 비싸지만, 레이저를 사용하여 객체의 거리와 위치정보를 수집하여 데이터를 처리하는 특징을 가졌다. 이 처럼, 많은 데이터를 수집하는 센서를 사용할 경우 처리해야 하는 보드를 제작할 때 데이터를 처리할 수 있는 성능의 보드 제작이 필수적이며 성능에 따른 비용 또한 향상된다. 이를 보완하기 위해 태블릿에 부착된 단일 카메라 모듈을 활용하여 사람을 검출하고 검출한 객체를 추적 후 소형 로봇이 객체를 따라 자율주행하는 방법으로 문제점을 해결하고자 한다. 소형 로봇의 자율 주행에서 몇 가지 요소들을 고려해야 한다. 첫 번째로 소형 로봇에 제어하는 보드에서 처리하는 알고리즘이 실시간성을 가져야 주변환경을 판단 후 주행하는 데에 문제가 없다. 두 번째로 환경 데이터를 기반으로 처리하여 결과를 검출했을 때 정확성이 높아야 안정성이 있다. 자율 주행에 있어 고려 사항에 대한 부분을 안드로이드 애플리케이션을 통해 객체 추적 기술 및 소형 로봇 제어 기술로 해결하였다. 소형 로봇이 특정 대상을 따라다니며 주행하는 기술에서 특정대상객체에 대한 ID 가 손실이 있으면 안 된다. 하지만 카메라 기반 객체 추적 기술의 문제점은 데이터의 품질에 따라 정확도가 달라지거나 카메라가 가려져 프레임이 손실되었을 때 잘못된 추적을 하여 ID가 손실되어 정확하지 않은 아이디를 부여하는 것이다. 특정 대상의 ID 를 손실하지 않아야 특정 대상을 따라 자율주행 동작을 할 수 있기 때문에 제안하는 방법을 통해 객체 추적에 ID 손실문제를 개선하고자 한다. 제안하는 방법을 적용하기 전과 적용하였을 때, 특정대상의 ID 가 실환경 테스트 기준 95% 손실되지 않았다. 개선한 알고리즘을 애플리케이션에 접목하려면 기존 딥러닝 네트워크 및 처리 알고리즘들의 최적화가 필요하다. 최적화 방법은 본 논문에 제안한 내용과 같이 진행하였고 알고리즘을 구동한 결과 28 ~ 31 프레임의 처리속도를 보여주었다. 소형 로봇이 특정 대상을 따라다니며 자율주행하는 기술에서 제안한 방법을 적용했을 경우 특정 대상에 대해 ID 가 손실되지 않는 것을 확인하였고 개발된 알고리즘을 최적화하여 애플리케이션에 구동되었을 때 소형로봇이 특정대상을 따라 자율주행하는 결과를 확인했다. 이는 실제 범용성과 비용적인 부분 등 기존 문제점을 개선할 수 있으며 다양한 분야에 활용될 수 있고 소형 이동체의 자율주행 기술 발전을 기대해볼 수 있다.
Recently, with the active improvement of computer hardware performance and artificial intelligence deep learning technology, they are being utilized in various fields. Examples of their application include replacing human workers in underground mines and implementing autonomous driving technology fo...
Recently, with the active improvement of computer hardware performance and artificial intelligence deep learning technology, they are being utilized in various fields. Examples of their application include replacing human workers in underground mines and implementing autonomous driving technology for small robot to serve customers in restaurants. Although these technologies have become more common in daily life, there are still many areas that need improvement. In order for small robot to achieve autonomous driving capabilities, sensing technology, mapping technology, path planning, and control technology need to be integrated to collect information about the surrounding environment based on acquired data. However, the current production cost of creating small robot is quite high, and a considerable amount of knowledge is needed for each sensor. Furthermore, large costs and manpower are required to manufacture and design not only sensors but also processing boards. In particular, there are issues with sensors malfunctioning when collecting environmental data, which hinders smooth autonomous driving. To address these problems, researchers are actively conducting studies on autonomous driving technology for small robot by fusing various sensors or processing acquired data in innovative ways. In this paper, we propose a method for reducing production costs and implementing a new approach for small robot to follow and autonomouslydrive alongside humans. Autonomous driving technology for small robot is currently being researched using a variety of sensors, as previously mentioned. However, the prices of these sensors vary greatly, and particularly expensive are sensors such as LiDAR, which use lasers to collect distance and location information on objects for data processing. Therefore, it is essential to create a board with the processing power to handle the data gathered by such sensors, and the cost of the board increases with its performance. To compensate for these issues, we propose using a single camera module attached to a tablet to detect and track humans, and then have the small robot autonomously follow the detected object. Several factors must be considered for small robot autonomous driving. Firstly, the algorithms processed by the control board of the small robot must have real-time responsiveness to enable it to judge its surrounding environment and drive accordingly. Secondly, accuracy should be high when processing environmental data to ensure stability. These considerations were addressed using object tracking technology and small robot control technology through an Android application. In the technology that allows small robot to follow and drive alongside specific objects, it is essential not to lose the ID of the target object. However, the problem with camera-based object tracking technology is that the accuracy can vary depending on the quality of the data, and incorrect tracking can occur when frames are lost due to the camera being blocked, resulting in an inaccurate ID assignment. As the ID of a specific target must not be lost to enable autonomous driving behavior to follow the target, we propose a method to improve the ID loss problem in object tracking. When applying the proposed method, the ID of the specific target was not lost in 95% of real- world test cases, compared to before applying the method. To incorporate the improved algorithm into the application, optimization of existing deep learning networks and processing algorithms is necessary. We conducted optimization following the proposed method in this paper, and the algorithm demonstrated a processing speed of 28 to 31 frames per second. After applying our proposed method for small robot to autonomously follow and drive alongside humans, we confirmed that the ID of the specific target object was not lost. Furthermore, we optimized the developed algorithm and confirmed that the small robot successfully followed the target object during autonomous driving when the algorithm was implemented in an application. This improvement addresses previous issues with versatility and cost, and the technology can be applied in various fields. We can look forward to further advances in autonomous driving technology for small vehicles.
Recently, with the active improvement of computer hardware performance and artificial intelligence deep learning technology, they are being utilized in various fields. Examples of their application include replacing human workers in underground mines and implementing autonomous driving technology for small robot to serve customers in restaurants. Although these technologies have become more common in daily life, there are still many areas that need improvement. In order for small robot to achieve autonomous driving capabilities, sensing technology, mapping technology, path planning, and control technology need to be integrated to collect information about the surrounding environment based on acquired data. However, the current production cost of creating small robot is quite high, and a considerable amount of knowledge is needed for each sensor. Furthermore, large costs and manpower are required to manufacture and design not only sensors but also processing boards. In particular, there are issues with sensors malfunctioning when collecting environmental data, which hinders smooth autonomous driving. To address these problems, researchers are actively conducting studies on autonomous driving technology for small robot by fusing various sensors or processing acquired data in innovative ways. In this paper, we propose a method for reducing production costs and implementing a new approach for small robot to follow and autonomouslydrive alongside humans. Autonomous driving technology for small robot is currently being researched using a variety of sensors, as previously mentioned. However, the prices of these sensors vary greatly, and particularly expensive are sensors such as LiDAR, which use lasers to collect distance and location information on objects for data processing. Therefore, it is essential to create a board with the processing power to handle the data gathered by such sensors, and the cost of the board increases with its performance. To compensate for these issues, we propose using a single camera module attached to a tablet to detect and track humans, and then have the small robot autonomously follow the detected object. Several factors must be considered for small robot autonomous driving. Firstly, the algorithms processed by the control board of the small robot must have real-time responsiveness to enable it to judge its surrounding environment and drive accordingly. Secondly, accuracy should be high when processing environmental data to ensure stability. These considerations were addressed using object tracking technology and small robot control technology through an Android application. In the technology that allows small robot to follow and drive alongside specific objects, it is essential not to lose the ID of the target object. However, the problem with camera-based object tracking technology is that the accuracy can vary depending on the quality of the data, and incorrect tracking can occur when frames are lost due to the camera being blocked, resulting in an inaccurate ID assignment. As the ID of a specific target must not be lost to enable autonomous driving behavior to follow the target, we propose a method to improve the ID loss problem in object tracking. When applying the proposed method, the ID of the specific target was not lost in 95% of real- world test cases, compared to before applying the method. To incorporate the improved algorithm into the application, optimization of existing deep learning networks and processing algorithms is necessary. We conducted optimization following the proposed method in this paper, and the algorithm demonstrated a processing speed of 28 to 31 frames per second. After applying our proposed method for small robot to autonomously follow and drive alongside humans, we confirmed that the ID of the specific target object was not lost. Furthermore, we optimized the developed algorithm and confirmed that the small robot successfully followed the target object during autonomous driving when the algorithm was implemented in an application. This improvement addresses previous issues with versatility and cost, and the technology can be applied in various fields. We can look forward to further advances in autonomous driving technology for small vehicles.
주제어
#Object tracking Android Small robot Lightweight deep learning Autonomous driving
학위논문 정보
저자
박준우
학위수여기관
경북대학교 대학원
학위구분
국내석사
학과
전자전기공학부
지도교수
최두현
발행연도
2023
총페이지
ii, 56 p.
키워드
Object tracking Android Small robot Lightweight deep learning Autonomous driving
※ AI-Helper는 부적절한 답변을 할 수 있습니다.