객체 탐색 기술을 이용한 산업용 물류 가이드 차량 자율주행 연구 : 딥러닝 YOLOv5 객체 탐지, DNN 데이터 예측을 중심으로 A Study on the Autonomous Driving of Industrial Logistics Guide Using Object Search Technology : Focusing on deep learning YOLOv5 object detection and DNN data prediction원문보기
국내외 산업용 물류 자동 가이드 차량 대부분은 규정된 통신규약에 맞 게 인터페이스 된 지령에 따라 지정된 위치와 장소에 최소한의 오차로 이 동하도록 설계되어 있다. 초기에는 경로를 자동으로 이동하기 위해서 바닥에 마그네틱 가이드나 특정 라인 인쇄 필름과 센서 등을 통한 위치이동 가이드를 설정해서 사용 했으며 물류 창고, 물류 시스템, 물류 운송 시장 규모가 커지면서 서비스 용 가이드 로봇의 수요가 증가하게 되었다. 산업의 형태 변화로 디지털 대전환의 등장으로 인해 제조에서 물류 프 로세스도 디지털 전환이 매우 필요하게 되었다. 현재 산업용 물류 자동 가이드 차량의 자율주행을 위해서는 다양한 기 술들이 필요하다. 산업용 가이드 로봇은 주행 환경을 인식해 위험을 판단 하고, 주행 경로를 계획해 스스로 운행해야 한다. 이를 위해서는 먼저 가 이드 로봇 주변 환경을 인식하는 센서 기술이 필요하며 이 센서들은 ...
국내외 산업용 물류 자동 가이드 차량 대부분은 규정된 통신규약에 맞 게 인터페이스 된 지령에 따라 지정된 위치와 장소에 최소한의 오차로 이 동하도록 설계되어 있다. 초기에는 경로를 자동으로 이동하기 위해서 바닥에 마그네틱 가이드나 특정 라인 인쇄 필름과 센서 등을 통한 위치이동 가이드를 설정해서 사용 했으며 물류 창고, 물류 시스템, 물류 운송 시장 규모가 커지면서 서비스 용 가이드 로봇의 수요가 증가하게 되었다. 산업의 형태 변화로 디지털 대전환의 등장으로 인해 제조에서 물류 프 로세스도 디지털 전환이 매우 필요하게 되었다. 현재 산업용 물류 자동 가이드 차량의 자율주행을 위해서는 다양한 기 술들이 필요하다. 산업용 가이드 로봇은 주행 환경을 인식해 위험을 판단 하고, 주행 경로를 계획해 스스로 운행해야 한다. 이를 위해서는 먼저 가 이드 로봇 주변 환경을 인식하는 센서 기술이 필요하며 이 센서들은 초음 파 센서, 근접센서, 카메라, 레이더, 라이다 등이 있으며, 이들을 통해 차량 주변의 물체들을 인식하고, 이를 기반으로 가이드 로봇의 주행 경로를 계 획한다. 또한, 산업용 가이드 로봇의 위치를 파악하기 위해서는 GPS 센서 와 IMU 센서도 필요하다. 이 외에도 가이드 로봇제어를 위한 컴퓨터 제 어 시스템, 상위 제어 시스템, 가이드 로봇의 주행 경로를 계획하는 알고 리즘 등 다양한 기술들이 필요하다. 이러한 기술들이 모두 결합 되어야만 동시적 위치 추정을 이용한 차량 자율주행이 실현될 수 있다. 이런 형태로 디지털 대전환에 적합하게 시스템을 변화하려고 하나 산 업용 가이드 로봇 제어 시스템의 인터페이스업그레이드가 어렵거나 하 드웨어와 소프트웨어 비용을 추가로 부담하기 힘든 경우에는 로봇 기술 을 진화시키기가 매우 어렵다. 이에 본 논문에서는 차량의 관리 시스템과 생산 관리 시스템 (MES) 상 위 시스템 연동의 변화를 주기보다는 차량 자체의 저가의 카메라를 추가 하여서 학습을 통한 특정 객체 인식 및 초점 인식을 통해서 계산값을 유 추하고 유추되는 값들을 딥러닝 DNN을 통하여 차량의 문제가 발생하는 것을 미리 인지 예측하고자 한다.
국내외 산업용 물류 자동 가이드 차량 대부분은 규정된 통신규약에 맞 게 인터페이스 된 지령에 따라 지정된 위치와 장소에 최소한의 오차로 이 동하도록 설계되어 있다. 초기에는 경로를 자동으로 이동하기 위해서 바닥에 마그네틱 가이드나 특정 라인 인쇄 필름과 센서 등을 통한 위치이동 가이드를 설정해서 사용 했으며 물류 창고, 물류 시스템, 물류 운송 시장 규모가 커지면서 서비스 용 가이드 로봇의 수요가 증가하게 되었다. 산업의 형태 변화로 디지털 대전환의 등장으로 인해 제조에서 물류 프 로세스도 디지털 전환이 매우 필요하게 되었다. 현재 산업용 물류 자동 가이드 차량의 자율주행을 위해서는 다양한 기 술들이 필요하다. 산업용 가이드 로봇은 주행 환경을 인식해 위험을 판단 하고, 주행 경로를 계획해 스스로 운행해야 한다. 이를 위해서는 먼저 가 이드 로봇 주변 환경을 인식하는 센서 기술이 필요하며 이 센서들은 초음 파 센서, 근접센서, 카메라, 레이더, 라이다 등이 있으며, 이들을 통해 차량 주변의 물체들을 인식하고, 이를 기반으로 가이드 로봇의 주행 경로를 계 획한다. 또한, 산업용 가이드 로봇의 위치를 파악하기 위해서는 GPS 센서 와 IMU 센서도 필요하다. 이 외에도 가이드 로봇제어를 위한 컴퓨터 제 어 시스템, 상위 제어 시스템, 가이드 로봇의 주행 경로를 계획하는 알고 리즘 등 다양한 기술들이 필요하다. 이러한 기술들이 모두 결합 되어야만 동시적 위치 추정을 이용한 차량 자율주행이 실현될 수 있다. 이런 형태로 디지털 대전환에 적합하게 시스템을 변화하려고 하나 산 업용 가이드 로봇 제어 시스템의 인터페이스 업그레이드가 어렵거나 하 드웨어와 소프트웨어 비용을 추가로 부담하기 힘든 경우에는 로봇 기술 을 진화시키기가 매우 어렵다. 이에 본 논문에서는 차량의 관리 시스템과 생산 관리 시스템 (MES) 상 위 시스템 연동의 변화를 주기보다는 차량 자체의 저가의 카메라를 추가 하여서 학습을 통한 특정 객체 인식 및 초점 인식을 통해서 계산값을 유 추하고 유추되는 값들을 딥러닝 DNN을 통하여 차량의 문제가 발생하는 것을 미리 인지 예측하고자 한다.
Most automatically guided vehicles for domestic and foreign industrial logistics are designed to move at designated locations and locations with minimal error according to instructions interfaceed in accordance with prescribed communication protocols. Initially, a magnetic guide or a positioning...
Most automatically guided vehicles for domestic and foreign industrial logistics are designed to move at designated locations and locations with minimal error according to instructions interfaceed in accordance with prescribed communication protocols. Initially, a magnetic guide or a positioning guide through a specific line printing film and sensor was set and used on the floor to automatically move the route, and the demand for service guide robots increased as the logistics warehouse, logistics system, and logistics transportation markets grew. With the advent of the digital transformation due to the change in the form of the industry, the logistics process in manufacturing has also become very necessary for digital transformation. Currently, various technologies are required for autonomous driving of automatic industrial logistics guide vehicles. Industrial guide robots must recognize the driving environment to judge the risk, plan the driving route, and drive on their own. For this, sensor technology that recognizes the surrounding environment of the guide robot is first required, and these sensors include ultrasonic sensors, proximity sensors, cameras, radars, and lidar, and through these sensors recognize objects around the vehicle and plan the driving route of the guide robot based on this. In addition, GPS sensors and IMU sensors are also required to determine the location of industrial logistics robots. In addition, various technologies such as computer control systems for logistics robot control, higher control systems, and algorithms for planning the driving route of the guide robot are required. Only when all of these technologies are combined can autonomous vehicle driving using simultaneous position estimation be realized. In this form, it is very difficult to evolve robot technology if the system is trying to change to suit the digital transformation, but it is difficult to upgrade the interface of the industrial guide robot control system or to bear additional hardware and software costs. In this paper, rather than changing the link between the vehicle's management system and the production management system (MES) upper system, the low-cost USB camera or network camera is added to the vehicle itself to infer calculated values through YOLOv5 deep learning recognition and location correction, depth and focus recognition, and to predict in advance that the vehicle's problem occurs due to the deep learning judgment of abnormal data on movement values through deep learning DNN.
Most automatically guided vehicles for domestic and foreign industrial logistics are designed to move at designated locations and locations with minimal error according to instructions interfaceed in accordance with prescribed communication protocols. Initially, a magnetic guide or a positioning guide through a specific line printing film and sensor was set and used on the floor to automatically move the route, and the demand for service guide robots increased as the logistics warehouse, logistics system, and logistics transportation markets grew. With the advent of the digital transformation due to the change in the form of the industry, the logistics process in manufacturing has also become very necessary for digital transformation. Currently, various technologies are required for autonomous driving of automatic industrial logistics guide vehicles. Industrial guide robots must recognize the driving environment to judge the risk, plan the driving route, and drive on their own. For this, sensor technology that recognizes the surrounding environment of the guide robot is first required, and these sensors include ultrasonic sensors, proximity sensors, cameras, radars, and lidar, and through these sensors recognize objects around the vehicle and plan the driving route of the guide robot based on this. In addition, GPS sensors and IMU sensors are also required to determine the location of industrial logistics robots. In addition, various technologies such as computer control systems for logistics robot control, higher control systems, and algorithms for planning the driving route of the guide robot are required. Only when all of these technologies are combined can autonomous vehicle driving using simultaneous position estimation be realized. In this form, it is very difficult to evolve robot technology if the system is trying to change to suit the digital transformation, but it is difficult to upgrade the interface of the industrial guide robot control system or to bear additional hardware and software costs. In this paper, rather than changing the link between the vehicle's management system and the production management system (MES) upper system, the low-cost USB camera or network camera is added to the vehicle itself to infer calculated values through YOLOv5 deep learning recognition and location correction, depth and focus recognition, and to predict in advance that the vehicle's problem occurs due to the deep learning judgment of abnormal data on movement values through deep learning DNN.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.