[논문]지능형 자동차의 적응형 제어를 위한 차선인식

김현구; 주영환; 이종훈; 박용완; 정호열

문제 정의

횡 방향 제어는 도로상에 있는 차선을 인식하여 차량이 차선에서 벗어남이 없이 자동 조향을 할 수 있도록 하는 차선 유지 제어와 주행 중인 차선에서 이웃 차선으로 차량을 이동시키기 위한 조향 제어 즉 차선 변경 제어를 포함한다[2]. 그리고 종 방향 제어는 차량 주변에 위치하는 다양한 장애물(자동차, 보행자 등)을 인식하여 차량의 주행속도를 제어하는 것을 목표로 한다.
본 논문에서는 실제차량의 1/8 크기의 로봇을 제작하고 이에 1대의 CCD 카메라를 설치하여 지능형 자동차의 종, 횡 방향 제어를 위한 방법을 제안하고, 이를 구현하여 사용된 알고리즘의 성능을 고찰하였다.
완화곡선으로는 철도에 많이 쓰이는 3차 포물선 곡선(cubic parabola curve), sin 체감 곡선, 렘니스케이트 곡선(lemniscate curve), 클로소이드 곡선 (clothoid curve) 등이 있으며 도로에서는 클로소이드 곡선이 많이 사용된다. 이에, 본 논문에서는 차량의 위치를 추정하고 차선을 보다 정확하게 인식하기 위해 실제 도로 모델에 사용하는 클로소이드 (clothoid) 도로 곡선 모델을 포물선으로 근사화하는 새로운 차선 인식 기법을 제안한다.

제안 방법

따라서 카메라 렌즈의 시야각이 충분히 크지 않거나, 도로의 폭이 클 경우, 차선이 휘어져 있는 경우에 비전 센서를 통해 들어오는 영상으로 차선의 중심을 찾아내기 힘들다. CCD 카메라는 시야각이 40도로, 실험 시 사용한 도로와 로봇에 비해 시야각이 좁기 때문에, 로봇이 차선의 중심에 위치하지 않거나, 곡선 도로 주행 시 기존의 이에 본 논문에서는 퍼지 제어기를 이용하여 [10, 11] 차선의 Vanishing Point와 현재의 Vanehing Angle와 이전 단계의 Vani아ling Angle 의 차이인 Differential Vanishing Angle을 사용하여 로봇의 제어에 이용한다.
사용된 알고리즘의 테스트를 위해 1대의 CCD 카메라를 설치한 실제 차량의 1/8 크기의 이동 로봇을 제작하고 클로소이드 곡선을 사용하는 400 m 육상 트랙에서 이동 로봇의 주행 테스트를 실시하였다. 그리고 주행 테스트 시 기존의 차선 인식 기법들과 비교를 통해 제안된 알고리즘의 성능을 고찰하였다.
그림 20과 같이 붉은 우레탄 바닥의 400 m 육상 트랙에서 네 가지 알고리즘들의 성능 비교를 위해 각 알고리즘 당 500회 이상 주행 테스트를 시행하였다. 여러 변수를 고려한 테스트 결과 제안하는 포물선 도로 모델 알고리즘이 평균 주행 거리에서 기존의 알고리즘 보다 우수한 성능을 보였다.
본 논문에서는 mono-vision 시스템을 이용하여 지능형 자동차의 자율주행을 위한 자선인식 방법으로 클로소이드 포물선 도로 모델을 제안하였으며 자율 주행을 위한 적응형 제어를 위해 Vanishing Point 추정을 통한 퍼지 컨트롤을 사용하였다, 제안한 차선인식 기법을 virtual line algorithm, gradient method 와 허프 변환(Hough Transform) 을 사용한 기존의 차선인식 알고리즘과의 성능을 비교, 분석하였다. 이를 위해 1대의 CCD 카메라를 설치한 실제차량의 1/8 크기의 로봇을 제작하여 테스트에 사용하였다.
본 논문에서는 그림 9와 같이 직선과 곡선도로를 인식하기 위해서 지평선 아래의 영역을 2개의 구간으로 나눠 R이로 선정한 후 이 두 구간에서허프 변환을 각각 하여 차선을 검출 한다.
본 연구에서는 차선인식을 위해 실제 도로에서 사용하는 클로소이드 곡선을 도로 모델 기반으로 포물선으로 근사화하는 새로운 차선 인식 기법을 제안하고 차량을 제어하기 위해 차선 중심점 (Vanishing Point) 추정을 이용한 퍼지 제어 기법을 제안한다. 사용된 알고리즘의 테스트를 위해 1대의 CCD 카메라를 설치한 실제 차량의 1/8 크기의 이동 로봇을 제작하고 클로소이드 곡선을 사용하는 400 m 육상 트랙에서 이동 로봇의 주행 테스트를 실시하였다.
사용된 알고리즘의 테스트를 위해 1대의 CCD 카메라를 설치한 실제 차량의 1/8 크기의 이동 로봇을 제작하고 클로소이드 곡선을 사용하는 400 m 육상 트랙에서 이동 로봇의 주행 테스트를 실시하였다. 그리고 주행 테스트 시 기존의 차선 인식 기법들과 비교를 통해 제안된 알고리즘의 성능을 고찰하였다.
사용된 제어기의 퍼지화기에 사용된 입력 소속함수로는 계산이 간단한 삼각파 형태를 사용하였으며, 출력 소속 함수는 Singleton 을 사용하여 연산량을 최소화 하였다.
이러한 이유로 동영상 처리에 나타나는 시간적 오차 문제를 해결할 수가 있다. 실제 테스트에서는 640_X480 크기의 영상을 10개까지 저장 가능하도록 Circular queue를 구성하여 구현하였다.
알고리즘 테스트는 Virtual Line Algorithm, Gradient Method, Hough Transform, 그리고 제안된 Clothoid parabola road model올 이용하여 차선을 인식하고 퍼지 컨트롤을 이용하여 차량을 제어하였다.
이 알고리즘을 적용한 테스트에서는 차선 탐색 도중 현재 픽셀의 빛의 강도【가 임계 값 T 이상이 되는 순간, 인접하는 위쪽과 오른쪽 픽셀을 탐색하고, 두 픽셀 중 I값이 더욱 큰 방향으로 탐색을 진행시켰다. 탐색 도중에 픽셀의【값이 임계값 T 이하가 되는 순간 다시 인접 픽셀의 I값을 판단, 그 값이 큰 쪽으로 방향을 결정하여 다시 진행시키는 일을 반복하였다.
그러나 전체 이미지 중에서 특정 관심 영역만을 취급하기 때문에 잡음이 차선 에지에 많이 있는 경우, 잡음을 차선으로 인식하는 오류를 범할 수 있다. 이를 극복하기 위해, 본 논문에서는 도로 영상의 차량의 위치를 실시간(Real Time)으로 추정하고 차선을 보다 정확하게 인식 하기 위해 실제도로 모델에 사용하는 클로소이드(Clothoid) 도로 곡선 모델을 포물선으로 근사화 하는 새로운 차선 인식 기법을 제안하고, Virtual Line Algorithm 과 Gradient Method, 허프 변환(Hough Transform)등과 같은 기존의 차선 인식 알고리즘과 제안된 알고리즘과의 성능을 비교, 분석하였다.
자율 주행 이동 로봇의 횡 방향 제어를 위해 사용된 제어기의 입력으로는 그림 15, 16, 17, 표 1 에서 알 수 있듯이 Vanishing Point Angle 과 Differential Vanishing Angle 을 사용하였고, 출력은 자동차의 핸들 조향 각(Steering Angle)으로 설정 하였다.

대상 데이터

중심은 쉽게 구할 수 있다. 본 논문에서는 비전 센서를 로봇의 중심에 장착하였기 때문에 영상의 중심이 로봇의 중심이다. 그러나 차선의 중심 (Vanishing Point)을 찾기 위해서는 좌, 우측 차선을 구분, 인식하여 두 선의 가상의 연장선이 교차하는 지점인 차선의 중심를 찾아야 한다.
분석하였다. 이를 위해 1대의 CCD 카메라를 설치한 실제차량의 1/8 크기의 로봇을 제작하여 테스트에 사용하였다. 이동 로봇의 주행 속도뿐 아니라 날씨 환경에 따른 주행 테스트 결과에도 평균 주행 거리와 이탈 횟수에서 기존의 알고리즘 보다 우수한 성능을 보였고 640X480 화소의 30 frame/sec 의 영상 데이터를 98%의 확률로 차선을 인식할 수 있었다.

이론/모형

이러한 과정을 반복하며 실제 도로의 점선과 같은 차선형태를 직선으로 그어준다. 그러나 실제 테스트를 진행한 400m 육상 트랙의 경우에는 실제 도로 차선과 다른 끊어지지 않은 직선의 라인 형태이므로 이러한 Circular queue 기법을 직접 사용하지 않고 Gradient Method 기법을 바로 적용하여 구현을 하였다.
퍼지 주론부에는 Mamdani의 min-max 연산을 사용하였고, 비 퍼지화기에는 무게 중심 법을 사용하였다.

성능/효과

날씨에 따른 주행 테스트 결과에서도 제안하는 알고리즘이 평균 주행 거리와 이탈 횟수에서 기존의 알고리즘 보다 우수한 성능을 보였다.
여러 변수를 고려한 테스트 결과 제안하는 포물선 도로 모델 알고리즘이 평균 주행 거리에서 기존의 알고리즘 보다 우수한 성능을 보였다. 또한 속도를 높여 주행한 결과도 다른 알고리즘에 비해 우수한 주행 성능을 보였다.
본 논문에서 분석한 알고리즘 모두, 날씨가 맑을 때 보다 흐릴 때 더 좋은 주행 성능을 보이지만 Virtual Line Algorithm의 경우 날씨가 맑을 때와 흐릴 때의 주행 성능의 편차가 심하고, 다른 세 기법에 비해 전체적인 주행 성능이 떨어지고, Hough Transform 기법의 경우 날씨에 따른 주행 성능의 편차는 제안하는 알고리즘과 비슷하지만 제안하는 알고리즘 보다 전체적인 주행 성능이 떨어지는 것을 확인할 수가 있었다. 본 논문에서 제안한 클로소이드 포물선 도로 모델 알고리즘은 날씨에 영향을 거의 받지 않으며, 98%의 확률로 차선을 인식할 수 있었다.
확인할 수가 있었다. 본 논문에서 제안한 클로소이드 포물선 도로 모델 알고리즘은 날씨에 영향을 거의 받지 않으며, 98%의 확률로 차선을 인식할 수 있었다.
여러 변수를 고려한 테스트 결과 제안하는 포물선 도로 모델 알고리즘이 평균 주행 거리에서 기존의 알고리즘 보다 우수한 성능을 보였다. 또한 속도를 높여 주행한 결과도 다른 알고리즘에 비해 우수한 주행 성능을 보였다.
이탈율과 주행거리를 나타냈다. 이는 이 기법의 특성상 점선이 직선 차선에 우수한 성능을 나타내기 때문에 직선의 도로 형태인 400m 트랙에서 Virtual Line Algorithm 보다 우수한 주행 성능을 보였다. 그러나 이 기법 역시 두 차선 모두 인식해야 주행 상태 판단이 가능하기 때문에 햇빛의 영향이 큰 야외 주행환경에선 완전한 주행 성능을 발휘하지 못했다.
이를 위해 1대의 CCD 카메라를 설치한 실제차량의 1/8 크기의 로봇을 제작하여 테스트에 사용하였다. 이동 로봇의 주행 속도뿐 아니라 날씨 환경에 따른 주행 테스트 결과에도 평균 주행 거리와 이탈 횟수에서 기존의 알고리즘 보다 우수한 성능을 보였고 640X480 화소의 30 frame/sec 의 영상 데이터를 98%의 확률로 차선을 인식할 수 있었다. 향후, 비전처리 시간을 줄일 수 있는 새로운 이미지 처리 알고리즘, 그리고 현재 고려하고 있지 않는 로봇의 현재 위치 인식 문제도 얻을 수 있도록 해야 하겠다.

후속연구

이동 로봇의 주행 속도뿐 아니라 날씨 환경에 따른 주행 테스트 결과에도 평균 주행 거리와 이탈 횟수에서 기존의 알고리즘 보다 우수한 성능을 보였고 640X480 화소의 30 frame/sec 의 영상 데이터를 98%의 확률로 차선을 인식할 수 있었다. 향후, 비전처리 시간을 줄일 수 있는 새로운 이미지 처리 알고리즘, 그리고 현재 고려하고 있지 않는 로봇의 현재 위치 인식 문제도 얻을 수 있도록 해야 하겠다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

지능형 자동차의 적응형 제어를 위한 차선인식
Lane Detection for Adaptive Control of Autonomous Vehicle 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

지능형 자동차의 적응형 제어를 위한 차선인식 Lane Detection for Adaptive Control of Autonomous Vehicle 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

김현구 (5) 주영환 (1) 박용완 (58) 정호열 (36)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

지능형 자동차의 적응형 제어를 위한 차선인식
Lane Detection for Adaptive Control of Autonomous Vehicle 원문보기

AI 본문요약
AI-Helper