$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

딥러닝 객체인식을 통한 경로보정 자율 주행 로봇의 구현
Implementation of Autonomous Mobile Wheeled Robot for Path Correction through Deep Learning Object Recognition 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.19 no.12, 2019년, pp.164 - 172  

이형일 (김포대학교 CIT융합학부 컴퓨터소프트웨어과) ,  김진명 (김포대학교 CIT융합학부 컴퓨터소프트웨어과) ,  이재원 ((주)솔엔비)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 실내 환경에서 시각정보를 기반으로 출발지점에서 경유지를 거쳐 목표지점으로 최적의 경로를 찾아 자율 주행하는 바퀴달린 로봇을 구현한다. 로봇은 출발지점에서 경유지를 거쳐 목표지점으로의 최적의 경로를 딥강화학습으로 얻을 수 있다. 그러나 로봇이 구해진 경로로 자율 주행을 할 때 표면의 굴곡과 이물질 등의 외부적 요인으로 목적지까지 정확하게 주행하지 못하는 경우가 발생한다. 이에 본 연구는 카메라만 장착한 로봇이 외부 요인으로 인해 최적의 경로를 이탈할 경우 이를 인지하도록 한다. 이 인지를 토대로 로봇이 스스로 경로를 보정하고 계획된 경유지와 최종 목적지점에 도달할 수 있게 하는 알고리즘을 제안한다. 본 연구를 위해 파이캠을 탑재한 라즈베리파이와 아두이노로 제어하는 바퀴식 자율 주행 로봇이 제작되었다. 로봇은 실내환경에서 OSX 환경의 서버와 실시간 연동하면서 계획된 최적의 경로로 시험주행을 완료하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we implement a wheeled mobile robot that accurately and autonomously finds the optimal route from the starting point to the destination point based on computer vision in a complex indoor environment. We get a number of waypoints from the starting point to get the best route to the tar...

주제어

#바퀴식 주행로봇   #경로 찾기   #딥강화학습   #딥러닝   #자율주행로봇  

표/그림 (16)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 카메라만 장착한 로봇이 외부 요인으로 인해 최적의 경로를 이탈하여 주행할 때 이를 인지하도록 한다. 그리고 이 인지를 토대로 로봇이 경로를 보정하고 계획된 경유지와 최종 목적지에 도달할 수 있게 하는 알고리즘을 제안한다.
  • 본 논문에서는 한 개의 파이캠 만으로 경로 상에 포함된 경유지와 목적지를 딥러닝한 로봇이 경로를 이탈할 때 스스로 경로를 보정하여 계획된 목적지에 정확하게 도달하는 알고리즘을 구현하였다. 실험장소는 실내 사무실이며 로봇은 직접 제작하여 사용되었다.
  • 본 논문은 자율 주행 로봇이 목적지까지 최적의 경로로 주행하고 경로 이탈 시 스스로 보정하는 알고리즘에 관한 것이다. 이를 위해 최적의 경로는 강화학습의 Q-learning을 기반으로 딥러닝이 이용되었으며 경로 보정을 위해서는 딥러닝 모델 “ssd_mobilenet_v2_coco_2018_03_29”를 기반으로 새로운 모델이 구축되었다.
  • 자율 주행 로봇은 많은 분야에서 연구 및 사용되어 놀랄 만한 발전을 이루어 왔지만 라이다와 레이다 등 주로 고가의 센서를 장착한 로봇에 한정되었던 것이 사실이다[13]. 본 연구에서는 고가 센서를 부착하지 않은 채 저렴한 라즈베리 파이 카메라(이하 파이캠)만 장착하고 실내공간의 한 지점에서 목표 지점으로 정확하게 이동하는 자율 주행 로봇을 제안하고 제작한다.
  • 그림 11. 로봇의 경로 이탈

    이에 본 논문에서는 로봇이 파이캠에 생성되는 영상 자료만을 이용해 이 문제점을 해결하는 방안을 제시하였다. 로봇이 경로를 이탈할 때 영상자료의 경유지와 목적지 표식을 이용하여 [그림 9]에서 생성한 최적의 경로로 복귀하도록 경로를 제어하는 방안이다.

본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
자율 주행을 할 때 실패 요인은 무엇인가? 실내 환경에서 출발 지점부터 경유지를 포함하여 최종 목적지까지의 최적의 경로는 딥강화학습을 통해 얻을 수 있다. 실제 구해진 경로로 자율 주행을 하면 표면의 굴곡과 이물질 등의 외부 요인으로 인해 목적지까지 정확하게 도달하지 못하는 경우가 대부분이다. 그러므로 로봇이 성공적으로 목적지까지 자율 주행하기 위해서는 주행하면서 발생되는 외부적 요인을 로봇 스스로 해결할 수 있어야만 한다.
딥러닝은 무엇인가? 딥러닝은 “여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계학습 알고리즘의 집합”으로 정의할 수 있다[1]. 그 중 CNN(Convolutional Neural Networks)은 모델이 직접 이미지, 비디오, 텍스트 또는 사운드를 분류할 수 있는 알고리즘으로 현재 널리 사용되고 있다[1].
질의응답 정보가 도움이 되었나요?

참고문헌 (13)

  1. Y. Bengio, A. Courville, and P. Vincent, "Representation Learning: A Review and New Perspectives," IEEE Trans. PAMI, special issue Learning Deep Architectures, 2013. 

  2. Dr. Adrian Rosebrock, "Deep Learning for Computer Vision with Python," Starter Bundle, PyImageSearch.com, September, 2017. 

  3. Qian Zhang, Ming Li, Xuesong Wang, and Yong Zhang, "Learning in Robot Path Optimization," Journal of software, Vol.7, No.3, Mar. 2012. 

  4. R. S. Sutton and A. G. Barto, Reinforcement Learning: An introduction, The MIT Press. 1998. 

  5. Christopher JCH Watkins, Peter Dayan, "Technical Note Q-Learning," Machine Learning, Vol.8, pp.279-292, 1992 

    상세보기

  6. An-Min, Zou Zeng-Guang, HouSi-Yao, and FuMin Tan, "Neural Networks for Mobile Robot Navigation: A Survey," Advances in Neural Networks-ISNN, China, pp.1218-1226, 2006. 

  7. Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Andrei A Rusu, Joel Veness, and Marc G Bellemare, et al. "Human-level control through deep reinforcement learning," Nature, Vol.518, pp.529-533, 26 February 2015. 

    상세보기 crossref

  8. Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, and Martin Riedmiller, "Playing atari with deep reinforcement learning," arXiv preprint arXiv:1312.5602, 2013. 

  9. Tao Zhang, Qing Li, Chang-shui Zhang, Hua-wei Liang, Ping Li, and Tian-miao Wang, "Current trends in the development of intelligent unmanned autonomous systems," Frontiers of Information Technology & Electronic Engineering, Vol.18, pp.68-85, 2017. 

    상세보기 crossref

  10. Widodo, Nuryono Satya, "Penerapan Multi-Mikrokontroler pada Model Robot Mobil Berbasis Logika Fuzi," TELKOMNIKA Indonesian Journal of Electrical Engineering, Vol.7, No.3, pp.213-218, 2009. 

  11. Widodo Budiharto, Ari Santoso, Djoko Purwanto, and Achmad Jazidie, "Multiple Moving Obstacles Avoidance of Service Robot using Stereo Vision," TELKOMNIKA, Vol.9, No.3, pp.433-444, Dec. 2011. 

    상세보기 crossref

  12. Sheha Ame Mnubi, "Motion Planning and Trajectory for Wheeled Mobile Robot," International Journal of Science and Research (IJSR), ISSN (Online), pp.2319-7064, 2014. 

  13. 석정희, 여준기, "자율주행 인공지능 컴퓨팅 하드웨어 플랫폼 기술 동향," 전자통신동향분석, Vol.33, No.6, 2018. 

    원문보기 상세보기

관련 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로