[논문]라이다 기반 실내 자율주행 차량에서 신경망 학습을 사용한 성능평가

권용훈; 정인범

doi:10.3745/ktccs.2023.12.3.93

초록
AI-Helper

클라우드를 통한 데이터 처리는 통신 과정에서 지연시간과 통신비용 증가 등 같은 많은 문제가 발생한다. 사물인터넷 분야에서는 이러한 문제를 해결하기 위해 엣지 컴퓨팅 연구가 활발히 이루어지고 있고, 대표적인 응용 분야로 자율주행이 있다. 실내 자율주행에서는 실외와 달리 GPS와 교통정보를 이용할 수 없기 때문에 센서를 활용하여 주변 환경을 인식해야 한다. 그리고 자원이 제약된 모바일 환경이기 때문에 효율적인 자율주행 시스템이 필요하다. 본 논문에서는 실내 환경에서 자율주행을 위해 신경망을 사용하는 기계학습을 제안한다. 신경망 모델은 LiDAR 센서에서 측정된 거리 데이터를 바탕으로 현재 위치에 가장 적절한 주행 명령을 예측한다. 신경망의 입력 데이터의 수에 따른 성능 평가를 수행하기 위해 6가지의 학습 모델을 설계하였다. 주행과 학습을 위해 Raspberry Pi 기반의 자율주행 차량을 제작하였고, 학습 데이터 수집과 성능평가를 위한 실내 주행 트랙을 제작하였다. 6가지의 신경망 모델들은 정확도와 응답시간 그리고 배터리 소모에 대한 성능 비교를 하였고, 입력 데이터의 수가 성능에 미치는 영향을 확인하였다.

Abstract ▼ AI-Helper

Data processing through the cloud causes many problems, such as latency and increased communication costs in the communication process. Therefore, many researchers study edge computing in the IoT, and autonomous driving is a representative application. In indoor self-driving, unlike outdoor, GPS and...

Data processing through the cloud causes many problems, such as latency and increased communication costs in the communication process. Therefore, many researchers study edge computing in the IoT, and autonomous driving is a representative application. In indoor self-driving, unlike outdoor, GPS and traffic information cannot be used, so the surrounding environment must be recognized using sensors. An efficient autonomous driving system is required because it is a mobile environment with resource constraints. This paper proposes a machine-learning method using neural networks for autonomous driving in an indoor environment. The neural network model predicts the most appropriate driving command for the current location based on the distance data measured by the LiDAR sensor. We designed six learning models to evaluate according to the number of input data of the proposed neural networks. In addition, we made an autonomous vehicle based on Raspberry Pi for driving and learning and an indoor driving track produced for collecting data and evaluation. Finally, we compared six neural network models in terms of accuracy, response time, and battery consumption, and the effect of the number of input data on performance was confirmed.

주제어

표/그림 (16)

그림 Fig. 1. Indoor Autonomous Driving System
그림 Fig. 2. Autonomous Driving Commands
그림 Fig. 3. Normalized Range Data
그림 Fig. 4. Normalized Range Data with Denoising
그림 Fig. 5. Neural Network for Autonomous Driving
그림 Fig. 6. Autonomous Vehicle with Neural Network
그림 Fig. 7. Indoor Autonomous Driving Track
그림 Fig. 8. Path in a Driving Track
표 Table 1. Specifications for Raspberry Pi and LiDAR
표 Table 2. Part of Training Data Set
그림 Fig. 9. Learning Time of Prediction Models
표 Table 3. Evaluation Comparison Between Models
그림 Fig. 10. Response Time of Prediction Models
그림 Fig. 11. Battery Consumption of Prediction Models
그림 Fig. 12. Prediction Results of each Model while Driving
그림 Fig. 13. Prediction Accuracy while Driving

참고문헌 (17)

W. Kang, Y. Jung, and I. Hwang, "Major technology of？autonomous driving," KICS Information & Communication Magazine Open Lecture Series, Vol.35, No.1,？pp.28-35, 2018.
N. Abbas, Y. Zhang, A. Taherkordi, and T. Skeie, "Mobile？edge computing: A survey," IEEE Internet of Things？Journal, Vol.5, No.1, pp.450-465, 2018.
S. Jeong, "Edge computing and vehicles: Opportunities and？challenges for the future," The Journal of Korean Institute？of Communications and Information Sciences, Vol.46,？No.5, 2021.
N. El-Sheimy and Y. Li, "Indoor navigation: State of the？art and future trends," Satellite Navigation, Vo1.2, No.1,？pp.1-23, 2021.
A. A. Suzen, B. Duman, and B. Sen, "Benchmark analysis？of jetson TX2, jetson nano and raspberry PI using？Deep-CNN," 2020 International Congress on Human？-Computer Interaction, Optimization and Robotic Applications (HORA), pp.1-5, 2020.
J. Noh, K.-M. Yang, M.-R. Park, J.-W. Lee, M.-G. Kim,？and K.-H. Seo, "LiDAR point cloud augmentation for？mobile robot safe navigation in indoor environment,"？Journal of Institute of Control, Robotics and Systems,？Vol.28, No.1, pp.52-58, 2022.

상세보기
Q. Zou, Q. Sun, L. Chen, B. Nie, and Q. Li, "A comparative？analysis of LiDAR SLAM-based indoor navigation for？autonomous vehicles," IEEE Transactions on Intelligent？Transportation Systems, Vol.23, No.7, pp.6907-6921, 2022.

상세보기
H. Kim and Y. S. Choi, "Development of a ROS-Based？autonomous driving robot for underground mines and its？waypoint navigation experiments," Tunnel & Underground？Space, Vol.32, No.3, pp.231-242, 2022.
Y. J. Choi, T. Rahim, I. N. A. Ramatryana, and S. Y. Shin,？"Improved CNN-based path planning for stairs climbing？in autonomous UAV with LiDAR sensor," 2021 International Conference on Electronics, Information, and Communication (ICEIC), pp.1-7, 2021.
D. G. Park, K. R. Lee, J. W. Jang, and D. H. Kim "ROS-based？control system for localization and object identification？of indoor self-driving mobile robot," Transactions of the？KSME A, Vol.45, No.12, pp.1149-1160, 2021.
Y. Quan, L. Huang, L. Ma, Y. He, and R. Wang, "Neural？Network-Based Indoor Autonomously-Navigated AGV？Motion Trajectory Data Fusion," Automatic Control and？Computer Sciences, Vol.55, No.4, pp.334-345, 2021.

상세보기
D. T. Son, M. T. Anh, D. D. Tu, L. V. Chuong, T. H. Cuong,？and H. S. Phuong, "The practice of mapping-based navigation system for indoor robot with RPLIDAR and raspberry Pi," 2021 International Conference on System Science？and Engineering (ICSSE), IEEE, 2021.
M. Liao, D. Wang, and H. Yang. "Deploy indoor 2D laser？SLAM on a raspberry pi-based mobile robot," 2019 11th？International Conference on Intelligent Human-Machine？Systems and Cybernetics (IHMSC), Vol.2. IEEE, 2019.
H. Leon Araujo et al., "Autonomous mobile robot implemented in LEGO EV3 integrated with raspberry Pi to use？android-based vision control algorithms for humanmachine interaction," Machines, Vol.10, No.3, pp.193, 2022.

상세보기
M. Calcroft and A. Khan, "LiDAR-based obstacle detection？and avoidance for autonomous vehicles using raspberry？Pi 3B," 2022 UKACC 13th International Conference on？Control (CONTROL), pp.24-29, 2022.
Raspberry Pi [Internet], https://www.raspberrypi.org
RPLIDAR A1M8 [Internet], https://www.slamtec.com

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

[국내논문] 라이다 기반 실내 자율주행 차량에서 신경망 학습을 사용한 성능평가
Performance Evaluation Using Neural Network Learning of Indoor Autonomous Vehicle Based on LiDAR 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (16)

표/그림 (16)

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 라이다 기반 실내 자율주행 차량에서 신경망 학습을 사용한 성능평가 Performance Evaluation Using Neural Network Learning of Indoor Autonomous Vehicle Based on LiDAR 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (16) 모든 표/그림 보기

표/그림 (16) 슬라이드로 보기

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

정인범 (56)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 라이다 기반 실내 자율주행 차량에서 신경망 학습을 사용한 성능평가
Performance Evaluation Using Neural Network Learning of Indoor Autonomous Vehicle Based on LiDAR 원문보기

초록
AI-Helper

표/그림 (16)

표/그림 (16)