본문 바로가기
KERD
논문KCI 등재

라이다 기반 실내 자율주행 차량에서 신경망 학습을 사용한 성능평가

Performance Evaluation Using Neural Network Learning of Indoor Autonomous Vehicle Based on LiDAR

권용훈|정인범
한국정보처리학회|2023.03|정보처리학회논문지. 컴퓨터 및 통신시스템 (KIPS Transactions on Computer and Communication Systems)|제12권 제3호|pp. 93-102

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

LiDARNeural Network신경망실내 자율주행라이다라즈베리 파이Indoor Autonomous DrivingRaspberry Pi
주제분류컴퓨터학

초록

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

Abstract

Data processing through the cloud causes many problems, such as latency and increased communication costs in the communicationprocess. Therefore, many researchers study edge computing in the IoT, and autonomous driving is a representative application. In indoorself-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 proposesa machine-learning method using neural networks for autonomous driving in an indoor environment. The neural network model predictsthe most appropriate driving command for the current location based on the distance data measured by the LiDAR sensor. We designedsix learning models to evaluate according to the number of input data of the proposed neural networks. In addition, we made anautonomous 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 thenumber of input data on performance was confirmed.

참고문헌 (17)

  1. W. Kang, "Major technology of autonomous driving", KICS Information & Communication Magazine Open Lecture Series, 35(1), pp.28~35 (2018)
  2. N. Abbas, "Mobile edge computing : A survey", IEEE Internet of Things Journal, 5(1), pp.450~465 (2018)
  3. 정성아, "엣지 컴퓨팅과 차량: 미래를 위한 기회와 도전", 한국통신학회논문지, 46(5), pp.834~847 (2021), 한국통신학회[DOI]
  4. N. El-Sheimy, "Indoor navigation : State of the art and future trends", Satellite Navigation, 1(2), pp.1~23 (2021)
  5. A. A. Süzen, "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), 1(5) (2020)
  6. 노진홍, "이동로봇의 안전자율주행을 위한 실내환경에서의 LiDAR 점 데이터군 증강", 제어.로봇.시스템학회 논문지, 28(1), pp.52~58 (2022), 제어·로봇·시스템학회[DOI]
  7. Q. Zou, "A comparative analysis of LiDAR SLAM-based indoor navigation for autonomous vehicles", IEEE Transactions on Intelligent Transportation Systems, 23(7), pp.6907~6921 (2022)
  8. 김헌무, "ROS 기반의 지하광산용 자율주행 로봇 개발과 경유지 주행 실험", 터널과 지하공간, 32(3), pp.231~242 (2022), 한국암반공학회
  9. Y. J. Choi, "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)
  10. 박동규, "ROS 기반의 실내자율 주행 로봇의 자기위치 인식 및 딥러닝에 의한 제어 시스템", 대한기계학회논문집 A, 45(12), pp.1149~1160 (2021), 대한기계학회
  11. Y. Quan, "Neural Network-Based Indoor Autonomously-Navigated AGV Motion Trajectory Data Fusion", Automatic Control and Computer Sciences, 55(4), pp.334~345 (2021)
  12. D. T. Son, "The practice of mapping-based navigation system for indoor robot with RPLIDAR and raspberry Pi", 2021 International Conference on System Science and Engineering (ICSSE) (2021), IEEE
  13. M. Liao, "Deploy indoor 2D laser SLAM on a raspberry pi-based mobile robot", 2019 11th International Conference on Intelligent Human-Machine Systems and Cybernetics (IHMSC), 2 (2019), IEEE
  14. H. León Araujo, "Autonomous mobile robot implemented in LEGO EV3 integrated with raspberry Pi to use android-based vision control algorithms for humanmachine interaction", Machines, 10(3), pp.193~ (2022)
  15. M. Calcroft, "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)
  16. "Raspberry Pi"[URL]
  17. "RPLIDAR A1M8"[URL]

관련 논문AI추천

자율주행차량 모바일 LiDAR의 실내외 성능 비교 연구김지수, 김지윤, 박범진한국ITS학회 · 한국ITS학회 논문지2023 · 제22권 제4호라즈베리파이 기반 자율주행RC카의 딥러닝모델 비교 연구박영민대한임베디드공학회 · 대한임베디드공학회논문지2025 · 제20권 제2호자율주행 자동차의 주행을 위한 딥러닝 모델 연구문병준, 하성재한국산업기술융합학회 · 산업기술연구논문지2024 · 제29권 제3호교육용 자율주행 하드웨어 플랫폼 제작에 관한 연구윤재곤한국기계기술학회 · 한국기계기술학회지2022 · 제24권 제5호드라이빙 게임 환경에서의 효과적인 학습 데이터 수집 및 컨볼루셔널 뉴럴 네트워크 기반의 자율주행김준태, 배창석한국차세대컴퓨팅학회 · 한국차세대컴퓨팅학회 논문지2019 · 제15권 제1호라이다와 RGB-D 카메라를 이용하는교육용 실내 자율 주행 로봇 시스템김재영, 신창용, 이수영, 조세형한국전기전자학회 · 전기전자학회논문지2019 · 제23권 제1호

이 간행물의 다른 논문 (3건)

온라인 커뮤니티에서 사용되는 댓글의 형태를 고려한 악플 탐지를 위한 전처리 기법김미희, 김해수pp. 103-110IP 카메라 보안의 문제점 분석 및 보완 방안 연구박정흠, 이상진, 신승진pp. 111-118CT 영상 기반 근감소증 진단을 위한AI 영상분할 모델 개발 및 검증김경원, 김태훈, 이충섭, 임동욱, 노시형, 고유선, 정창원pp. 119-126
원문 보기