드라이빙 게임 환경에서의 효과적인 학습 데이터 수집 및 컨볼루셔널 뉴럴 네트워크 기반의 자율주행
Autonomous Driving based on Convolutional Neural Network by Effective Collection of Training Data on Driving Game Environment
1
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
최근 인공지능 연구가 활발하게 진행이 되면서 자율주행에 대한 연구도 많이 진행되고 있다. 하지만 자율주행에서 사용할 학습 데이터를 수집하는 과정에서 크게 두 가지 문제를 고려할 수 있다. 첫 번째는 방대한 규모의 학습 데이터 구축에 많은 시간과 비용이 요구되며, 두 번째로는 위험 상황, 사고 상황 등을 포함하는 다양한 주행환경을 반영하는 데이터 수집이 어렵다. 본 논문에서는 이러한 두 가지 문제를 해결하기 위해 현실세계와 매우 유사한 주행 환경을 제공하는 게임에서 주행 학습 데이터를 수집하고 이를 신경망 학습에 활용하는 방법에 대해 제안한다. 학습 데이터 수집 과정에서는 모니터 화면과 동시에 해당하는 방향키 값을 해당 화면에 대한 자율주행 제어키로 저장한다. 이와 같이 수집된 학습 데이터를 시각 처리에서 뛰어난 성능을 보이는 CNN (Convolutional Neural Network) 모델중 하나인 AlexNet에 적용한 결과 약 91.9%의 정확도를 보였다. 학습이 완료된 CNN 모델을 이용해서 가상환경에서 자율주행이 가능하다는 걸 확인을 한 후 실세계에 적용한 실험도 수행하였다. 이를 위해 유아용 전동차를 사용하여 기존에 있던 컨트롤러를 제거 후 라즈베리파이 기반의 자동차 바퀴 컨트롤과 서버와의 통신 모듈을 개발했다. 실세계에서 실험한 결과 가상환경과 실세계의 차이를 맞춰주기 위한 추가적인 보정 작업을 하지 않았음에도 불구하고 가상환경과 유사한 수준의 주행 성능을 확인할 수 있었다.
Abstract
Remarkable achievements in modern artificial intelligence researches encourage a lot of researches in self-driving cars. However, there are two big problems in the process for collecting training data used in the autonomous driving. First, construction of huge amounts of training data requires a lot of time and cost. In addition, high risk for representing various driving environments is inevitable problem as well. In order to solve these two problems, this paper proposes a scheme for collecting a training data set from a driving game environment and applying the data set to train a neural network model for self-driving car. The proposed scheme stores monitor screen images and control keys for the corresponding images as training data. After finishing construction of the training data set, we apply the data set to train AlexNet, a well known CNN model. Experimental results show about 92% accuracy in the driving game environment. In the next step, a children’s toy car is used to evaluate the performance of our scheme in real world. A raspberry pi based wheel control and communication module is developed to replace the existing control module. Real world experiments reveals the performances between the virtual and real world environments are quite similar without any compensation for mapping differences between two environments.
참고문헌 (15)
- "Autonomous Vehicle Implementation Predictions" (2013)[URL]
- F. Lambert, "Tesla hires machine learning expert from AMD to lead the Autopilot’s self-learning tech", Electrek, ~ (2016)
- L. Fridman, "MIT autonomous vehicle technology study: Large-scale deep learning based analysis of driver behavior and interaction with automation", arXiv preprint arXiv:1711. 06976, ~ (2017)
- 문재영, "실내 자동 주차 서비스를 위한 측위 기술과 표준화 동향 분석", 한국차세대컴퓨팅학회 논문지, 11(1), pp.64~72 (2015), 한국차세대컴퓨팅학회
- M. Bojarski, "End to end learning for self-driving cars", CoRR, ~ (2016)
- Y. LeCun, "Back propagation applied to handwritten zip code recognition", Neural Computation, 1(4), pp.541~551 (1989)
- 박현철, "CNN에 기반한 실제 환경에서의 색상 및 문자 인식", 한국차세대컴퓨팅학회 논문지, 12(6), pp.104~115 (2016), 한국차세대컴퓨팅학회
- 튜 유 민 울라, "Violence Recognition using Deep CNN for Smart Surveillance Applications", 한국차세대컴퓨팅학회 논문지, 14(5), pp.53~59 (2018), 한국차세대컴퓨팅학회
- A. Krizhevsky, "Imagenet classification with deep convolutional neural networks", Advances in Neural Information Processing Systems, 25, pp.1106~1114 (2012)
- D. A. Pomerleau, "Efficient training of artificial neural networks for autonomous navigation", Neural Computation, 3(1), pp.88~97 (1991)
- S. Daftry, "Learning transferable policies for monocular reactive MAV control", International Symposium on Experimental Robotics (2016)
- J. Tremblay, "Training deep networks with synthetic data: Bridging the reality gap by domain randomization", Conference on Computer Vision and Pattern Recognition (CVPR) (2018)
- J. Zhu, "Unpaired image-to-image translation using cycle-consistent adversarial networks", International Conference on Computer Vision(ICCV) (2017)
- D. Ha, "World Models", arXiv preprint arXiv:1803.10122, 2018, ~ (2018)
- D. P. Kingma, "Auto-Encoding Variational Bayes", 2nd International Conference on Learning Representations (ICLR) (2013)