인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 오혁준
- 발행연도
- 2018
- 저작권
- 광운대학교 논문은 저작권에 의해 보호받습니다.
이용수14
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
오늘날 빅데이터와 그래픽카드로 인한 컴퓨팅 파워의 향상으로 인해 기계학습, 인공지능의 발전은 더욱이 가속을 받고 있다. 특히 영상신호처리, 컴퓨터 비전(Computer vision)의 분야에서는 사람보다 더 좋은 성능을 나타낼 정도로 많은 알고리즘이 발명되었다.
또한 분류와 예측의 문제를 넘어 상황을 인식하고 행동을 제어하는 알고리즘인 강화학습은 2016년 알파고의 등장으로 각광을 받고 있다. 에이전트 스스로가 현재 상황에 맞게 행동하는 알고리즘이 필요한 지능형 시스템에 강화학습을 응용하고자하는 연구가 활발히 진행 중이다.
하지만 강화학습을 실제 상황에 적용하는 것에는 몇 가지 문제점이 있다. 그 중 하나가 보상 함수에 관한 것이다. 강화학습에 필요한 보상 함수는 게임 상에서는 명확히 알 수 있지만 실제 환경에서 이를 구하기는 어렵다. 본 논문은 기계학습, 인공신경망, 그리고 강화학습 알고리즘을 소개하고 실제 상황에 적용하기 위해 검출 알고리즘을 사용한 보상 함수를 제안한다. 제안하는 보상 함수는 검출된 물체의 이전 프레임과 현재 프레임의 IoU 수치를 이용한다. 또한 드론 시뮬레이션을 통해 실재하는 환경에 적용이 가능함을 확인하였다.
또한 분류와 예측의 문제를 넘어 상황을 인식하고 행동을 제어하는 알고리즘인 강화학습은 2016년 알파고의 등장으로 각광을 받고 있다. 에이전트 스스로가 현재 상황에 맞게 행동하는 알고리즘이 필요한 지능형 시스템에 강화학습을 응용하고자하는 연구가 활발히 진행 중이다.
하지만 강화학습을 실제 상황에 적용하는 것에는 몇 가지 문제점이 있다. 그 중 하나가 보상 함수에 관한 것이다. 강화학습에 필요한 보상 함수는 게임 상에서는 명확히 알 수 있지만 실제 환경에서 이를 구하기는 어렵다. 본 논문은 기계학습, 인공신경망, 그리고 강화학습 알고리즘을 소개하고 실제 상황에 적용하기 위해 검출 알고리즘을 사용한 보상 함수를 제안한다. 제안하는 보상 함수는 검출된 물체의 이전 프레임과 현재 프레임의 IoU 수치를 이용한다. 또한 드론 시뮬레이션을 통해 실재하는 환경에 적용이 가능함을 확인하였다.
목차
- 제 1 장 서론 1제 2 장 배경 이론 3제 2.1 절 기계학습 32.1.1 기계학습의 개념 32.1.2 학습 방법 42.1.3 과적합 72.1.4 정규화 9제 2.2 절 인공신경망 112.2.1 인공신경망과 심층신경망 112.2.2 합성곱신경망 142.2.3 오차의 역전파 152.2.4 비용함수와 활성함수 172.2.5 신경망의 정규화 20제 2.3 절 강화학습 222.3.1 마르코프 결정 가정과 강화학습 222.3.2 벨만 방정식 242.3.3 가치값 근사화 강화학습 272.3.4 정책 근사화 강화학습 292.3.5 합성곱 신경망을 이용한 심층 강화학습 31제 3 장 설계 및 구현 33제 3.1 절 관련 연구 333.1.1 SSD 333.1.2 DQN 343.1.3 ADNET 35제 3.2 절 지능형 제어시스템을 위한 알고리즘 설계 373.2.1 보상 함수 373.2.2 알고리즘 설계 및 구현 38제 4 장 실험 41제 4.1 절 실험 환경 414.1.1 리눅스 환경 설정 414.1.2 카페 설치 43제 4.2 절 시뮬레이션 환경 설정 454.2.1 Jetson TX2 454.2.2 DJI Matrice 600 474.2.3 환경설정 49제 4.3 절 실험결과 52제 5 장 결론 54참고문헌 55
최근 본 자료
