카메라를 활용한 딥러닝 기반 실시간 자율주행 자동차의 후·측방 객체 검출 & 차로 변경에 관한 연구 :

이선영

추천

검색

자료유형: 학위논문

저자정보: 이선영 (국민대학교, 국민대학교 자동차공학전문대학원)

지도교수: 김정하

발행연도: 2019

저작권: 국민대학교 논문은 저작권에 의해 보호받습니다.

이용수74

초록· 키워드

자율주행 자동차는 외부 환경의 다양한 객체에 대해 센서를 통해 스스로 인식하고 주행 방법을 계산해낼 수 있는 시스템을 갖추고 있어야 한다. 주행 환경 변화에 따른 인지 센서의 인식률 저하는 사고 유발 확률을 높일 수 있다. 또한 인지 센서의 실시간성 저하로 인한 객체 검출의 지연은 자율주행 자동차의 안전성에 있어 가장 큰 위험원이 될 수 있다. 본 논문은 카메라를 활용한 딥러닝 기반 후·측방 객체 검출과 차로 변경에 관한 연구이다. 기존 자동차의 경우 사후경을 통해 후·측방에 대한 객체를 인지한다. 그러나 사후경은 각도의 한계를 가지고 있으며 이로 인해 사각지대가 발생하게 된다. 이러한 사각지대로 인해 발생하는 후·측방 교통사고 문제를 해결하기 위하여 사후경을 카메라로 대체함으로써, 사각지대를 보완하고 딥러닝 기반 객체 검출 알고리즘을 통해 후·측방 객체를 검출한다. 카메라를 통해 후·측방 객체의 유·무를 판단하며, 차선 검출 및 차로 변경 알고리즘을 통해 자율주행 자동차의 안전한 차로 변경이 수행될 수 있도록 하는 네트워크를 제안한다. 위에서 설명하는 네트워크는 크게 두 개의 시스템으로 나눌 수 있다. 첫 번째 시스템은 전방 카메라를 통해 차선을 인식하여 자율주행 자동차의 사전 경로를 출력하며 Pure Pursuit 알고리즘을 통해 경로를 추종하게 된다. 두 번째 시스템은 후·측방에 대한 객체 검출을 위한 네트워크로, SSD(Single Shot Multibox Detector) 알고리즘을 활용하여 객체의 유·무를 판단한다. SSD 알고리즘은 기존의 컨볼루션 계층(Convolutional Layer)을 추가한 수정된 VGG16을 fine-tuning 하여 이미지에 대한 특징 맵을 출력한다. 추가적인 컨볼루션 계층을 통해 출력된 특징 맵은 특정 비율과 크기를 갖는 default bounding box를 통해 객체를 분류하고 검출하는 구조를 갖는다. VGG16은 PASCAL VOC 07, 12를 활용하여 학습 데이터와 테스트 데이터로 구성하였다. 본 논문에서 제안하는 네트워크는 실제 주행 영상 데이터를 통해 후·측방 객체 검출의 정확성과 실시간성을 검증하였으며, 전방 카메라를 통한 차선 검출과 그에 따른 차로 변경에 대하여 자율주행 적용 가능성을 확인하였다.

An autonomous vehicle must have a system that can self-identify and calculate the driving method for various objects in the external environment through sensors. Decrease of recognition rate of cognitive sensor due to change of driving environment can increase the probability of accident occurrence. In addition, the delay of object detection due to degradation of real-time performance of cognitive sensor can be the biggest risk of safety of autonomous vehicle. This paper is a study on the detection & lane change of the rear and side objects of deep learning based real time Autonomous vehicle using camera. In the case of an existing automobile, objects are recognized to the rear and the side through the side mirrors. However, the side mirrors have angular limitations which cause blind spots. In order to solve the rear and side traffic accidents caused by the blind spot, the side mirror is replaced with the camera to compensate the blind spot and the rear and side objects are detected through the deep learning based object detection algorithm. We propose a network that enables the safe change of autonomous vehicle through lane detection and lane change algorithm by judging the presence or absence of rear and side objects through camera. The network described above can be broadly divided into two systems. The first system recognizes the lane through the front camera, outputs the preliminary route of the autonomous vehicle, and follows the route through the Pure Pursuit algorithm. The second system is a network for object detection for the rear and side, SSD(Single Shot Multi-box Detector) algorithm is used to judge whether the object exists or not. The SSD algorithm uses VGG16, which is a modification of the fully connected layer of the existing VGG16 to the convolutional layer, adds a convolution layer of various sizes to output a feature map for the image. The feature map output through the additional convolution layer has a structure for classifying and detecting objects through a default bounding box having a certain ratio and size. VGG16 consists of learning data and test data using PASCAL VOC 07, 12 and logging data. The network proposed in this paper verifies the accuracy and real-time performance of rear and side object detection through real driving image data, we confirmed the applicability of autonomous driving to lane detection and change of lane through front camera.

Chapter 1. Introduction 1
1.1 Research Background 1
1.2 Research Trend 11
1.3 Research Motivation & Object 18
Chapter 2. Theoretical Background 23
2.1 Neural Networks 23
2.1.1 ANN(Artificial Neural Network) 23
2.1.2 퍼셉트론(Perceptron) 23
2.1.3 다층 퍼셉트론(MLP) 25
2.1.4 역전파(Back Propagation) 30
2.1.5 경사 하강법(Gradient Descent) 36
2.1.6 심층 신경망(Deep Neural Network) 38
2.2 CNN(Convolutional Neural Network) 40
2.2.1 컨볼루션 계층(Convolution Layer) 41
2.2.2 풀링 계층(Pooling Layer) 44
Chapter 3. Proposed System 46
3.1 Overview 46
3.2 Process of SSD 46
3.3 Lane Detection Algorithm 54
3.3.1 Pre-processing 55
Chapter 4. Experimental Environment and Results 66
4.1 Experimental Environment 66
4.2 Experimental object detection Results 69
4.3 Experimental Lane detection Results 77
Chapter 5. Conclusion 81
Bibliography 82

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)