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
- 마정목
- 발행연도
- 2023
- 저작권
- 국방대학교 논문은 저작권에 의해 보호받습니다.
이용수16
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
최근 지뢰지대 및 낙석 장애물을 극복가능한 장애물개척전차(K-600)가 전력화됨에 따라 아군의 기동로 극복간 소요시간 단축 및 효율성 증대 등을 이뤄냈다.다만, 앞으로 발생할 병역자원의 부족 및 위험지역에서의 작전이라는 한계점을 극복하고자 무인 장애물개척전차 도입이 요구되며 이에 토대가 되는 인공지능 기술에 대한 개발이 이뤄져야 한다.
무인 장애물개척전차가 작동되기 위해선 ‘인식-제어-행동’이라는 단계를 거쳐야되며, 최초 인식단계에서부터 어떤 장애물인가를 명확히 분류해야만 장차 나아갈 행동 단계에서 올바른 극복방법을 선택해 전달할 수 있다.
이 연구는 장애물개척전차의 극복방법인 파쇄, 도징, 굴착을 기초로 구축장애물, 지뢰지대, 도로대화구 3가지 카테고리로 분류를 실시하였다. 또한 인공지능 기술 중 딥러닝 기술을 적용하여 학습시키고, 학습시킨 모델이 실제 환경에서 군사장애물을 정확하게 분류하는지를 설계한 실험장소에서 실제 무인 RC-Car에 카메라를 장착하여 실험하였다. 실험결과, 87% 이상의 높은 분류 정확도를 도출하였으며, 변형된 이미지를 활용해서 데이터를 구성해도 학습효과
가 뛰어난 모델을 구축할 수 있음을 확인하였다.보다 많고 양질의 군사장애물 데이터를 확보하면 실험결과보다 분류 정확도가 높게 측정될 수 있을 것으로 판단된다.
무인 장애물개척전차가 작동되기 위해선 ‘인식-제어-행동’이라는 단계를 거쳐야되며, 최초 인식단계에서부터 어떤 장애물인가를 명확히 분류해야만 장차 나아갈 행동 단계에서 올바른 극복방법을 선택해 전달할 수 있다.
이 연구는 장애물개척전차의 극복방법인 파쇄, 도징, 굴착을 기초로 구축장애물, 지뢰지대, 도로대화구 3가지 카테고리로 분류를 실시하였다. 또한 인공지능 기술 중 딥러닝 기술을 적용하여 학습시키고, 학습시킨 모델이 실제 환경에서 군사장애물을 정확하게 분류하는지를 설계한 실험장소에서 실제 무인 RC-Car에 카메라를 장착하여 실험하였다. 실험결과, 87% 이상의 높은 분류 정확도를 도출하였으며, 변형된 이미지를 활용해서 데이터를 구성해도 학습효과
가 뛰어난 모델을 구축할 수 있음을 확인하였다.보다 많고 양질의 군사장애물 데이터를 확보하면 실험결과보다 분류 정확도가 높게 측정될 수 있을 것으로 판단된다.
목차
제1장 서론·········································································································1제1절 연구의 목적 및 문제제기 ·····························································3제2절 연구범위 및 방법 ···········································································3제2장 관련연구································································································· 4제1절 딥러닝 기반의 이미지 분류체계 ·················································4제2절 군사장애물의 분류기준 ·································································6제3장 딥러닝 기반 장애물 분류 모델 ························································· 7제1절 딥러닝 기반 장애물 분류 모델 구성 ·········································7제2절 Step 1. 데이터수집 및 전처리 ··················································· 8제3절 Step 2. 클래스 구성 ····································································· 9제4절 Step 3. 이미지 분류 모델 학습 ··············································· 13제5절 Step 4. 이미지 분류 모델 평가 ··············································· 20제4장 장애물 분류모델 검증 및 결과 분석 ············································· 22제1절 실험환경 및 가정 ·········································································22제2절 실험방법 ·························································································24제3절 실험결과 및 분석 ·········································································26제5장 결론 ·······································································································28참고문헌 ·············································································································30영문요약 ·············································································································32
최근 본 자료
댓글(0)
0