객체 탐색 기술을 이용한 산업용 물류 가이드 차량 자율주행 연구 : 딥러닝 YOLOv5 객체 탐지, DNN 데이터 예측을 중심으로 = A Study on the Autonomous Driving of Industrial Logistics Guide Using Object Search Technology : Focusing on deep learning YOLOv5 object detection and DNN data prediction

국문 초록 (Abstract)

국내외 산업용 물류 자동 가이드 차량 대부분은 규정된 통신규약에 맞 게 인터페이스 된 지령에 따라 지정된 위치와 장소에 최소한의 오차로 이 동하도록 설계되어 있다. 초기에는 경로를 자동으로 이동하기 위해서 바닥에 마그네틱 가이드나 특정 라인 인쇄 필름과 센서 등을 통한 위치이동 가이드를 설정해서 사용 했으며 물류 창고, 물류 시스템, 물류 운송 시장 규모가 커지면서 서비스 용 가이드 로봇의 수요가 증가하게 되었다. 산업의 형태 변화로 디지털 대전환의 등장으로 인해 제조에서 물류 프 로세스도 디지털 전환이 매우 필요하게 되었다. 현재 산업용 물류 자동 가이드 차량의 자율주행을 위해서는 다양한 기 술들이 필요하다. 산업용 가이드 로봇은 주행 환경을 인식해 위험을 판단 하고, 주행 경로를 계획해 스스로 운행해야 한다. 이를 위해서는 먼저 가 이드 로봇 주변 환경을 인식하는 센서 기술이 필요하며 이 센서들은 초음 파 센서, 근접센서, 카메라, 레이더, 라이다 등이 있으며, 이들을 통해 차량 주변의 물체들을 인식하고, 이를 기반으로 가이드 로봇의 주행 경로를 계 획한다. 또한, 산업용 가이드 로봇의 위치를 파악하기 위해서는 GPS 센서 와 IMU 센서도 필요하다. 이 외에도 가이드 로봇제어를 위한 컴퓨터 제 어 시스템, 상위 제어 시스템, 가이드 로봇의 주행 경로를 계획하는 알고 리즘 등 다양한 기술들이 필요하다. 이러한 기술들이 모두 결합 되어야만 동시적 위치 추정을 이용한 차량 자율주행이 실현될 수 있다. 이런 형태로 디지털 대전환에 적합하게 시스템을 변화하려고 하나 산 업용 가이드 로봇 제어 시스템의 인터페이스 업그레이드가 어렵거나 하 드웨어와 소프트웨어 비용을 추가로 부담하기 힘든 경우에는 로봇 기술 을 진화시키기가 매우 어렵다. 이에 본 논문에서는 차량의 관리 시스템과 생산 관리 시스템 (MES) 상 위 시스템 연동의 변화를 주기보다는 차량 자체의 저가의 카메라를 추가 하여서 학습을 통한 특정 객체 인식 및 초점 인식을 통해서 계산값을 유 추하고 유추되는 값들을 딥러닝 DNN을 통하여 차량의 문제가 발생하는 것을 미리 인지 예측하고자 한다.

다국어 초록 (Multilingual Abstract)

Most automatically guided vehicles for domestic and foreign industrial logistics are designed to move at designated locations and locations with minimal error according to instructions interfaceed in accordance with prescribed communication protocols.
Initially, a magnetic guide or a positioning guide through a specific line printing film and sensor was set and used on the floor to automatically move the route, and the demand for service guide robots increased as the logistics warehouse, logistics system, and logistics transportation markets grew.
With the advent of the digital transformation due to the change in the form of the industry, the logistics process in manufacturing has also become very necessary for digital transformation.
Currently, various technologies are required for autonomous driving of automatic industrial logistics guide vehicles. Industrial guide robots must recognize the driving environment to judge the risk, plan the driving route, and drive on their own. For this, sensor technology that recognizes the surrounding environment of the guide robot is first required, and these sensors include ultrasonic sensors, proximity sensors, cameras, radars, and lidar, and through these sensors recognize objects around the vehicle and plan the driving route of the guide robot based on this. In addition, GPS sensors and IMU sensors are also required to determine the location of industrial logistics robots. In addition, various technologies such as computer control systems for logistics robot control, higher control systems, and algorithms for planning the driving route of the guide robot are required. Only when all of these technologies are combined can autonomous vehicle driving using
simultaneous position estimation be realized.
In this form, it is very difficult to evolve robot technology if the system is trying to change to suit the digital transformation, but it is difficult to upgrade the interface of the industrial guide robot control system or to bear additional hardware and software costs.
In this paper, rather than changing the link between the vehicle's management system and the production management system (MES) upper system, the low-cost USB camera or network camera is added to the vehicle itself to infer calculated values through YOLOv5 deep learning recognition and location correction, depth and focus recognition, and to predict in advance that the vehicle's problem occurs due to the deep learning judgment of abnormal data on movement values through deep learning DNN.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구의 배경과 목적 1
• 2. 연구의 범위와 구성 8
• Ⅱ. 이론적 배경과 선행연구 · 10
• 1. 산업용 물류 가이드 차량 통합 관제 도구 10
• 가. 산업용 물류 가이드 차량(AGV) 소개 10
• 나. 산업용 물류 가이드 차량의 기술 및 고려사항 16
• 다. 산업용 물류 가이드 차량 주행 시스템 · 19
• 2. 산업용 물류 가이드 차량 위치 추정 기법 · 21
• 가. 고정 항로 방식 수동식 및 능동식 위치 추정 · 21
• a. 자성체 유도식 위치 추정 21
• b. 광학 유도식 위치 추정 22
• c. QR 코드 기반 탐색 기법 22
• d. RFID 이용한 위치 추정 · 25
• 나. 개방 항로 방식 지상 지원 및 자율주행 위치 추정 · 26
• a. GPS를 사용한 위치 추정 · 26
• b. 초음파 센서 사용 위치 추정 · 29
• c. 레이저 거리 스캐너 사용 위치 추정 31
• d. 마커 기반 위치 추정 33
• e. 스테레오 비전 사용 위치 추정 · 35
• f. 라이더 센서 사용 SLAM 위치 추정 37
• g. 카메라 기반 위치 추정 38
• 3. 산업용 물류 가이드 차량 객체 인식 연구 동향 39
• 가. 전통적인 객체 인식 체계 현황 39
• 나. 인공지능 기반 객체 인식 체계 현황 42
• a. CNN 알고리즘 43
• b. Region-based CNN 알고리즘 44
• c. Faster R-CNN 알고리즘 45
• d. SSD 알고리즘 47
• e. YOLO 알고리즘 50
• 다. 현행 객체 인식의 현황과 문제점 60
• 4. 딥러닝 시스템 연구 동향 61
• 가. 딥러닝 시스템 연구 동향 61
• a. DNN 알고리즘 62
• b. RNN 알고리즘 64
• c. LSTM 알고리즘 65
• d. Bidirectional LSTM 알고리즘 66
• e. GRU 알고리즘 67
• Ⅲ. 산업용 물류 가이드 로봇 이상 감지 사례 분석 69
• 1. 분석 배경과 수행 방법 69
• a. 시스템 구성 69
• b. 시스템 흐름 · 72
• 2. 연구 방법론 76
• 3. 분석 데이터 77
• 가. 데이터 수집 · 77
• 나. 데이터 분석과 분류 83
• Ⅳ. 분석 결과와 논의 84
• 1. 분석 결과 84
• Ⅴ. 결론 87
• 1. 연구 결과 요약 87
• 2. 연구의 시사점 · 88
• 3. 연구의 한계와 향후 과제 · 89
• 참고문헌 90
• Abstract · 98

참고문헌 (Reference)

1. 로봇산업 발전방안, 산업통상자원부, 산업통상자원부, , 2019

2. 물류 로봇(AGV) 동향, 이연주, 장형준, 대한전기학회논문지 -KIEE, 67권, 8호, 8-12, , 2018

3. 물류 로봇산업 현황 및 동향, 융합 포커스, 한국과학기술연구원 융합연구 정책센터, , 2019

4. 물류로봇 기술동향 및 향후전망,, 김재홍, 김경훈, 최영호, KEIT PD Issue Report, 17권7호. 한국산업기술평가관리원., , 2017

5. Yolov5를 활용한 실시간 협잡물 탐지 모델 개발, 평선호, 김상철, 한국 통신학회 학술대회 논문집, 제주, , 2023

6. 마커 기반 증강현실을 위한 마커 위치 추정 기법, 이아현, 이석한, 최종수, 이재영, 대한전자공학회 하계학술대회, 제33권 1, , 2010

7. 자율주행 기술 동향 및 발전 방향: AI를 중심으로, 금동석, 김영석, 전형석, 이기범, 김산민, 한국자동차공학회논문집, 30권, 10호, 819-830, , 2022

8. DNN 및 LSTM 기 반 딥러닝 모형을 활용한 태화강 유역의 수위 예측, 김종성, 이명진, 김수전, 유영훈, 김형수, 김삼은, 한국수자원학회 논문 집, 54, 1061-1069, , 2021

9. 선택적 Anchors 기반 Indoor GPS 및 EKF를 이용한 이동 로봇 위치 추정, 윤재오, 이지홍, 강한구, 로봇 학회논문지, 6권, 1호, , 2011

10. 자율주행에서 카메라를 통한 객체 검출 및 추적 과 라이다 융합, 김학일, 이동현, 삼척. 한국자동차공학회 추계학술대회 및 전시회, , 2020

11. 위치인식 및 환경 가시화를 위 한 이동 가능한 마커 위치 추정 연구, 양견모, 한종부, 곽동기, 서갑호, 함제훈, 로봇학회 논문지, , 2020

12. 실내 GPS 환경에서 로봇의 이동 속도 기반 강인한 위 치 및 방향 추정, 김용태, 김승석, 한국 지능 시스템 학회 논문지, 20권, 4호, pp. 497-502, , 2010

13. 레이저 스캐너와 마커 센서를 사용한 무인 운반차의 위치 추정 시스템, 박태형, 허성우, 제어로봇시스템학회지, 23권, 10호, pp. 866-872, , 2017

14. QR 코드를 이용한 실내 이동 로봇의 위치 인식 및 자율주행 기법에 관한 연구., 이강철, 국내석사학위논문 한국산업기술대학교 산업기 술 경영대학원, 경기도, , 2017