카메라 센서와 CNN 딥러닝 기법을 이용한 자율주행 차량 개발 및 제어 = Devlopment And Control Of Autonomous Vehicle Using Camera Sensor And CNN Deep Learning Techniques

국문 초록 (Abstract)

이 연구는 한정된 공간 안에서 원하는 궤적을 자율주행하기 위해 차량을 개발 및 제어하는 목적이 있다. 시스템은 저사양, 저비용 기성품을 이용하여 자율주행 차량을 구성하였다. 자율주행 알고리즘은 카메라 센서와 CNN 딥러닝 기법을 이 용하여 트랙에서 실험을 진행하였다. 자율주행 차량은 카메라 센서, 제어기, DC 모터, 모터 드라이버, 자이로센서, 배터리로 구성하였다. 프레임은 3차원 설계 후 3D프린터를 이용해 제작하였다. 제어기는 ESP32를 기반으로 메인 제어기와 카메라 센서를 사용하였다. 제어기는 C언어 환경에서 알고리즘을 구현하고, 컴퓨터의 Python 환경에서는 학습에 필요한 데이터를 수집하고 CNN 딥러닝을 구현하였다. 자율주행 중에는 자이로센서를 이용하여 차량의 이동 경로를 시각화하였다. CNN 딥러닝을 차량에 적용하여 실험 트랙에서 자율주행 실험을 진행하고 성공 여부를 판단하였다. 주행 결과 차량이 실시간으로 얻는 영상 정보를 이용해 Python 환경에서 조향 제어가 가능함을 확인하였다.

목차 (Table of Contents)

• 표 목차 Ⅳ
• 그림 목차 Ⅴ
• 국문 요약 Ⅶ
• 제 1장 서론 1
• 1.1 연구 배경 1
• 1.2 관련 연구 3
• 제 2장 딥러닝 알고리즘 6
• 2.1 퍼셉트론(Perceptron) 6
• 2.1.1 퍼셉트론 구조 6
• 2.1.2 단층 퍼셉트론 7
• 2.1.3 다층 퍼셉트론 11
• 2.1.4 활성화 함수 11
• 2.2 CNN 알고리즘 13
• 2.2.1 CNN의 구조 13
• 2.2.2 합성곱 연산 15
• 2.2.3 스트라이드 방법 16
• 2.2.4 패딩 17
• 2.2.5 Pooling Layer 18
• 2.2.6 Flatten Layer 19
• 2.2.7 Dense layer 19
• 2.2.8 Dropout layer 20
• 2.2.9 손실 함수 21
• 2.2.10 Adaptive Moment Estimation (Adam) 21
• 2.3 데이터 분리 23
• 2.3.1 머신러닝 데이터 분할 23
• 제 3장 자율주행 차량 설계 및 제작 24
• 3.1 자율주행 차량의 시스템 구성 24
• 3.1.1 차량 외형 24
• 3.1.2 자율주행 차량의 제어기 구성 설계 25
• 3.2 자율주행 차량의 구성 요소 26
• 3.2.1 제어용 마이크로컨트롤러 26
• 3.2.2 카메라 센서 28
• 3.2.3 IMU 센서 28
• 3.2.4 배터리 29
• 3.2.5 DC 모터 30
• 3.2.6 DC 모터 드라이버 31
• 3.2.7 차량 프레임 32
• 제 4장 실험 결과 34
• 4.1 주행 실험 환경 34
• 4.1.1 주행 실험 트랙 34
• 4.1.2 주행 실험 조건 35
• 4.1.3 입력 데이터 수집 35
• 4.1.4 주행 영상 이미지 분류 36
• 4.1.5 차량 이동 경로 추종 37
• 4.2 CNN 학습 38
• 4.2.1 차선 유지를 위한 CNN 학습 38
• 4.3 주행 실험 41
• 4.3.1 1바퀴 주행 학습 및 실험 결과 41
• 4.3.2 3바퀴 주행 학습 및 실험 결과 42
• 4.3.3 3바퀴 주행 재실험 결과 44
• 4.3.4 4바퀴 주행 학습 및 실험 결과 45
• 4.3.5 5바퀴 주행 학습 및 실험 결과 46
• 4.3.6 7바퀴 주행 학습 및 실험 결과 48
• 4.4 결과 데이터 비교 50
• 4.4.1 주행 횟수별 손실 값 50
• 4.4.2 데이터 비교 51
• 4.4.3 자율주행 결과 비교 52
• 제 5장 결론 및 향후 과제 54
• 5.1 결론 54
• 5.2 향후 과제 55
• 참고문헌 56
• ABSTRACT 57