http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
김영수(Yeongsoo Kim),손영록(Youngrok Son),조기춘(Kichun Jo) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.11
최근 몇 년 동안 전자 상거래가 증가함에 따라 트럭 드론 배송 시스템에 대한 관심이 증가하고 있다. 트럭 드론 배송시스템을 위해 드론 자동 착륙은 필수적이다. 하지만 이를 위한 기존 방식은 센서의 부정확성으로 인한 착륙의 정밀성 부족과 목표물 인지 한계에 따른 어려움이 존재한다. 따라서 본 논문에서는 정밀성과 인지 거리 향상을 위한 단일카메라를 이용한 자동착륙 프레임워크를 제안한다. 이 프레임워크는 비전 기반 인공지능과 혁신적인 패턴 방식으로 기존 방식 대비 향상된 자동착륙 성능을 보여준다.
자율주행을 위한 의미론적 전역 포인트 클라우드 맵 데이터셋 구축
송하민(Hamin Song),김찬수(Chansoo Kim),손영록(YoungRok Son),조지은(Jieun Cho),조기춘(Kichun Jo) 한국자동차공학회 2021 한국자동차공학회 부문종합 학술대회 Vol.2021 No.6
최근 자율주행의 핵심은 인지 파트는 다양한 센서를 기반으로 개발되고 있다. 그 중 LiDAR는 정밀한 위치 정보를 제공하고 외부 환경조건에 영향을 적게 받는다는 장점이 있어 이를 이용한 연구가 활발히 이루어지고 있다. 또한 딥러닝의 발전에 따라 뉴럴 네트워크를 이용한 객체 분류, 인식 및 의미론적 분할 등 다양한 task가 수행되고 있다. 포인트 클라우드 의미론적 분할은 가장 높은 수준의 분류로, 모든 포인트에 클래스를 부여하여 풍부한 정보를 제공한다. 지도 학습을 이용한 의미론적 분할은 포인트 별 분류 정답이 표기된 데이터셋이 필수적이다. 하지만 의미론적 분할된 포인트 클라우드 데이터셋은 매우 부족하며 한국의 도로 상태를 반영한 분류 체계를 갖는 데이터셋은 거의 없다. 따라서 ‘자율주행을 위한 의미론적 전역 포인트 클라우드 맵 데이터셋’을 구축하고자 한다. 본 데이터셋의 구축과정은 Fig.1과 같이 진행된다. 첫번째 단계인 logging 과정에서는 데이터 취득 지역을 선정하고, MMS(Mobile Mapping System)를 이용하여 포인트 클라우드 맵을 취득한다. 두번째 단계인 클래스 설계에서는 한국의 도심 환경 특성을 고려하여 연석, 신호등, 터널 내 객체 등을 포함한 분류 체계를 설계한다. 세번째 단계인 semi-auto labeling에서는 어노테이션 소요 비용을 최소화하기 위해 사전학습 된 모델을 사용해 얻은 분류 결과를 수정하는 과정을 거친다. 마지막 단계인 검수 과정에서는 다른 객체로 오분류된 포인트가 있는지 필터링을 통해 확인 후 수정한다. 데이터셋 구축 이후에는 데이터셋의 유효성 검증이 필수적이다. 이를 위해 여러 포인트 클라우드 의미론적 분할 모델을 사용한다. 이때 모델의 특성에 치우치지 않는 결과를 얻기 위해 다양한 프레임워크를 갖는 모델을 선정한다. 3D-CNN 기반, Point-wise MLP 기반, GCN 기반의 모델을 다양하게 선정하고, 각 모델을 구축한 데이터셋으로 학습하여 성능을 도출함으로써 데이터셋의 유효성을 검증한다.
5G 클라우드 기반 자율주행차 소프트웨어 구성요소 할당 최적화
박준용(Joonyong Park),나유승(Yuseung Na),손영록(Youngrok Son),조기춘(Kichun Jo) 한국자동차공학회 2021 한국자동차공학회 부문종합 학술대회 Vol.2021 No.6
자율주행 시스템은 대형 임베디드 실시간 시스템 소프트웨어로, 기능 및 성능 요구사항을 충족하기 위해 상당한 양의 시스템 리소스를 필요로 한다. 자율주행 차량은 시스템 리소스 수요를 충족시키기 위하여 다양한 이기종 컴퓨팅 유닛을 사용한다. 이러한 다수 컴퓨팅 유닛의 구축 비용과 과도한 전력 소모는 자율주행차의 상용화를 저해하는 요소이다. 최근 5G와 같은 통신기술의 발전으로 데이터 전송속도 및 지연이 감소하여 클라우드-엣지 컴퓨팅(Cloud-Edge Computing)개념이 자율주행 시스템에도 적용될 수 있다. 기존의 자율주행차량은 엣지에 해당하는 차량 컴퓨팅 유닛만으로 자율주행 시스템을 구현하여 높은 엣지 컴퓨팅 비용이 발생했다. 클라우드 컴퓨팅 시스템을 자율주행 시스템에 도입하면 소프트웨어 구성요소의 일부를 서버나 MEC(Multi-Access Edge Computing)로 할당하여 차량 컴퓨팅 유닛의 계산 부하를 분산할 수 있다. 그러나, 하드웨어 구성이 복잡해짐에 따라 모든 소프트웨어 구성요소를 적절한 컴퓨팅 유닛에 할당하는 방법이 필요하다. 자율주행차의 엣지 컴퓨팅 비용 절감을 위해 소프트웨어 구성요소를 클라우드 컴퓨팅 유닛으로 할당하게 되면 네트워크 비용이 증가하고, 네트워크 기반의 소프트웨어 구성요소 할당은 trade-off의 균형점을 찾기 위한 최적화 문제로 정의할 수 있다. 본 논문에서는 클라우드 및 자율주행 차량의 이기종 컴퓨팅 유닛 간에 ROS 기반 자율주행 소프트웨어 구성요소 할당을 최적화하기 위한 비용함수를 제안한다. 비용함수는 컴퓨팅 자원, 네트워크 대역폭 기반의 제약조건과 컴퓨팅 및 네트워크, 위험도의 비용으로 이루어진다. 비용함수를 이용한 소프트웨어 구성요소 할당을 위하여 시뮬레이션을 기반으로 비용함수의 요소 지표를 산출하고, 제약조건을 만족하면서 비용을 최소화하는 최적 할당을 찾는다. 마지막으로, 최적 할당의 유효성을 자율주행 시나리오의 시뮬레이션 주행으로 검증한다.
김상권(Sangkwon Kim),박준용(Joonyong Park),김가민(Gamin Kim),김소영(Soyeong Kim),나유승(Yuseung Na),송하민(Hamin Song),조지은(Jieun Cho),손영록(Youngrok Son),석지원(Jiwon Seok),조기춘(Kichun Jo) 한국자동차공학회 2021 한국자동차공학회 부문종합 학술대회 Vol.2021 No.6
자율주행은 스스로 주행환경을 인지하고, 최적의 주행 경로를 결정하여 차량을 안전하게 제어하여 목적지까지 도달하는 기술이다. 자율주행을 위한 핵심 기술은 인지, 판단, 제어 세 가지로 분류할 수 있으며 기술의 고도화를 위해 운전자의 인지능력과 동등한 고수준 주행환경인지 능력은 필수적이다. 주야간, 날씨와 같은 다양한 환경 변화조건에서 일정 수준 이상의 인식성능이 유지되어야 하기 때문에 이를 위해 다양한 주행 데이터셋을 기반으로 학습한 인공지능기술이 주목받고 있다. 하지만, 인공지능 학습용 데이터를 구축하기 위해선 고가의 센서 및 수집장비를 요구하며, 수집한 원천 데이터를 학습용 데이터셋으로 변환하기 위해 데이터 분류 및 주석 작업 인력에 의존하기 때문에 대량의 데이터셋을 구축하는 것은 천문학적인 인력과 비용을 필요로 한다. 본 논문에서는 도심, 지하차도 및 터널 등 GNSS 수신 상태 음영 지역에서 위치 및 주변환경을 인지하기 위한 데이터셋, 주행 중 갑자기 마주할 수 있는 표면 이상과 장애물을 촬영한 데이터셋, 자율버스 개발을 위해 버스전용도로 구간을 포함한 주행도로를 촬영한 데이터셋의 구축방법을 다룬다. 각 데이터셋 마다 원천 데이터의 요구사항을 도출하고, 요구사항에 기반하여 선정한 카메라, 라이다, 고정밀 GNSS/INS, 저가형 GNSS 등 필요한 센서를 장착한 수집 장치를 구축한다. 그리고 이미지 데이터와 포인트 클라우드 정밀지도 등 학습에 활용할 수 있는 데이터에 대해 학습 분류체계를 구성하였고, 각 학습 데이터마다 YOLOv3, ConvPoint 등 연관된 AI 모델 적용을 통해 데이터 유효성 품질에 대해 평가하고 이를 이용한 서비스를 시연함으로써 활용 가능성에 대해 평가한다.