자율주행 인지 기초 1. 자율주행 자동차의 센서 구성 1. 카메라 센서 빛을 전기적 신호로 변환하여 주변에 대한 정보를 2차원 배열 형태로 제공하는 자율주행 센서 장점: CCD 또는 CMOS 센서 사용(해상도 높음), 주변 환경에 대한 색상, 형태 정보 제공, 가격이 저렴한 단점: 날씨, 밝기 변화에 민감, 밤에 성능 저하, 정확한 거리, 속도 정보를 제공하지 못함, 높은 해상도(센서 신호 처리시 계산량이 많음) 2. 레이더 센서 전자파인 RF 신호를 송출하여 목표물에 반사되는 수신파 등의 정보를 얻는다.들보가 정확하지 않음(크래터 현상으로 오탐률이 높음) 3. 라이더 센서 고출력 펄스 레이저를 송출하여 물체에서 반사되어 오는 시간차를 분석하여 3차원 공간을 스캐닝 함장점:거리, 각도 측정 정확도가 높음, 날씨, 습도, 조도 변화에 강하다.단점: 높고 습기가 있는 경우, 수신 신호의 강도가 약해진 2. 자동 운전 인지 기술 개념 1. 동적 객체의 검출 및 추적 센서 신호를 분석하고 다수의 주변 동적 객체를 검출하고 매 시점에서 얻어진 검출 결과를 시간적으로 연결하여 추적 2. 동적 객체의 거동 예측 동적 객체의 시간적인 움직임을 분석하고 미래의 움직임 추정 3. 정적 객체의 검출, 인식 선정적 환경 객체의 위치와 종류를 식별하기로 구조 및 환경을 이해하고 안전한주 항을 가능하게 하는 3. 자동 운전 인지 기술의 도전 과제 1. 동적 객체의 정확성과 정밀도 향상된 정밀도 향상된 환경 적응 주변의 동적 객체의 다양한 행동 패턴과 의도를 분석하고 예측 새로운 오브젝트와 달라진 환경에 적응 3. 인지 기능의 통합 설계 및 실시간 하드웨어 실장 검출/추적/예측의 인지 기능의 통합설계 및 최적화 4. 인지를 위한 AI 기술 1. AI 기술인이 가지고 있는 지능을 기계로 구현하기 위한 기술 2. 머신러닝 데이터를 통해 학습하는 방식으로 지능을 구현하는 기술 3. 딥러닝 머신러닝 기술을 위해 필요한 모델 중 한 명의 노란색을 모사하는 신경망 구조를 가지고 있다 5. 인지를 위한 딥러닝 기술 개요 1. 인지의 딥러닝 기술 개요 1. 인지기술 개요습 데이터를 보여주며 주어진 데이터에 대해 정답을 맞추도록 신경망의 연결 여부를 결정하는 과정인 트랜스: 자율주행차에 탑재하여 실제 인지기능 수행 3. 인지를 위한 딥러닝 기술:크트와 정적 객체를 구분한다.RNN: 시간적으로 순차적으로 들어오는 데이터를 입력하여 원하는 출력을 얻는 자율주행차에서는 주변 동적 객체의 과거 경로에서 미래 경로 예측(LSTM 모델이 가장 유명하다.) 6. 딥러닝 기반 인지 시스템 사례 1. 테슬라의 자율주행 기술 사례 라이다를 사용하지 않고 카메라와 레이더만으로 자율주행을 하는 기술 최근 오토파일럿에서 FSD 기술로 진화 무선통신을 통한 지속적인 소프트웨어 업데이트 2. 구글 웨이모의 자율주행 기술 사례 라이다를 적극 활용하는 자율주행 기술 무인택시 등의 서비스 설계이다.센서를 직접 사용원리이다.밝고 주변에 대한 정보 제공 2. 카메라 구조 핀홀 카메라:핀홀, 즉 작은 구멍을 통해서 빛을 받아들이는 렌즈 카메라:렌즈의 빛의 굴절 특성 이용 3. 영상의 표현 방법 X, Y축의 2차원 배열로 표현 프레임 비율:1초간 보여영상 프레임 수영상의 색 표현:적색, 녹색, 파란 색(빨강 녹청)”일반적으로 색상 별의 밝기를 8비트(0~255)로 표현 8. 카메라 보정(추경)기술 1. 카메라 좌표계 카메라로 물체를 표현하는 좌표계 2. 카메라 내부 파라미터 카메라 영상 좌표계와 관련한 세계적인 카메라 영상 좌표계를 위한 위한 위한 공간적인 즈의 중심에서 이미지 센서에 수직으로 낮춘 점의 영상 좌표, 픽셀 단위로 표현 비대칭 계수:이미지 센서의 CELL ARRAY의 Y축이 기울어진 정도 3. 카메라 검정 카메라 영상 좌표계와 3차원 월드 좌표계 사이의 변환 행렬을 파악하고 카메라 렌즈에 의해 생긴 왜곡을 보정하는 과정, 자율주행차가 카메라 영상을 인식하기 위해서는 캘리브레이션이 이루어져야 한다.-반복적인 패턴이 있는 체커보드를 카메라로 촬영→영상에서 체커보드 코너점 검출→결과를 이용하여 카메라 내부 파라미터 값 계산 9.카메라 기반 물체 검출/추적 기술 1. 물체 검출 기술 카메라 영상을 받고 물체의 위치와 종류를 추정 2. 딥러닝 기반 물체 검출 기술 CNN 딥러닝 모델을 이용하여 물체에 대한 특징값 추출 1단계 검출 기술(YOLO, SSD, Net):높은 대신 검출 정확도가 높은 3. 카메라 기반 물체 추적 기술과 같은 물체에 대한 검출 결과를 시간적으로 연결하고 연결된 물체에 대해 물체 ID를 부여 10. 카메라 기반 영역 분할 기술 1. 자율주행차 검출 대상 차량, 보행자와 같이 본체가 있는 물체 차이로 도로와 같이 본체의 형태가 명확하지 않은 객체 2. Semantic 영역 분할 기술 카메라 영상에서 같은 종류에 해당하는 영역을 분할하여 그 영역의 종류를 분류하는 방법 3. 차선, 도로 영역 검출 카메라 영상에서 차선, 도로에 해당하는 영역을 픽셀별로 라벨링한 데이터 학습 원리를 사용하여 딥러닝 작동시킨다.4gh와 77ghz레이더로 구분 신호 송신 방식에 의한 펄스 레이더, 지속파 레이더로 구분 2. 펄스 레이더( 근거리 차량용) 짧은 펄스 신호를 송신·수신 신호 간의 전파 지연 시간을 측정하는 상대 차량들과의 거리 추정 3.FMCW(지속파 레이더(중장거리 차량용)주파수가 선형적으로 바뀐 지속파 신호 송신 송신 신호와 수신 신호를 걸어 비트 신호를 추출하고 목표와의 거리 및 상대 속도 측정 12. 레이더 신호 특성 1. 레이더 신호 특성 주로 24GHZ와 77GHZ대역을 사용 77GHZ장점:안테나 모종의 크기를 작게 할 수 있고 자동 운전 구현에 유리한 지향성이 더 좋아 인체에 비교적 무해(그래서 요즘은 모두 77을 사용)물체와 관계 없는 장애물에 의한 클러스터 방해 신호 존재 크랏타ー 문제를 해결하기 위한 때문에 문제를 해결하기 위한 고성능 신호용 → 시간에 따른 주파수 변화 분석→물체검출) CFAR 검출방법을 적용하여 일관된 오탐률을 유지 3.배열안테나를 이용한 각도측정 수신된 신호의 위상차를 이용하여 수신신호의 각도추정안테나 원소의 수가 늘어날수록 각도해상도 향상 13.레이더 송수신기 구성 1.디척핑과정 송신신호와 수신신호를 곱한 후 저대역필터를 통과주파수 차이에 해당하는 비트신호 생성 2.고속퓨리에 변환 비트신호를 디지털신호로 변환한 후 고속퓨리에 변환 적용 비트신호의 주파수성분 분석 3.검출 문턱치를 검출하였다.신신호웨이브폼펄스레이더송신신호파형FMCW레이더송신신호주파수파형2.셀평균CFAR검출기잡음의 세기를 주변셀에서의 신호에너지의 평균을 취해 계산3.배열안테나를 이용한 방향측정위상차를 분석하여 신호의 입사방향측정15.라이더센서종류 및 개요1.라이더센서의 특징 고출력펄스레이저를 사용하므로 정확한 거리측정이 가능2.회전형라이더센서를 직접 기계적으로 회전하여 360도 전방위 환경정보획득가격이 높고 내구성이 약한 단점3.고정형라이더이다.환경정보를 획득하고자 하는 각도에 설치하여 운용가격이 저렴하나 화각이 제한되는 단점이 있는 라이더 구현방식 기계식 라이더:기계적 모터를 사용하여 주변영역을 스캐닝 MEMS 라이더:MEMS 기술을 이용하여 작은 반사경을 제어하여 주변영역을 스캐닝 플래시 라이더:단일 레이저빔을 광시야각으로 확장하여 송신하고 반사되는 레이저빔을 다중배열수신소자를 통해 수신 FMCW 라이더:레이더에 사용되는 FMCW 신호분석원리를 적용거리뿐만 아니라 속도측정도 가능16.라이더 센서특성 및 데이터 1지연물체이다.5nm 파장 사용(습도의 영향으로 수신 파워 감소)하였기 때문에 최근에는 1550 파장 개발 중단점: 반사체 반사율이 낮을 경우 반사되어 돌아오는 신호 성분 약화(검출 가능한 거리가 줄어든다) 2. 라이더 데이터 표현 방식 신호가 반사되어 돌아온 물체 위치를 3차원 좌표(x, y, z)와 세기 i로 구성된 4차원 데이터(x, y, z, i)로 표현 3. 포인트 클라우드 데이터이다. 포인트 집합(3차원 공간에서 점 집합) 특징: 정해진 순서 없이 포인트 처리 채널 수, 회전 속도 등에 따라 해상도 변화 라이더를 여러 개 장착할 경우 스캐닝 주기와 동기화를 맞춰야 한다.17. 라이다 기반 물체 검출 기술 1. 라이다 기반 물체 검출 기술 라이다 센서 데이터를 분석하여 물체의 위치와 종류 추정 포인트 클라우드 데이터를 분석하고 동적 객체 분류 2.3차원 영역의 물체 검출 3차원 영역에 물체를 포함한 3차원 박스에서 물체의 위치 표현 3. 조감도 영역의 물체 검출 주변을 위에서 내려다보는 방향에서 물체를 2차원 박스로 표현 4. 라이다 데이터 전처리 방식에 따른 분류 복셀 기반 라이다 처리 : 3차원 공간을 복셀이라 불리는 작은 3차원 블록으로 나눈 후 각 복셀 내에 있는 라이다 포인트 클라우드를 처리하여 물체를 처리하여 물체를 2.
인기글
