Machine Learning , AI, Arduino Coding

9-6 YOLO(You Once Look Only) Lane Detection http://ejleep1.tistory.com/1395 한편 컴퓨팅 속도 차원에서 타 알고리듬과는 비교할 수 없을 정도로 빠른 YOLO 알고리듬에 대해서 살펴 보기로 한다. 처음부터 속도를 중시했기 때문에 어쩌면 상업적인 자율주행을 목표로 개발이 이루어져 왔을 수도 있다. YOLOv3 를 사용하여 여러 종류의 짐승들을 포함하고 있는 이미지를 object detection 해보자. 탐지(Detection) 결과를 요약해 보면 말 3마리, 개 5마리는 정확하게 Bounding Box로 검출이 되었고 작은 크기의 고양이들은 놓친 결과를 보여준다. 물론 YOLOv3 가 나름 괜찮은 object detector 이긴 하지만 objec..

1. 컨볼루션 네트워크(CNN, Convolutional Neural Network) 위 그림은 1981년 노벨 의학상을 수상하게 되었던 하버드 의대의 후벨(Hubel) 박사의 1959년도에 실시된 고양이 시각피질(visual cortex) 반응 실험 연구내용이다. 즉 고양이의 시각피질에 전극을 꽂은 상태에서 흰색 배경의 흑백 TV에서 기울어진 검정색 막대 모양을 병진 또는 회전시키면서 자극을 주게되면 일어나는 전기적 반응을 오디오로 들으면서 기록하였다. 이와같이 동물이나 인간의 시지각 현상을 신경망화 한 모델이 바로 CNN 이며 1990년대 말에 이르러서여 LeCun 교수의 LeNet을 통해 MNIST 수기문자 판독을 위한 알고리듬으로 사용되어 그 뛰어난 특성이 알려졌다. CNN 은 레이어 별로 점차 ..

1959년에 고양이의 시각피질의 반응 연구로 시작된 닥터 Hubel 의 연구는 1998년 LeCUN 교수의 MNIST 수기문자판독 연구에서 그가 발명한 LeNet 의 실질적인 응용이 이루어졌다. 미국 우편 체계에서 편지를 보낼 경우 수발신 란에 수기로 작성되는 소속 주(state)와 숫자로 표시되는 주소를 의미한다. 손글씨로 쓴 0~9 까지의 숫자 7 만개를 28X28 즉 784개 흑백 픽셀 이미지로 채집하여 데이터세트를 구성하였다. 6 만개는 수기 숫자 학습용이며 나머지 1 만개는 학습된 가중치를 사용하여 학습이 잘되었는지 통계학적으로 컨펌(confirm) 해보는 또는 validation 즉 타당성을 체크 해보는 테스트용으로 사용한다. 손글씨 데이터는 분명히 0 ~ 9까지의 10종류의 데이터로 균등한 ..

참조: Highway Trajectory Planning Using Frenet Reference Path https://kr.mathworks.com/help/nav/ug/highway-trajectory-planning-using-frenet.html?searchHighlight=Frenet&s_tid=srchtitle_Frenet_1 고속도로 주행 시 자율주행 차량의 차선 변경에 대해서 살펴보자. 실제 주행도 어렵지만 몇 가지의 표준적인 주행 환경 시나리오를 설정해 놓은 상태에서 자율주행 차량이 차선 변경을 위한 최적의 조건을 찾아 보도록 한다. 시나리오에 따른 차선 환경은 게임 작성 소프트웨어로 잘 알려진 Unity 를 사용하여 구성되며 그중에 ego vehicle(자율주행 차량) 과 주변 차량들..

참조: Use HERE HD Live Map Data to Verify Lane Configurations https://kr.mathworks.com/help/driving/ug/use-here-hd-live-map-data-to-verify-lane-configurations.html HD 맵을 구성하는 레이들을 불러내어 Route를 지도에 표현하는 방법을 살펴보았으므로 이번 절에서부터는 자율주행 차량을 대상으로 체계적으로 적용하는 법을 살펴보자. ① HERE HDLM 서비스를 사용하여 기록된 GPS 시퀀스 데이터에 대한 도로 및 차선 정보를 읽어 들이자. ⓶ 기록된 GPS 데이터에 대해서 찾아내는 것이 가능한(heuristic) 경로 일치 접근 방식을 적용하자. GPS 데이터는 대부분 부정확하므로 ..

7-3 HERE HD Live Map Layers 참조: HERE HD Live Map Layers https://kr.mathworks.com/help/driving/ug/here-hd-live-map-layers.html HD 맵을 사용하여 자율주행 차량이 주행한 궤적을 찾아 디스플레이 하는 작업은 스마트폰에서 카카오 맵이나 티 맵을 사용하여 출발지와 도착지를 지정한 후 주행 궤적을 관찰하는 정도의 문제로서 특별할 것은 없다고 본다. 이번 절에서는 한 걸음 더 나아가 HD 라이브 맵 레이어 구성 방법 및 그 데이터 이용법을 살펴보자. MATLAB 코드는 참조 url 주소에서 다운 받기 바라며 여기서는 원리 해설에 중점을 두도록 한다. HD(High Definition) 맵 은 일반 네비게이션 맵과 내..

7-2 HERE HD 라이브 맵 레이어 사용 참조: Here HD Live Map Layers https://kr.mathworks.com/help/driving/ug/here-hd-live-map-layers.html HERE HD Live Map 은 HERE Technologies 사에 의해 개발된 클라우드 기반 우베 서비스 제품으로서 사용자로 하여금 고정밀도의 지속적으로 업데이트 된 맵 데이터에 접근을 가능하게 한다. 데이터 내용은 앞 절에서 소개 했던 전체 내용을 지ㄹ역별 카탈로그에 담고 있다. 이 데이터를 사용하기 위해서는 hereHDLMReader 명령을 사용해야 하며 실예로 가시화 하는 과정을 살펴보자. 레이어 전체 데이커 크기가 상당히 커 부담스러울 경우 필요한 데이터 필드만 지정해서 읽어..

자율주행 차량이 전 세계적으로 많은 시범 운행이 이루어질 정도로 가깝게 우리 주변에서 경험할 수 있을 정도로 발전했으나 아직도 라이더 센서나 레이더 센서나 비젼 시스템 주 어느 것을 선택할 것인가부터 많은 자율주행 연구개발 주체들 간의 쵸준화 내지 통합은 미지수로 남아 있다. 이같이 자율주행 차량의 표준 자체가 미정인 상태에서 인터넷 공간상에 많은 종류의 자율주행 차량들이 수집한 Dataset 들이 뿌려져 있는 상태이지만 오픈소스로 이들 데이터세트를 대상으로 자율주행 소프트웨어 체계를 효과적으로 학습하기는 대단히 힘든 상황이다. 하지만 Mathworks사가 제공하는 MATLAB 언어를 사용하여 Udacity 와 협력하여 제공하는 자율주행 관련 블로그들은 자율주행을 학습하고 이해함에 효과적으로 도움이 될 ..

시작하기 전에 일단 결과 영상을 감상 후 코드 작업을 진행하자. https://youtu.be/YhB2_sbIWUc 2022년 9월 중순 어느새 자율주행차량 시법운행이 폭발적으로 늘어나고 있다. 이미 샌프란시스코에는 GM 차에 구글 waymo 시스템 자율차량을 비롯하여 로보택시 시범운영이 이루어지고 있다. 물론 중간에 퍼져버린다든지 사고도 많지만 아무튼 자율주행의 시대가 도래했음은 분명한 것 같다. 제네시스 G90 에 장착된 ADAS 시스템도 보다 발전하여 레벨 3 내지는 레벨 4를 넘보는 듯하다. 참조: 라이다 달린 신형 G90 나온다! https://www.youtube.com/watch?v=N5a3h1RJxsc&t=183s 2021년 5월에 김한용 MOCAR의 자동차 블로그에서도 인텔이 17조원에 ..

라이다는 자율주행 차량 주위의 객체들까지의 거리를 측정하기 위해서 펄스 형태의 레이저를 이용한다. 가시광선이 대체로 900 nm 이하 파장 영역임에 비해 벨로다인 라이다 센서 사례에 의하면 900 ~ 1600 nm 의 주파수 범위를 가지는 적외선 영역에 근접한 레이저로서 905 nm 와 1550 nm 가 사용된다, 특히 1550 nm 파장은 905 nm 파장에 비해 우중이나 안개가 낀 경우나 눈이 올 때 그리고 지표면이 젖었거나 눈으로 덮였을 경우 반사 수신 신호에 심각한 품질 저하가 일어난다. 신호 상당한 품질 저하가 있음에 유의하자. 자율주행용 회전식 라이다에서 방출되어 객체들로부터 반사된 레이저 펄스들은 지표면 특성, 물체들의 형상과 인위적으로 설정 배치해둔 랜드마크들의 3차원 입체 정보를 아래와 ..