2wnswoo 님의 블로그

1. 레이더 센서 신호- 자율주행차에는 밀리미터 파장 대역인 24GHz 와 77GHz의 부근의 레이더 주파수 대역이 사용됨- 전자기파는 날씨, 밝기, 시야가림 등의 환경 변화에 강한 특성을 보임- 77GHz는 24GHz에 비해 안테나 모듈 크기를 작게 만들 수 있고, 지향성이 더 좋고,인체에 미치는 영향도 적음- 클러터 문제 : 물체가 없는 위치에 신호가 검출되어 오탐률을 높임  > 실제 물체와 클러터를 구별할 수 있도록 고성능 신호처리 알고리즘 필요 2. 레이더 신호를 이용한 물체 검출2.1 레이더 신호의 주파수 분석- 수신 신호에 고속 푸리에 변환 ( FFT ) 기법을 적용하여 물체 검출 수행- 주파수 성분에 배경 잡음과 클러터 등의 간섭 신호들이 존재  > 간섭 신호 하에서도 일관된 오탐률을 유지하..

1. 레이더 센서 종류1.1 사용 주파수 대역에 따른 구분- 24GHz 대역 : 근거리용 레이더 사용- 77GHz 대역 : 원거리용 레이더 사용1.2 신호 송신 방식에 따른 구분- 펄스 레이더 : 송수신 신호간의 전파지연 시간을 이용하여 상대 차량과의 거리 추정- FMCW 레이더 : 송신 신호와 수신신호를 이용해 목표와의 거리 및 상대속도 추출 2. 레이더 센서 작동원리2.1 펄스 레이더- 하나의 안테나를 사용하므로 송수전환기( 송수신격리기 )를 통해 송신 신호와 수신 신호를 분리하여 처리- 다음 펄스의 송신이 일어나기 전에 반사 펄스가 들어오도록 하고 수신된 시간과 전력으로부터 거리 계산을 수행 2.2 FMCW 레이더- 디처핑 방법( 송신 신호 x 수신 신호)을 적용하여 비트 주파수 성분을 얻게 됨- ..

1. 카메라 기반 영역 분할 기술 개요- Semantic 영역 분할 기술 : 컴퓨터 비전 기술 중에 카메라 영상에서 같은 종류에 해당하는 영역을 분할하고 그 영역의종류를 분류하는 방법- Semantic 영역 분할 기술을 이용하면 차로, 도로, 횡단보도, 과속방지턱 등 검출 가능 2. 카메라 기반 차로, 도로 영역 검출- Semantic 영역 분할 기법 : 카메라 영상의 각 픽셀이 어떤 카테고리에 속하는지 분류- 다양한 주행 카메라 영상에 대해 각 픽셀별로 라벨링을 해 놓은 학습 데이터를 사용하여 딥러닝 모델을 트레이닝- 자율주행차가 차로를 준수하고 안전한 주행도로로 다닐 수 있도록 유용한 정보 제공- 지도 기반 자기 차량 위치 측위에 사용 본 내용은 현대 엔지비 교육의 '자율주행 자동차 인지 기술'  강..

1. 카메라 기반 물체 검출 기술- 카메라 영상을 입력으로 받아서 물체의 위치와 종류를 알아내는 기술- 카메라 영상에 Convolutional Neural Network ( CNN )을 적용하여 물체의 특징을 추출한 후 이를 이용하여 물체를 검출함- 딥러닝 기반 물체 검출 방법 : 1단계 방법과 2단계 방법으로 나누어짐  - 1단계 : 간단한 구조로 인해 계산시간이 빠름 ( YOLO, SSD, RetinaNe )  - 2단계 : 검출 정확도가 더 높음 ( Faster RCNN, Mask RCNN ) 2. 카메라 기반 물체 추적 기술- 각 비디오 프레임에서 얻어진 물체 검출 결과를 이용하여 시간에 따라 움직이는 물체를 추적하는 기술- 움직이는 물체를 추적하기 위해서는 현재 비디오 프레임과 이전 비디오 프레..

1. 카메라 좌표계- 카메라에서 물체를 표현하는 좌표계2. 카메라 내부 파라미터- 월드 좌표계와 카메라 좌표계의 변환에 영향을 주는 카메라 내부의 기계적인 셋팅을 설명하는 파라미터- 초점 거리 : 렌즈의 중심과 이미지 센서 ( CMOS 또는 CCD )와의 거리- 주점 : 렌즈의 중심에서 이미지 센서에 수직으로 내린 점의 영상 좌표- 비대칭 계수 : 이미지 센서의 Cell Array의 Y축이 기울어진 정도 3. 카메라 캘리브레이션- 월드 좌표계에서 카메라 좌표계의 변환을 알기 위해 카메라의 내부 파라미터 값을 알아내고 카메라 렌즈에 의해생긴 왜곡을 보정하는 과정- 자율주행차가 월드 좌표계에서의 물체 상태나 환경을 카메라 영상을 이용하여 이해하기 위해서는 카메라캘리브레이션이 수행되어야 함  본 내용은 현대 ..

1. 카메라 렌서 원리- 카메라 렌즈를 통해 들어온 빛을 전기적 신호로 변환해서 주변에 대한 정보 제공- 초점 거리 : 렌즈의 중심에서부터 필름에 영상이 맺히는 사이의 거리- 화각 : 화면을 구성하는 각도 2. 카메라 구조2.1 핀홀 카메라- 핀홀, 즉 작은 구멍을 통해서 빛을 받아들임- 초점 거리에 따라 물체 크기 변화2.2 렌즈 카메라- 렌즈의 빚의 굴절 특성 이용- 렌즈에 의한 왜곡 보정 필요 3. 영상의 표현 방법- x축 y축의 2차원 배열로 표현  - 해상도 : 배열의 크기  - 픽셀 : 배열의 원소- 프레임 비율 : 1초 동안 보여주는 영상 프레임 수-RGB 영상의 색상 표현 : 적색 Red, 녹색 Green, 청색 Blud  본 내용은 현대 엔지비 교육의 '자율주행 자동차 인지 기술'  강의..

1. 테슬라와 구글 웨이모의 자율주행차 인지 기술1.1 테슬라 자율주행차 인지 기술- 최근 오토파일럿에서 FSD( Full Self Driving ) 기술로 진화- 카메라 센서와 레이더 센서만으로 구성1.2 구글 웨이모의 자율주행차 인지 기술- 라이다 이용- 카메라와 레이더는 라이다를 보조-  라이다 센서를 직접 설계하여 사용 2. 자율주행차 인지 오류로 인한 사고 사례2.1 2016년 5월 테슬라의 자율주행차 사고- 테슬라 모델 S가 오토파일럿 기능을 켠 상태로 흰색 트레일러와  충돌하여 운전자가 사망2.2 2018년 3월 우버의 자율주행차 사고- 자율주행 시험 운행 중이던 우버 차량이 자전거를 끌고 무단횡단하던 40대 여성과 충돌하여 여성 사망  본 내용은 현대 엔지비 교육의 '자율주행 자동차 인지 ..

1. 딥러닝 모델의 신경망 구조- 센서 데이터를 입력받아 원하는 결과를 출력- Feed-Forward 신경망 구조 2. 딥러닝의 학습 과정2.1 트레이닝- 수많은 학습 데이터를 보여주고 정답을 제대로 낼 수 있도록 신경망의 연결여부를 결정해주는 과정2.2 인퍼런스- 트레이닝이 끝나면 딥러닝 모델을 자율주행차에 탑재하여 실제 인지 기능 수행 3. 인지를 위한 딥러닝 기술3.1  Convolutional Neural Network ( CNN )- 카메라 영상을 입력으로 하여 원하는 결과를 얻어냄- 2차원 배열 데이터를 처리하기에 유리한 구조- 자율주행차 적용 사례 : 카메라 영상을 기반으로 동적 객체와 정적 객체 검출 3.2 Recurrent Neural Network ( RNN )- 시간적으로 순차적으로 ..

1. 인지를 위한 AI 기술 개요- AI 기술(인공지능 기술) : 사람이 갖고 잇는 기술을 기계로 구현하기 위한 기술- 머신러닝 : 데이터를 통해 학습하는 방식으로 지능을 구현하는 기술- 딥러닝 : 머신러닝 기술을 하기 위해 필요한 모델 중 하나, 사람의 뉴런을 모사하는 신경망 구조를 가지고 있음 2. 인지를 위한 AI 기술의 필요성- 엔지니어가 직접 데이터를 설명하는 모델 설계- 실제 환경에서 얻은 데이터의 통계적인 분포와 구조가 복잡 3. 인지를 위한 AI 기술의 적용 과정- 대규모 센서 데이터 취득- 라벨링 과정- 클라우드 서버, 컴퓨팅 환경에서 딥러닝 모델 훈련 수행- 학습된 신경망의 연결 정보를 차량에 탑재- 자율주행차에서 수집된 센서 데이터를 기반으로 차량에 장착된 컴퓨팅 하드웨어를 이용해 인..

1. 자율주행차 인지 기술의 어려움- 근거리 환경 인지에 대해 100%에 가까운 정확도 요구- 다양한 변화에 강인한 성능 요구- 예측하기 힘든 매우 다양한 주행 환경, 상황- 인지에 활용되는 주행 및 교통 환경 등의 문맥적인 의미 파악의 기술적 어려움- 주변 타 차량이나 보행자의 다양한 행동 패턴- 새로운 객체들이 계속 생겨나고 교통 환경도 시간에 따라 변화해 감- 인지 기술 수행의 실시간 연산이 가능해야 함 2. 인지 기술의 도전적 과제- 다양한 환경 변화 및 주행 환경에서 강인함과 신뢰성 향상- 주행 및 교통 환경 등의 문맥적인 의미를 활용하여 인지기능의 정확도 향상- 다양한 동적 객체들의 행동 패턴 이해 및 분석- 새롭게 변화하는 환경에 적응, 변화- 동적 환경 객체 검출, 추적, 예측 기능의 통합..