자율 주행차의 영상 기반 차간거리 유지 개발
Table of Contents
프로젝트 소개
YOLO-v5 기반으로 단안 카메라의 영상을 활용해 차간 거리를 일정하게 유지하며 주행하는 Adaptive Cruise Control 기능을 제공한다.
주요 기능
-
객체 인식
- 복도에서의 차량 카트 이미지를 촬영하여 커스텀 데이터셋을 제작
- YOLO-v5 모델 중 가장 초당 프레임 수 가 높은 YOLO-v5s에 커스텀 데이터셋을 학습
- 라즈베리파이에 부착된 웹캠을 통해 실시간으로 전방 차량 인식
-
거리 측정
- 객체 인식 시 나타나는 Bounding box의 좌표값을 추출하여 대상과의 거리가 1m 일 때 Bounding box의 높이와 너비값을 측정
- 이후 인식된 객체의 Bounding box 높이와 너비값과 1m 일 때의 Bounding box 높이와 너비값의 비례식을 통해 거리를 측정
-
거리 유지
- 측정된 거리를 기반으로 동작을 나누어 시리얼 통신을 통해 동작 신호를 cart를 조작하는 STM보드에 전달
- STM보드에서 전달받은 신호를 기반으로 PWM 제어를 통해 차간 거리가 유지되도록 속도 조절
시스템 구조
거리유지 시스템 구조
겍체 인식 및 거리측정 시스템 구조
거리측정 알고리즘
- 카메라의 해상도에 따라 1m에서 기준이 되는 Bounding box의 width와 height의 크기가 달라진다
디렉토리 구조
HEN_Project2
├── dataset
│ ├── ver_1
│ ├── ver_2
│ └── ver_3
│
├── docs
│ ├── 기초보고서
│ ├── 면담보고서
│ ├── 중간보고서
│ └── 최종보고서
│
└── src
├── cart
│ ├── main_arm.c
│ └── main_cart.c
│
├── weights
│ ├── cart_model_v1.pt
│ ├── cart_model_v2.pt
│ ├── cart_model_v3.pt
│ ├── cart_model_v4.pt
│ └── cart_model_v5.pt
│
└── detect.py
결과
실시간 객체 인식 및 거리측정
학습된 가중치 모델을 바탕으로 단안 카메라를 이용하여 전방 차량 키트를 인식하였다.
인식된 차량 키트에 대한 Bounding box에서 왼쪽부터 클래스명, 예측 정확도, 단안 카메라 기준 예측 거리(cm) 를 나타낸다.
인식 결과, 이미지 크기 128*128 기준 평균적으로
초당 약 3 프레임의 속도로 동작하였으며,최대 5m까지 높은 정확도로 인식됨을 확인할 수 있었다.거리 예측 오차율 측정 결과
| 실제 거리 | 측정 최소 거리 | 측정 최대 거리 | 최대 오차율 |
|---|---|---|---|
| 0.5m | 0.47m | 0.53m | 6% |
| 1m | 0.96m | 1.02m | 3% |
| 2m | 1.98m | 2.02m | 1% |
| 3m | 2.85m | 2.94m | 5% |
| 5m | 4.65m | 5.05m | 7% |
거리유지
동작 설정
- 전방 차량과의 거리가 70cm보다 가까워진 경우 차량 정지
- 전방 차량과의 거리가 70cm ~ 120cm인 경우 큰 폭으로 속도 감소
- 전방 차량과의 거리가 120cm ~ 150cm 인 경우 작은 폭으로 속도 감소
- 전방 차량이 없거나 거리가 150cm 보다 먼 경우 원래 주행 속도로 복구
거리유지 기능 실험 결과
- 기준 주행 속도는 차량 키트가 스스로 움직일 수 있는 최저 속도로 설정하였다.
- 테스트 결과 거리가 1m에 가까워 지면 상당히 속도가 줄어들었고 70cm에 이르면 차량 키트가 완전히 정지하였으며, 전방에 가까운 차량이 없으면 원래의 주행 속도로 돌아오는 기능 또한 정상적으로 동작함을 확인 할 수 있었다
실행 방법
YOLO 설치
라즈베리파이에서 git clone https://github.com/ultralytics/yolov5 후 안내에 따라 필요한 모듈 설치
YOLO 구성 및 구동 방법
1. custom_dataset 폴더 : yolov5 모델 학습에 사용된 커스텀 이미지파일 포함
(label파일도 포함되어 있음)
-> 직접 제작 해야 함
2. yolov5 : yolov5 모델의 전체 구성파일이 포함
- 주요파일
1) best.pt : 커스텀 이미지로 학습된 yolov5모델
2) detect.py : 객체인식을 구동시키기 위한 파이썬 파일
3) /data/car_data.yaml : 학습할 이미지파일들의 정보가 포함된 파일
4) /models/yolov5s.yaml : 학습할 데이터셋의 뼈대
5) yolov5s.pt : Pre-Trained 모델
3. train을 위한 명령어
(yolov5 폴더에서) 다음 명령어 실행
python3 train.py --img 128 --batch 3 --epochs 50 --data car_data.yaml --cfg ./models/yolov5s.yaml --weights yolov5s.pt --name custom3_car_yolov5s
- 파라미터 설명
1) img : 학습할 img size
2) batch : 한번에 처리되는 이미지 개수
3) epochs : 학습 반복 횟수
4) data : custom yaml 파일
5) cfg : 뼈대 yaml 파일
6) weights : Pre-Trained 모델 파일 경로 (pt 형식 파일)
아무런 값을 적지 않으면 ('') 랜덤한 weight 값으로 초기화 및 학습 진행 (깃헙 공식 오피셜, pre-train을 추천)
pre-trained 파일이란? : 학습 파라미터(weight와 bias)가 잘 초기화된 파일
7) name : 학습한 가중치 파일과 관련 내용들이 들어갈 폴더명 (runs/train/에 생성된다)
4. 객체인식을 위한 명령어
(yolov5 폴더에서) 다음 명령어 실행
python3 detect.py --weights best.pt --img 128 --conf 0.4 --source 0
- 파라미터 설명
1) weights : 학습된 가중치 파일
2) img : 인식할 이미지 크기
3) conf : 인식할 객체의 최저 인식률
4) source : 인식할 이미지 및 영상 파일 (라즈베리파이에서 웹캠을 source로 하고 싶다면 '0'을 넣으면 된다)
참조
Ultralytics, YOLO v5(2020), Retrieved June, 10, 2020, from https://github.com/ultralytics/yolov5
이동석 외 4 저, 스테레오 카메라를 이용한 이동객체의 실시간 추적과 거리 측정시스템(2009)
이강원 외 1 저, 지형 공간정보체계 용어사전(2016)
https://github.com/sungjuGit/Pytorch-and-Vision-for-Raspberry-Pi-4B
팀원
- 권동영 (2016110307)
- 신동해 (2018110651)