YOLOv4_tyny와 자체 제작 드라이빙 시뮬레이터를 사용한 객체 데이터 부족 구간에서의 자율주행을 위한 객체 증강 학습 및 탑지 기법

초록

본 논문에서는 자율주행 차량에서 인지를 담당하는 센서 중 카메라 특히 딥 러닝 기반의 기술을 사용한 인지기술을 활용하여 객체 탐지를 위한 객체가 적고 데이터 취득이 어려운 환경인 레이싱 서킷에서의 특 징적 객체 인지를 수행한다. 이를 해결하기 위해 딥러 닝 객체인지 프레임워크인 YOLO를 사용하고 YOLO 의 학습을 위해 스트리밍 사이트에서 취득한 영상정 보를 가공하여 사용하는 방법과 자체 개발한 드라이 빙 시뮬레이터를 사용해 가상의 서킷 환경을 구성하 여 학습 데이터 증강의 수단으로써 사용한다. 본 논문 에서 객체 탐지의 수단으로 사용하는 딥러닝 프레임 워크인 YOLOv4_tiny[3]는 여러 가지 YOLO 모델 중 하나이며 컴퓨터의 GPU에서 실시간으로 동작하며 하 나의 GPU만으로도 매우 빠른 학습이 가능하다는 장 점을 가지고 있다. 또한 특별히 YOLO_tiny 모델을 선정한 이유로는 기존 YOLOv4 모델보다 빠른 FPS(Frame Per Speed)를 가지는 특성 때문이다. 이 는 레이싱 서킷에서의 빠른 차량 속도에서의 객체 탐 지와 차량에 탑재하게 되는 PC의 임베디드적 특성을 고려하였기 때문이다.