라즈베리파이를 이용한 교육용 자율주행 자동차 개발

---

목차

1. 소개
2. 알고리즘
   • 1.1. 데이터 수집 알고리즘
   • 1.2. 데이터 학습 알고리즘
3. 데이터 수집
   • 2.1. 카메라 위치 조정
   • 2.2. 데이터 수집 방법론
   • 2.3. 방향 전환 방법론
   • 2.4. 데이터 수집에 활용한 코스
4. 이미지 처리 방법
5. 시행착오
6. 조원의 역할 및 기여도
7. 주행 영상 및 활동 사진

---

소개

이 README 파일은 라즈베리파이를 이용한 교육용 자율주행 자동차 개발 프로젝트의 세부 내용을 설명하며, 알고리즘, 데이터 수집 방법론, 이미지 처리 방법, 겪은 문제와 해결 방안, 팀원들의 기여도를 다룹니다.

알고리즘

데이터 수집 알고리즘

두 가지 주요 데이터 수집 방법을 사용했습니다:

1. 트랙을 직접 운전하면서 이미지 데이터 수집.
2. 자율주행 자동차의 카메라를 통해 트랙 이미지를 수집.

데이터 학습 알고리즘

수집된 데이터를 처리하여 모델을 학습시키고, 차량의 내비게이션 정확도와 안정성을 개선했습니다.

데이터 수집

카메라 위치 조정

• 아래쪽을 향한 카메라:
  • 장점: 직진 구간에서 높은 정확도와 안정성.
  • 단점: 장애물 인식에 어려움, 복잡한 트랙에서 정확도와 안정성 저하.
• 정면을 향한 카메라:
  • 장점: 장애물 인식 능력 향상.
  • 단점: 전체적인 주행 정확도와 안정성 저하.

데이터 수집 방법론

• 직접 관찰 방법:
  • 가설: 데이터 질이 낮지만 빠르게 대량의 데이터를 수집 가능.
  • 결과: 높은 정확도의 모델 구축에 부적합.
• 카메라 기반 방법:
  • 가설: 데이터 질이 높지만 수집 시간이 오래 걸림.
  • 결과: 실용적인 수준의 정확도와 안정성을 제공.

방향 전환 방법론

• 안쪽 라인 기준 방향 전환:
  • 작은 회전 반경의 트랙에서 효과적.
• 바깥쪽 라인 기준 방향 전환:
  • 큰 회전 반경의 트랙에서 성능 향상.

데이터 수집에 활용한 코스

• 꼬불꼬불 골목길: 트랙 폭이 좁음.
• D자 트랙: 큰 회전 반경.
• F1 트랙: 180도 회전 코스.
• 8자 코스: 완만한 회전.
• 직각 B자 코스: 직각 회전이 많음.
• 물방울 코스: 큰 회전 반경.

이미지 처리 방법

세 가지 이미지 처리 방법을 테스트했습니다:

1. YUV + 블러 처리: 햇빛 노이즈 문제로 부적합.
2. Threshold 130 적용: 차선 인식 향상, 노이즈 존재.
3. 모폴로지 연산: 노이즈에 강건한 성능을 보여 채택.

시행착오

1. 직각 코스 주행 문제:
   • 해결책: 약간의 우회전을 추가하여 차선 인식 개선.
2. 모델 지연 시간 문제:
   • 해결책: TFLite 사용으로 모델 실행 시간 단축.
3. 물체 탐지 문제:
   • 해결책: OpenCV DNN과 MobileNet-SSD 사용.

조원의 역할 및 기여도

• 이관준: 모델 구축 및 평가 (25%)
• 김상수: 모델 구축 및 평가 (25%)
• 김지훈: 모델 구축, 보고서 작성, 평가 (25%)
• 장지원: 데이터 학습, 코스 제작, 보고서 작성, 평가 (25%)

주행 영상 및 활동 사진

• 곡선 코스 주행 영상
• 직각 코스 주행 영상