jetson nano 보드에 line-detecting, deep-learning을 통한 객체인식을 이용한 모형 자동차를 제작하여 자율주행을 합니다.
ROS:자율주행을 위해서는 많은 센서가 필요합니다. 이런 센서들을 통합적이고 유기적으로 작동을 하기 위해 ROS를 사용했습니다.
image-sensor: 구체적으로 차체에 장착하는 모듈은 Sony IMX219(비교적 싼가격, 좋은 저조도 특성)을 이용하여 도로를 인식하고, d435i(접근성이 좋은 depth카메라)를 이용하여 차량 전방의 물체를 인식하고 거리(depth)를 측정합니다.
동시에 Server와 차량은 통신을 실시간으로 합니다. Server는 차체에서 송신하는 데이터를 받아 미리 학습된 AI(yolov3-tiny)를 통해 객체를 실시간으로 인식하여 주행에 대한 판단을 전송합니다. 마지막으로 차량은 이 데이터를 수신하여 자율주행을 합니다.
Server : Ubuntu18.04.4 LTS / GeForce GTX 2080 super / Intel Core i7-9700
Board : Nvidia jetson nano / Sony IMX219 / d435i(Intel) / 로보티스(OpenCR 보드, 모터)
머신러닝 플랫폼 : darnet
인공지능 모델 : yolov3-tiny
사용 라이브러리 : OpenCV 3.4.2(Server, darkent 프레임워크 사용을 위해), OpenCV 4.1.1(jetson nano보드에서 사용), ROS melodic
개발언어 : Python2.7, C++, Matlab
개발 지원 도구 : GitLab, Git, Anaconda, VScode, PyCham
linux_src : Server에서 사용하는 ROS source
nano_src : jetson nano에서 사용하는 ROS source
start_shell: 시스템을 구동하는데 기본적으로 필요한 ROS 명령어를 간단한 shell로 묶어놓은 파일
ROS source는 ~/catkin/src 밑에 복사해서 사용
start_shell은 아무곳에서나 실행
start_shell/nano.sh만 Jetson nano board에서 실행(나머지는 server PC에서 실행)
darknet_ros(cuda를 먼저 설치하신 후 opencv를 설치하십시오.) darknet을 설치하는 PC나 보드는 OpenCV 3.xx 버젼을 사용하는 것을 권장합니다.
yolov3-tiny를 사용한 이유는 실시간으로 서버와 이미지를 송수신해야 하기 때문입니다. Test를 시행한 결과, yolov3에서는 50-60의 FPS가 나오고, yolov3-tiny에서는 200-210FPS가 나오는 것을 확인했습니다.
학습된 데이터는 총 656장의 이미지를 이용하였습니다. 학습 횟수는 약 20000번 정도의 학습을 했습니다.
아래의 url을 참고하여 다운 받으시면 됩니다.
https://taemian.tistory.com/6
