오프로드 자율주행을 위한 딥러닝 기반 의미론적 분할 모델 비교 (Comparison of Deep learning based Semantic Segmentation Model for Offroad Self-driving)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 33권 / 5호 / 423 ~ 429페이지
· 저자명 : 김나형, 안종현

초록

현재 자율주행 기술은 도심에서 다니는 일반 차량에 대하여 활발한 연구가 이루어지고 있다.
그에 반해 비포장도로의 자율주행에 대한 연구는 복잡한 지형, 불규칙한 주행조건과 같은 제약들로 인하여 더 많은 노력을 필요로 한다. 본 논문은 다양한 딥러닝 기반의 의미론적 분할네트워크들을 활용하여 오프로드 환경에서의 주행가능 영역을 판별하고 성능을 비교한다.
기존 자율주행 연구에 활용되는 데이터셋과는 달리, 본 연구에서는 오프로드 환경을 반영한Rellis-3D 데이터셋을 타겟으로 한다. 주어진 데이터셋에 대해 해당 모델들의 성능을 비교하고 평가하기 위해서 Intersection over Union(IoU)와 Flops Per IoU (FPI)을 평가 기준치로사용한다. 이를 통해 오프로드 환경에서의 주행가능영역을 판별하는 데 가장 효율적인 네트워크를 선정한다.

영어초록

In self-driving, technology is being actively researched for general vehicles runningin the city. On the other hand, research on self-driving on unpaved roads requiresmore effort due to limitations such as complex terrain and irregular drivingconditions. This paper uses various deep learning-based semantic segmentationnetworks to determine the traversable area in an off-road environment and comparetheir performance. Unlike datasets used in existing autonomous driving research,this study targets the Rellis-3D dataset that reflects off-road environments.
Intersection over Union (IoU) and Flops Per IoU (FPI) are used as evaluationcriteria to compare and evaluate the performance of the models for a given dataset.
Through this, the most efficient network is selected to determine the drivable areain an off-road environment.

참고자료

· 없음