[딥러닝] Segmentation과 Astar를 이용한 path planning

*팀 단위로 진행한 프로젝트 (Segmentation 부분은 같은 수업을 듣는 다른 분이 담당해주셨습니다.)

 

기존에 SSD 모델을 분석하기로 했지만, Application TASK를 해보라는 피드백을 받고 주제를 변경하여 진행했다.

 

변경된 주제는 Path planning이지만 교통량이나 차선등 추가적인 정보 없이 단순히 길 위에서 최단거리 PIXEL로만 이동한다.

 

Segmentation 이란? 

이미지에서 해당 Pixel이 어떤 의미(label)인지 판별하는 것

 Network - Deeplab v3+ 

 backbone - mobilenet

 Optimizer - SGD

 Loss - Cross Entropy

 Class - Background, Road, Car

 Dataset - UAVid, Aeroscapes

 

데이터 셋의 특징은 다음과 같다.

 

이 네트워크는 ASPP(Atrous Spatial Pyramid Pooling)를 사용하여 다양한 크기의 특징에 대해서 학습이 가능하다는 특징이 있습니다.

모델의 학습 조건은 다음과 같고 Train : 533장, Val : 153장

이 네트워크에 Semantic segmentation용 UAV 데이터셋인 UAVid 데이터셋으로 위와 같은 조건으로 학습시켰고 mAP 0.857 0.857이라는 괜찮은 성능이 나왔습니다.

 

Astar란?

A*는 시작지점과 목표지점과 장애물의 위치가 정해진 일정한 크기의 Grid로 나뉜 지도가 존재할 때, 장애물이 존재하는 지점 혹은 이미 방문했던 지점에 대해서는 고려를 안 해주고,,

시작 지점부터 주변 그리드까지 이동하는 비용(G), 주변 그리드로부터 목표지점까지 이동하는 비용(H) 둘의 합을(F), 주변 그리드에서 목표지점까지의 비용으로 하는데 주변 (8개) 그리드 중 가장 최소비용의 그리드만을  계속해서 방문해나가는 알고리즘

 

 

보드가 아니라 컴퓨터에서 수행해서 그런지 인퍼런스에 얼마 걸리지 않았지만, jetson에 적용 가능할지는 모르겠다.

 

Segmentation, Astar 결과를 Overlab한 결과