Embedded System 2024 - Group 5

2019035914 김영기
2019081194 임재혁
2019007056 이정민

Source Code

task1.py

• 자율주행 구현코드
• 표지판 인지모델 결합 전의 모델

task2.py

• task1과 task2가 합쳐진 최종모델
• 4개의 Alexnet모델과 1개의 YOLOv8모델 사용
• 조이스틱 6(L1),7(R1)번 키를 사용해 주행 중 throttle조정 기능 추가
• 타임플래그를 활용한 표지판 제어 구현
  1. 횡단보도
     • 최초 인식 시 flag활성화 및 최초 인식 시간체크
       -> 현재시간 체크 5초가 지나면 예외처리를 통해 인식 중에도 주행가능하도록 구현
  2. 버스
     • 인식 시점부터 저속주행 시작, 표지판 인식하는 동안 인식시간 기록. 표지판 지나친 이후 2초간 서행 유지
  3. 교차로
     • 방향별로 차선 인식모델 학습
     • 표지판 인지 시 direction변수 방향에 알맞게 변경
     • 제어문을 통해 direction변수와 알맞은 모델로 이미지 입력 후 x값 출력
     • 표지판을 지나치고 교차로 중간에서 원래모델로 돌아오는 사고를 방지하기 위해 표지판 통과 이후 3초간 모델 유지
       -> 이전 steering값을 기록하여 포화범위 이내로 들어오면 원래모델로 돌아오는 방식이 더 안정성 있어보임

Tool

• 모델학습을 위해 사용한 도구들

prac22.py

• 주행 중 촬영을 위한 코드
• selec버튼을 사용해 레코딩 On/off

changename.py

• 특정 디렉토리 안의 이미지들을 'frame_000000000'형식으로 변환하는 코드
• 많은 양의 데이터셋을 사용했고 여러 디렉토리의 데이터셋을 섞어 사용했기 때문에 유용하게 사용된 코드

train_keyboard_model.ipynb

• 차선 라벨링 및 학습을 위한 주피터노트북
• 실습시간에 사용한 코드 활용
• shift에 다음, control에 이전 키 할당해 labeling작업 간소화

Trial Code

• 다양한 시도를 했지만 성공하지 못한 코드

squeeze.py 및 squeeze.ipynb

• squeezenet을 활용해 차선인지모델 구현 시도
• Alexnet(240Mb에 비해 가벼운 크기(5~6Mb)를 가짐 메모리 문제의 해결책이 될 수 있을 것으로 생각함.
• classification모델을 recursive모델로 바꾸기 위해 최종 레이어 수정해 학습시켜보았지만 로스가 3만대로 출력됨
• 시간관계상 당시 상황에서 해결할 수 없는 문제가 발생한 것으로 보여 squeezenet사용은 보류

changetoRT.py

• tensorRT로 변환을 시도한 파일
• 모델변환까지 진행한 후 원래의 코드와 결합하기 전에 메모리 관련해 다른 해결책을 찾아 사용을 보류