earticle

영어

Recently, as the need for drones to solve various social problems such as climate change, traffic congestion, and crime prevention increases, the need for drones is expanding to various industries and social services such as entertainment, energy, construction, transportation, and agriculture. In addition, research on autonomous landing of drones through convergence and integration with artificial intelligence in line with the 4th industrial revolution is also a major task. In accordance with this social trend, this study expanded the use of drones through artificial intelligence technology by using small drones and studied autonomous landing using deep learning object detection models in areas where GPS receivers are not available. In areas where GPS signal reception is difficult, autonomous landing is induced by recognizing the landing point from the image transmitted through the camera mounted on the drone instead of the location information received through the GPS receiver and descending to the target point using only the image information. Using SSD-MobileNet v2 and YOLOv4-tiny models, which are representative lightweight models during deep learning an optimization process was performed to detect an effective landing point, enabling real-time autonomous landing. Through this study, it is expected that the dependence on the GPS receiver and human control for drone landing can be reduced.

한국어

최근 기후변화, 교통혼잡, 범죄예방 등 여러 사회 문제 해결을 위한 드론의 필요성이 증가함에 따라 엔터테인먼트, 에너지, 건설, 교통, 농업 등 다양한 산업과 여러 사회 서비스로 그 필요성이 확대되고 있다. 또한, 4차 산업혁명에 맞춰 인공지능과의 융·복합을 통한 드론의 자율 착륙 연구는 주요한 과제이기도 하다. 본 연구는 이러한 사회적 흐름 에 따라 소형 드론을 활용하여 인공지능 기술을 통한 드론의 활용성을 확대하고 GPS 수신이 안 되는 영역에서 딥러 닝 객체 탐지 모델을 활용한 자율 착륙을 연구하였다. GPS 수신기를 통해 받는 위치 정보 대신 드론에 장착된 카메 라를 통해 전달받는 영상에서 착륙할 지점을 인식하고 카메라를 통해 받는 영상 정보만 이용하여 목표지점에 하강하 는 방식으로 자율 착륙을 유도하였다. 딥러닝 중 경량화 모델의 대표적인 SSD-MobileNet v2와 YOLOv4-tiny 모 델을 사용하였고, 효율적으로 착륙 지점을 인식하기 위해 최적화 과정을 진행해 실시간 자율 착륙이 가능하게 했다. 실내에서의 비행시험을 통해 GPS 음영지역에서 사람의 조종이 없이 드론을 안전하게 착륙을 시킬 수 있음을 확인 하였다.