추가 학습이 빈번히 필요한 비포장도로에서 주행로 탐색에 적합한 GLSL 기반 ALNN Algorithm

GLSL based Additional Learning Nearest Neighbor Algorithm suitable for Locating Unpaved Road

Abstract

국방 분야에서 무인 차량의 주행로는 포장 도로 뿐만 아니라, 자주 다양한 변화를 갖는 야지의 비포장 도로 등이 포함된다. 이 무인 차량은 주로 험지나 오지에서 감시 및 정찰, 진지 방어 등을 수행하므로 자율 주행을 위해서 예측하지 못했던 다양한 주행로와 환경을 수시로 접하게 되며, 이에 따라 추가 학습이 필요하다. 본 논문에서는 'Forgetting' 문제를 피하면서 거리 비교와 Class 비교를 통해 빠르게 추가 학습이 가능하도록 Approximate Nearest Neighbor를 수정한 GPU 기반 Additional Learning Nearest Neighbor(ALNN) 알고리즘을 제안한다. 또 ALNN 알고리즘은 학습 데이터가 누적될수록 연산 속도가 저하되는 문제가 있고, 본 연구에서는 OpenGL Shading Language 기반의 GPU 병렬 처리를 사용하여 이를 해결하였다. ALNN 알고리즘은 기존의 학습 데이터에 영향을 주지 않으면서 빠르게 추가 학습이 가능하여, 빈번히 실시간으로 재학습이 필요한 국방 등의 분야에 활용될 수 있다.

Unmanned Autonomous Vehicle's driving road in the national defense includes not only paved roads, but also unpaved roads which have rough and unexpected changes. This Unmanned Autonomous Vehicles monitor and recon rugged or remote areas, and defend own position, they frequently encounter environments roads of various and unpredictable. Thus, they need additional learning to drive in this environment, we propose a Additional Learning Nearest Neighbor (ALNN) which is modified from Approximate Nearest Neighbor to allow for quick learning while avoiding the 'Forgetting' problem. In addition, since the Execution speed of the ALNN algorithm decreases as the learning data accumulates, we also propose a solution to this problem using GPU parallel processing based on OpenGL Shader Language. The ALNN based on GPU algorithm can be used in the field of national defense and other similar fields, which require frequent and quick application of additional learning in real-time without affecting the existing learning data.

그림 2. ANN 알고리즘. Fig. 2. ANN Algorithm.

그림 3. ALNN 알고리즘. Fig. 3. ALNN Algorithm.

그림 4. ALNN 알고리즘의 절차. Fig. 4. Procedure of ALNN Algorithm.

그림 5. 최근접 데이터의 예. Fig. 5. Example of nearest data.

그림 6. GLSL을 사용한 GPU 병렬 처리. Fig. 6. GPU Parallel Process using GLSL

그림 7. ALNN과 ANN의 분류 결과. Fig. 7. Result of ALNN and ANN Classification.

그림 8. ALNN과 ANN의 정합률. Fig. 8. Matching rate of ALNN and ANN

그림 1. 특징 벡터. Fig. 1. Feature Vector.

표 1. ALNN의 추가 학습 결과. Table 1. Result of ALNN Additional Learning

표 2. ANN의 추가 학습 결과 Table 2. Result of ANN Additional Learning

표 3. 연산 속도 비교. Table 3. Comparison of computing speed.