RISC-V 시스템 환경에서의 ANN 기반 초음파 센서 측위 시스템 설계

Abstract

본 연구는 초음파 센서를 기반으로 하는 측위 시스템 설계를 목적으로 하며 RISC-V 시스템 환경에서 ANN 기반으로 작동한다는 점을 특징으로 한다. 초음파 센서로부터 측정한 데이터를 바탕으로 실내에서 사물이 위치한 좌표를 정확하게 예측할 수 있도록 적당한 파라미터를 사용하여 데이터를 학습시키는 것이 연구 내용이다. 실험적으로 ANN 모델의 성능을 분석하였으며, 이론적인 데이터와 실험으로 얻은 데이터를 사용하여 학습을 진행하였다. 임의로 구성한 실험 환경에서 한 변 당 4개의 초음파 센서를 사용하여 총 16개의 초음파 센서를 활용하여 학습 데이터를 추출하였다. input data는 총 16개로 이루어져 있으며, output data는 두 가지 경우로 나누어 Artificial Neural Network (ANN)을 사용하여 학습하고 그 둘의 성능을 비교 및 분석하였다. 학습시킨 환경은 RISC-V 환경으로 마이크로 컨트롤러 중 하나인 MAIXDUINO 보드를 사용하였다. 본 논문에서 제안하는 RISC-V 시스템 환경 위에서 작동하는 ANN 학습 모델을 통해 초음파 센서 데이터의 random값이 주어졌을 때 사물의 정확한 위치를 예측할 수 있는지를 분석하였다. 예측 정확도는 ANN 모델의 파라미터 값을 변경함에 따라 97%에서 오차 범위 1%-2% 내의 정확도를 나타냈다. 또한 16개의 input data에 대한 output data가 2개인 경우와 8개인 경우로 나누어 학습 모델의 정확도를 비교해 본 결과, 8개인 경우에서 더 높은 정확도를 보이는 것을 알 수 있었다. output data가 2개인 경우는 x좌표와 y좌표의 값을 0과 1 범위에서 나타내도록 학습시켰으며, 이 경우 0과 1 사이에서 나타나는 소수점으로 인해 정확도가 낮았다. 하지만 8개의 output data를 one hot encoding 방식으로 설계하고 학습시킨 결과, ReLU 함수를 사용한 경우에는 99%의 정확도를, Sigmoid 함수를 사용한 경우에는 98%의 정확도를 얻을 수 있었다. 제안하는 RISC-V 시스템 환경에서의 ANN 기반 초음파 센서 측위 시스템은 엣지 컴퓨팅 설계에 적용하여 사물인터넷 (Internet of Things; IoT)에 적용하는 것을 기대해 볼 수 있다. 최적의 모델을 개발하기 위해서는 ANN 모델의 파라미터와 더 많은 데이터셋 추출에 대한 추가적인 개선이 필요하다. 본 연구 결과를 통해 다양한 데이터를 인공지능 기반 모델을 활용하여 학습시키고 사용자에게 의미 있는 정보를 전달할 수 있도록 하는 모듈 개발에 적용되기를 기대한다. ;The purpose of this thesis is to design an ANN(Artificial Neural Network) model for finding the object position based on RISC-V embedded systems which includes ultrasonic sensors. The content of this thesis deals with the optimal parameters to learn and predict the coordinates of object positions where objects are located indoors by using near-by ultrasonic sensors. The performance and accuracy of the ANN model was analyzed experimentally, and the predefined theoretical data and the data obtained from the experiment are compared to describe the feasibility of proposed ANN models. Learning data was extracted by using a total of 16 ultrasonic sensors. They are 4 ultrasonic sensors per each side in a testbed experiment environment. The input data consists of 16 data columns, and the output data was divided into two cases and trained using the proposed Artificial Neural Network models, and the results of the two cases was compared and analyzed. In experiment the MAIXDUINO board is used, one of the RISC-V based 64 bits microcontrollers. Through the process of ANN learning model operated on the RISC-V embedded system, we finally analyzed whether the exact location of objects can be predicted in high accuracy even if the random values of the data are given. The prediction gives an accuracy within the error range of 1%-2% from 97% as the parameter value of the ANN model are changed. In addition, the accuracy of the learning model by dividing the output data into two and eight when 16 input data is given relatively. It founds that the accuracy of the learning model with eight output data was higher accuracy. In the case of two output data, the values of the x and y coordinates were learned to get the value in the range of 0 and 1, and in this case, the accuracy was low due to the decimal point appearing between 0 and 1. However designing and learning of eight output data encoded in one hot encoding method shows 99% accuracy with the ReLU activation function of hidden and output layers and 98% accuracy with the Sigmoid activation function. The proposed ANN-based object detecting system using RISC-V embedded board can be expected to be applied to the area of Internet of Things (IoT) devices which performs the edge computing. Developing an optimal ANN model requires further improvements to set the higher parameters and to expand more dataset capacity. Finally, the experimental design and implementation of ANN model with RISC-V based on embedded system would be useful and also be applied to practical edge computing devices which has executable module to treat the real-time ultrasonic datasets in detecting obejects’ distance. It is expected that proposed ANN model will be applied to the development of modules that enable to learn various ANN models using ultrasonic datasets and can deliver meaningful information to developers.