본 연구에서는 드론을 활용하여 위성위치확인시스템(GPS) 사용에 제약이 있는 환경의 공장이나 나무가 울창한 숲을 자유롭게 이동하며 사전 정의된 객체를 검출과 동시에 위치를 저장하도록 구성하였다. 드론은 특성상 많은 물건을 부착할 수 없는 페이로드의 한계가 존재한다. 드론은 특성상 많은 물건을 부착할 수 없는 페이로드의 한계가 존재한다. 페이로드의 증가는 드론의 안정성 하락, 운용 시간 하락 등의 영향을 받는다. 그 때문에 드론에 부착된 센서와 부품 등을 최대한 간소화했으며 드론은 데이터 획득 및 전송에 중점을 두었다. 드론에 부착된 Realsense D435 카메라 센서는 컬러 영상과 깊이 영상을 Realsense T265 트래킹 카메라는 드론의 현재 자세 및 오도메트리 정보를 제공하며 보조 컴퓨터와 연결되어 WI-FI로 데이터를 전송한다. 특히 WI-FI 6 무선 통신 기술을 이용해 낮은 지연시간을 활용하여 실시간으로 고용량의 데이터를 Laptop으로 전송한다. 이처럼 구성된 드론이 같은 장소에 다시 방문했을 시 목표 객체를 검출하고 검출된 객체가 이전 저장된 객체인지 아닌지 위치와 이동을 판단하는 알고리즘을 구현하고자 하였다. 또한 어떠한 거리와 경로로 이동해야 높은 정확도를 나타낼 수 있는지 실험하였다. 실험 조건은 거리별 1m, 2m로 나누었고 경로별 수평 이동 형태인 Path1, 수직 이동 형태인 Path2로 나누었다. 테스트에 사용된 나무는 수평 간격으로 3미터 떨어진 형태로 3그루로 구성되었다. 실험 환경은 6번 진행하도록 구성하였고 실험 환경마다 사과 모형의 추가, 이동, 제거를 통해 총 24번의 실험을 진행하였다. 1m Path1, 1m Path2, 2m Path1, 2m Path2 총 4가지 실험 조건에서 각 6개의 실험 환경을 통해 검출된 위치 벡터와 유클리디안 거리 TDOKS를 계산하여 벡터 간의 유사성을 비교했다. 결과 1m Path1 : 20.56(cm), 1m Path2 : 20.44(cm), 2m Path1 : 16.74(cm), 2m Path2 : 18.17(cm)의 유클리디안 거리로 2m Path1 실험 조건에서 우수한 성능을 보였다. OKDS로 나타내면 1m Path1 : 62.16%, 1m Path2 : 63.13%, 2m Path1 : 66.23%, 2m Path2 : 64.66%로 나타났으며 2m Path1가 66.23%의 성능을 보였다. 본 논문은 GPS를 사용할 수 없는 환경에서 로컬 좌표계를 사용하고 인공지능 네트워크를 통해 알고자 하는 객체의 위치를 정확하고 정밀하게 검출한 뒤 같은 장소에 재방문 시 이전 검출하였던 객체가 같은 자리에 있는지 판단하는 시스템을 개발하고자 한다. 연구가 추가로 수행된다면 객체 멀티 트래킹을 적용한 객체 위치 탐지 정확성을 더욱 높일 수 있을 거라 판단한다.
In this study, using drones, factories or trees in environments where the use of GPS is restricted move freely through dense forests and store locations at the same time as detecting predefined objects. Drones have limitations in payloads that cannot attach many objects due to their characteristics. Drones have limitations in payloads that cannot attach many objects due to their characteristics. The increase in payloads is affected by a decrease in the stability of drones and a decrease in operating time. For this reason, sensors and parts attached to drones were simplified as much as possible, and drones focused on data acquisition and transmission. The Realsense D435 camera sensor attached to the drone provides color and depth images, and the Realsense T265 tracking camera provides information on the drone's current posture and odometry, and is connected to an auxiliary computer to transmit data to the WI-FI. In particular, WI-FI 6 wireless communication technology utilizes low latency to transmit high-capacity data to Laptop in real time. When the configured drone visits the same place again, it attempts to implement an algorithm that detects the target object and determines the location and movement of the detected object whether it is a previously stored object. In addition, we experimented on which distance and path should be moved to show high accuracy. The experimental conditions were divided into 1m and 2m for each distance, and Path1, which is a horizontal movement type for each path, and Path2, which is a vertical movement type. The trees used for the test consisted of three trees, three meters apart at horizontal intervals. The experimental environment was configured to proceed six times, and a total of 24 experiments were conducted through the addition, movement, and removal of the apple model for each experimental environment. In a total of four experimental conditions, 1m Path1, 1m Path2, 2m Path1, and 2m Path2, the similarity between vectors was compared by calculating the position vector and Euclidean distance TDOKS detected through each of the six experimental environments. As a result, the Euclidean distance of 1m Path1: 20.56(cm), 1m Path2: 20.44(cm), 2m Path1: 16.74(cm), and 2m Path2: 18.17(cm) showed excellent performance under the experimental conditions of 2m Path1. When represented by OKDS, 1m Path1 : 62.16%, 1m Path2 : 63.13%, 2m Path1 : 66.23% and 2m Path2 : 64.66% were shown, and 2m Path1 showed 66.23% performance. This paper aims to develop a system that uses a local coordinate system in an environment where GPS is not available, accurately and precisely detects the location of the object to be known through an artificial intelligence network, and then determines whether the previously detected object is in the same place when revisited. If additional research is conducted, it is judged that the accuracy of object location detection applying object multi-tracking can be further improved.