스마트폰 및 IMU 센서 데이터를 기반으로 실내외 노면 상태를 실시간으로 인지하고, 웹 대시보드를 통해 모니터링하는 AI 기반 노면 관제 시스템입니다.
본 프로젝트는 스마트 모빌리티와 자율주행 로봇의 주행 안정성 향상을 목표로 하며, 실외 포트홀 탐지와 실내 바닥 재질 분류 및 이상 감지를 하나의 통합 관제 시스템으로 구현합니다.
Surface Perception System(SSP)은 센서 기반 시계열 데이터를 분석하여 주행 중 노면 상태를 판단하는 시스템입니다.
주요 기능은 다음과 같습니다.
- 실외 주행 환경에서 포트홀 탐지
- 실내 주행 환경에서 바닥 재질 분류
- 3-Sigma 기반 실내 노면 이상 감지
- Flask 기반 실시간 웹 관제 대시보드
- 센서 데이터 수신, 모델 추론, 알림 로그 시각화
스마트폰 가속도 센서 기반 데이터를 활용하여 차량 주행 중 발생하는 진동 패턴을 분석합니다.
- 입력 데이터: 3축 가속도 및 주행 속도 기반 시계열 데이터
- 주요 피처: 평균, 표준편차, 분산, RMS, Jerk, 속도 기반 피처 등
- 최종 모델: Random Forest
- 주요 성능:
- Recall: 0.930
- PR-AUC: 0.678
- Latency: 7.64 ms
포트홀 미탐지를 줄이는 것이 안전 측면에서 중요하므로, 재현율(Recall)을 핵심 평가 지표로 사용했습니다.
소형 로봇의 IMU 센서 데이터를 활용하여 실내 바닥 재질을 분류합니다.
- 입력 데이터: 로봇 IMU 센서 기반 시계열 데이터
- 대상 클래스: 9가지 실내 바닥 재질
- 주요 피처: 오일러 각, 통계량, 왜도, 첨도 등
- 최종 모델: XGBoost
- 주요 성능:
- Macro F1-score: 0.866
- Accuracy: 0.865
- Latency: 2.40 ms
실내 환경에서는 모든 재질을 균형 있게 분류하는 것이 중요하므로 Macro F1-score를 주요 지표로 사용했습니다.
실내 노면 분류 모델과 별도로, 통계적 이상 감지 로직을 병렬로 운용합니다.
- 정상 범위: μ ± 3σ
- 정상 범위를 벗어난 센서 값은 외부 충격 또는 노면 이상으로 판단
- 분류 모델 결과와 결합하여 더 직관적인 상태 메시지 제공
Flask 기반 웹 대시보드를 통해 센서 데이터와 모델 추론 결과를 실시간으로 확인할 수 있습니다.
주요 화면 구성:
디지털 트윈 기반 사이트 맵 로봇 이동 경로 시각화 포트홀 및 이상 감지 위치 표시 실시간 알람 로그 센서 분석 차트 현재 노면 상태 및 예측 신뢰도 표시
데이터셋
본 프로젝트는 Kaggle 공개 데이터셋을 사용합니다.
데이터셋 다운로드 후 프로젝트의 데이터 경로에 맞게 배치해야 합니다.
예시:
SSP/data/raw/
SSP/data/processed/
| Model | Recall | PR-AUC | Latency | Result |
|---|---|---|---|---|
| Logistic Regression | 0.860 | 0.619 | 0.08 ms | 정밀도 부족 |
| SVM | 0.900 | 0.517 | 16.42 ms | 지연 시간 초과 |
| Random Forest | 0.930 | 0.678 | 7.64 ms | 최종 선정 |
| XGBoost | 0.741 | 0.639 | 1.22 ms | 재현율 부족 |
| Model | Macro F1-score | Accuracy | Latency | Result |
|---|---|---|---|---|
| Decision Tree | 0.692 | 0.702 | 0.40 ms | 성능 부족 |
| Random Forest | 0.844 | 0.839 | 59.45 ms | 실시간 처리 부적합 |
| XGBoost Base | 0.866 | 0.865 | 2.40 ms | 최종 선정 |
| XGBoost Tuned | 0.866 | 0.866 | 20.50 ms | 지연 시간 초과 |
- Python
- Flask
- Pandas
- NumPy
- SciPy
- scikit-learn
- XGBoost
- 저가형 모바일/IMU 센서를 활용한 노면 상태 인지
- 포트홀 탐지를 통한 주행 안전성 향상
- 실내 자율주행 로봇의 바닥 재질 인지 성능 개선
- 실시간 관제 대시보드를 통한 이상 상황 대응성 향상
- 향후 실제 로봇 및 차량 시스템으로 확장 가능
현재 시스템은 시뮬레이션 및 공개 데이터 기반으로 검증되었습니다. 실제 환경 적용을 위해서는 다음 개선이 필요합니다.
- 다양한 기상 조건 및 노면 환경 데이터 추가 확보
- 서로 다른 센서 하드웨어에 대한 일반화 성능 검증
- Raw Data 기반 실시간 전처리 파이프라인 통합
- 실내 분류 신뢰도가 낮은 구간에 대한 fallback 로직 개선
- 실제 로봇 또는 차량 환경에서의 실증 테스트
현대로템 K-방산 AI모델 개발과정 6기 1팀
- 조장: 황수연
- 팀원: 이형철, 이지원, 진강훈, 홍승현, 박준혁