Self-Driving Mobility Kit Build

동키카(Donkey Car) 키트와 컴퓨터 비전을 활용하여 자율주행 알고리즘을 구현하는 10일 실무 과정

이 과정은 대구디지털혁신진흥원(DIP) 지원 하에, 소형 모빌리티 플랫폼 하드웨어 조립부터 임베디드 OS 환경 구축, OpenCV 기반 컴퓨터 비전 처리, 그리고 딥러닝(CNN) 주행 학습 모델의 실제 구동까지 경험하는 융합형 프로젝트입니다.

학습 콘텐츠 보기 최종 산출물 보기

Program Focus

Donkey Car Autonomous Drive Computer Vision TensorFlow/Keras Embedded Linux Track Racing Sensor Fusion

Program Overview

이 과정은 하드웨어와 AI 자율주행 기술을 결합하여 트랙 주행 성능을 최적화하는 10일 집중 실전형 과정입니다.

Donkey Car
자율주행 RC카 하드웨어 플랫폼
Deep Learning
주행 데이터 기반 실시간 CNN 학습
OpenCV
컴퓨터 비전 차선 검출 필터
10 Days
조립부터 실전 주행 및 랩타임 기록

10-Step Learning Contents

모든 단계를 클릭하여 상세 단계별 세부 계획을 모달 팝업으로 확인하실 수 있습니다.

DAY 1
Step 1

모빌리티 기획서 작성 및 서비스 목적 정의

자율주행 모빌리티의 비즈니스 가치와 아이디어를 구체화하고 기획서를 작성합니다.

서비스 개념을 정의하고 소형 자율주행 모빌리티가 필요한 문제 상황(예: 실내 스마트 물류, 자동 야간 순찰)을 설계하는 첫 번째 기획 단계입니다.

대상모빌리티 기획 및 설계를 공부하는 수강생
준비물기획안 작성용 템플릿, 노트북
학습 목표핵심 가치 제안 및 모빌리티 서비스 기획서 초안 작성 완료
2시간 자율주행 모빌리티 트렌드 분석
3시간 모빌리티 서비스 기획서 구체화
1시간 기획안 발표 및 적합성 피드백
Planning Concept Design Value Proposition Problem Statement
예상 산출물 모빌리티 서비스 기획서 파일 및 요약 보고서
DAY 2
Step 2

가상 주행 트랙 환경 및 타겟 페르소나 설정

로봇/차량 운용 시나리오를 구체화하기 위해 관리자 페르소나와 사용자 유즈케이스를 도출합니다.

최종 사용자와 차량 운용 관리자의 페르소나를 모델링하고, 주행 트랙 규격과 주행 중 발생할 상태 이벤트 시나리오를 설계하는 분석 단계입니다.

대상UX 설계 및 고객 가치 모델링 입문자
준비물페르소나 템플릿, 사용자 여정 지도 가이드라인
학습 목표핵심 사용자 페르소나 정의 완료 및 주행 시나리오 스토리보드 수립
2시간 타겟 페르소나 모델링 워크숍
3시간 사용자 여정 및 주행 시나리오 상세 설계
1시간 시나리오 정의 피칭 및 피드백
Persona Modeling User Journey Scenario Design Use Case Chart
예상 산출물 페르소나 정의 문서 및 주행 시나리오 스토리보드
DAY 3
Step 3

Donkey Car 하드웨어 섀시 및 조향 모터 조립 (개발 1단계)

동키카 차량 플랫폼의 물리 섀시 프레임과 조향 링키지를 결합하여 기구부를 완성합니다.

모빌리티 차량의 뼈대가 되는 하단 플레이트, 구동 DC 모터, 아커만 조향 기어 및 서스펜션을 조립하는 하드웨어 개발 단계입니다.

대상기구 조립 및 소형 차체 조립 입문 수강생
준비물Donkey Car Chassis Kit, 조립 공구 세트
학습 목표물리 차량 섀시 조립 완료 및 휠 구동 기어 맞물림 검수 성공
2시간 Ackermann 조향 기하 구조 분석
3시간 섀시 플레이트 및 서보 마운트 조립 실습
1시간 조립부 작동 유격 및 마찰 점검
Hardware Assembly Chassis Build Ackermann Steering Mechanical Gear
예상 산출물 조립 완성된 동키카 차량 물리 섀시 기구부
DAY 4
Step 4

Raspberry Pi OS 플래싱 및 원격 SSH 연결 구축 (개발 2단계)

SBC에 모빌리티용 리눅스 OS 이미지를 쓰고 무선 Wi-Fi 접속 및 SSH 원격 제어 환경을 셋업합니다.

Etcher를 활용한 OS 쓰기, wpa_supplicant 네트워크 기술 설정 및 원격 터미널 명령 대기 환경을 완성하는 임베디드 리눅스 개발 단계입니다.

대상리눅스 OS 설정 및 네트워크 입문자
준비물Raspberry Pi 4, MicroSD 카드, Balena Etcher, wpa_supplicant 파일
학습 목표SBC OS 플래싱 완료 및 공유기 연결 기반 원격 SSH 쉘 접속 가동
2시간 동키카 최적화 리눅스 OS 이미지 라이팅
3시간 Wi-Fi 프로필 주입 및 원격 제어 포트 개방
1시간 SSH 원격 접속 확인 및 명령 콘솔 가동
Linux OS Flashing Headless Setting SSH Connection Network Profile
예상 산출물 자동 네트워크 바인딩이 활성화된 SD 카드 탑재 보드
DAY 5
Step 5

PCA9685 I2C 모터 드라이버 배선 및 전기 캘리브레이션 (개발 3단계)

SBC와 모터 드라이버 간 전기 신호 라인을 결선하고 조향 서보/스로틀 캘리브레이션을 튜닝합니다.

I2C 통신 핀맵 결선, 모터 회로 전원 이중화 설계 및 서보 모터 동작 펄스 제한값을 미세 조정하는 제어 회로 개발 단계입니다.

대상임베디드 제어 회로 결선 및 서보 제어 입문자
준비물PCA9685 드라이버 보드, GPIO 결선 와이어, 멀티미터, 니켈수소 배터리
학습 목표I2C 결선 완료 및 조향 서보 최대 선회 조향 범위 캘리브레이션 파일 저장
2시간 PCA9685 통신 구조 및 파워 루프 설계
3시간 전기 결선 및 브레드보드 전원 인터페이스 구축
1시간 서보 모터 펄스 캘리브레이션 튜닝
I2C Bus Wiring PCA9685 Board Servo Calibration Power Separation
예상 산출물 조향각/스로틀 캘리브레이션 설정이 갱신된 myconfig.py 소스
DAY 6
Step 6

무선 조종 서버 구동 및 매뉴얼 주행 드라이브 테스트 (개발 4단계)

원격 주행 서버를 구동하고 스마트폰 또는 무선 게임패드를 결합해 수동 트랙 주행을 훈련합니다.

로컬 구동 스크립트 실행, 웹 브라우저 조이스틱 UI 접속, 블루투스 게임패드 매핑 최적화 작업을 진행하는 인터페이스 설계 단계입니다.

대상웹 소켓 실시간 통신 및 블루투스 연동 입문자
준비물스마트폰 또는 블루투스 게임패드, 테스트 트랙
학습 목표웹 제어 콘솔 정상 가동, 무선 조종기 연동을 통한 트랙 코스 수동 완주 성공
2시간 로컬 드라이브 웹 서버 실행 및 카메라 연동
3시간 블루투스 무선 조종 패드 바인딩 및 매퍼 튜닝
1시간 수동 트랙 주행 훈련 및 드라이브 로그 분석
Web Controller UI Bluetooth Gamepad Drive Server Manual Drive Test
예상 산출물 원격 조종에 매끄럽게 응답하는 동키카 시스템
DAY 7
Step 7

OpenCV 기반 카메라 영상 전처리 및 차선 감지 구현 (개발 5단계)

차선 추종을 위해 OpenCV 라이브러리로 차선을 인지하는 이미지 처리 파이프라인을 구축합니다.

카메라 ROI 마스킹, 색공간(HSV) 이진화 필터링, Edge 감지 및 허프 변환을 통해 차선을 수학적 선으로 추출하는 컴퓨터 비전 개발 단계입니다.

대상파이썬 이미지 프로세싱 및 컴퓨터 비전 입문자
준비물호스트 PC, 파이썬 OpenCV IDE 환경, 샘플 트랙 비디오
학습 목표비전 처리 모듈 코딩 완료, 녹화본 이미지 기반 차선 인식 성공률 90% 달성
2시간 비디오 프레임 변환 및 색상 마스킹 필터링
3시간 관심 영역(ROI) 필터링 및 캐니 엣지 차선 추출
1시간 실시간 차선 탐색 가이드 오버레이 합성
OpenCV Canny Edge Hough Transform Lane Filter
예상 산출물 OpenCV 차선 감지 알고리즘 파이썬 모듈 코드
DAY 8
Step 8

AI 모델 학습용 자율주행 데이터(Tub) 수집 및 정제 가공 (개발 6단계)

차선 추종 인공지능을 훈련하기 위한 고품질 학습 이미지 및 조향 값 데이터셋을 적재합니다.

트랙 정/역방향 주행 캡처, 탈선 복구 복귀 궤적 로깅 및 노이즈 데이터 삭제 스크립트 처리를 다루는 데이터 엔지니어링 단계입니다.

대상데이터 설계 및 기계학습 전처리 입문자
준비물Donkey Car 차량, 학습용 트랙, 데이터 분석 툴셋
학습 목표총 1.5만 장 이상의 정제 주행 이미지 프레임 캡처 및 학습 데이터팩 압축 성공
2시간 동키카 Tub 디렉토리 및 메타 파일 분석
3시간 트랙 정/역방향 및 복귀 수동 드라이빙 로깅
1시간 데이터 분포 시각화 및 불량 프레임 정제
Data Capture Dataset Cleaning Histogram Analysis Tub Storage
예상 산출물 학습 무결성이 확보된 1.5만 장 크기의 자율주행 데이터셋 zip 파일
DAY 9
Step 9

TensorFlow CNN 자율주행 모델 학습 및 TFLite 가중치 업로드 (개발 7단계)

학습된 데이터를 기반으로 CNN 인공신경망 가중치 모델을 훈련시키고 차량에 배포합니다.

GPU 기반 신경망 학습 파이프라인 가동, Loss 오차 분석, 가중치 최적화 변환(TFLite) 및 임베디드 파일럿 가동을 실행하는 인공지능 융합 개발 단계입니다.

대상머신러닝 신경망 학습 및 모델 최적화 개발자
준비물호스트 GPU 서버 또는 Google Colab, TensorFlow 라이브러리, SCP 전송 툴
학습 목표CNN 학습 검증 손실(Val Loss) 0.05 이하 달성 및 TFLite 변환 가중치 탑재 추론 실행 완료
2시간 Keras CNN 아키텍처 설정 및 학습 커널 가동
3시간 모델 트레이닝 실행 및 Loss 훈련 오차 그래프 진단
1시간 TensorFlow Lite 변환 및 자율주행 인스턴스 런칭
Keras CNN Model Training Loss Chart TFLite Quantize
예상 산출물 임베디드 보드에 배포 가동된 자율주행 인공지능 가중치(pilot.tflite)
DAY 10
Step 10

자율주행 트랙 장애물 회피 테스트 및 랩타임 검증 (검증 및 테스트)

센서 융합 전방 장애물 안전 정지 테스트를 진행하고 공식 트랙 레이스로 최종 모델 성능을 검증합니다.

거리 센서 GPIO 하드웨어 결합, 비상 브레이크 감속 제어 노드 연동 및 공식 트랙 랩타임 대회를 통해 성과를 정량 수료하는 최종 평가 단계입니다.

대상수강생 프로젝트 최종 성과 검증 평가팀
준비물공식 규격 트랙 코스, 비상 감지 장애물, 랩타임 기록 게이트
학습 목표장애물 충돌 없는 완전 자율주행 트랙 완주 성공 및 최종 프로젝트 성과 보고 피칭
2시간 초음파/라이다 장애물 센서 물리 결합 및 제동 FSM 설계
3시간 공식 자율주행 트랙 랩타임 토너먼트 대회
1시간 최종 프로젝트 피치 및 전체 회고
Sensor Integration Emergency Stop Laptime Race Final Milestone Pitch
예상 산출물 자율주행 성공 공식 랩타임 인증 데이터 및 프로젝트 발표 요약지

Final Outcome

이 과정의 목표는 단순 학습이 아니라, 실제로 동작하는 임베디드 AI 자율주행 모빌리티를 튜닝하고 검증하는 것입니다.

Auto-Drive
자율주행 트랙 주행 완료
Dataset
트랙 주행 학습용 데이터셋
Deep Model
최적화된 CNN 제어 가중치
Demo Pitch
최종 랩타임 대회 및 발표