센싱 단계
센서(Input) → Edge 디바이스
(실시간 데이터 수집: 거리, 속도, 군중)
Edge 분석 단계
Edge AI → 장애물 감지, 경로 탐색, 모드 전환 판단
(즉시 피드백 필요)
피드백 단계
Edge 결과 → 진동/음성/모터로 사용자 안내
클라우드 업로드 단계
Edge 로그 → Cloud 서버 전송
(보행 기록, 군중 데이터)
학습·최적화 단계
Cloud에서 학습 → 개선된 모델 Edge에 배포
즉, 두 가지 루프가 있습니다:
| 핵심 기능 | 필요 기술 | 난이도(★) | 비고 |
|---|---|---|---|
| 환경 인식 및 자율 경로 탐색 | LiDAR / Depth Camera 기반 3D 지도 생성 | ★★★★☆ | 장치 가격·데이터 처리 속도 부담 |
| IMU, 속도 센서 데이터 수집 | ★★☆☆☆ | 구현 쉬움, 기존 예제 풍부 | |
| 객체 감지 (YOLO-tiny, MobileNet-SSD) | ★★★☆☆ | Edge에서 경량 모델 필요 | |
| 경로 탐색 알고리즘 (A*, Dijkstra 등) | ★★☆☆☆ | 비교적 단순, 학부 수준 구현 가능 | |
| 보행 가이드 제공 | 진동 모터 제어 (Arduino, PWM) | ★★☆☆☆ | 하드웨어 제어 경험 필요 |
| 음성 안내 출력 (TTS, 오디오 파일) | ★☆☆☆☆ | Python 오픈소스 라이브러리 활용 가능 | |
| 모드 전환 (지팡이 ↔ 전동 휠) | 보행 속도/패턴 분석 (IMU 데이터 활용) | ★★★☆☆ | 데이터 노이즈 처리 필요 |
| 모터 드라이버 제어 (PWM, 속도/방향) | ★★★☆☆ | 전자회로 이해 필요 | |
| 군중 밀집 회피 | 카메라 기반 군중 탐지 (YOLO-tiny, OpenCV) | ★★★★☆ | Edge에서 처리 시 리소스 부담 큼 |
| 군중 밀집도 계산 및 시계열 예측 (LSTM, GRU) | ★★★★★ | 데이터 확보·모델 학습 난도 높음 | |
| 엣지–클라우드 하이브리드 | Edge ↔ Cloud 데이터 전송 (MQTT, REST API) | ★★★☆☆ | 네트워크 환경 의존 |
| DB 저장 및 분석 (PostgreSQL, Firebase) | ★★☆☆☆ | 서버/DB 경험 있으면 무난 | |
| 모델 업데이트 (MLOps 기초) | ★★★★☆ | 자동화보단 수동 업데이트로 단순화 필요 | |
| 대시보드 및 관리 | Flask/FastAPI 기반 서버 | ★★☆☆☆ | 팀 경험 보유 |
| React.js, Grafana 기반 시각화 | ★★★☆☆ | 프론트엔드 경험 필요, 학습 필요 |