지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김정하
- 발행연도
- 2021
- 저작권
- 국민대학교 논문은 저작권에 의해 보호받습니다.
이용수48
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문은 LiDAR를 이용한 노이즈가 제거된 포인트 클라우드 지도 생성 방법과 Map Matching을 활용한 자율주행 자동차의 위치 인식 알고리즘을 제안한다.
기존에는 자율주행 자동차의 위치 판단을 위해 INS와 GNSS를 융합하여 사용했으나 고층 건물이 많은 도심지, 터널 안, 고가도로 밑과 같은 위성 신호 음영지역에서는 정확도가 많이 낮아지는 단점이 존재한다. LiDAR를 이용한 Map Matching 기술은 포인트 클라우드 지도를 활용해 이러한 단점을 극복할 수 있는 방법이다.
본 논문의 알고리즘은 LiDAR를 이용해 포인트 클라우드 지도를 생성하는 Map Mapping과 포인트 클라우드 지도와 LiDAR를 통해 실시간으로 취득되는 포인트 클라우드를 정합하여 위치 판단을 할 수 있는 Map Matching으로 구분된 2-Stage 시스템으로 구성되어 있다.
Map Mapping 단계는 LiDAR를 이용해 포인트 클라우드 지도를 생성하는 과정이다. 일반적으로 포인트 클라우드 지도는 LiDAR를 통해 취득되는 포인트 클라우드를 누적하여 생성하며, 데이터 취득 환경에서 함께 움직이는 동적 물체에 의해 긴 잔상 형태의 노이즈가 발생한다. 기존에는 이러한 노이즈를 사람이 직접 손으로 제거하였다. 본 논문은 딥러닝과 군집화를 활용해 포인트 클라우드에서 동적 물체 정보를 분류하여 제거하고, NDT(Normal Distribution Transform)를 활용해 누적함으로써 노이즈가 제거된 정확한 포인트 클라우드 지도를 생성하는 방법을 제안한다.
Map Matching 단계는 이전 단계에서 생성한 포인트 클라우드 지도를 활용해 자율주행 자동차의 위치 판단을 하는 단계이다. 이는 LiDAR를 통해 취득되는 포인트 클라우드와 포인트 클라우드 지도를 NDT를 이용해 정합하여 도출되는 회전 및 이동 행렬을 활용해 구현하였으며, 최종적으로 자율주행 자동차의 포인트 클라우드 지도상의 6DOF 자세 정보를 알 수 있게 된다.
본 논문에서 제안한 알고리즘을 실제 도심지 환경에서 평가한 결과 Map Mapping을 통해 생성한 포인트 클라우드 지도는 기존의 알고리즘을 이용해 생성한 포인트 클라우드 지도에 비해 노이즈가 약 86.19% 제거되었다. 또한, 노이즈가 제거된 포인트 클라우드 지도를 이용해 Map Matching 기반 Localization을 진행한 결과 노이즈가 존재하는 포인트 클라우드 지도를 사용했을 때보다 약 33.8%의 정확도가 향상되었다. 더 나아가 연산시간도 약 16.8% 향상되어 본 논문에서 제안한 알고리즘을 활용해 실제 도로 환경에서 정확하고 빠른 Localization이 가능할 것으로 기대된다.
기존에는 자율주행 자동차의 위치 판단을 위해 INS와 GNSS를 융합하여 사용했으나 고층 건물이 많은 도심지, 터널 안, 고가도로 밑과 같은 위성 신호 음영지역에서는 정확도가 많이 낮아지는 단점이 존재한다. LiDAR를 이용한 Map Matching 기술은 포인트 클라우드 지도를 활용해 이러한 단점을 극복할 수 있는 방법이다.
본 논문의 알고리즘은 LiDAR를 이용해 포인트 클라우드 지도를 생성하는 Map Mapping과 포인트 클라우드 지도와 LiDAR를 통해 실시간으로 취득되는 포인트 클라우드를 정합하여 위치 판단을 할 수 있는 Map Matching으로 구분된 2-Stage 시스템으로 구성되어 있다.
Map Mapping 단계는 LiDAR를 이용해 포인트 클라우드 지도를 생성하는 과정이다. 일반적으로 포인트 클라우드 지도는 LiDAR를 통해 취득되는 포인트 클라우드를 누적하여 생성하며, 데이터 취득 환경에서 함께 움직이는 동적 물체에 의해 긴 잔상 형태의 노이즈가 발생한다. 기존에는 이러한 노이즈를 사람이 직접 손으로 제거하였다. 본 논문은 딥러닝과 군집화를 활용해 포인트 클라우드에서 동적 물체 정보를 분류하여 제거하고, NDT(Normal Distribution Transform)를 활용해 누적함으로써 노이즈가 제거된 정확한 포인트 클라우드 지도를 생성하는 방법을 제안한다.
Map Matching 단계는 이전 단계에서 생성한 포인트 클라우드 지도를 활용해 자율주행 자동차의 위치 판단을 하는 단계이다. 이는 LiDAR를 통해 취득되는 포인트 클라우드와 포인트 클라우드 지도를 NDT를 이용해 정합하여 도출되는 회전 및 이동 행렬을 활용해 구현하였으며, 최종적으로 자율주행 자동차의 포인트 클라우드 지도상의 6DOF 자세 정보를 알 수 있게 된다.
본 논문에서 제안한 알고리즘을 실제 도심지 환경에서 평가한 결과 Map Mapping을 통해 생성한 포인트 클라우드 지도는 기존의 알고리즘을 이용해 생성한 포인트 클라우드 지도에 비해 노이즈가 약 86.19% 제거되었다. 또한, 노이즈가 제거된 포인트 클라우드 지도를 이용해 Map Matching 기반 Localization을 진행한 결과 노이즈가 존재하는 포인트 클라우드 지도를 사용했을 때보다 약 33.8%의 정확도가 향상되었다. 더 나아가 연산시간도 약 16.8% 향상되어 본 논문에서 제안한 알고리즘을 활용해 실제 도로 환경에서 정확하고 빠른 Localization이 가능할 것으로 기대된다.
목차
Ⅰ. 서 론 11.1 연구 배경 11.2 연구 동향 81.3 연구 목표 12Ⅱ. 연구 이론 배경 142.1 LiDAR의 Raw Data 142.2 인공 지능 172.3 기계 학습 182.4 딥러닝 202.4.1 신경망 202.4.2 Deep Feedforward Network 222.4.3 Recurrent Neural Network 222.4.4 Long Short-Term Memory 232.4.5 Convolutional Neural Network 242.4.5.1 Convolutional Layer 252.4.5.2 Padding & Stride 272.4.5.3 Active Function 282.4.5.4 Pooling Layer 302.5 SqueezesegV2 322.6 Euclidean Clustering 382.7 Normal Distribution Transform 432.7.1 NDT 개요 432.7.2 NDT를 이용한 스캔 정합 44Ⅲ. NDT와 딥러닝 기반 포인트 클라우드 지도 생성 알고리즘 483.1 일반적인 포인트 클라우드 지도 생성 방법 483.2 제안한 포인트 클라우드 지도 생성 방법 51Ⅳ. 포인트 클라우드 지도를 이용한 NDT 기반 Localization 544.1 개요 544.2 NDT 기반 Map Matching을 이용한 Localization 54Ⅴ. 실험 및 결과 분석 585.1 자율주행 자동차 585.2 개발 환경 595.3 학습 데이터 구축 595.4 SqueezesegV2 Network 학습 결과 615.4.1 학습 결과 평가 방법 615.4.2 학습 결과 635.5 실험 장소 655.6 포인트 클라우드 지도 Mapping 평가 685.6.1 개요 685.6.2 첫 번째 실험 장소 685.6.3 두 번째 실험 장소 715.6.4 세 번째 실험 장소 755.7 NDT Map Matching 기반 Localization 성능 평가 795.7.1 개요 795.7.2 첫 번째 실험 장소 815.7.3 두 번째 실험 장소 845.7.4 세 번째 실험 장소 87Ⅵ. 결 론 90참고문헌 92
최근 본 자료
댓글(0)
0