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
- 김학일
- 발행연도
- 2022
- 저작권
- 인하대학교 논문은 저작권에 의해 보호받습니다.
이용수20
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
자율주행을 구성하는데 있어서 필수적인 물체 감지에는 일반적으로 2D 검출, BEV(Bird’s Eye View) 검출, 3D 검출이 존재하는데 실제 환경과 직접적으로 호환되기도 하며 카메라와의 매칭을 위해 3D 물체 검출의 활용이 많이 활발해지고 있다. 하지만 현재 오픈된 딥러닝 네트워크들을 보면 대부분 KITTI 데이터셋을 가지고 개발이 되어 있는데 이 KITTI 데이터셋은 전방 카메라 FoV(Field of View) 내의 물체에 대해서만 라벨링이 되어 있어 측 후방 물체에 대한 추가적인 대안이 필요하다. 더불어 데이터 양을 줄이기 위한 기존의 라이다 전처리들은 현재 차량의 환경을 고려하지 않고 포인트를 감소시켜 검출의 효율성을 감소시키는 문제점을 가지고 있다.
본 논문에서는 이러한 문제를 해결하기 위해 실제 연구실에서 보유한 자율주행차량을 가지고 라이다 데이터를 수집하여 360도 전 범위의 물체에 대한 라벨링을 수행하였으며 해당 데이터셋을 이용하여 다른 모델들보다 정확도와 처리 속도 측면에서 향상된 성능을 보여주는 방법을 제안한다. 제안된 모델은 현재 가장 빠른 속도를 자랑하는 PointPillars를 기반으로 관련 있는 Feature끼리 뭉쳐 학습될 수 있도록 설계하였고 현재 KITTI 데이터셋 기반 가장 좋은 정확도를 보여주는 SE-SSD에서 사용하는 Self-Ensembling 기법을 이용한다.
추가적으로 모델개선 뿐만 아니라 처리 속도를 더욱 빠르게 하기 위한 전처리로써 웨이포인트와 맵을 기반으로 차량의 패스 및 도로환경에 따라 가변적으로 포인트 클라우드를 잘라내는 적응형 포인트 클라우드 알고리즘을 함께 제안한다. 제안된 딥러닝 모델은 다른 딥러닝 네트워크들보다 Precision-Recall 커브로 얻는 R40, R11 평가 지표에 대해 더 우수한 정확도를 보여주며 제안된 적응형 포인트 클라우드 전처리 알고리즘은 일반적으로 전처리로서 사용되는 타 알고리즘에 비해 훨씬 더 효율적인 크라핑과 처리 속도를 보여준다.
본 논문에서는 이러한 문제를 해결하기 위해 실제 연구실에서 보유한 자율주행차량을 가지고 라이다 데이터를 수집하여 360도 전 범위의 물체에 대한 라벨링을 수행하였으며 해당 데이터셋을 이용하여 다른 모델들보다 정확도와 처리 속도 측면에서 향상된 성능을 보여주는 방법을 제안한다. 제안된 모델은 현재 가장 빠른 속도를 자랑하는 PointPillars를 기반으로 관련 있는 Feature끼리 뭉쳐 학습될 수 있도록 설계하였고 현재 KITTI 데이터셋 기반 가장 좋은 정확도를 보여주는 SE-SSD에서 사용하는 Self-Ensembling 기법을 이용한다.
추가적으로 모델개선 뿐만 아니라 처리 속도를 더욱 빠르게 하기 위한 전처리로써 웨이포인트와 맵을 기반으로 차량의 패스 및 도로환경에 따라 가변적으로 포인트 클라우드를 잘라내는 적응형 포인트 클라우드 알고리즘을 함께 제안한다. 제안된 딥러닝 모델은 다른 딥러닝 네트워크들보다 Precision-Recall 커브로 얻는 R40, R11 평가 지표에 대해 더 우수한 정확도를 보여주며 제안된 적응형 포인트 클라우드 전처리 알고리즘은 일반적으로 전처리로서 사용되는 타 알고리즘에 비해 훨씬 더 효율적인 크라핑과 처리 속도를 보여준다.
목차
제 1 장 서론 11.1 논문의 배경과 목적 11.2 논문의 구성 7제 2 장 관련 연구 기술 동향 82.1 2D 이미지를 이용한 물체 검출 82.1.1 2-Stage 객체 검출 82.1.2 1-Stage 객체 검출 92.2 3D 환경에서 포인트 클라우드를 이용한 물체 검출 112.2.1 BEV 물체 검출 112.2.2 3D 물체 검출의 종류 122.3 카메라-라이다 융합을 이용한 물체 검출 212.2.3 3D 물체 검출의 종류 212.4 3D 물체 검출 성능 비교 242.5 라이다 처리를 위한 전처리 252.5.1 Noise Removal 252.5.2 Voxel Grid Filter 262.5.3 RoI Filter 282.6 경로 계획을 위한 정밀 맵 282.6.1 Lanelet 28제 3 장 제안 방법 303.1 3D 물체 검출 네트워크 학습을 위한 전체적인 구조 303.2 포인트 클라우드를 이용한 어그멘테이션 313.2.1 Global 어그멘테이션 323.2.2 Self-Ensembling을 위한 어그멘테이션 333.3 Feature 보존형 딥러닝 모델 363.3.1 Feature extractor 363.3.2 Backbone과 Detection Head 383.4 Self-Ensembling을 이용한 모델 학습 393.5 적응형 포인트 클라우드(Adaptive Point Cloud) 생성 41제 4 장 실험 및 결과 444.1 실험 및 평가 환경 444.1.1 PC 및 환경 셋팅 444.1.2 데이터셋 구축 454.2 학습 세부 사항 484.3 정량적 평가 494.3.1 3D 물체 검출 494.3.2 적응형 포인트 클라우드 554.4 정성적 평가 564.4.1 3D 물체 검출 564.4.2 적응형 포인트 클라우드 61제 5 장 결론 및 향후 과제 645.1 결론 645.2 향후 과제 65참고문헌 66
최근 본 자료
댓글(0)
0