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.
이용수42
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
본 연구는 차량의 자세를 실시간으로 추정하여 자세의 변화에 따라 발생하는 거리인식 결과 오차를 동적 보상해주는 방법에 대한 연구이다. 자율주행에서의 거리 추정은 필수적인 요소로 정확성은 안전성과 비례한다. 따
라서 주행 중 발생하는 거리 추정의 오차 원인 중 하나인 급격한 차량의 자세 변화에 따른 부정확한 거리정보를 실시간 차량의 자세 추정을 통해 거리인식 결과 오차를 보정하는 방법을 제안한다.
차량의 자세에 따라 인식된 거리 결과를 보정하기 위해서는 먼저 차량의 자세를 실시간으로 추정해야 한다. 본 연구에서는 카메라기반 자세추정의 단점인 노이즈로 인한 부정확한 정확도와 IMU 기반 자세추정의 단점인 오차누적문제를 해결하기위해 각각의 단점을 보완하고자 두 센서를 융합하여 정확도를 향상시킨다. 카메라 영상을 기반으로 하여 영상 내 특징점을 검출 한 후 추적하여 두 프레임 간의 대응되는 매칭 쌍들에 대해 계산된 기초행렬(Fundamental matrix)을 특이 값 분해(Singular Value Decomposition)를 통해 회전행렬과 이동행렬을 추정 하고 IMU 센서 데이터를 회전행렬로 변환하여 각 센서로부터 추정된 자세에 가중치를 두어 오차 누적 상황에 따라 적응적으로 가중치를 변화시켜 정확도를 향상시킨다. 사전에 캘리브레이션을 통해 구해 놓은 지면영역을 추정된 자세에 따라 변화시켜 영상 내변화가 있더라도 영향을 받지 않는 거리 정보를 추정할 수 있다.
제안한 방법의 성능 검증을 위해 시뮬레이터 환경과 실제 환경에서 테스트를 수행하였다. 거리에 대한 보정 알고리즘을 적용 전/후를 비교해 보았을 때 오차율이 약 20% 감소하였고, 라이다의 참 값과 비교해 본 결과 7% 이내로 거리 오차가 발생하였으므로 개선된 결과를 보였다.
라서 주행 중 발생하는 거리 추정의 오차 원인 중 하나인 급격한 차량의 자세 변화에 따른 부정확한 거리정보를 실시간 차량의 자세 추정을 통해 거리인식 결과 오차를 보정하는 방법을 제안한다.
차량의 자세에 따라 인식된 거리 결과를 보정하기 위해서는 먼저 차량의 자세를 실시간으로 추정해야 한다. 본 연구에서는 카메라기반 자세추정의 단점인 노이즈로 인한 부정확한 정확도와 IMU 기반 자세추정의 단점인 오차누적문제를 해결하기위해 각각의 단점을 보완하고자 두 센서를 융합하여 정확도를 향상시킨다. 카메라 영상을 기반으로 하여 영상 내 특징점을 검출 한 후 추적하여 두 프레임 간의 대응되는 매칭 쌍들에 대해 계산된 기초행렬(Fundamental matrix)을 특이 값 분해(Singular Value Decomposition)를 통해 회전행렬과 이동행렬을 추정 하고 IMU 센서 데이터를 회전행렬로 변환하여 각 센서로부터 추정된 자세에 가중치를 두어 오차 누적 상황에 따라 적응적으로 가중치를 변화시켜 정확도를 향상시킨다. 사전에 캘리브레이션을 통해 구해 놓은 지면영역을 추정된 자세에 따라 변화시켜 영상 내변화가 있더라도 영향을 받지 않는 거리 정보를 추정할 수 있다.
제안한 방법의 성능 검증을 위해 시뮬레이터 환경과 실제 환경에서 테스트를 수행하였다. 거리에 대한 보정 알고리즘을 적용 전/후를 비교해 보았을 때 오차율이 약 20% 감소하였고, 라이다의 참 값과 비교해 본 결과 7% 이내로 거리 오차가 발생하였으므로 개선된 결과를 보였다.
목차
제 1 장 서론 81.1 논문의 배경과 목적 81.2 관련 연구 동향 131.3 논문의 구성 17제 2 장 센서 캘리브레이션 182.1 연구 차량 및 장비 소개 182.2 카메라 캘리브레이션 202.3 카메라 ? 라이다 캘리브레이션 23제 3 장 카메라-IMU 융합을 이용한 차량 자세 추정 263.1 Visual Inertial Odometry 개요 263.2 카메라 영상 기반 자세 추정 273.2.1 FAST를 이용한 특징 점 추출 273.2.2 Optical Flow를 이용한 특징 점 추적 283.2.3 Epipolar Geometry 313.2.4 RANSAC을 이용한 outlier 제거 333.2.5 특이 값 분해를 이용하여 회전, 이동행렬 추정 333.3 카메라 ? IMU 융합 343.4 차량 자세 추정 실험 결과 및 분석 37제 4 장 거리인식 결과 동적 보상 404.1 지면 기반 거리 추정 404.1.1 RANSAC을 통한 지면 영역 추정 404.1.2 딥러닝 검출기(YOLO v4)를 이용한 지면 위 물체 검출 414.2 지면 영역 동적 보상 434.3 실험 및 결과 464.3.1 실험 환경 및 개요 464.3.1 시뮬레이터 환경 실험 및 결과 484.3.2 실제 도로 환경 실험 결과 534.4 실험 결과 분석 56제 5 장 결론 및 향후 과제 585.1 결론 585.2 향후 과제 59참고문헌 60
최근 본 자료
댓글(0)
0