주변 차량 추적을 위한 멀티모달 학습 기반 다중 센서 융합 :Vehicle Tracking Using Multi-Sensor Fusion Based on Multimodal Learning

윤규상

추천

검색

자료유형: 학위논문

저자정보: 윤규상 (한양대학교 )

지도교수: 허건수

발행연도: 2023

저작권: 한양대학교 논문은 저작권에 의해 보호받습니다.

이용수16

이 논문의 연구 히스토리 (2)

2023

주변 차량 추적을 위한 멀티모달 학습 기반 다중 센서 융합

윤규상 미래자동차공학과 2023.01 학위논문

2022

멀티모달 학습을 활용한 다중센서 융합

윤규상 , 최재호 , 허건수 한국자동차공학회 추계학술대회 및 전시회 2022.11 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

국문요지

자율 주행 기술이 고도화됨에 따라 신뢰성 높은 인지 기술의 필요성이 대두되고 있다. 주변 환경을 인지한 결과를 토대로 주변 차량의 경로 예측 및 제어 전략이 수립되기 때문에 정확한 인지 성능은 필수적이다. 인지 성능을 높이기 위하여 다중 모델을 활용하는 연구와 다중 센서를 결합하는 연구가 있다.
차량의 움직임은 시간에 따라 다양한 특성을 보인다. 단일 모델만을 사용하여 모든 움직임을 표현할 수 없기 때문에 다중 모델을 결합하여 추정 성능을 향상할 수 있다. 또한, 센서마다 장단점이 존재하기 때문에 단점을 보완하고 장점을 취하는 센서 융합 연구가 활발하다. 센서 융합 방법 중 Decentralized sensor fusion 방식은 센서별로 개별적인 트랙을 관리하기 때문에 센서의 개수가 늘어나더라도 알고리즘의 복잡도가 증가하지 않는다. 개별 트랙을 융합하여 최종 트랙을 형성하기 위해 Track-to-track fusion 방식이 필요하다. 기존의 Track-to-track fusion 방법 중 Covariance에 기반한 방법은 초기 설정에 의해 고정된 센서별 가중치 값을 얻는다. 센서별 성능은 주변 환경에 따라 달라지기에 주행 환경에 맞게 센서별 가중치를 다르게 설정할 필요가 있다.
본 연구에서 제안하는 알고리즘은 다중 모델과 다중 센서를 활용하며, 각 센서의 가중치를 주변 상황에 맞게 실시간으로 변화함으로써 주변 차량 추적 성능을 개선한다. 등속도 주행 상황과 등가속도 주행 상황을 가정한 Motion model을 결합하였고, 라이다, 레이더, 카메라로부터 취득한 High-level data를 융합하였다. 추가로, 센서로부터 차량의 거동과 위치, 차선 정보, 날씨 정보 등 주변 환경 정보를 Multimodal learning 방법을 이용해 학습하였다.
제안한 알고리즘의 성능 검증은 실차 실험 데이터를 이용하였다. 비교군으로서 기존의 Track-to-track fusion 방법 중 하나인 Covariance intersection 방법을 사용하였고, 기존 방법 대비 추적 성능 개선을 확인할 수 있다.

ABSTRACT
Vehicle Tracking Using Multi-Sensor Fusion Based on Multimodal Learning
Yoon, Kyusang
Department of Automotive Engineering Graduate School of Hanyang University

As autonomous driving technology advances, the need for highly reliable perception techniques is on the rise. Accurate perception is essential because the path prediction and control strategies are established based on the result of recognizing the surrounding environment. To improve perception techniques, there are studies using multiple models and studies combining various sensors.
Vehicle movement exhibits various characteristics over time. Since all motion cannot be expressed using only a single model, estimation performance can be improved by combining multiple models. In addition, as each sensor has advantages and disadvantages, research on sensor fusion is active to compensate for the disadvantages and take advantages. Among sensor fusion methods, the decentralized sensor fusion method manages individual tracks for each sensor, so the complexity of the algorithm does not increase even if the number of sensors increases. A track-to-track fusion method is required to fuse individual tracks to form the final track. Among the existing track-to-track fusion methods, the method based on covariance obtains a fixed weight value for each sensor by initial setting. Since the performance of each sensor varies depending on the surrounding environment, it is necessary to set different weights for each sensor according to the driving environment.
The algorithm proposed in this study utilizes multiple models and multiple sensors, and improves the tracking performance of surrounding vehicles by changing the weight of each sensor in real time according to the surrounding situation. A motion model assuming a constant speed driving situation and a constant acceleration driving situation is combined, and high-level data obtained from LiDAR, radar, and camera are fused. In addition, the surrounding environment information such as vehicle behavior and location, lane information, and weather information is learned from the sensor using a multimodal learning method.
To verify the performance of the proposed algorithm, real-vehicle test data are used. As a comparison group, the covariance intersection method, one of the existing track-to-track fusion methods, is used. The tracking performance improves compared to the existing method.

#자율 주행 #주변 차량 추적 #Sensor fusion #IMM #Multimodal learning

제1장 서론 1
1.1 연구 배경 1
1.2 관련 연구 3
1.2.1 다중 모델 결합 필터 3
1.2.2 다중 센서 융합 기술 7
1.3 연구 개요 14
제2장 제안 알고리즘 16
2.1 Background of tracking algorithm 18
2.2 Interacting multiple model filter 21
2.3 Track-to-track fusion using multimodal learning 24
제3장 결과 29
3.1 실험 환경 29
3.2 실험 결과 31
제4장 결론 36
REFERENCE 37
ABSTRACT 39

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)