세계 자동차 시장에서는 자율 주행 자동차 개발이 매우 중요한 이슈로 대두되고 있으며, 이를 위해 사용되는 센서에 대한 관심도 높아지고 있다. 많은 센서 중에서도 라이다 센서를 많이 활용하고 있지만 높은 가격으로 인해 센서를 직접 구매하고 적용하기에는 어려움이 많다. 비용적인 측면을 해결하기 위해서는 다양한 데이터를 모의로 생성할 수 있는 시뮬레이션을 이용할 수 있다. 모의 생성된 데이터는 센서의 제원에 대응하는 유사한 데이터를 획득할 수 있기 때문에 실제 운용에 앞서 다양한 실험을 통한 시스템 설계와 활용 ...
세계 자동차 시장에서는 자율 주행 자동차 개발이 매우 중요한 이슈로 대두되고 있으며, 이를 위해 사용되는 센서에 대한 관심도 높아지고 있다. 많은 센서 중에서도 라이다 센서를 많이 활용하고 있지만 높은 가격으로 인해 센서를 직접 구매하고 적용하기에는 어려움이 많다. 비용적인 측면을 해결하기 위해서는 다양한 데이터를 모의로 생성할 수 있는 시뮬레이션을 이용할 수 있다. 모의 생성된 데이터는 센서의 제원에 대응하는 유사한 데이터를 획득할 수 있기 때문에 실제 운용에 앞서 다양한 실험을 통한 시스템 설계와 활용 알고리즘 개발에 큰 도움이 된다. 본 연구에서는 차량용 라이다 센서에 범용으로 적용 가능한 일반화된 센서방정식을 유도하고, 가상의 도시 모델을 입력으로 하여 시뮬레이션 데이터를 생성한다. 먼저 간단한 변수조정을 통해 다양한 타입의 차량용 라이다 센서를 시뮬레이션 해볼 수 있는 차량용 라이다 센서를 모델링하는 방법을 설명한다. 다음으로, 상용 센서중 Velodyne HDL-64E와 IBeo LUX 8L 센서 두 가지를 선택하여 수립된 센서방정식에 적용하고 시뮬레이션한 후 실험을 통해 생성된 데이터의 활용 방안을 모색하였다. 먼저 도심 주행환경과 유사한 환경을 가진 데이터 모델을 생성하여 시뮬레이션 하여 그 결과를 확인하였다. 다음으로 무인자율주행 시스템 설계에서 라이다 센서의 객체 검출력 확인을 위해 자율주행에 있어서 필수적인 객체 인식과 관련된 거리, 속도, 데이터 획득 주기 등을 분석했다. 마지막으로 자율 주행 차량의 핵심 분야 중의 하나인 장애물 탐지에 적용하여 소개된 라이다 센서가 장애물 탐지 알고리즘 개발에 적합한 지 평가하였다. 분석 결과로 Velodyne 센서의 경우 센서로부터 40 ~ 50 m 떨어진 거리에 있는 객체에 대해서 형상을 인지하기 위한 요구조건이 충족되는 것을 확인하였고, LUX 8L 데이터의 경우에는 동일한 점밀도가 성취되기 위해서는 센서와 객체 간의 거리가 약 20 ~ 30 m까지 가까워져야하는 것을 확인하였다. 또한 속도의 변화에 따른 객체 검출력을 확인하기 위해 HDL-64와 LUX 8L 각각의 데이터를 시뮬레이션 한 결과를 비교하였을 때, 90km/h 이상의 속도에서만 큰 차이가 나는 것을 확인하였다. 마지막으로 장애물 탐지 알고리즘 개발에 적용하여 제안된 알고리즘이 라이다 데이터로부터 주행가능영역으로 인지할 수 있는 지면영역 검출에 대해 약 96%의 높은 정확도를 갖는 것을 확인하였다. 본 연구에서 개발한 차량용 라이다 범용 시뮬레이터는 무인 자율주행 차량에 대한 연구에 있어서 탑재되는 라이다 센서의 종류, 위치, 개수 등을 분석하여 최적화된 시스템 설계와 시스템의 구축 이전부터 다양한 활용 알고리즘을 개발에 크게 기여할 것이다.
세계 자동차 시장에서는 자율 주행 자동차 개발이 매우 중요한 이슈로 대두되고 있으며, 이를 위해 사용되는 센서에 대한 관심도 높아지고 있다. 많은 센서 중에서도 라이다 센서를 많이 활용하고 있지만 높은 가격으로 인해 센서를 직접 구매하고 적용하기에는 어려움이 많다. 비용적인 측면을 해결하기 위해서는 다양한 데이터를 모의로 생성할 수 있는 시뮬레이션을 이용할 수 있다. 모의 생성된 데이터는 센서의 제원에 대응하는 유사한 데이터를 획득할 수 있기 때문에 실제 운용에 앞서 다양한 실험을 통한 시스템 설계와 활용 알고리즘 개발에 큰 도움이 된다. 본 연구에서는 차량용 라이다 센서에 범용으로 적용 가능한 일반화된 센서방정식을 유도하고, 가상의 도시 모델을 입력으로 하여 시뮬레이션 데이터를 생성한다. 먼저 간단한 변수조정을 통해 다양한 타입의 차량용 라이다 센서를 시뮬레이션 해볼 수 있는 차량용 라이다 센서를 모델링하는 방법을 설명한다. 다음으로, 상용 센서중 Velodyne HDL-64E와 IBeo LUX 8L 센서 두 가지를 선택하여 수립된 센서방정식에 적용하고 시뮬레이션한 후 실험을 통해 생성된 데이터의 활용 방안을 모색하였다. 먼저 도심 주행환경과 유사한 환경을 가진 데이터 모델을 생성하여 시뮬레이션 하여 그 결과를 확인하였다. 다음으로 무인자율주행 시스템 설계에서 라이다 센서의 객체 검출력 확인을 위해 자율주행에 있어서 필수적인 객체 인식과 관련된 거리, 속도, 데이터 획득 주기 등을 분석했다. 마지막으로 자율 주행 차량의 핵심 분야 중의 하나인 장애물 탐지에 적용하여 소개된 라이다 센서가 장애물 탐지 알고리즘 개발에 적합한 지 평가하였다. 분석 결과로 Velodyne 센서의 경우 센서로부터 40 ~ 50 m 떨어진 거리에 있는 객체에 대해서 형상을 인지하기 위한 요구조건이 충족되는 것을 확인하였고, LUX 8L 데이터의 경우에는 동일한 점밀도가 성취되기 위해서는 센서와 객체 간의 거리가 약 20 ~ 30 m까지 가까워져야하는 것을 확인하였다. 또한 속도의 변화에 따른 객체 검출력을 확인하기 위해 HDL-64와 LUX 8L 각각의 데이터를 시뮬레이션 한 결과를 비교하였을 때, 90km/h 이상의 속도에서만 큰 차이가 나는 것을 확인하였다. 마지막으로 장애물 탐지 알고리즘 개발에 적용하여 제안된 알고리즘이 라이다 데이터로부터 주행가능영역으로 인지할 수 있는 지면영역 검출에 대해 약 96%의 높은 정확도를 갖는 것을 확인하였다. 본 연구에서 개발한 차량용 라이다 범용 시뮬레이터는 무인 자율주행 차량에 대한 연구에 있어서 탑재되는 라이다 센서의 종류, 위치, 개수 등을 분석하여 최적화된 시스템 설계와 시스템의 구축 이전부터 다양한 활용 알고리즘을 개발에 크게 기여할 것이다.
Currently in the world automobile market, the development of self-driving cars has been a major issue. The interest for the sensors mounted to such cars has been thus increasing. Among multiple selections of sensors, LiDAR sensors have been used popularly. However, because of the high cost it seems ...
Currently in the world automobile market, the development of self-driving cars has been a major issue. The interest for the sensors mounted to such cars has been thus increasing. Among multiple selections of sensors, LiDAR sensors have been used popularly. However, because of the high cost it seems hard to purchase and apply. To solve the cost issues we may use various kinds of simulated data rather than real data. The simulation may help developing algorithms and reducing the cost to collect the test data in various environment. In this research, we will drive sensor equations which can be applied to all general LiDAR sensors for automobile and develop a general purpose simulator based on the equations. First, we explain how to model the different kinds of vehicle LiDAR sensors. We then select two commercial sensors, Velodyne HDL-64E and IBeo LUX 8L, and simulate the sensory data in urban driving environment. The simulated data are then analysed in terms of object recognition according to different parameters such as distance, speed, frequency of data acquisition and etc. Finally, we utilize the simulated data to develop an obstacle detection algorithm. The developed algorithm shows 96% of high accuracy of detecting the ground area assumed to be a derivable area. This research will help analyzing the requirements such as sensor type, installation position and quantities for LiDAR sensors in self-driving care development.
Currently in the world automobile market, the development of self-driving cars has been a major issue. The interest for the sensors mounted to such cars has been thus increasing. Among multiple selections of sensors, LiDAR sensors have been used popularly. However, because of the high cost it seems hard to purchase and apply. To solve the cost issues we may use various kinds of simulated data rather than real data. The simulation may help developing algorithms and reducing the cost to collect the test data in various environment. In this research, we will drive sensor equations which can be applied to all general LiDAR sensors for automobile and develop a general purpose simulator based on the equations. First, we explain how to model the different kinds of vehicle LiDAR sensors. We then select two commercial sensors, Velodyne HDL-64E and IBeo LUX 8L, and simulate the sensory data in urban driving environment. The simulated data are then analysed in terms of object recognition according to different parameters such as distance, speed, frequency of data acquisition and etc. Finally, we utilize the simulated data to develop an obstacle detection algorithm. The developed algorithm shows 96% of high accuracy of detecting the ground area assumed to be a derivable area. This research will help analyzing the requirements such as sensor type, installation position and quantities for LiDAR sensors in self-driving care development.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.