초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 모바일 맵핑 시스템의 LiDAR(Light Detection And Ranging)를 통해 측정된 점군 지도(point cloud map)에서 자율주행차량(autonomous vehicle)에 쓰이는 차선데이터의 자동 추출 방법을 제안한다. 제안하는 방법은 ...

본 논문에서는 모바일 맵핑 시스템의 LiDAR(Light Detection And Ranging)를 통해 측정된 점군 지도(point cloud map)에서 자율주행차량(autonomous vehicle)에 쓰이는 차선데이터의 자동 추출 방법을 제안한다. 제안하는 방법은 3차원 점군 지도에 포함되어있는 차선을 팔진트리(octree)과 쾌속행진산법(fast marching method)를 이용해 군집화(clustering)하고 정밀도로지도(High Definition map : HD map)의 차선데이터로 자동 추출하여 실제 자율주행차량에 적용 가능한 장점을 가진다. 본 논문은 1) LiDAR 센서로 스캔되어진 데이터에서 도로 및 차선 점군데이터의 분류(classification) 2) 차선 데이터의 군집화, 3) 군집화 되어진 차선의 중심점(center point), 시작점(start point), 끝점(end point) 추출 및 점들 간 선분 연결을 통한 정밀도로지도용 데이터 추출로 이루어지며, 그 상세 구성은 다음과 같다.
첫째, 3차원 점군 데이터 내에서 차선의 추출을 위하여 도로와 차선을 분류한다. 우선, 점군 데이터 수집 센서시스템인 모바일 맵핑 시스템(Mobile Mapping System : MMS)은 일반적으로 차량의 프레임에 고정되어 있다. 센서시스템은 주변의 스캔 정보와 차량의 주행 거리(odometry) 정보를 정확하게 기록한다. 차량 센서시스템의 위치정보와 도로와의 일정한 거리 비교를 통하여 점군 데이터의 도로 데이터를 분류한다. 분류되어진 도로에는 차선 데이터가 포함되어있고 도로와 차선들은 각자의 강도값(intensity)을 포함한다. 각 점 데이터가 가지고있는 강도값의 막대그래프 도수 분포표 (histogram) 분석을 통해 불필요한 데이터 제거 및 도로 내 차선을 분류한다.
둘째, 도로에서 분류 되어진 차선 데이터는 각 차선의 중심점 및 시작점, 끝점의 추출을 위하여 군집화되어야 한다. 3차원 데이터들로 이루어진 차선 점군 데이터를 팔진트리을 이용하여 규칙적으로 분류하여 구조화시킨다. 이때 구조화 되어진 데이터들은 쾌속행진산법을 통해 규칙적으로 군집화 한다. 이 알고리즘은 3차원 데이터의 분류 및 군집화에 효과적으로 작용한다.
마지막으로, 군집화 되어진 차선 데이터는 자율주행차량에 쓰이는 정밀도로지도로 제작 되어야 한다. 차선데이터의 제작을 위하여 각 차선이 포함하고 있는 중심점 간의 선분연결은 필수적인 방법이다. 3차원 절대 좌표를 포함하는 차선의 중심점은 군집화 되어진 차선의 점군 데이터 평균값을 통해 나타낸다. 그리고 이러한 점들은 벡터 연산 및 주성분분석(Principal Component Analysis : PCA)을 통해 방향성을 통일시키며 알고리즘을 통해 연속적으로 연결한다. 또한 곡선 차선 데이터의 추출 및 연결을 통하여 도로의 다양한 차선 데이터에서 활용이 가능하다. 추출되어진 데이터는 정밀도로지도의 차선데이터로 사용할 수 있게 설계한다.
제안한 기법에서의 추출 방법은 기존 정밀도로지도 및 강도값을 가지고 있는 다양한 3차원 점군지도에도 적용이 가능하다. 또한 추출되어진 데이터와 국토지리정보원의 정밀도로지도 데이터를 비교함으로써 제안한 방법의 정확성을 검증한다. 기존 수동으로 이루어졌던 정밀도로지도의 중심점 데이터와 알고리즘을 사용한 중심점 데이터와의 결과를 비교한다.

Abstract ▼ AI-Helper

In this thesis, we propose a method for automatic extraction of lane data from the point cloud map constructed by Light Detection And Ranging (LiDAR) of Mobile Mapping System (MMS), which can be used for the high definition (HD) map of an autonomous driving vehicles. In the proposed method, we clust...

In this thesis, we propose a method for automatic extraction of lane data from the point cloud map constructed by Light Detection And Ranging (LiDAR) of Mobile Mapping System (MMS), which can be used for the high definition (HD) map of an autonomous driving vehicles. In the proposed method, we cluster the road lanes included in the three-dimensional (3D) point map using the octree and the fast marching method, and automatically extract the road lane data of the HD map with accuracy. The thesis is divided into three parts: 1) the classification of road and road lane point cloud data (PCD) for 3D map data scanned with LiDAR sensor, 2) the clustering of lane data, and 3) the extraction of data for high precision map by extracting the center point of clustered road lanes and connecting line segments of center points, start points and end points. The details are as follows:
In the first part, the roads and the lanes are classified for extracting the lanes from 3D point cloud map. The MMS, which is a PCD collection sensor system, is generally fixed to a frame of a vehicle. The sensor system accurately records the surrounding scan information and the vehicle's odometry information. The road data of PCD are classified through the comparison of the position information of the vehicle sensor system with the road at a constant distance. The classified roads contain the lanes data and the roads and lanes contain their intensity values. The histogram analysis of intensity values of each point data classifies unnecessary noise and lanes in the road. This has the advantage of being applicable to an actual autonomous vehicles.
In the second part, the lane data classified on the road should be clustered to extract the center point of each lane. The lane line group data consisting of 3D data is regularly classified and structured by the octree classification method. At this time, the structured data is clustered regularly through the fast marching method. The proposed algorithm works effectively for classification and clustering of 3D data.
In the final part, The clustered lane data is used for autonomous driving vehicles, and it is essential to express the center point of each lane and the connection through line segments in order to produce the HD map lane data. The center point of lane containing the 3D absolute coordinates is represented by the average value of the PCD data included in the clustered lane. These points are connected continuously through algorithms by unifying the direction through the vector operation and the principal component analysis (PCA). Furthermore, it is possible to extract data for precision map data from lane data of various roads through connection between the curved lane data. The extracted lane center data can be used precisely as lane data on the HD map.
The extraction method proposed in this thesis can be applied to various 3D point cloud maps with existing precision and intensity. In addition, to verify the accuracy of the proposed method is we compare the extracted data of our method with the HD map data of the National Geographic Information Institute (NGII) source in Korea.

Keyword