본 논문은 3D LiDAR와 Monocular Camera 센서를 이용하여, 주행 중인 도로에 존재하는 도로 노면 표지에 대해 누적 지역 지도를 작성하고 지도의 다중 차선을 검출하는 기법에 관한 연구이다. 레벨 5단계에 다가가기 위한 높은 수준의 자율주행 자동차는 주행 중인 차량의 주변 환경으로부터 다양하고 많은 정보를 획득해야 한다. 차량 주변 환경 중 도로에는 차선을 포함하여, 다양한 정보를 가지고 있는 도로 노면 표지가 존재한다. 도로 노면 표지는 아스팔트에 비해 빛에 대한 높은 ...
본 논문은 3D LiDAR와 Monocular Camera 센서를 이용하여, 주행 중인 도로에 존재하는 도로 노면 표지에 대해 누적 지역 지도를 작성하고 지도의 다중 차선을 검출하는 기법에 관한 연구이다. 레벨 5단계에 다가가기 위한 높은 수준의 자율주행 자동차는 주행 중인 차량의 주변 환경으로부터 다양하고 많은 정보를 획득해야 한다. 차량 주변 환경 중 도로에는 차선을 포함하여, 다양한 정보를 가지고 있는 도로 노면 표지가 존재한다. 도로 노면 표지는 아스팔트에 비해 빛에 대한 높은 반사율을 가진다. 이러한 도로 노면 표지의 특성으로 인해 빛을 이용하는 3D LiDAR 센서를 이용하여 측정할 수 있으며, 측정된 도로 노면 표지에 대한 누적 지역 지도를 작성한다. 작성된 누적 지역 지도에는 차량 주변의 점차선을 포함한 여러 개의 차선이 존재한다. 도로 노면 표지 중 차선은 자율주행을 위한 필수적인 정보를 제공하며, 이를 위해 작성된 누적 지역 지도에서 다중 차선을 검출하는 기법을 개발하였다. 누적 지역 지도를 작성하기 위해서는 측정된 도로 노면 표지 특징을 차량의 움직임에 따라 누적해야 하며 이를 위해 LiDAR Odometry를 계산하여 누적 지역 지도를 작성하였다. 또한 차선을 포함한 도로 노면 표지는 대상의 형상 외에 색 정보를 통해 다양한 정보를 제공한다. 이에 따라 색 정보를 인식할 수 있는 Camera 센서를 이용하여 도로 영역에 대한 영상을 변환하여 누적 지역 지도를 작성하였다. 이에 따라 Camera 센서를 이용한 누적 지역 지도와 LiDAR 센서를 이용한 누적 지역 지도를 합성하여 도로 영역에 대한 도로 노면 표지에 대해 많은 정보를 인식할 수 있는 가능성을 제공하고자 한다. 본 논문에서는 실제 도심 지역에서도 주행이 가능한 높은 수준의 자율주행 자동차 시스템을 목표로 하였으며, 알고리즘의 성능과 실시간성에 대한 검증은 실제 도심 지역인 서울특별시 일부 구간에서 성능을 검증하였다.
본 논문은 3D LiDAR와 Monocular Camera 센서를 이용하여, 주행 중인 도로에 존재하는 도로 노면 표지에 대해 누적 지역 지도를 작성하고 지도의 다중 차선을 검출하는 기법에 관한 연구이다. 레벨 5단계에 다가가기 위한 높은 수준의 자율주행 자동차는 주행 중인 차량의 주변 환경으로부터 다양하고 많은 정보를 획득해야 한다. 차량 주변 환경 중 도로에는 차선을 포함하여, 다양한 정보를 가지고 있는 도로 노면 표지가 존재한다. 도로 노면 표지는 아스팔트에 비해 빛에 대한 높은 반사율을 가진다. 이러한 도로 노면 표지의 특성으로 인해 빛을 이용하는 3D LiDAR 센서를 이용하여 측정할 수 있으며, 측정된 도로 노면 표지에 대한 누적 지역 지도를 작성한다. 작성된 누적 지역 지도에는 차량 주변의 점차선을 포함한 여러 개의 차선이 존재한다. 도로 노면 표지 중 차선은 자율주행을 위한 필수적인 정보를 제공하며, 이를 위해 작성된 누적 지역 지도에서 다중 차선을 검출하는 기법을 개발하였다. 누적 지역 지도를 작성하기 위해서는 측정된 도로 노면 표지 특징을 차량의 움직임에 따라 누적해야 하며 이를 위해 LiDAR Odometry를 계산하여 누적 지역 지도를 작성하였다. 또한 차선을 포함한 도로 노면 표지는 대상의 형상 외에 색 정보를 통해 다양한 정보를 제공한다. 이에 따라 색 정보를 인식할 수 있는 Camera 센서를 이용하여 도로 영역에 대한 영상을 변환하여 누적 지역 지도를 작성하였다. 이에 따라 Camera 센서를 이용한 누적 지역 지도와 LiDAR 센서를 이용한 누적 지역 지도를 합성하여 도로 영역에 대한 도로 노면 표지에 대해 많은 정보를 인식할 수 있는 가능성을 제공하고자 한다. 본 논문에서는 실제 도심 지역에서도 주행이 가능한 높은 수준의 자율주행 자동차 시스템을 목표로 하였으며, 알고리즘의 성능과 실시간성에 대한 검증은 실제 도심 지역인 서울특별시 일부 구간에서 성능을 검증하였다.
This paper is the study on method of Building a Cumulative Local Map and Detecting Multiple Lanes of the map using 3D LiDAR and Monocular Camera Sensor. High-level Autonomous Vehicles to reach level five must acquire a variety of information from the surrounding environment of the vehicle being ...
This paper is the study on method of Building a Cumulative Local Map and Detecting Multiple Lanes of the map using 3D LiDAR and Monocular Camera Sensor. High-level Autonomous Vehicles to reach level five must acquire a variety of information from the surrounding environment of the vehicle being driven. There are Road Markings on the road that contain various information, including lanes. Road Markings have a higher reflectivity for light than asphalt. Due to the characteristics of these Road Markings, it can measured by 3D LiDAR sensors that uses light. Accordingly, a cumulative local map is built from the measured Road Markings. In the resulting cumulative local map, there are several lanes, including dashed lines around the vehicle. Lanes on road markings provide essential information for autonomous driving, and I developed a method for detecting multiple lanes in the accumulated local map. In order to build a cumulative local map, the measured road marking features must be accumulated according to the movement of the vehicle. For this purpose, a cumulative local map built by calculating LiDAR Odometry. In addition, road markings including lanes provide various information through color information in addition to the shape of the object. As a result, a cumulative local map built by transforming an image of a road area using a camera sensor that can recognize color information. Accordingly, the cumulative local maps using the camera and 3D LiDAR sensor are fused to provide the possibility recognizing a lot of information on the road marking for the road area. In this paper, I aimed at a high-level autonomous vehicle system that can be driven in urban areas. For the verification of the algorithm’s performance and Real-time, I verified the performance in some sections of Seoul.
This paper is the study on method of Building a Cumulative Local Map and Detecting Multiple Lanes of the map using 3D LiDAR and Monocular Camera Sensor. High-level Autonomous Vehicles to reach level five must acquire a variety of information from the surrounding environment of the vehicle being driven. There are Road Markings on the road that contain various information, including lanes. Road Markings have a higher reflectivity for light than asphalt. Due to the characteristics of these Road Markings, it can measured by 3D LiDAR sensors that uses light. Accordingly, a cumulative local map is built from the measured Road Markings. In the resulting cumulative local map, there are several lanes, including dashed lines around the vehicle. Lanes on road markings provide essential information for autonomous driving, and I developed a method for detecting multiple lanes in the accumulated local map. In order to build a cumulative local map, the measured road marking features must be accumulated according to the movement of the vehicle. For this purpose, a cumulative local map built by calculating LiDAR Odometry. In addition, road markings including lanes provide various information through color information in addition to the shape of the object. As a result, a cumulative local map built by transforming an image of a road area using a camera sensor that can recognize color information. Accordingly, the cumulative local maps using the camera and 3D LiDAR sensor are fused to provide the possibility recognizing a lot of information on the road marking for the road area. In this paper, I aimed at a high-level autonomous vehicle system that can be driven in urban areas. For the verification of the algorithm’s performance and Real-time, I verified the performance in some sections of Seoul.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.