최근 자율주행 기술은 자동차 제조사, e-Mobility 관련 및 컴퓨터 비전 기업들의 주요 연구 분야로서 매우 중요한 이슈화 되고 있다. 미국 자동차 공학회(SAE: Society of Automotive Engineers)에서는 자율주행 기술을 여섯 단계로 분류하였으며, 현재 자율주행 기술은 4단계 수준으로 실제 상용화된 기술은 아직까지 운전자의 개입이 필요한 3단계 수준이다. 완전자율주행을 달성하기 위해서는 컴퓨터 비전 기반 방법으로 수집하는 시각적인 데이터뿐만 아니라, 다양한 센서를 활용하여 다방면의 데이터를 수집할 필요가 있다. 또한, 최근 양산형 센서의 발달과 하드웨어의 향상된 능력으로 딥러닝 기반 모델의 적용 가능성을 보여주고 있으며, 양산형 센서로 수집되는 다방면의 데이터의 특징들을 고려하여 모델의 성능을 향상시키는 ...
최근 자율주행 기술은 자동차 제조사, e-Mobility 관련 및 컴퓨터 비전 기업들의 주요 연구 분야로서 매우 중요한 이슈화 되고 있다. 미국 자동차 공학회(SAE: Society of Automotive Engineers)에서는 자율주행 기술을 여섯 단계로 분류하였으며, 현재 자율주행 기술은 4단계 수준으로 실제 상용화된 기술은 아직까지 운전자의 개입이 필요한 3단계 수준이다. 완전자율주행을 달성하기 위해서는 컴퓨터 비전 기반 방법으로 수집하는 시각적인 데이터뿐만 아니라, 다양한 센서를 활용하여 다방면의 데이터를 수집할 필요가 있다. 또한, 최근 양산형 센서의 발달과 하드웨어의 향상된 능력으로 딥러닝 기반 모델의 적용 가능성을 보여주고 있으며, 양산형 센서로 수집되는 다방면의 데이터의 특징들을 고려하여 모델의 성능을 향상시키는 센서 퓨전 연구가 활발히 진행되고 있다. 자율주행에서의 일반적인 컴퓨터 비전 기반 방법은 이미지 센서를 활용하여 3D객체 검출을 시도하여 문제에 접근한다. 단안 이미지 센서와 두 대 이상의 이미지 센서를 활용하는 방법이 있다. 단안 이미지 센서는 센서에서 인식한 객체의 거리가 멀거나, 크기가 작을 경우, 또 두 객체가 겹치는 경우에 객체 검출 정확성이 현저히 저하되며, 특히 센서와 객체 사이의 추정 거리가 부정확해지는 문제를 가지고 있다. 이를 보완하기 위해 두 대 이상의 이미지 센서를 활용해 객체의 깊이를 추정하여 3D 객체를 검출함으로써, 위와 같은 문제를 해결하고자 하는 방법이 제안되었다. 하지만 이 경우에는 깊이 추정 과정에서 계산 복잡도가 증가하여 실시간 성능이 저하되는 문제를 가지고 있다. LiDAR 센서에서 수집하는 데이터는 포인트 데이터로, 3D 객체 검출에 활용된다. 포인트 데이터는 각각의 x, y, z 좌표로 3차원으로 객체의 위치를 표현하며, 시각적인 데이터만 포함하는 이미지 센서의 2D 데이터와 다르게, 검출된 3D 객체의 3차원 위치 정보를 포함한다. 하지만, 이미지에서 추출할 수 있는 시각적인 데이터는 수집할 수 없으므로, 객체의 시각적 특징은 고려할 수 없다. 이미지와 LiDAR 센서는 각각의 장단점을 가지고 있으며, 각 센서에서 수집되는 다방면의 데이터를 적절하게 고려하고 처리하여야 자율주행 기술을 고도화할 수 있다. 이종의 센서 데이터를 동시에 활용하는 이러한 방식을 센서 퓨전 방식이라 한다. 이러한 접근 방식을 적용한 검출 모델은 저장된 포인트들의 집합인 포인트 클라우드를 point와 grid 방식을 이용하여 객체를 검출한다. 본 연구에서는 해당 방식에 각 포인트 특징을 강조하는 ChannelAttention 기법을 적용한 Channel-wise Abstraction 방법을 제안한다. 제안하는 방법을 3D 객체 검출 모델에 적용하면, 실시간 성능을 유지하면서 기존의 검출 모델보다 향상된 성능을 보여준다. 본 연구는 먼저 이미지와 LiDAR 센서의 좌표계를 하나의 좌표계로 표현하고 이를 처리하는 방법에 대해 논의한다. 다음으로, 본 연구에서 제안하는 방법을 적용한 3D 검출 모델을 정의한다. 마지막으로, 제안한 모델은 KITTI Benchmark의 4개의 평가지표를 활용하여 3개의 클래스에서 평가한다.
최근 자율주행 기술은 자동차 제조사, e-Mobility 관련 및 컴퓨터 비전 기업들의 주요 연구 분야로서 매우 중요한 이슈화 되고 있다. 미국 자동차 공학회(SAE: Society of Automotive Engineers)에서는 자율주행 기술을 여섯 단계로 분류하였으며, 현재 자율주행 기술은 4단계 수준으로 실제 상용화된 기술은 아직까지 운전자의 개입이 필요한 3단계 수준이다. 완전자율주행을 달성하기 위해서는 컴퓨터 비전 기반 방법으로 수집하는 시각적인 데이터뿐만 아니라, 다양한 센서를 활용하여 다방면의 데이터를 수집할 필요가 있다. 또한, 최근 양산형 센서의 발달과 하드웨어의 향상된 능력으로 딥러닝 기반 모델의 적용 가능성을 보여주고 있으며, 양산형 센서로 수집되는 다방면의 데이터의 특징들을 고려하여 모델의 성능을 향상시키는 센서 퓨전 연구가 활발히 진행되고 있다. 자율주행에서의 일반적인 컴퓨터 비전 기반 방법은 이미지 센서를 활용하여 3D 객체 검출을 시도하여 문제에 접근한다. 단안 이미지 센서와 두 대 이상의 이미지 센서를 활용하는 방법이 있다. 단안 이미지 센서는 센서에서 인식한 객체의 거리가 멀거나, 크기가 작을 경우, 또 두 객체가 겹치는 경우에 객체 검출 정확성이 현저히 저하되며, 특히 센서와 객체 사이의 추정 거리가 부정확해지는 문제를 가지고 있다. 이를 보완하기 위해 두 대 이상의 이미지 센서를 활용해 객체의 깊이를 추정하여 3D 객체를 검출함으로써, 위와 같은 문제를 해결하고자 하는 방법이 제안되었다. 하지만 이 경우에는 깊이 추정 과정에서 계산 복잡도가 증가하여 실시간 성능이 저하되는 문제를 가지고 있다. LiDAR 센서에서 수집하는 데이터는 포인트 데이터로, 3D 객체 검출에 활용된다. 포인트 데이터는 각각의 x, y, z 좌표로 3차원으로 객체의 위치를 표현하며, 시각적인 데이터만 포함하는 이미지 센서의 2D 데이터와 다르게, 검출된 3D 객체의 3차원 위치 정보를 포함한다. 하지만, 이미지에서 추출할 수 있는 시각적인 데이터는 수집할 수 없으므로, 객체의 시각적 특징은 고려할 수 없다. 이미지와 LiDAR 센서는 각각의 장단점을 가지고 있으며, 각 센서에서 수집되는 다방면의 데이터를 적절하게 고려하고 처리하여야 자율주행 기술을 고도화할 수 있다. 이종의 센서 데이터를 동시에 활용하는 이러한 방식을 센서 퓨전 방식이라 한다. 이러한 접근 방식을 적용한 검출 모델은 저장된 포인트들의 집합인 포인트 클라우드를 point와 grid 방식을 이용하여 객체를 검출한다. 본 연구에서는 해당 방식에 각 포인트 특징을 강조하는 Channel Attention 기법을 적용한 Channel-wise Abstraction 방법을 제안한다. 제안하는 방법을 3D 객체 검출 모델에 적용하면, 실시간 성능을 유지하면서 기존의 검출 모델보다 향상된 성능을 보여준다. 본 연구는 먼저 이미지와 LiDAR 센서의 좌표계를 하나의 좌표계로 표현하고 이를 처리하는 방법에 대해 논의한다. 다음으로, 본 연구에서 제안하는 방법을 적용한 3D 검출 모델을 정의한다. 마지막으로, 제안한 모델은 KITTI Benchmark의 4개의 평가지표를 활용하여 3개의 클래스에서 평가한다.
Autonomous Driving Technology (ADT) has become more popular and gained much more attention in the academia and industrial sectors such as automobile manufacturers, e-Mobility, research institutes and vision-based companies. Automotive engineers society have classified ADT into six specific levels. A...
Autonomous Driving Technology (ADT) has become more popular and gained much more attention in the academia and industrial sectors such as automobile manufacturers, e-Mobility, research institutes and vision-based companies. Automotive engineers society have classified ADT into six specific levels. Although, significant research is going on but still mostly commercialized methods achieve top-performance at only level 3. Furthermore, ADT utilizes various sensor approaches to reduce errors, crashes, and prevent injuries. With the rapid development of high-quality sensors and hardware, most methods are based on the intelligent chip, LiDAR, radar, and camera. In recent years, due to the steady growth of deep-learning models for ADT, various researchers are investigated new approaches and datasets to push ADT to the next level. In this thesis, we propose an improved channel-wise abstraction module for 3D object detection which emphasizes on features of each point. Our method detect objects via point cloud and 2D image. This approach extracts point features from the grid technique and point method. In addition to this, our approach is applicable in real-time environments. We perform extensive experiments and evaluate our approach on the KITTI benchmark dataset particularly for car, pedestrian and cyclist classes.
Autonomous Driving Technology (ADT) has become more popular and gained much more attention in the academia and industrial sectors such as automobile manufacturers, e-Mobility, research institutes and vision-based companies. Automotive engineers society have classified ADT into six specific levels. Although, significant research is going on but still mostly commercialized methods achieve top-performance at only level 3. Furthermore, ADT utilizes various sensor approaches to reduce errors, crashes, and prevent injuries. With the rapid development of high-quality sensors and hardware, most methods are based on the intelligent chip, LiDAR, radar, and camera. In recent years, due to the steady growth of deep-learning models for ADT, various researchers are investigated new approaches and datasets to push ADT to the next level. In this thesis, we propose an improved channel-wise abstraction module for 3D object detection which emphasizes on features of each point. Our method detect objects via point cloud and 2D image. This approach extracts point features from the grid technique and point method. In addition to this, our approach is applicable in real-time environments. We perform extensive experiments and evaluate our approach on the KITTI benchmark dataset particularly for car, pedestrian and cyclist classes.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.