[학위논문]정밀도로지도에서 도로 노면선 표시의 자동 구축을 위한 딥러닝의 적용 Application of Deep Learning for Automatic Construction of Road Lane Markings in High-Definition Road Maps원문보기
자율주행 차량의 기본 인프라로 활용되는 정밀도로지도의 중요성이 증대됨에 따라 국토지리정보원은 전국 도로에 대해 정밀도로지도를 구축‧갱신하는 것을 목표로 하고 있다. 하지만 현재 정밀도로지도를 구축하기 위한 도화 및 구조화 작업은 주로 사람에 의해 수작업으로 수행되고 있으며, 이로 인해 전국 도로 구간의 구축과 도로 변화에 따른 즉각적인 갱신 및 유지보수에 한계가 있다. 또한, 수동적 구축과정으로 정밀도로지도 품질의 일관성을 확보하기 어려운 실정이다. 따라서, 현재의 수동적인 정밀도로지도 구축 체계를 자동화 구축 체계로 전환하고 정밀도로지도 품질의 일관성을 확보할 수 있는 효율적인 정밀도로지도 구축 기술 개발이 필요하다. 이에 본 연구에서는 정밀도로지도의 구축 대상 중 가장 많은 시간이 소요되는 도로 노면선 표시를 연구 대상으로 선정하였으며, 도로 노면선 표시의 레이어 생성을 자동화하기 위해 공간데이터와 ...
자율주행 차량의 기본 인프라로 활용되는 정밀도로지도의 중요성이 증대됨에 따라 국토지리정보원은 전국 도로에 대해 정밀도로지도를 구축‧갱신하는 것을 목표로 하고 있다. 하지만 현재 정밀도로지도를 구축하기 위한 도화 및 구조화 작업은 주로 사람에 의해 수작업으로 수행되고 있으며, 이로 인해 전국 도로 구간의 구축과 도로 변화에 따른 즉각적인 갱신 및 유지보수에 한계가 있다. 또한, 수동적 구축과정으로 정밀도로지도 품질의 일관성을 확보하기 어려운 실정이다. 따라서, 현재의 수동적인 정밀도로지도 구축 체계를 자동화 구축 체계로 전환하고 정밀도로지도 품질의 일관성을 확보할 수 있는 효율적인 정밀도로지도 구축 기술 개발이 필요하다. 이에 본 연구에서는 정밀도로지도의 구축 대상 중 가장 많은 시간이 소요되는 도로 노면선 표시를 연구 대상으로 선정하였으며, 도로 노면선 표시의 레이어 생성을 자동화하기 위해 공간데이터와 인공지능을 연계하는 새로운 방법론을 제안하였다. 제안한 방법론은 도로 노면선 표시의 영역 추출, 도로 노면선 표시 유형 분류, 도로 노면선 표시의 도화로 구분하여 세 가지 단계로 이루어진다. 첫 번째 단계에서 원본 포인트 클라우드의 양이 방대하여 데이터 처리에 오랜 시간이 소요되는 문제를 해결하기 위해 지면점을 분류한 후 포인트 클라우드와 영상을 연계하여 도로 노면선 표시의 영역을 추출하였다. 이를 기반으로 두 번째 단계에서 포인트 클라우드를 입력 데이터로 활용하는 포인트넷 모델에 도로 노면선 표시에 해당하는 포인트 클라우드만을 적용하여 도로 노면선 표시의 유형을 분류하였다. 포인트넷 모델의 의미론적 분할 특성에 의해 하나의 객체에 대해 여러 항목으로 예측되는 문제를 해결하기 위해 세 번째 단계에서 대표 속성을 결정하여 벡터 데이터의 속성으로 입력함으로써 정확도를 향상시켰다. 또한, 도로 노면선 표시의 중심선을 확장하기 위해 기울기를 이용하는 방법을 제안하였으며, 방향성 설정을 위해 딥러닝 모델로 예측한 유형 정보와 위치 정보 등을 조합하여 도로 노면선 표시의 레이어를 생성하였다. 제안한 도로 노면선 표시의 구축 자동화 방법론이 다양한 도로 환경에서 적용되는지 검증하기 위해서 도심지 내 경사진 도로(실험지역A), 직선형 도로(실험지역B), 곡선형 도로(실험지역C)를 선정하여 실험을 수행하였다. 제안한 방법으로 지역별 도로 노면선 표시의 벡터 데이터를 생성하고 정밀도로지도의 품질검사 기준에 적합한지 판단하기 위해 위치정확도 검사, 객체 유효성 검사, 도형 무결성 검사, 그리고 벡터 구조화 검사를 수행하였다. 위치정확도 검사 결과 지역별 수평위치와 수직위치에 대한 RMSE는 모두 0.1m 이내로 나타나 제안한 방법론으로 생성한 벡터 데이터는 위치정확도 기준에 적합한 것을 확인하였다. 객체 유효성 검사 결과 일부 면형 객체가 도로 노면선 표시로 분류되어 기하유형 오류가 발생하였으며, 객체추출 검사에서 일부 도로 노면선 표시가 누락되었다. 실험을 통해 일반적으로 차도의 가장자리에 있는 청색 차선과 황색 차선의 객체 추출률이 낮은 것을 알 수 있었으나 전반적으로 양호한 결과를 나타냈다. 도형 무결성 검사 결과 벡터 데이터의 객체 유효 길이가 0.01m 미만인 객체는 없었으며, 멀티파트, 버텍스 중복, 자기교차 등 오류가 발생하지 않아 적합성을 검증하였다. 벡터 구조화 검사 결과 실험지역별 선표시 유형과 선규제 유형에 대한 구조화 정확도는 모두 85% 이상 나타났으며 기존 수작업으로 벡터 데이터의 속성을 입력하는 불편함을 해소할 수 있었다. 실험을 통해 도로 노면선 표시 유형은 모바일매핑시스템(MMS: Mobile Mapping System) 장비를 이용한 데이터 수집 시 주변 환경에 많은 영향을 받는 것을 알 수 있었으며, 일부 도색규정에 맞지 않은 차선은 오분류 되는 것을 알 수 있었다. 본 연구에서 제안한 도로 노면선 표시의 구축 방법론을 통해 기존에 수작업으로 이루어진 정밀도로지도 구축 방식을 일부 자동화할 수 있었으며. 전국 도로에 대한 정밀도로지도의 구축 및 갱신 작업에 도움을 줄 수 있을 것으로 판단된다. 향후 다양한 유형의 도로 노면선 표시에 대한 학습 데이터 구축을 통해 분류 정확도를 향상시킬 수 있을 것으로 판단되며, 오분류 객체에 대한 검수를 지원하기 위해 누락된 객체와 연결성이 끊어진 객체를 자동으로 검출하는 연구가 수행되어야 할 것으로 판단된다.
키워드 : 정밀도로지도, 모바일매핑시스템, 포인트 클라우드, 인공지능, 딥러닝, 도로 노면선 표시, 도화, 구조화, 품질검사
자율주행 차량의 기본 인프라로 활용되는 정밀도로지도의 중요성이 증대됨에 따라 국토지리정보원은 전국 도로에 대해 정밀도로지도를 구축‧갱신하는 것을 목표로 하고 있다. 하지만 현재 정밀도로지도를 구축하기 위한 도화 및 구조화 작업은 주로 사람에 의해 수작업으로 수행되고 있으며, 이로 인해 전국 도로 구간의 구축과 도로 변화에 따른 즉각적인 갱신 및 유지보수에 한계가 있다. 또한, 수동적 구축과정으로 정밀도로지도 품질의 일관성을 확보하기 어려운 실정이다. 따라서, 현재의 수동적인 정밀도로지도 구축 체계를 자동화 구축 체계로 전환하고 정밀도로지도 품질의 일관성을 확보할 수 있는 효율적인 정밀도로지도 구축 기술 개발이 필요하다. 이에 본 연구에서는 정밀도로지도의 구축 대상 중 가장 많은 시간이 소요되는 도로 노면선 표시를 연구 대상으로 선정하였으며, 도로 노면선 표시의 레이어 생성을 자동화하기 위해 공간데이터와 인공지능을 연계하는 새로운 방법론을 제안하였다. 제안한 방법론은 도로 노면선 표시의 영역 추출, 도로 노면선 표시 유형 분류, 도로 노면선 표시의 도화로 구분하여 세 가지 단계로 이루어진다. 첫 번째 단계에서 원본 포인트 클라우드의 양이 방대하여 데이터 처리에 오랜 시간이 소요되는 문제를 해결하기 위해 지면점을 분류한 후 포인트 클라우드와 영상을 연계하여 도로 노면선 표시의 영역을 추출하였다. 이를 기반으로 두 번째 단계에서 포인트 클라우드를 입력 데이터로 활용하는 포인트넷 모델에 도로 노면선 표시에 해당하는 포인트 클라우드만을 적용하여 도로 노면선 표시의 유형을 분류하였다. 포인트넷 모델의 의미론적 분할 특성에 의해 하나의 객체에 대해 여러 항목으로 예측되는 문제를 해결하기 위해 세 번째 단계에서 대표 속성을 결정하여 벡터 데이터의 속성으로 입력함으로써 정확도를 향상시켰다. 또한, 도로 노면선 표시의 중심선을 확장하기 위해 기울기를 이용하는 방법을 제안하였으며, 방향성 설정을 위해 딥러닝 모델로 예측한 유형 정보와 위치 정보 등을 조합하여 도로 노면선 표시의 레이어를 생성하였다. 제안한 도로 노면선 표시의 구축 자동화 방법론이 다양한 도로 환경에서 적용되는지 검증하기 위해서 도심지 내 경사진 도로(실험지역A), 직선형 도로(실험지역B), 곡선형 도로(실험지역C)를 선정하여 실험을 수행하였다. 제안한 방법으로 지역별 도로 노면선 표시의 벡터 데이터를 생성하고 정밀도로지도의 품질검사 기준에 적합한지 판단하기 위해 위치정확도 검사, 객체 유효성 검사, 도형 무결성 검사, 그리고 벡터 구조화 검사를 수행하였다. 위치정확도 검사 결과 지역별 수평위치와 수직위치에 대한 RMSE는 모두 0.1m 이내로 나타나 제안한 방법론으로 생성한 벡터 데이터는 위치정확도 기준에 적합한 것을 확인하였다. 객체 유효성 검사 결과 일부 면형 객체가 도로 노면선 표시로 분류되어 기하유형 오류가 발생하였으며, 객체추출 검사에서 일부 도로 노면선 표시가 누락되었다. 실험을 통해 일반적으로 차도의 가장자리에 있는 청색 차선과 황색 차선의 객체 추출률이 낮은 것을 알 수 있었으나 전반적으로 양호한 결과를 나타냈다. 도형 무결성 검사 결과 벡터 데이터의 객체 유효 길이가 0.01m 미만인 객체는 없었으며, 멀티파트, 버텍스 중복, 자기교차 등 오류가 발생하지 않아 적합성을 검증하였다. 벡터 구조화 검사 결과 실험지역별 선표시 유형과 선규제 유형에 대한 구조화 정확도는 모두 85% 이상 나타났으며 기존 수작업으로 벡터 데이터의 속성을 입력하는 불편함을 해소할 수 있었다. 실험을 통해 도로 노면선 표시 유형은 모바일매핑시스템(MMS: Mobile Mapping System) 장비를 이용한 데이터 수집 시 주변 환경에 많은 영향을 받는 것을 알 수 있었으며, 일부 도색규정에 맞지 않은 차선은 오분류 되는 것을 알 수 있었다. 본 연구에서 제안한 도로 노면선 표시의 구축 방법론을 통해 기존에 수작업으로 이루어진 정밀도로지도 구축 방식을 일부 자동화할 수 있었으며. 전국 도로에 대한 정밀도로지도의 구축 및 갱신 작업에 도움을 줄 수 있을 것으로 판단된다. 향후 다양한 유형의 도로 노면선 표시에 대한 학습 데이터 구축을 통해 분류 정확도를 향상시킬 수 있을 것으로 판단되며, 오분류 객체에 대한 검수를 지원하기 위해 누락된 객체와 연결성이 끊어진 객체를 자동으로 검출하는 연구가 수행되어야 할 것으로 판단된다.
키워드 : 정밀도로지도, 모바일매핑시스템, 포인트 클라우드, 인공지능, 딥러닝, 도로 노면선 표시, 도화, 구조화, 품질검사
A high-definition road map serves as the basic infrastructure for autonomous vehicles. The National Geographic Information Institute aims to construct and update high-definition road maps for national roads, as high-definition road maps are becoming more significant. However, because the drawing and...
A high-definition road map serves as the basic infrastructure for autonomous vehicles. The National Geographic Information Institute aims to construct and update high-definition road maps for national roads, as high-definition road maps are becoming more significant. However, because the drawing and structural editing for constructing high-definition road maps are currently performed manually, instant updates and maintenance are limited. Furthermore, it is difficult to achieve consistent quality in high-definition road maps with the current passive construction processes. Therefore, an efficient construction technology must be developed for converting the current manual construction of high-definition road maps into an automated construction system while maintaining consistency in quality. Thus, the road lane marking was selected as the subject of this study because this process was the most time-consuming among construction targets. Moreover, a new methodology was proposed in which spatial data and artificial intelligence (AI) were linked for automating the generation of the road lane marking layer. The proposed method involves three steps: 1) road lane marking area extraction, 2) road lane marking type classification, and 3) road lane marking drawing. In the first step, the road lane marking area was extracted by classifying the ground point before connecting the point cloud and image to reduce the data processing time for the large number of original point clouds. In the second step, only the point clouds that corresponded to the road lane markings were applied to the PointNet model, which uses the point cloud as input data to classify the road lane marking types. In the third step, representative attributes were determined and entered as attribute to improve the accuracy and prevent the recognition of a single object as multiple classes owing to the semantic segmentation of the PointNet model. In addition, a method for using the gradient to expand the centerline of the road lane marking was proposed, and the road lane marking layer was generated by combining the position with the type predicted by the deep learning model to set the directionality. The proposed methodology for the automatic construction of road lane markings was verified for various road environments by selecting an inclined road (experimental region A), a linear road (experimental region B), and a curved road (experimental region C) from the city center to perform the verification experiment. Vector data of road lane markings were generated using the proposed method for each region. The positional accuracy, object validity, geometric integrity, and vector structural editing tests were performed to determine whether their qualities were suitable for the high-definition road map standard. The positional accuracy test results revealed that the root mean square error (RMSE) for the horizontal and vertical positions was within 0.1 m. This indicates that the vector data generated using the proposed method was suitable for the positional accuracy standard. The object validity test results revealed that a geometric error occurred because of the classification of several planar objects as road lane markings, and several road lane markings were omitted in the object extraction test. During the experiment, the object extraction rates of the blue and yellow lanes, which are generally located on the borders of roads, were found to be low, but overall showed good results. The results of the geometric integrity test showed that no object had a valid length of vector data objects below 0.01 m, and the suitability was verified with no errors such as multipart, vertices overlap, and self-intersection. Meanwhile, the results of the vector structural editing test showed that the structural editing accuracy for type and kind of road lane markings were above or equal to 85%, and the inconvenience of manually entering vector data attributes was resolved. Experiments showed that data collection using the mobile mapping system (MMS) for road lane marking types was greatly affected by the surrounding environment, and lanes that did not correspond to certain painting regulations were misclassified. In this study, the proposed methodology for the construction of road lane markings was used to partially automate the previously manual process of constructing high-definition road maps. Thus, it is considered capable of supporting the construction and updates of high-definition road maps for national roads. In the future, the classification accuracy can be improved by constructing training data for various types of road lane markings, and subsequent research for the automatic detection of disconnected and omitted objects is required to support the examination of misclassified objects.
Keyword : High-Definition Road Map, Mobile Mapping System, Point Cloud, Artificial Intelligence, Deep Learning, Road Lane Marking, Drawing, Structural Editing, Quality Test
A high-definition road map serves as the basic infrastructure for autonomous vehicles. The National Geographic Information Institute aims to construct and update high-definition road maps for national roads, as high-definition road maps are becoming more significant. However, because the drawing and structural editing for constructing high-definition road maps are currently performed manually, instant updates and maintenance are limited. Furthermore, it is difficult to achieve consistent quality in high-definition road maps with the current passive construction processes. Therefore, an efficient construction technology must be developed for converting the current manual construction of high-definition road maps into an automated construction system while maintaining consistency in quality. Thus, the road lane marking was selected as the subject of this study because this process was the most time-consuming among construction targets. Moreover, a new methodology was proposed in which spatial data and artificial intelligence (AI) were linked for automating the generation of the road lane marking layer. The proposed method involves three steps: 1) road lane marking area extraction, 2) road lane marking type classification, and 3) road lane marking drawing. In the first step, the road lane marking area was extracted by classifying the ground point before connecting the point cloud and image to reduce the data processing time for the large number of original point clouds. In the second step, only the point clouds that corresponded to the road lane markings were applied to the PointNet model, which uses the point cloud as input data to classify the road lane marking types. In the third step, representative attributes were determined and entered as attribute to improve the accuracy and prevent the recognition of a single object as multiple classes owing to the semantic segmentation of the PointNet model. In addition, a method for using the gradient to expand the centerline of the road lane marking was proposed, and the road lane marking layer was generated by combining the position with the type predicted by the deep learning model to set the directionality. The proposed methodology for the automatic construction of road lane markings was verified for various road environments by selecting an inclined road (experimental region A), a linear road (experimental region B), and a curved road (experimental region C) from the city center to perform the verification experiment. Vector data of road lane markings were generated using the proposed method for each region. The positional accuracy, object validity, geometric integrity, and vector structural editing tests were performed to determine whether their qualities were suitable for the high-definition road map standard. The positional accuracy test results revealed that the root mean square error (RMSE) for the horizontal and vertical positions was within 0.1 m. This indicates that the vector data generated using the proposed method was suitable for the positional accuracy standard. The object validity test results revealed that a geometric error occurred because of the classification of several planar objects as road lane markings, and several road lane markings were omitted in the object extraction test. During the experiment, the object extraction rates of the blue and yellow lanes, which are generally located on the borders of roads, were found to be low, but overall showed good results. The results of the geometric integrity test showed that no object had a valid length of vector data objects below 0.01 m, and the suitability was verified with no errors such as multipart, vertices overlap, and self-intersection. Meanwhile, the results of the vector structural editing test showed that the structural editing accuracy for type and kind of road lane markings were above or equal to 85%, and the inconvenience of manually entering vector data attributes was resolved. Experiments showed that data collection using the mobile mapping system (MMS) for road lane marking types was greatly affected by the surrounding environment, and lanes that did not correspond to certain painting regulations were misclassified. In this study, the proposed methodology for the construction of road lane markings was used to partially automate the previously manual process of constructing high-definition road maps. Thus, it is considered capable of supporting the construction and updates of high-definition road maps for national roads. In the future, the classification accuracy can be improved by constructing training data for various types of road lane markings, and subsequent research for the automatic detection of disconnected and omitted objects is required to support the examination of misclassified objects.
Keyword : High-Definition Road Map, Mobile Mapping System, Point Cloud, Artificial Intelligence, Deep Learning, Road Lane Marking, Drawing, Structural Editing, Quality Test
※ AI-Helper는 부적절한 답변을 할 수 있습니다.