선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- fVoxel은 복셀 내부에 포함하고 있었던 점군의 분포 정보만 가지고 있으므로 많은 수의 fVoxel로 조합된 3차원 도시 환경 데이터에서는 구조물의 종류와 위치에 따라 fVoxel을 군집화(clustering)할 필요가 있다. 예를 들자면 건물, 도로, 나무의 경우 여러 가지 종류의 fVoxel로 구성되어 있는데, 본 과정의 목적은 이러한 구조물을 종류와 위치에 맞게 fVoxel을 군집화하고 구조물의 종류를 구분하는 것이다.
- 본 논문에는 기하학적 특징을 가진 복셀을 제안하여 실외 환경에서 획득한 점군 데이터의 기하학적 분포 특성을 보존하고 효율적으로 저장하였다. 점군 데이터의 분포 특성을 분류하기 위해 SVM을 이용하여 복셀에 점군 분포 특성을 저장하였다.
제안 방법
- 본 논문에서 새롭게 제안하는 도시 환경의 구조물 인식 알고리즘은 많은 양의 점군 데이터를 빠르게 처리하고 구조물을 빠르게 인식하여 실시간으로 3차원 맵을 생성할 수 있는 알고리즘이다. 많은 양의 점군 데이터를 처리하기 위해서 Geometrical Featured Voxel (줄여서 fVoxel이라 칭함)을 제안하였다. 복셀(voxel)은 원래 일정한 모양을 가지는 단위 입방체의 조합으로 3차원 물체를 표현하는 데이터 구조이다[12,13].
- 복셀(voxel)은 원래 일정한 모양을 가지는 단위 입방체의 조합으로 3차원 물체를 표현하는 데이터 구조이다[12,13]. 제안된 방법에서는 점군 데이터를 균일한 크기의 복셀로 변환하고 점군 데이터의 기하학적 분포에 따라 복셀의 속성을 정한다. 이는 점군 데이터의 양은 줄이고 구조물의 기하학적 속성은 유지시켜 구조물 인식의 처리 속도를 높이기 위함이다.
- 이는 점군 데이터의 양은 줄이고 구조물의 기하학적 속성은 유지시켜 구조물 인식의 처리 속도를 높이기 위함이다. 또한 Machine Learning 기법을 사용하여 fVoxel로 표현된 도시 환경의 구조물을 인식하는 방법을 제안하였다. 제안된 방법을 검증하기 위해 레이저 거리센서와 차량 위치 추정 장치를 탑재한 전기 자동차로 카이스트 캠퍼스(그림 1) 안의 점군 데이터를 획득하였고[14,15], 획득한 점군 데이터와 제안된 fVoxel 기반 도시 환경 인식 알고리즘을 사용하여 캠퍼스 환경의 구조물을 3차원 맵으로 생성하였다.
- 또한 Machine Learning 기법을 사용하여 fVoxel로 표현된 도시 환경의 구조물을 인식하는 방법을 제안하였다. 제안된 방법을 검증하기 위해 레이저 거리센서와 차량 위치 추정 장치를 탑재한 전기 자동차로 카이스트 캠퍼스(그림 1) 안의 점군 데이터를 획득하였고[14,15], 획득한 점군 데이터와 제안된 fVoxel 기반 도시 환경 인식 알고리즘을 사용하여 캠퍼스 환경의 구조물을 3차원 맵으로 생성하였다. 그리고 생성된 3차원 맵을 분석하여 제안된 방법이 도시 환경의 3차원 구조물을 효율적으로 저장하고 빠른 처리 속도로 구조물을 인식함으로써 무인 자동차 또는 로봇에 적합함을 보였다.
- 여기서 우리가 제안하는 방법은 점군을 복셀로 변환할 때, 복셀 영역 안에 점군의 기하학적 분포를 4가지 형태로 분류하여 복셀에 점군의 분포 속성을 부여하는 것이다. 이렇게 함으로써 기존 복셀의 장점이었던 점군의 용량을 줄임과 동시에 점군의 기하학적 분포 속성을 보존하는 효과를 얻을 수 있다.
- 그림 2는 fVoxel의 생성 과정을 나타내었다. 먼저 차량에 설치된 거리센서로 획득한 점군을 위성 항법 장치와 관성 센서로 측정한 위치 정보와 융합하여 세계 좌표계(world coordinate)로 변환한다. 세계 좌표계로 저장한 점군을 0.
- f1 , f2 , f3는 분산형, 면형을 구분하는데 사용된다. 본 논문에서는 추가로 면형을 수직 면형과 수평 면형으로 구분하였는데 이를 위해 네 번째 feature f4를 제안하였다. f4는 #를 z 축 방향의 단위 벡터 #와 내적하여 구할 수 있는데, f4를 이용하면 수평 면형의 경우 f4가 큰 값을 가지고, 수직 면형의 경우 f4가 작은 값을 가지게 되므로 면형을 다시 두 가지로 구분할 수 있게 된다.
- SVM을 사전에 학습시키기 위해, 위 4가지 종류의 분포를 가진 점군 데이터 샘플을 학습 데이터(training set)로 사용하였다. 각 종류별로 점군의 feature를 획득하고, 종류에 따라서 클래스 정보를 포함시켜 SVM을 학습시킨다. 분류과정에서는 각 격자 안의 점군에서 획득한 feature를 가지고 학습된 SVM을 이용하여 fVoxel의 종류를 4가지로 분류할 수 있다.
- 식 (3)와 같이 fVoxel의 종류에 따라 거리값을 설정한 이유는 바닥에서 주로 나오는 수평 면형과 바닥 위에 세워진 구조물에서 주로 나오는 수직 면형 또는 분산형을 서로 분리하여 군집화하기 위해서이다. 따라서 수평 면형과 수직 면형의 간격을 10으로 두었고, 수평 면형과 분산형과의 간격을 15으로 두었다. 그리고 수직 면형과 분산형과의 간격을 5로 설정하였는데, 이것은 건물에서 주로 나오는 수직 면형과 나무 등에서 주로 나오는 분산형을 적절히 분리하기 위해서이다.
- 이를 위해 식 (3)에서 fVoxel의 종류가 미지형일 때 k-NN (Nearest Neighbors) 알고리즘[19]을 사용하여 거리값을 정한다. 미지형이 아닌 fVoxel을 k-NN의 Training Sample로 설정하고, 미지형의 fVoxel과 3차원 공간에서 유클리드 거리가 가까운 k개의 미지형이 아닌 fVoxel를 구한다. 그 다음 k개의 fVoxel 중 가장 많이 나타난 fVoxel의 종류를 근사값 #으로 정하고 다시 #를 통해 종류별 거리값을 얻는다.
- 분류 방법은 각각의 클러스터에서 미지형을 제외한 fVoxel의 종류가 분산형이 가장 많을 경우 나무로 분류하고, 수평 면형이 가장 많은 경우 도로, 수직 면형이 가장 많을 경우는 건물로 분류한다. 이번 장에서는 각 fVoxel들을 종류와 거리에 따라 군집화하고 군집화한 클러스터로부터 구조물의 종류를 분류하였다. 다음 장에서는 제안된 구조물 인식 알고리즘을 실험을 통해 검증하고 결과를 분석하였다.
- 8GHz CPU, 4GB RAM)로 전송되어 차량의 위치 측정 정보를 이용해 세계 좌표계의 점군 데이터로 변환된다. 그리고 점군 데이터는 제안된 fVoxel의 생성 과정을 통하여 fVoxel로 변환되고 도시 환경 인식 알고리즘의 구조물 인식에 사용된다.
- 이 점군 데이터는 도시 환경 구조물의 종류에 따라 수작업으로 Labeling된 정보를 가지고 있어 학습 데이터로 유용하다. 학습시킨 SVM의 종류는 C-SVC이며, V-fold Cross Validation [21]을 통하여 옵션을 결정하였다. 선택된 옵션으로 Kernel은 Polynomial Kernel, Cost는 65536, Gamma값은 16이다.
- 선택된 옵션으로 Kernel은 Polynomial Kernel, Cost는 65536, Gamma값은 16이다. 이렇게 학습된 SVM 모델을 이용하여 fVoxel을 복셀 내부의 점군 분포에 따라 4가지로 분류한다. fVoxel의 모양은 한 변의 길이가 0.
- 본 논문에는 기하학적 특징을 가진 복셀을 제안하여 실외 환경에서 획득한 점군 데이터의 기하학적 분포 특성을 보존하고 효율적으로 저장하였다. 점군 데이터의 분포 특성을 분류하기 위해 SVM을 이용하여 복셀에 점군 분포 특성을 저장하였다. 또한 제안된 복셀을 이용하여 도시 환경 구조물 인식을 위한 알고리즘을 제안하였다.
- 점군 데이터의 분포 특성을 분류하기 위해 SVM을 이용하여 복셀에 점군 분포 특성을 저장하였다. 또한 제안된 복셀을 이용하여 도시 환경 구조물 인식을 위한 알고리즘을 제안하였다. 제안된 알고리즘은 kNN과 k-means과 같은 머신 러닝 기법을 사용하였고 기하학적 특징을 가진 복셀의 종류별 거리값을 이용하여 구조물의 종류에 따른 군집화를 가능하게 하였다.
- 또한 제안된 복셀을 이용하여 도시 환경 구조물 인식을 위한 알고리즘을 제안하였다. 제안된 알고리즘은 kNN과 k-means과 같은 머신 러닝 기법을 사용하였고 기하학적 특징을 가진 복셀의 종류별 거리값을 이용하여 구조물의 종류에 따른 군집화를 가능하게 하였다. 그리고 실제 도시 환경의 실험을 통해 제안된 방법의 성능을 검증하였다.
- 제안된 알고리즘은 kNN과 k-means과 같은 머신 러닝 기법을 사용하였고 기하학적 특징을 가진 복셀의 종류별 거리값을 이용하여 구조물의 종류에 따른 군집화를 가능하게 하였다. 그리고 실제 도시 환경의 실험을 통해 제안된 방법의 성능을 검증하였다. 검증 결과 제안된 방법은 실시간으로 주변 환경의 구조물들을 인식함으로써 무인 자동차에 적합함을 보였다.
대상 데이터
- 분류기(classifier)로는 이 경우와 같이 지도 학습(supervised learning)된 정보로부터 주어진 데이터만을 분류(local classification)하는 데에 좋은 성능을 보이는 SVM (Support Vector Machine)을 선택했다[18]. SVM을 사전에 학습시키기 위해, 위 4가지 종류의 분포를 가진 점군 데이터 샘플을 학습 데이터(training set)로 사용하였다. 각 종류별로 점군의 feature를 획득하고, 종류에 따라서 클래스 정보를 포함시켜 SVM을 학습시킨다.
- 본 논문에서 제안한 fVoxel을 이용한 도시 환경 인식 알고리즘의 성능을 검증하기 위하여 실험 차량(그림 4)으로 카이스트 캠퍼스의 3차원 점군 데이터를 획득하였다. 실험 차량은 2대의 2차원 Laser Scanner(SICK사의 LMS200 모델)와 차량 위치 추정을 위해 위성 항법 장치(HUACE사의 B20 Beacon GPS)와 관성 항법 장치(Xsen사의 MTI 모델)를 탑재하였다.
- 본 논문에서 제안한 fVoxel을 이용한 도시 환경 인식 알고리즘의 성능을 검증하기 위하여 실험 차량(그림 4)으로 카이스트 캠퍼스의 3차원 점군 데이터를 획득하였다. 실험 차량은 2대의 2차원 Laser Scanner(SICK사의 LMS200 모델)와 차량 위치 추정을 위해 위성 항법 장치(HUACE사의 B20 Beacon GPS)와 관성 항법 장치(Xsen사의 MTI 모델)를 탑재하였다. 탑재된 Laser Scanner는 0.
- 실험 차량은 2대의 2차원 Laser Scanner(SICK사의 LMS200 모델)와 차량 위치 추정을 위해 위성 항법 장치(HUACE사의 B20 Beacon GPS)와 관성 항법 장치(Xsen사의 MTI 모델)를 탑재하였다. 탑재된 Laser Scanner는 0.5도 간격으로 180도 범위를 스캔하며 초당 72번의 거리 데이터를 제공한다. 획득한 거리 데이터는 차량 트렁크에 설치된 컴퓨터(Quad Core 2.
- 5도 간격으로 180도 범위를 스캔하며 초당 72번의 거리 데이터를 제공한다. 획득한 거리 데이터는 차량 트렁크에 설치된 컴퓨터(Quad Core 2.8GHz CPU, 4GB RAM)로 전송되어 차량의 위치 측정 정보를 이용해 세계 좌표계의 점군 데이터로 변환된다. 그리고 점군 데이터는 제안된 fVoxel의 생성 과정을 통하여 fVoxel로 변환되고 도시 환경 인식 알고리즘의 구조물 인식에 사용된다.
- 그림 4. 도시 환경 구조물 인식을 위한 실험 차량.
- 이렇게 학습된 SVM 모델을 이용하여 fVoxel을 복셀 내부의 점군 분포에 따라 4가지로 분류한다. fVoxel의 모양은 한 변의 길이가 0.5m인 정육면체로 하였다. 그리고 미지형 fVoxel에 근사값을 정하기 위한 k-NN의 k값은 10으로 하였다.
이론/모형
- 대부분의 실외 환경 인식 알고리즘은 위 센서에서 제공하는 점군 데이터를 구조물에 따라 분류하고 3차원 맵을 생성한다. 현재까지 인식률에서 최고 성능을 보이는 알고리즘은 MRF (Markov Random Field)의 일종인 AMN (Associative Markov Networks,[8])과 같은 통계적 추론 방법(statistical inference techniques)을 사용하여 점군을 지형에 따라 3~4가지로 분류했다[9,10]. 그러나 이런 MRF 계열의 추론방법은 각각 학습 과정(learning)에서 Quadratic Programming, 추론 과정(inferring)에서 Linear Programming 과정이 필요하기 때문에, 실외 환경에서 획득한 많은 양의 점군 데이터를 온라인으로 연산하여 구조물에 따라 분류하는 것이 불가능하다[11].
- 이를 위해 k-means [18]를 사용하였는데, N개의 fVoxel로 구성된 도시환경 데이터를 fVoxel간의 거리와 종류에 따라 K개의 클러스터로 나눔으로써 구조물을 분리할 수 있다. 분리할 구조물의 개수 K는 fVoxel 한 변의 길이 ε 에 비례하여 식 (1)과 같이 설정된다.
- 미지형의 경우에는 점군의 개수가 부족했던 이유로 fVoxel의 종류를 정하지 못하였으므로 주변에 있는 다른 종류를 참고해서 거리값을 설정한다. 이를 위해 식 (3)에서 fVoxel의 종류가 미지형일 때 k-NN (Nearest Neighbors) 알고리즘[19]을 사용하여 거리값을 정한다. 미지형이 아닌 fVoxel을 k-NN의 Training Sample로 설정하고, 미지형의 fVoxel과 3차원 공간에서 유클리드 거리가 가까운 k개의 미지형이 아닌 fVoxel를 구한다.
- II 장에서 제시한대로 fVoxel을 생성하기 위해 먼저 점군 분포 종류에 따라 SVM을 학습시킨다. 이를 위해 MATLAB과 Visual Studio 2008 C++의 두 가지 소프트웨어 기반으로 구현하였고, SVM 라이브러리는 LIBSVM [20]을 사용하였다. 점군의 학습을 위해서는 Oakland 3-D Point Cloud Dataset [10]을 사용했다.
- 이를 위해 MATLAB과 Visual Studio 2008 C++의 두 가지 소프트웨어 기반으로 구현하였고, SVM 라이브러리는 LIBSVM [20]을 사용하였다. 점군의 학습을 위해서는 Oakland 3-D Point Cloud Dataset [10]을 사용했다. 이 점군 데이터는 도시 환경 구조물의 종류에 따라 수작업으로 Labeling된 정보를 가지고 있어 학습 데이터로 유용하다.
성능/효과
- 제안된 방법을 검증하기 위해 레이저 거리센서와 차량 위치 추정 장치를 탑재한 전기 자동차로 카이스트 캠퍼스(그림 1) 안의 점군 데이터를 획득하였고[14,15], 획득한 점군 데이터와 제안된 fVoxel 기반 도시 환경 인식 알고리즘을 사용하여 캠퍼스 환경의 구조물을 3차원 맵으로 생성하였다. 그리고 생성된 3차원 맵을 분석하여 제안된 방법이 도시 환경의 3차원 구조물을 효율적으로 저장하고 빠른 처리 속도로 구조물을 인식함으로써 무인 자동차 또는 로봇에 적합함을 보였다.
- 여기서 우리가 제안하는 방법은 점군을 복셀로 변환할 때, 복셀 영역 안에 점군의 기하학적 분포를 4가지 형태로 분류하여 복셀에 점군의 분포 속성을 부여하는 것이다. 이렇게 함으로써 기존 복셀의 장점이었던 점군의 용량을 줄임과 동시에 점군의 기하학적 분포 속성을 보존하는 효과를 얻을 수 있다. 또한 제안된 복셀을 이용하면 도시 환경의 구조물을 인식하는 데에도 유용하며, 점군 데이터를 직접 처리하는 대신에 복셀 단위로 처리하므로 수행 속도도 향상 시킬 수 있다.
- 이렇게 함으로써 기존 복셀의 장점이었던 점군의 용량을 줄임과 동시에 점군의 기하학적 분포 속성을 보존하는 효과를 얻을 수 있다. 또한 제안된 복셀을 이용하면 도시 환경의 구조물을 인식하는 데에도 유용하며, 점군 데이터를 직접 처리하는 대신에 복셀 단위로 처리하므로 수행 속도도 향상 시킬 수 있다.
- 그림 6은 Oakland Scene #2와 KAIST #1, 2의 점군 데이터((a), (c), (e))와 fVoxel을 이용한 구조물 인식 결과((b), (d), (f))를 나타낸다. 결과에서 나타나듯이 fVoxel이 나무, 도로, 건물로 따라 적절히 분류됨을 알 수 있다. 그림에서 한 격자 간격의 길이는 10m이다.
- 표 3은 점군 데이터를 fVoxel로 변환한 시간과 fVoxel을 이용한 구조물 인식시간을 각 Scene별로 정리하였다. 많은 양의 점군 데이터를 직접 다루지 않고 fVoxel을 이용하여 구조물을 인식하기 때문에 표 3에 나타난 것과 같이 C++기반에서 각각 Oakland Scene은 평균 1.88초, KAIST Scene은 평균 8.38초에 결과를 얻을 수 있었다.
- 이것은 처리 속도 관점에서 연구된 기존 알고리즘[7]의 수행시간인 약 3초에 비해 더 많은 시간이 걸리지만 기존 방법은 일정한 영역(가로 25m x 세로 50m)에 포함된 점군 데이터만을 처리하며 또한 새로운 점군 데이터가 업데이트 될 때 다시 계산을 해야 한다는 단점이 있다. 그러나 제안된 방법은 가로, 세로가 약 100미터인 넓은 영역을 한번에 처리하는 데, 이는 기존 방법에 비해 약 8배 넓은 영역이다. 또한 반복적인 연산을 통해 결과를 얻는 기존 알고리즘과 달리 한번만 수행하면 수 초 내에 결과를 얻을 수 있는 장점이 있다.
- 표 4는 구조물 인식 성공률을 나타낸다. 기존 알고리즘에서 보여준 인식률 88.9%에 비해 약 80%정도로 다소 떨어지는 단점이 있지만 저장 용량이나 처리속도 면에서 제안된 방법이 월등히 좋은 성능을 보였다. 따라서 제안된 방법은 많은 양의 데이터를 실시간 처리해야 하는 무인 자동차나 로봇의 도시 환경 구조물 인식에 더 적합하고 좋은 성능을 보인다고 할 수 있다.
- 9%에 비해 약 80%정도로 다소 떨어지는 단점이 있지만 저장 용량이나 처리속도 면에서 제안된 방법이 월등히 좋은 성능을 보였다. 따라서 제안된 방법은 많은 양의 데이터를 실시간 처리해야 하는 무인 자동차나 로봇의 도시 환경 구조물 인식에 더 적합하고 좋은 성능을 보인다고 할 수 있다.
- 그리고 실제 도시 환경의 실험을 통해 제안된 방법의 성능을 검증하였다. 검증 결과 제안된 방법은 실시간으로 주변 환경의 구조물들을 인식함으로써 무인 자동차에 적합함을 보였다.
후속연구
- 추후 과제로는 복셀의 기하학적 분포 속성과 구조물의 종류를 좀 더 다양하게 나누어 복잡한 도시 환경에서도 더 많은 구조물들의 종류와 위치를 파악하고 맵을 만드는 작업이 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.