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
- 따라서 본 논문에서는 비전 센서를 기반으로 이루어진 기존의 시스템의 문제점을 해결하기 위해 비전 센서를 제외한 거리 센서로만 이루어진 감지 시스템을 제안한다. 거리 센서는 비전 센서와 달리 외부 환경 요인에 대한 변화가 적고 10mm에서 최대 100mm의 오차율을 가진 매우 정확한 거리 정보를 획득할 수 있으며 별도의 구조물 없이 기존의 도로 장비(가로수, 가로등)에 직접 설치하거나 높이 1m내외의 이동식 설치물을 이용할 수 있어 추후 감지 시스템을 유동적으로 운용할 수 있는 장점이 있다.
- 본 논문에서는 도로에 설치된 다수의 거리 센서에서 획득한 센서 데이터를 융합하여 객체의 위치 및 크기 정보를 추정하고, 객체의 종류를 분류할 수 있는 객체 감지 알고리즘 개발을 목표로 한다. 거리 센서는 레이저 스캐너를 사용하였으며, 센서의 위치는 <그림 1>과 같이 사각 지대를 최소화하기 위해 탐지 영역으로 여러 방향을 향해 설치하였으며, 매 샘플링 시간마다 중앙 서버로 센서 데이터를 전송한다.
- 이 실험은 두 가지 사항에 대한 성능 검증을 목표로 하고 있다. 첫 번째는 도로 위를 주행하고 있는 객체를 제대로 분류하는지, 두 번째는 알고리즘을 통해 추정한 객체의 위치와 GPS-RTK에서 획득한 객체의 위치와 비교하여 알고리즘의 성능을 분석하는 것이다.
- 본 논문에서는 다수의 레이저 스캐너로만 이루어진 감지 시스템을 이용하여 객체를 탐지하고 이를 분류하는 알고리즘의 성능을 평가하였다. 레이저 스캐너로 이루어진 측정 시스템은 도로 위에 설치되어 도로를 주행하는 객체를 그리드 맵으로 표시, 필터링 및 레이블링 알고리즘을 사용하여 탐지한 후 객체의 위치 및 크기 정보를 획득하였으며, 퍼지 이론을 사용하여 탐지한 객체의 종류를 분류하였다.
제안 방법
- 거리 센서는 비전 센서와 달리 외부 환경 요인에 대한 변화가 적고 10mm에서 최대 100mm의 오차율을 가진 매우 정확한 거리 정보를 획득할 수 있으며 별도의 구조물 없이 기존의 도로 장비(가로수, 가로등)에 직접 설치하거나 높이 1m내외의 이동식 설치물을 이용할 수 있어 추후 감지 시스템을 유동적으로 운용할 수 있는 장점이 있다. 그리고 기존의 거리 센서를 이용한 감지 시스템의 경우 주로 단일 센서만을 사용하였는데, 본 논문에서는 각각의 센서 데이터를 여러 개의 로컬 그리드 맵으로 변환하고 이를 다시 하나의 글로벌 그리드 맵으로 변환하는 2개 층 그리드 맵을 사용하여 다수의 감지 시스템에서 획득한 데이터를 손쉽게 융합할 수 있도록 하였다[13-15]. 또한 기존의 연구에는 고려하지 않은 레이저 빔과 빔 사이이의 거리(spot space) 증가에 따른 오차까지 고려하여 센서 데이터의 정확도를 향상시켰다.
- 거리 센서는 레이저 스캐너를 사용하였으며, 센서의 위치는 과 같이 사각 지대를 최소화하기 위해 탐지 영역으로 여러 방향을 향해 설치하였으며, 매 샘플링 시간마다 중앙 서버로 센서 데이터를 전송한다.
- 또한 기존의 연구에는 고려하지 않은 레이저 빔과 빔 사이이의 거리(spot space) 증가에 따른 오차까지 고려하여 센서 데이터의 정확도를 향상시켰다. 마지막으로 객체의 크기 정보를 퍼지 이론에 사용하여 객체의 종류를 보행자, 자전거, 차량으로 구분하였다[16].
- 본 논문의 구성으로 2장에서 거리 센서로 구성된 감지 시스템에 대한 설명을 하였으며, 3장에서는 센서 데이터의 오차를 보상한 후 이를 사용하여 객체를 감지하고, 위치 및 크기를 획득하는 방법을, 4장에서는 퍼지 이론을 사용하여 객체를 분류하는 방법을, 5장에서는 실제 도로 환경에서 실험을 실시하여 알고리즘의 성능을 평가하였다. 특히 GPSRTK(Real Time Kinematic satellite navigation) 장비를 사용하여 객체의 정확한 위치를 획득한 후 이를 알고리즘의 결과와 비교하여 알고리즘 성능을 확인하였다. 그리고 퍼지 이론을 사용한 객체 분류 방법이 기존의 비전 센서 데이터를 사용한 객체 분류 알고리즘과 비교하여 성능이 저하되지 않음을 확인하였다.
- 레이저 스캐너에서 센서 데이터를 중앙 서버에 전송하는 시간은 제각각이며, 중앙 서버에서 모든 센서 데이터를 전송받는데 걸리는 통신 지연 시간 등의 이유로 인해 동일한 시간에 사용한 센서 데이터들 사이에 시간차가 발생할 수 있다. 따라서 일정 시간마다 각각의 센서 데이터를 사용해서 로컬 그리드 맵을 생성하고 글로벌 그리드 맵으로 전송한 후 로컬 그리드 맵을 갱신하는 방법을 사용하였다. 이러한 방법을 사용하면 특정 센서 데이터가 시간 지연으로 로컬 그리드 맵이 생성되지 않는 경우가 발생하거나 글로벌 그리드 맵으로 전송하기 전에 센서 데이터가 다시 들어오는 경우가 발생할 수 있지만 센서 데이터의 시간을 동기화시킬 수 있다.
- 그리고 글로벌 그리드 맵으로 후보 객체의 정보를 전송한 후 후보 객체의 크기 및 위치 정보를 사용하여 동일 객체인지 판단하여 객체의 정보를 합치는 공간에 대한 동기화 과정을 하게 된다. 그 후 최종 객체 정보를 퍼지 이론을 사용하여 객체의 종류를 보행자, 자전거, 차량으로 분류하게 된다. 레이저 스캐너에서 획득한 센서 데이터를 처리하는 과정은 <그림 2>와 같이 표현할 수 있다.
- 레이저 스캐너에서 획득한 센서 데이터는 거리와 각도로 구성된 극좌표계로 구성되어 있다. 이를 x, y로 구성된 직교 좌표계로 변환한 후 이진화를 통하여 그리드 맵의 셀에 매핑을 하였다. 객체의 위치를 탐지하기 위해서는 그리드 맵에서 활성화된 셀의 분포 상태를 분석해야 한다.
- 따라서 에 있는 spot space 그래프를 모델링하여 적절한 셀의 크기를 계산하는 식을 만들어 이를 적용하였다.
- 센서 데이터의 측정 오차와 spot spacing을 보상하기 위해 그리드 맵에 팽창 연산(dilation operation)을 적용하였다. 팽창 연산은 그리드 맵에서 활성화된 모든 셀 주변으로 일정한 크기의 마스크를 씌우는 것이다.
- 하지만 마스크의 크기가 작다면 spot space를 제대로 보상해 주지 못해 측정 오차로 생긴 셀로 판단해 객체 정보에 포함되지 않을 수 있으며, 반대로 마스크의 크기가 크다면 측정 오차로 생긴 셀 또한 객체 정보에 포함되어 객체의 크기 및 위치에 오차가 커질 수 있다. 따라서 본 논문에서는 일정한 크기의 마스크를 일률적으로 적용하는 것이 아니라 레이저 스캐너와 셀 사이의 거리를 이용하여 셀의 크기를 조정하여 적용한다. 따라서 <그림 4>에 있는 spot space 그래프를 모델링하여 적절한 셀의 크기를 계산하는 식을 만들어 이를 적용하였다.
- 동일한 객체를 탐지하여 나온 후보 객체인지를 판단하기 위해 가장 중요한 기준은 후보 객체들 사이의 거리이다. 각각의 센서에서 획득한 데이터를 이용하여 후보 객체를 추정하고, 후보 객체의 위치정보를 계산한다. 그 후 각각의 후보 객체 사이의 거리를 계산하여 테이블을 작성한 후 최소값을 가진 객체부터 비교하여 동일 객체인지 판단한다.
- 각각의 센서에서 획득한 데이터를 이용하여 후보 객체를 추정하고, 후보 객체의 위치정보를 계산한다. 그 후 각각의 후보 객체 사이의 거리를 계산하여 테이블을 작성한 후 최소값을 가진 객체부터 비교하여 동일 객체인지 판단한다. 동일 객체 판단 기준은 두 후보 객체 사이의 거리가 일정값 이하이고, 두 객체의 형태가 동일할 경우에만 판단한다.
- 차량의 모델링을 위해 ‘고속도로 운행 차종 구분, 규정 제 9조’, 및 ‘자동차 관리법’에 의거한 1종 승용자동차에 적합하도록 설정하였다.
- 각각의 객체 정의에 사용된 표준 편차(σ)는 레이저 스캐너의 측정 오차를 고려하여 객체의 분류 오차를 최소화하도록 반복적인 실험을 통해 산정하였다.
- 또한 입력 정보가 비선형성이 강하거나 불완전할 경우에도 이를 쉽게 처리할 수 있는 장점이 있다[16]. 특히 본 논문에서는 Takagi-Sugeno 퍼지 모델을 사용하여 객체의 정보를 보행자, 자전거, 차량으로 분류하였다. 레이저스캐너의 특성상 객체의 일부가 사각지대에 놓일 경우 객체의 크기 정보가 불완전할 수 있으며, 측정오차로 발생하는 잘못된 판단을 최소화할 수 있기 때문이다.
- 기타로 구분된 객체는 불완전한 객체 정보 및 센서 데이터의 측정 오차로 인해 발생한 잘못된 판단 또는 초기 실험 설계 당시 고려하지 않은 다른 형태의 객체로 판단할 수 있다. 각각의 객체에 대한 퍼지 셋을 설정하기 위한 객체의 크기는 실험에 사용된 객체의 크기를 기준으로 현행 도로 교통법에 적합하도록 하였다. 차량의 모델링을 위해 ‘고속도로 운행 차종 구분, 규정 제 9조’, 및 ‘자동차 관리법’에 의거한 1종 승용자동차에 적합하도록 설정하였다.
- 자전거로 분류되는 객체는 자전거 및 이륜자동차를 동시에 고려할 수 있도록 설정하였다. 단 이륜자동차 및 보행자의 경우 정해진 기준이 없기 때문에 실험에 사용된 객체의 크기를 우선으로 모델링하였다. 객체의 분류및 위치 정보를 추정하기 위해 객체의 모델링 및 객체의 움직임에 대한 추론이 필요하며[18-19], 이를 고려한 각 개체들의 수치는 <표 1>과 같다.
- Takagi-Sugeno 퍼지 이론의 경우 IF-THEN 형태 또는 input-output 형태로 설정이 가능한데, 본 논문에서는 IF-THEN 형태를 사용하여 퍼지 룰을 설정하였다.
- 임의의 도로 구간을 실험 구간으로 설정하고, 임의의 지점에 레이저 스캐너를 설치하고 보행자, 자전거 및 차량을 주행한 후 센서 데이터를 획득하였다. 실험에 사용된 객체는 GPS-RTK 장비를 착용하여 위치를 정확하게 측정할 수 있도록 하였으며, 그 후 알고리즘을 통해 객체의 분리 및 위치 추적과 비교하여 알고리즘의 성능을 비교 분석하였다. 실험에 사용한 레이저 스캐너는 SICK사의 LMS291 모델이다.
- 5Hz의 샘플링 레이트로 센서 데이터를 획득하였다. 또한 GPS-RTK 장비를 사용 하여 레이저 스캐너의 위치를 획득한 후 알고리즘에 미리 입력해 놓았다.
- 이 실험은 두 가지 사항에 대한 성능 검증을 목표로 하고 있다. 첫 번째는 도로 위를 주행하고 있는 객체를 제대로 분류하는지, 두 번째는 알고리즘을 통해 추정한 객체의 위치와 GPS-RTK에서 획득한 객체의 위치와 비교하여 알고리즘의 성능을 분석하는 것이다. 이를 위해 5개의 시나리오를 설정하고 이를 3~5회 반복하여 실험하였다.
- 첫 번째는 도로 위를 주행하고 있는 객체를 제대로 분류하는지, 두 번째는 알고리즘을 통해 추정한 객체의 위치와 GPS-RTK에서 획득한 객체의 위치와 비교하여 알고리즘의 성능을 분석하는 것이다. 이를 위해 5개의 시나리오를 설정하고 이를 3~5회 반복하여 실험하였다. 수행한 시나리오는 다음과 같다.
- R5의 오차 범위는 종방향으로 10㎜+1ppm RMS, 횡방향으로 20mm+1ppm RMS의 값을 가진다. 차량의 경우 GPS-RTK 안테나를 루프 패널 중앙에 설치하였으며, 보행자와 자전거의 경우 안테나가 설치된 가방을 착용하고 위치 데이터를 측정하였다.
- <그림 13>은 객체의 분류 정확도를 표로 그린 그림이다. 실험은 시나리오별로 5번 반복하여 시행하였다. 다만 시나리오 5의 경우 실험 과정에서 데이터를 분실하여 총 2번의 결과만을 표시하였다.
- <그림 14>는 GPS-RTK 장비로 획득한 객체의 위치와 본 논문의 알고리즘으로 추정한 객체의 위치를 표시한 것이다. 1번 시나리오를 통해 획득한 데이터를 사용하였으며, 그리드 맵에서 표시한 위치정보를 다시 위경도 좌표로 표시하였다. <그림 14(b)>는 레이저 스캐너의 샘플링 레이드마다 추정된 위치 값과 GPS-RTK 위치 값과의 차이를 나타내고 있다.
- 본 논문에서는 다수의 레이저 스캐너로만 이루어진 감지 시스템을 이용하여 객체를 탐지하고 이를 분류하는 알고리즘의 성능을 평가하였다. 레이저 스캐너로 이루어진 측정 시스템은 도로 위에 설치되어 도로를 주행하는 객체를 그리드 맵으로 표시, 필터링 및 레이블링 알고리즘을 사용하여 탐지한 후 객체의 위치 및 크기 정보를 획득하였으며, 퍼지 이론을 사용하여 탐지한 객체의 종류를 분류하였다. 레이저 스캐너에서 획득한 정확한 객체 정보를 통해 측정된 객체의 위치 및 크기 정보는 매우 정확히 추정하였으며, 분류 알고리즘 또한 비전 센서 정보를 사용하지 않더라도 상당한 정확도를 보였다.
대상 데이터
- 반대로 셀의 크기가 작아지면 연산량이 늘어나고, 센서 데이터의 측정 오차에 민감하게 반응하여 탐지 성능이 저하될 수 있다. 본 논문에서 사용한 레이저 스캐너의 모델은 SICK사의 LMS 291이며, 이 모델의 측정 오차는 최대 측정 거리를 8m로 하였을 경우 최대 10mm까지 발생할 수 있다. 하지만 객체의 표면 상태에 따라 측정 오차가 크게 증가할 수 있다.
- 차량으로 분류되는 객체의 길이는 [17]의 를 참조하여 1톤 트럭을 제외한 1종 승용자동차 길이의 최대 측정치인 4500mm로 하였으며, 폭의 경우 윤거 1800mm를 기준으로 설정하였다.
- 특히 이 실험에서는 레이저 스캐너의 측정 거리를 80m, 각도 분해능을 0.5°로 하였으며 RS232 통신 방식을 사용하여 37.5Hz의 샘플링 레이트로 센서 데이터를 획득하였다.
- 이번 장에서는 본 논문에서 제안한 알고리즘을 검증하기 위한 실험에 대해 설명한다. 임의의 도로 구간을 실험 구간으로 설정하고, 임의의 지점에 레이저 스캐너를 설치하고 보행자, 자전거 및 차량을 주행한 후 센서 데이터를 획득하였다. 실험에 사용된 객체는 GPS-RTK 장비를 착용하여 위치를 정확하게 측정할 수 있도록 하였으며, 그 후 알고리즘을 통해 객체의 분리 및 위치 추적과 비교하여 알고리즘의 성능을 비교 분석하였다.
- 실험에 사용된 객체는 GPS-RTK 장비를 착용하여 위치를 정확하게 측정할 수 있도록 하였으며, 그 후 알고리즘을 통해 객체의 분리 및 위치 추적과 비교하여 알고리즘의 성능을 비교 분석하였다. 실험에 사용한 레이저 스캐너는 SICK사의 LMS291 모델이다. 이 레이저 스캐너는 <표 2>와 같은 성능을 보유하고 있다.
- <그림 10>은 테스트베드 구간의 위성사진과 레이저스캐너가 설치된 위치를 나타낸 것이다. 실험에는 두 대의 LMS291을 사용하였으며, 도로 위를 주행하는 객체로는 보행자, 자전거, 차량을 투입하였다. 레이저스캐너의 센서 데이터는 서버에서 별도의 인터페이스 장치를 사용하여 획득하였으며, 그 후 Matlab을 사용하여 알고리즘을 구현하였다.
- 객체의 정확한 위치를 획득하기 위해 trimble사의 R5 제품을 이용하였다. R5의 오차 범위는 종방향으로 10㎜+1ppm RMS, 횡방향으로 20mm+1ppm RMS의 값을 가진다.
- 와 같이 임의의 위치에 차량을 정차시켜놓고 레이저 스캐너를 통해 센서 데이터를 획득한 후 와 같은 원시 데이터를 획득하였다.
이론/모형
- 실험에는 두 대의 LMS291을 사용하였으며, 도로 위를 주행하는 객체로는 보행자, 자전거, 차량을 투입하였다. 레이저스캐너의 센서 데이터는 서버에서 별도의 인터페이스 장치를 사용하여 획득하였으며, 그 후 Matlab을 사용하여 알고리즘을 구현하였다.
성능/효과
- 따라서 많은 감시 시스템에서는 충분한 조도가 확보된 공간에서만 사용하거나 적외선 필터와 같은 추가 장비를 사용한다[12]. 이러한 점들은 기존의 감지 시스템이 24시간 내내 동일한 감지 성능을 보장해야 하는 C-ITS에서 충분한 역할을 수행하지 못할 수 있다는 것을 의미하며, 시야각 및 조도 확보를 위한 설치 공간의 제약, 추가 장비 사용으로 인한 비용 상승 및 감지 성능 저하 등의 문제점을 가지고 있다는 것을 의미한다.
- 특히 GPSRTK(Real Time Kinematic satellite navigation) 장비를 사용하여 객체의 정확한 위치를 획득한 후 이를 알고리즘의 결과와 비교하여 알고리즘 성능을 확인하였다. 그리고 퍼지 이론을 사용한 객체 분류 방법이 기존의 비전 센서 데이터를 사용한 객체 분류 알고리즘과 비교하여 성능이 저하되지 않음을 확인하였다. 마지막으로 6장에서는 본 논문에 대한 결론을 서술하였다.
- 실제 본 논문에서 실험한 의 데이터를 살펴보면 차량의 백미러 부분에서 오차가 크게 발생하는 경우를 확인할 수 있다.
- 와 같이 레이저 스캐너와 객체 사이의 거리가 멀어지거나 와 같이 레이저 스캐너의 중앙에서 각도가 벌어질수록 spot space가 증가하는 것을 확인할 수 있다.
- 실제 본 논문에서 실험한 <그림 3>의 데이터를 살펴보면 차량의 백미러 부분에서 오차가 크게 발생하는 경우를 확인할 수 있다. 또한 차량의 표면 상태 및 태양광의 반사에 의해서도 측정 오차가 크게 증가하는 것을 확인하였다. 그리고 레이저 스캐너의 구조상 거리에 따른 spot space 현상이 발생한다.
- 그 후 <그림 12(c)>와 같이 팽창 연산, 레이블링의 필터링 과정을 거쳐 측정 오차들이 제거됨을 확인할 수 있다. 그리고 퍼지 이론을 사용하여 탐지한 객체의 크기 정보를 사용하여 객체의 종류가 차량으로 추정하고 있음을 확인할 수 있다.
- <표 4>는 각 시나리오 별로 RTK 장비로 획득한 객체의 위치와 논문의 알고리즘으로 추정한 객체의 위치를 비교한 표이다. 위의 결과를 살펴보면 각각의 시나리오에서 평균 위치오차가 5cm ~ 10cm까지 나타나는 것을 볼 수 있다. 이는 그리드 맵의 셀의 크기로 간주하면 대략 1칸이내의 오차로 볼 수 있다.
- 차량과 같이 큰 객체의 경우 어느 정도의 오차에도 영향을 받지 않지만, 보행자 및 자전거의 경우 오차의 영향을 크게 받고 객체의 외형이 불규칙적이어서 이를 처리하기가 까다롭기 때문이다. 하지만 제안한 알고리즘을 사용한 경우 이런 오차를 모두 고려하였기 때문에 위치 추정 및 개체 분류 성능이 뛰어남을 알 수 있다.
- 레이저 스캐너로 이루어진 측정 시스템은 도로 위에 설치되어 도로를 주행하는 객체를 그리드 맵으로 표시, 필터링 및 레이블링 알고리즘을 사용하여 탐지한 후 객체의 위치 및 크기 정보를 획득하였으며, 퍼지 이론을 사용하여 탐지한 객체의 종류를 분류하였다. 레이저 스캐너에서 획득한 정확한 객체 정보를 통해 측정된 객체의 위치 및 크기 정보는 매우 정확히 추정하였으며, 분류 알고리즘 또한 비전 센서 정보를 사용하지 않더라도 상당한 정확도를 보였다. 또한 레이저 스캐너 사각 지대에서 발생하는 오차도 존재하는데 이것은 레이저 스캐너를 추가로 설치하던지 설치 위치를 달리함으로써 측정 성능을 향상시킬 수 있을 것이라 생각된다.
후속연구
- 지금까지의 감지 시스템에 대한 연구는 대부분 차량에 설치하는 시스템에 초점이 맞춰져 있으며, 상대적으로 도로에 설치하는 시스템에 대한 연구 비중은 적은 편이다. 하지만 앞으로의 C-ITS 서비스가 차량에서 획득하는 정보 이외에 주변 환경 및 멀리 떨어진 도로의 정보를 융합하여 새로운 교통 정보를 생성하고 이를 활용하는 방향으로 발전한다면, 도로에 설치하는 시스템의 비중이 점차 늘어날 것으로 판단된다. 따라서 이러한 C-ITS 발전과 함께 요구 성능 조건을 만족하기 위해 기존 감지 시스템에서 나타난 문제점들을 해결해야 한다.
- 본 논문에서의 실제 실험은 2차 도로에서 진행하였기 때문에 시나리오에 다수의 객체를 투입하기 어려웠다. 하지만 레이저 스캐너에서 객체를 분리하는 알고리즘을 사용한다면 추후 2차선 이상의 실험 환경에서도 무리가 없다고 판단된다. 이는 시나리오 b와 c를 통해서도 확인이 가능하다.
- 또한 레이저 스캐너 사각 지대에서 발생하는 오차도 존재하는데 이것은 레이저 스캐너를 추가로 설치하던지 설치 위치를 달리함으로써 측정 성능을 향상시킬 수 있을 것이라 생각된다. 본 논문의 실험 결과에서 보인 오차율은 센서 데이터의 추가 설치 및 알고리즘의 보완을 통해 좀 더 줄일 수 있을 것이라 판단된다. 또한 이러한 시스템은 다양한 도로 환경에서도 아무런 제약 없이 레이저 스캐너를 설치함으로써 충분히 적용할 수 있어 여러 방면으로 활용 가능할 것이라 생각된다.
- 본 논문의 실험 결과에서 보인 오차율은 센서 데이터의 추가 설치 및 알고리즘의 보완을 통해 좀 더 줄일 수 있을 것이라 판단된다. 또한 이러한 시스템은 다양한 도로 환경에서도 아무런 제약 없이 레이저 스캐너를 설치함으로써 충분히 적용할 수 있어 여러 방면으로 활용 가능할 것이라 생각된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.