[논문]가우시안 혼합모델 기반 3차원 차량 모델을 이용한 복잡한 도시환경에서의 정확한 주차 차량 검출 방법

조영근; 노현철; 정명진

doi:10.7746/jkros.2015.10.1.033

가우시안 혼합모델 기반 3차원 차량 모델을 이용한 복잡한 도시환경에서의 정확한 주차 차량 검출 방법
Accurate Parked Vehicle Detection using GMM-based 3D Vehicle Model in Complex Urban Environments 원문보기

로봇학회논문지 = The journal of Korea Robotics Society, v.10 no.1, 2015년, pp.33 - 41

조영근 (Electrical Engineering, KAIST) , 노현철 (Robotics Program, KAIST) , 정명진 (Electrical Engineering, KAIST)

Abstract ▼ AI-Helper

Recent developments in robotics and intelligent vehicle area, bring interests of people in an autonomous driving ability and advanced driving assistance system. Especially fully automatic parking ability is one of the key issues of intelligent vehicles, and accurate parked vehicles detection is essential for this issue. In previous researches, many types of sensors are used for detecting vehicles, 2D LiDAR is popular since it offers accurate range information without preprocessing. The L shape feature is most popular 2D feature for vehicle detection, however it has an ambiguity on different objects such as building, bushes and this occurs misdetection problem. Therefore we propose the accurate vehicle detection method by using a 3D complete vehicle model in 3D point clouds acquired from front inclined 2D LiDAR. The proposed method is decomposed into two steps: vehicle candidate extraction, vehicle detection. By combination of L shape feature and point clouds segmentation, we extract the objects which are highly related to vehicles and apply 3D model to detect vehicles accurately. The method guarantees high detection performance and gives plentiful information for autonomous parking. To evaluate the method, we use various parking situation in complex urban scene data. Experimental results shows the qualitative and quantitative performance efficiently.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

3333px;">, 3) 가격경쟁력, 이 3가지 중요 요소를 확인할 수 있었다. 따라서 본 논문에서는 이러한 요소들을 만족하도록 차량 전방에 대해 스캔하는 2차원 LiDAR를 통해 획득한 3차원 점군 지도에서 정확하게 주차 차량을 검출하는 방법을 제안한다. 주차 차량은 기존의 L shape feature와 3차원 객체 분할(segmentation) 정보를 융합하여 객체들 중 차량일 가능성이 높은 후보군을 구성하고 차량 후보군에 새로운 3차원 차량 모델을 적용 하는 방법을 이용하여 정확하게 검출하도록 하였다.
954로약 95%의 검출 성능을 나타내는 것을 확인할 수 있다. 또한 사용자의 목적에 따라 Threshold를 조절하여 알고리즘을 적용할 수 있는데 주차된 차량 중 가장 정확하게 스캔된 차량만을 검출하기 위한 목적으로는 Precision이 높아야 하기 때문에 높은 Threshold를 선택할 수 있으며, 우선 모든 주차된 차량을 검출하는 것이 목적이라면 낮은 Threshold를 선택하면 그 목적에 부합하는 결과를 획득할수 있다. 구역 A에서의 오검출의 경우는 Fig.
본 논문에서 차량 검출에 사용하는 차량 모델은 차량에 대한 정보를 충분히 가지고 있기 때문에 검출 방법에는 Threshold 값을 조절하여 제안하는 차량 모델과 점수에 대한 검출 결과를 살펴보았다. 우선 KAIST 구역 A의 데이터에 대하여 확인한 결과는 Fig.
본 논문에서는 지면을 대각선으로 내려보는 2차원 LiDAR를 통해 획득한 점군 맵에서 2차원 및 3차원 차량 모델을 이용하여 주차된 차량을 정확하게 검출하는 방법을 제안하였다. 이는 지능형 자동차의 완전 자율화가 가능한 주차능력을 위한 기반 기술로 주차된 차량의 종류나 방법에 상관없이 주차된 차량을 검출하고, 추가적으로 어떤 방법으로 차량이 주차되어 있는지에 대한 정보를 제공한다.
차량의 주차는 일반적으로 평행주차(Parallel Parking), 수직주차(Perpendicular Parking) 그리고 대각 주차(Angled Parking)의 3가지로 분류될 수 있다. 이번 절에서는 차량의 주차 종류에 상관없이 제안한 방법으로 복합적인 주차 환경에서 어떻게 차량을 검출 할 수 있는지 확인한다.

제안 방법

또한 차량을 2차원으로 검출하기 때문에 주차된 차량 및 빈 공간의 높이 정보를 확인할 수 없다. H. C. Roh는 [7]에서 L shape feature를 구성하는 점군을 선으로 연결하여, 이를 사영(Projection)한 것을 이용해 차량을 검출하였다. 하지만 이 논문에서도 L shape feature의 모호성으로 인해 덤불이 차량으로 인식되는 등의 과검출 문제가 나타났다.
5Hz) 스캔과 스캔 사이의 거리는 약 20cm로 예상할 수 있다. 그러므로 본 논문에서는 RBNN의 객체화 반경을 0.2m로 정하여 segmentation을 수행했다.
하지만 L shape feature은 매우 간단하고 속도가 빠르다는 장점을 가지고 있다. 그러므로본 논문에서는 L shape feature를 전과정(pre-stage)으로 이용하여 모든 점군이 아닌 차량일 가능성이 높은 우선 물체를 추출하여 3차원 차량 모델과의 매칭을 효율적으로 수행할 수 있도록 한다.
이 과정에서는 획득되는 각각의 스캔 데이터를 가장 먼저 처리하는 부분으로 우선 지면일 가능성이 높은 점군과 오류로 분류될 수 있는 점군들을 먼저 추출한다. 그리고 거리 값의 차이에 따라 한 스캔 내에서 점군들을 분할하고 각 분할된 점군 중 직각성분(orthogonal)을 가지고 있는 것을 gradient histogram 검출한다.
그리고 일정 Threshold 값 이상의 후보를 차량으로 판단 하면 최종적으로 검출한 차량이 가지고 있던 방향각(Yaw:θj )를 이용해 주차 방법을 분류한다.
RBNN은 여러 객체화 방법 중에 연속적으로 들어오는 데이터를 처리 하기 유용하며 그 처리 과정이 간단하다. 물론 RBNN에는 지면이 제거되지 않는다면 각 물체가 효율적으로 분할되지 않는다는 단점이 있지만 제안하는 방법에서는 2.1.1 항에서 이미 지면 추출 과정을 수행하였다. 또한 주차 공간에서 일반적으로 차량의 주행 속도는 30km 미만이기 때문에 최대 주행 속도를 30km로 정했으며 센서 시스템의 주행속도와 2차원 LiDAR의 스캔 속도(37.
검출 결과의 비교 방법은 논문 [11]에서 제안한 방법으로 검출한 차량과 Ground Truth의 차량이 일치율로 결과를 판단하였다. 비교방법은 검출 결과와 Ground Truth의 일치율이 높을수록 1에 가까워지는데 본 논문에서는 0.9 이상 매칭이 되는 결과를 올바르게 검출된 차량이라고 정하였다.
거리 센서에는 SICK LMS 200 LiDAR를 사용했으며 위치 센서로는 Xsens MTi IMU, HUACE DGPS와 Autonics Wheel Encoder를 사용했다. 사용한 PC의 성능은 Intel(R) Core i5 (2.8GHz), Ram 4G이며 MATLAB 기반으로 프로그램을 구현하였다.
위 관련논문들은 주차 표식을 인식하거나 차량을 2차원으로 검출하는 방법을 사용하여 주차환경에 대한 정보를 획득하는 방법을 사용했다. 복잡하지 않은 주차환경에서는 기존의 방법으로도 충분한 성능을 나타낼 수 있지만 신뢰도 높은 주차환경인식을 위해서는 우선 정확하게 주차 차량을 인식하는 것이 전제되어야 한다.
8의 a와 같이 부분적으로 스캔된 차량을 대칭적인 외형 특성을 이용하여 혼합한 모델이다. 제안하는 모델은 이러한 대칭 특성과 각 면이 이루는 확신값(Confidence)를 이용하여 Data augmentation 없이 Data accumulation으로 완성형 모델을 구성할 수 있도록 하였다.
따라서 본 논문에서는 이러한 요소들을 만족하도록 차량 전방에 대해 스캔하는 2차원 LiDAR를 통해 획득한 3차원 점군 지도에서 정확하게 주차 차량을 검출하는 방법을 제안한다. 주차 차량은 기존의 L shape feature와 3차원 객체 분할(segmentation) 정보를 융합하여 객체들 중 차량일 가능성이 높은 후보군을 구성하고 차량 후보군에 새로운 3차원 차량 모델을 적용 하는 방법을 이용하여 정확하게 검출하도록 하였다.
카이스트 A구역, B구역에서 획득한 정보에는 총 134대의 주차된 차량이 존재 했으며 모두 Ground Truth Labeling 프로그램을 통해 수기로 Ground Truth를 제작하였다. 카이스트 A구역에는 수직주차 36대, 수평주차 22대, 대각주차 4대로 총 62대의 주차된 차량이 포함되어 있으며 카이스트 B구역에는 수직주차 49대, 수평주차 23대로 총 72대의주차된 차량이 포함되어 있다.

대상 데이터

Fig. 12는 실험 데이터로 활용한 카이스트 캠퍼스 실험 환경으로 A구역, B구역 두 가지 환경에서 획득 했다. Fig.
11는 데이터 획득에 사용된 센서 시스템을 나타내는 그림이다. 거리 센서에는 SICK LMS 200 LiDAR를 사용했으며 위치 센서로는 Xsens MTi IMU, HUACE DGPS와 Autonics Wheel Encoder를 사용했다. 사용한 PC의 성능은 Intel(R) Core i5 (2.
본 논문에서 사용되는 데이터는 Fig. 2와 같이 2차원 LiDAR가 지면을 대각선 아래로 바라보게 장착되어 있는 센서 시스템을 이용하여 획득한다^[7]. 센서 시스템이 이동하면서 지면을 대각으로 스캔한 정보가 연속적으로 축적되며, 차량의 위치 정보를 이용하여 갱신하게 되면 3차원 점군을 쉽게 획득할 수 있다.
9와 같이 총 9개의가우시안으로 이루어져 있으며 Pose 정보를 이용하여 매칭을 할 수 있다. 차량 모델은 Fig. 8의 a와 같이 부분적으로 스캔된 차량을 대칭적인 외형 특성을 이용하여 혼합한 모델이다. 제안하는 모델은 이러한 대칭 특성과 각 면이 이루는 확신값(Confidence)를 이용하여 Data augmentation 없이 Data accumulation으로 완성형 모델을 구성할 수 있도록 하였다.

데이터처리

그리고 제안하는 알고리즘은 MATLAB을 이용하여 알고리즘이 타당성을 검증하였다. 구역 A에는 3130개의 스캔라인의 총 1129930개의 점군을 처리하는데 연산시간이 287초 이므로 한 스캔라인을 처리하는데 0.
제안하는 방법의 검출 성능은 Precision과 Recall, 그리고 F1 measure를 이용하여 분석하였다. Precision은 검출 결과에서 올바르게 검출된 차량의 비율이며, Recall은 Ground Truth 중에서 검출결과에 포함된 차량의 비율을 의미한다.

이론/모형

Ground Truth는 Ground Truth Labeling Program을 이용하여 수기로 제작하였다. 검출 결과의 비교 방법은 논문 [11]에서 제안한 방법으로 검출한 차량과 Ground Truth의 차량이 일치율로 결과를 판단하였다.
9. The complete Gaussian Mixture Model (GMM) based vehicle model which consists of 9 Gaussian models.
본 논문에서는 [9]에서 제안한 RBNN(Radially Bounded Nearest Neighbor graph)의 방법을 이용하여 객체를 분할하였다. RBNN은 자신 주위의 특정 반경 이내에 존재하는 모든 점들을 하나의 객체로 지정하는 방법이다.
차량 검출에 사용한 특성 모델은 관련 논문 [10]에서 제안했던 가우시안 혼합 모델(GMM – Gaussian Mixture Model) 기반의 차량 모델이다.

성능/효과

14와 같다. F1 measure를 통해 알고리즘의 성능을 판단하면 Threshold가 0.4일 때 0.954로약 95%의 검출 성능을 나타내는 것을 확인할 수 있다. 또한 사용자의 목적에 따라 Threshold를 조절하여 알고리즘을 적용할 수 있는데 주차된 차량 중 가장 정확하게 스캔된 차량만을 검출하기 위한 목적으로는 Precision이 높아야 하기 때문에 높은 Threshold를 선택할 수 있으며, 우선 모든 주차된 차량을 검출하는 것이 목적이라면 낮은 Threshold를 선택하면 그 목적에 부합하는 결과를 획득할수 있다.
Ground Truth는 Ground Truth Labeling Program을 이용하여 수기로 제작하였다. 검출 결과의 비교 방법은 논문 [11]에서 제안한 방법으로 검출한 차량과 Ground Truth의 차량이 일치율로 결과를 판단하였다. 비교방법은 검출 결과와 Ground Truth의 일치율이 높을수록 1에 가까워지는데 본 논문에서는 0.
958로 약 96%의 검출 결과를나타냈다. 구역 A에서 가장 높은 값을 가졌던 Threshold 0.4에서도 F1 measure는 0.944로 약 94%의 검출 결과가 나오는 것을 확인할 수 있었다. 구역 B에서는 구역 A에서와는 다르게 Threshold가 높아질수록 Recall 값이 확연히 달라지는 것을 알 수 있는데 이는 주차된 차량의 특성에 따라 나타난 결과이다.
Precision은 검출 결과에서 올바르게 검출된 차량의 비율이며, Recall은 Ground Truth 중에서 검출결과에 포함된 차량의 비율을 의미하기 때문에 제안하는 방법의 성능을 판단하기에 좋은 지표이다. 또한 F1 measure는 Precision과 Recall을 동등한 비중으로 보고성능을 한 번에 판단하는 지표이므로 F1 measure를 통해서 종합적인 성능을 확인 할 수 있다.
12의 노란색 상자 (1, 2, 3) 에는 실제 센서 시스템에서 촬영한 실험 데이터를 나타내며 주차장의 주행공간의 폭이 매우 좁으며 아스팔트와 보도블럭 노면으로 이루어져 있다. 또한 다양한 주차 방법과 도시구조물이 위치하고 있기 때문에 제안하는 방법의 검증에 적합하였다.
그리고 마지막으로 [7]의 방법은 구현을 통해 검출 결과를 확인하였다. 비교결과 기존의 방법들에 비해서 차량을 3차원으로 검출하며 검출 결과에서도 향상된 모습을 나타내는 것을 확인할 수 있었다.

후속연구

또한 주변 환경이 매우 복잡한 도심이나 주차 표식이 없는 도로 위 평행주차의 경우에도 차량을 정확히 검출할 수 있기 때문에 장소에 국한되지 않고 제안하는 방법을 적용할 수 있다. 그리고 본 논문에서는 MATLAB을 사용하여 알고리즘을 검증하였는데 알고리즘을 C언어로 구현한다면 충분히 실시간성을 가질 수 있을 것이라 예상할 수 있다.
또한 더 높은 인식률을 위해서 특징치를 보완하거나 주차 환경에 대한 추가적인 정보를 제공함으로써 좀 더 효율적으로 지능형 자동차에 주차환경에 대한 정보를 전달할 수 있도록 연구 필요할 것으로 보인다.

질의응답

핵심어	질문	논문에서 추출한 답변
	초음파 센서를 완전 자율화 주차 시스템에 적용하기 어려운 이유는?	Park외 3인은 관련 논문 [3]에서 초음파 센서를 이용하여 빈 공간을 검출하는 주차 보조 시스템을 제안하였다. 초음파 센서는 매우 저렴하기 때문에 상용차량에 많이 이용하고 있지만 분해능이 낮고 외란에도 매우 민감하기 때문에 완전 자율화가 가능한 주차 시스템을 구성하기에는 한계가 있다.
	차량 전방에 지면과 수평하게 장착된 2차원 LiDAR를 이용하여 차량 및 빈 공간을 검출 하는 방법의 장단점은 무엇인가?	[6]에서는 차량의 범퍼와 측면의 스캔 정보인 L shape feature를 이용하여 주차환경을 인식하였다. 이러한 방법은 주행 방향에 존재하는 빈 공간을 미리 확인할 수있다는 장점을 가지고 있으나 복잡한 도심환경에서는 feature의 정확도가 떨어져 올바르게 차량을 검출하기 힘들다는 단점을 가지고 있다. 또한 차량을 2차원으로 검출하기 때문에 주차된 차량 및 빈 공간의 높이 정보를 확인할수 없다. H.
	자율주행차량, 운전보조시스템 모두에서 요구되는 능력은 무엇인가?	이미 다양한 상용차량 회사에서 운전보조시스템을 상용차에 장착하여 판매를 하고 있고, 매년 열리는 다양한 모터쇼와 같이 자율주행차량 또는 지능형 자동차와 관련된 행사에서도 여러 운전보조시스템이 소개되고 있다. 그 중 자율주행차량, 운전보조시스템 모두에서 요구되는 능력은 바로 완전 자율화가 가능한 주차환경인식 및 주차능력이다. 이러한 능력을 위해서는 주차환경을 정확하게 인식하는 연구가 필요한데, 센서의 종류에 따라 관련 연구를 살펴보면 다음과 같다.

참고문헌 (11)

2013 Korea autonomous vehicle contest website, http://autonomous.ksae.org/
Noh Chi-Beom, Kim Min-Ho, Lee Min-Cheol, " Path Planning for the Shortest Driving Time Considering UGV Driving Characteristic and Driving Time and Its Driving Algorithm." Journal of Korea Robotics Society, Vol. 8, No. 1, pp. 43-50, 2013.

원문보기 상세보기
W. J. Park, B. S. Kim, D. E. Seo, D. S. Kim and K. H. Lee, "Parking Space Detection Using Ultrasonic Sensor in Parking Assistance System," in IEEE Intell. Veh. Symp., pp. 1039-1044, 2008.
J. K. Suhr and H. G. Jung, "Full-automatic recognition of various parking slot markings using a hierarchical tree structure", in Optical Engineering, vol. 53, num. 3, pp. 037203-1-037203-14, Mar. 2013.
A. Petrovskaya and S. Thrun, "Model based vehicle detection and tracking for autonomous urban driving," in Auton. Robot., vol 26, pp. 123-137, Arp. 2009.

상세보기
J. Zhou, L. E. Navarro-Serment and M. Hebert, "Detection of Parking Spots Using 2D Range Data," in IEEE 15th Int. Conf. Intell. Transp. Syst., 2012, pp. 1280-1287.
H. C. Roh, C. H. Sung and M. J. Chung, "Fast Vehicle Detection Using Orientation Histogram and Segmented Line Projection", in Int. Conf. Ubiquitous Robots and Ambient Intelligence(URAI), Nov. 2012.
Bo Gil Seo, Yungeun Choe, Hyun Chul Roh and Myung Jin Chung, "A Clustering Method for Efficient Segmentation of 3D Laser Data", Journal of Korea Robotics Society, Vol. 9, No. 2, pp. 1-10, 2014.

원문보기 상세보기
S. U. Ahn, Y. G. Choe, M. J. Chung, "Fast Scene Understanding in Urban Environments for an Autonomous Vehicle equipped with 2D Laser Scanners", The Journal of Korea Robotics Society, Vol. 7, No. 2, pp. 92 - 100, 2012.

원문보기 상세보기
Y. G. Cho and M. J. Chung, "A 3D Feature Model for Urban Road Vehicle Detection", Int. Symp. Distributed Autonomous Robotic Systems (DARS), 2014.
B. Douillard, J. Underwood, N. Kuntz, V. Vlaskine, A. Quadros, P. Morton, and A. Frenkel, "On the segmentation of 3D LIDAR point clouds", IEEE Int. Conf. Robotics and Automation (ICRA), pp. 2798-2805, 2011, May.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증