[논문]2D 라이다 데이터베이스 기반 장애물 분류 기법

이무현; 허수정; 박용완

doi:10.14372/iemek.2015.10.3.179

2D 라이다 데이터베이스 기반 장애물 분류 기법
Obstacle Classification Method Based on Single 2D LIDAR Database 원문보기

대한임베디드공학회논문지 = IEMEK Journal of embedded systems and applications, v.10 no.3, 2015년, pp.179 - 188

이무현 (Yeungnam University) , 허수정 (Yeungnam University) , 박용완 (Yeungnam University)

Abstract ▼ AI-Helper

We propose obstacle classification method based on 2D LIDAR(Light Detecting and Ranging) database. The existing obstacle classification method based on 2D LIDAR, has an advantage in terms of accuracy and shorter calculation time. However, it was difficult to classifier the type of obstacle and therefore accurate path planning was not possible. In order to overcome this problem, a method of classifying obstacle type based on width data of obstacle was proposed. However, width data was not sufficient to improve accuracy. In this paper, database was established by width, intensity, variance of range, variance of intensity data. The first classification was processed by the width data, and the second classification was processed by the intensity data, and the third classification was processed by the variance of range, intensity data. The classification was processed by comparing to database, and the result of obstacle classification was determined by finding the one with highest similarity values. An experiment using an actual autonomous vehicle under real environment shows that calculation time declined in comparison to 3D LIDAR and it was possible to classify obstacle using single 2D LIDAR.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 논문에서는 자율주행 자동차의 경로를 보다 효율적이고 정확히 생성하고, 높은 실시간성을 통한 안전한 자율 주행을 위해 2차원 라이다 데이터베이스 기반의 새로운 장애물 분류 기법을 제안 하고자 한다. 본 논문에서 제안하는 기법은 그림 1과 같으며, 장애물에 대한 데이터베이스를 구축하고, 구축 된 데이터베이스를 이용하여 장애물을 분류함으로써 2차원 라이다만으로 장애물의 종류를 분류하고, 비교적 빠른 계산량 제공을 통해 높은 실시간성을 기대할 수 있다.
본 논문에서 장애물 분류를 위해 실 환경에서 실험을 수행하였다. 실험 장소는 영남대학교 교내도로이며, 자율주행 차량에 라이다를 장착하고 자율 주행 차량의 전방 5m, 10m, 15m, 20m에 장애물을 배치하였다.
본 논문에서는 자율주행 차량의 경로 생성을 위한 라이다 기반의 장애물 분류 기법에 대해서 제안하였다. 자율주행 차량에서 신속하고 정확한 경로 생성은 안전과 관련된 중요한 부분이다.
(a)는 라이다를 통해 전방에 존재하는 두 개의 장애물을 획득한 데이터를 Rectangular Coordinate로 변환한 그림이고, (b)는 (a)에서 객체 분할 과정을 통해 배경 데이터를 제거한 결과를 나타낸 그림이다. 본 논문에서는 장애물을 라이다의 정면에 배치한다는 제한 요소를 설정하고 연구를 진행하였다. 따라서 라이다 정면의 장애물을 제외한 나머지 데이터를 배경 데이터로 판단하고 제거하는 과정을 수행하였다.

제안 방법

각각의 분류 과정에서는 유클리드 거리(Euclidean Distance)를 사용하여 라이다 데이터와 데이터베이스와의 비교를 수행한다. 유클리드 거리는 두 데이터를 비교할 때 가장 널리 사용되는 방법으로, 제곱에 대한 계산량의 복잡을 야기하는 단점이 있지만 데이터의 차이를 직관적으로 계산할 수 있다는 장점이 있다.
본 논문에서는 장애물을 라이다의 정면에 배치한다는 제한 요소를 설정하고 연구를 진행하였다. 따라서 라이다 정면의 장애물을 제외한 나머지 데이터를 배경 데이터로 판단하고 제거하는 과정을 수행하였다.
차량, 2륜차량, 보행자에 대해 생각해보면, 측면의 경우는 3가지 장애물의 폭 차이가 명확하다. 따라서 본 논문에서는 자율주행시, 일반적으로 인식할 수 있고 폭 차이가 비교적 불명확한 후면을 기준으로 설정하였다.
차량, 러버콘(Rubber Cone), 2륜차량, 보행자는 우리가 도로 상황에서 가장 흔히 볼 수 있는 장애물이다. 따라서 이들 장애물을 장애물 후보군으로 선정하고 데이터베이스를 구축하였다.
일반적으로 자율주행 차량이 저속 주행(30km/h)할 때의 제동거리가 15m이므로 최소한 전방 20m에서 장애물의 분류가 이루어져야 한다고 판단하였다. 또한 20m 이내에서 갑자기 나타나는 돌발적인 장애물에 대처하기 위하여 20m에서 5m까지 5m간격으로 장애물 데이터베이스를 구축하였다.
그림 5는 획득되는 라이다 데이터와 미리 구축한 데이터베이스와의 비교를 통해 장애물을 분류하는 과정을 도식화한 그림이다. 라이다를 통해 획득된 전방의 장애물 데이터와 데이터베이스와의 비교 후, 각각의 오차를 계산한다. 데이터베이스와의 오차 중, 가장 작은 오차를 가지는 데이터베이스가 획득된 라이다 데이터와 가장 유사한 장애물이라고 판단 한다.
따라서 본 논문에서는 자율주행 자동차의 경로를 보다 효율적이고 정확히 생성하고, 높은 실시간성을 통한 안전한 자율 주행을 위해 2차원 라이다 데이터베이스 기반의 새로운 장애물 분류 기법을 제안 하고자 한다. 본 논문에서 제안하는 기법은 그림 1과 같으며, 장애물에 대한 데이터베이스를 구축하고, 구축 된 데이터베이스를 이용하여 장애물을 분류함으로써 2차원 라이다만으로 장애물의 종류를 분류하고, 비교적 빠른 계산량 제공을 통해 높은 실시간성을 기대할 수 있다.
본 논문에서 제안하는 장애물 분류 기법의 전체적인 과정은 그림 1과 같이 데이터베이스를 구축(Database Generation)하는 부분과 장애물을 분류(Obstacle Classification)하는 부분으로 구분할 수 있다. 점선으로 표시한 부분이 데이터베이스 구축 부분이고, 음영으로 표시한 부분이 장애물 분류 부분이다.
본 논문에서는 3번의 분류 과정을 통해 최종적으로 장애물의 종류를 분류한다. 1차 분류에서는 장애물의 폭 데이터를 이용하여 장애물을 분류하고, 2차 분류에서는 장애물의 신호세기를 이용하여 장애물을 분류한다.
이러한 경로 생성을 위해서는 장애물의 정확한 분류가 필요하다. 우리는 라이다로부터 장애물의 폭 데이터, 신호세기 데이터, 거리 데이터와 신호세기 데이터의 분산을 이용하여 장애물을 분류하였다. 기존의 3차원 라이다 데이터를 이용하여 장애물을 분류하는 기법을 그림 1과 같이 데이터베이스와의 비교를 통한 기법으로 대체함으로서 유사한 분류 정확도와 적은 데이터양에 따른 비교적 낮은 계산량이라는 장점을 확인할 수 있었다.
장애물 데이터베이스 구축 시, 2가지 사항에 대하여 고려하였다. 첫 번째 사항은 자율주행 차량과 장애물 간의 거리이다.
장애물 분류 정확도는 라이다로부터 획득되는 전방의 장애물 데이터와 기존에 구축해 놓은 데이터베이스와의 비교를 통해 전방의 장애물을 정확히 분류하는 비율로 판단하였다.
특징 추출 과정에서 추출한 4가지 특징을 이용하여 데이터베이스를 구축한다. 데이터베이스를 구축할 때, 우리는 여러 번 라이다 데이터를 획득하고, 획득한 데이터를 평균화한다.

대상 데이터

본 논문에서 사용하는 라이다는 SICK LMS 511-Lite이다. SICK LMS 511-Lite는 2차원 라이다로 자율주행 차량의 앞 범퍼 부근에 Forward Looking 방식으로 지면과 수평하게 설치하였다.
본 논문에서 사용한 라이다는 190°의 인지 범위(Scan Angle)와 0.5°의 각 분해능(Angular Resolution)를 가지기 때문에 381개의 거리 데이터와 그에 상응하는 신호세기 데이터를 획득한다.
데이터베이스를 구축하기 위해 가장 먼저 수행하는 과정은 최종적으로 분류할 장애물의 후보군을 선정하는 것이다. 본 논문에서는 자율주행 자동차가 주행할 시, 가장 빈번히 접할 수 있는 4가지 장애물을 후보군으로 선정하였다. 차량, 러버콘(Rubber Cone), 2륜차량, 보행자는 우리가 도로 상황에서 가장 흔히 볼 수 있는 장애물이다.
본 논문에서 장애물 분류를 위해 실 환경에서 실험을 수행하였다. 실험 장소는 영남대학교 교내도로이며, 자율주행 차량에 라이다를 장착하고 자율 주행 차량의 전방 5m, 10m, 15m, 20m에 장애물을 배치하였다. 자율주행 차량과 장애물 사이에 다른 장애물은 존재하지 않으며, 자율주행 차량과 장애물은 모두 정지한 상태에서 실험이 진행되었다.
자율주행 차량과 장애물 사이에 다른 장애물은 존재하지 않으며, 자율주행 차량과 장애물은 모두 정지한 상태에서 실험이 진행되었다. 실험에 사용된 LIDAR는 SICK LMS 511-Lite이다. 표 1은 SICK LMS 511-Lite의 사양을 나타내고 있다.

성능/효과

표 2는 3차원 라이다 기반의 장애물 분류 기법의 분류 정확도를 나타내고 있으며[12], 표 3은 본 논문에서 제안하는 기법의 분류 정확도를 나타내고 있다. 5m, 10m, 15m, 20m에서 실험한 결과를 종합하여 각 장애물에 대한 분류 정확도를 백분율로 나타내었다.
거리 데이터의 분산으로 인지된 장애물의 대략적인 형태 데이터를 획득할 수 있다. 거리 데이터의 분산이 크다면 인지된 장애물이 직선 형태가 아니라는 것을 확인할 수 있고, 거리 데이터의 분산이 작다면 인지된 장애물이 직선 형태라는 것을 확인할 수 있다.
기존의 3차원 라이다 기반의 장애물 분류 기법과 비교하였을 때, 본 논문에서 제안하는 기법은 분류 정확도에서는 큰 차이가 없음을 확인할 수 있다. 다만 보행자의 경우에는 2차원 라이다 데이터를 이용한 본 논문과는 달리 3차원 라이다 데이터를 이용하여 보행자의 특징을 더욱 자세히 획득하여 분류 정확도가 높은 것을 확인할 수 있다.
우리는 라이다로부터 장애물의 폭 데이터, 신호세기 데이터, 거리 데이터와 신호세기 데이터의 분산을 이용하여 장애물을 분류하였다. 기존의 3차원 라이다 데이터를 이용하여 장애물을 분류하는 기법을 그림 1과 같이 데이터베이스와의 비교를 통한 기법으로 대체함으로서 유사한 분류 정확도와 적은 데이터양에 따른 비교적 낮은 계산량이라는 장점을 확인할 수 있었다.
기존의 3차원 라이다 기반의 장애물 분류 기법과 비교하였을 때, 본 논문에서 제안하는 기법은 분류 정확도에서는 큰 차이가 없음을 확인할 수 있다. 다만 보행자의 경우에는 2차원 라이다 데이터를 이용한 본 논문과는 달리 3차원 라이다 데이터를 이용하여 보행자의 특징을 더욱 자세히 획득하여 분류 정확도가 높은 것을 확인할 수 있다. 하지만 기존의 기법은 3차원 라이다 데이터가 야기하는 많은 데이터양과 그에 따른 많은 계산량이라는 단점을 가지고 있다.
신호세기 데이터의 분산으로는 인지된 장애물의 매질 상태와 색상의 다양성에 대한 데이터를 획득할 수 있다. 신호세기 데이터의 분산이 크다면 인지된 장애물이 다양한 매질과 색상으로 이루어진 것을 확인할 수 있고, 신호세기 데이터가 작다면 인지된 장애물이 단일 매질과 색상으로 이루어진 것을 확인할 수 있다.
그림 6은 실험을 통해 4가지 장애물 후보군에 대한 장애물 분류 결과를 도식화한 그림이다. 장애물의 폭 데이터를 이용한 1차 분류에서 차량을 분류하고, 신호세기 데이터를 이용한 2차 분류에서 러버콘을 분류하고, 거리 데이터와 신호세기 데이터의 분산을 이용한 3차 분류에서 2륜차량과 보행자를 분류할 수 있었다.

후속연구

향후 연구 과제는 향상된 경로 생성을 위해 차량, 러버콘, 2륜차량, 보행자 등과 같은 일반적인 장애물뿐만 아니라 차선, 과속방지턱, 교통 표지판, 신호등과 같은 장애물을 추가적으로 인식하여 분류하는 것이다. 또한 장애물과 자율주행 차량의 움직임, 날씨와 같은 환경적인 요인 등 장애물 분류 정확도에 영향을 주는 요인들에 대한 해결방안 역시 연구해야 한다. 마지막으로 장애물 데이터베이스를 생성할 학습 시스템에 대한 연구가 이루어져야 한다.
마지막으로 장애물 데이터베이스를 생성할 학습 시스템에 대한 연구가 이루어져야 한다. 실시간으로 장애물 데이터베이스를 생성하고, 업데이트를 통해 보다 높은 장애물 분류 정확도와 다양한 분류 장애물 후보군을 기대할 수 있다. 이러한 연구는 자율주행 차량에 있어 실시간으로 정확한 경로를 생성하는 시스템에 도움이 될 것이다.
3차원 라이다 데이터는 2차원 라이다 데이터에 비해 그 양이 많고, 데이터의 구성이 더 복잡하다. 이러한 사실을 생각해 보았을 때, 본 논문에서 제안하는 2차원 라이다 기반의 기법이 가지는 낮은 계산량이라는 장점으로, 낮은 분류 정확도에 대한 부분을 보완할 수 있을 것으로 기대한다.
실시간으로 장애물 데이터베이스를 생성하고, 업데이트를 통해 보다 높은 장애물 분류 정확도와 다양한 분류 장애물 후보군을 기대할 수 있다. 이러한 연구는 자율주행 차량에 있어 실시간으로 정확한 경로를 생성하는 시스템에 도움이 될 것이다.
향후 연구 과제는 향상된 경로 생성을 위해 차량, 러버콘, 2륜차량, 보행자 등과 같은 일반적인 장애물뿐만 아니라 차선, 과속방지턱, 교통 표지판, 신호등과 같은 장애물을 추가적으로 인식하여 분류하는 것이다. 또한 장애물과 자율주행 차량의 움직임, 날씨와 같은 환경적인 요인 등 장애물 분류 정확도에 영향을 주는 요인들에 대한 해결방안 역시 연구해야 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	경로 생성을 위해 주변 환경을 인식하는 대표적인 센서는 무엇이 있는가?	경로 생성을 위해 주변 환경을 인식하는 대표적인 센서로는 라이다, 비전이 있다[2]. 이들 센서의 성능은 인지 거리, 인지 범위, 거리 정확도, 거리 분해능, 각 분해능로 구별할 수 있다.
	2차원 라이다 데이터베이스 기반의 새로운 장애물 분류 기법은 무엇을 기대할 수 있는가?	따라서 본 논문에서는 자율주행 자동차의 경로를 보다 효율적이고 정확히 생성하고, 높은 실시간성을 통한 안전한 자율 주행을 위해 2차원 라이다 데이터베이스 기반의 새로운 장애물 분류 기법을 제안 하고자 한다. 본 논문에서 제안하는 기법은 그림 1과 같으며, 장애물에 대한 데이터베이스를 구축하고, 구축 된 데이터베이스를 이용하여 장애물을 분류함으로써 2차원 라이다만으로 장애물의 종류를 분류하고, 비교적 빠른 계산량 제공을 통해 높은 실시간성을 기대할 수 있다.
	경로 생성 기술이란 무엇인가?	자율주행 자동차가 운전자의 개입 없이 스스로 주행하기 위해서는 지속적인 경로 생성을 필요로 한다. 경로 생성 기술이란 현재 위치로부터 목적지까지 주행하기 위해 주행이 가능한 경로를 생성하는 것이다. 경로 생성을 위해서는 라이다(LIDAR : LIght Detecting And Ranging), 비전(VISION) 등과 같은 센서를 이용하여 차량 주변의 도로 상황과 주행 가능 여부, 주행 공간 내 장애물 판단 등의 기술이 필요하다.

참고문헌 (14)

W.C Jang, J.M. Kim, "Design and implementation of sensor network based autonomous vehicle control system," IEMEK J.l of Embed. Sys. Appl., Vol. 7, No. 5, pp. 247-253, 2012 (in Korean).
J. Wenger, "Automotive radar-status and perspective," Proceedings of Compound Semiconductor Integrated Circuit Symposium, pp. 21-24, 2005.
A. Kirchner, T. Heinrich, "Model based detection of road boundaries with a laser scanner," Proceedings of Intelligent Vehicle Symposium, pp. 93-98, 1998.
K. Chu, J. Han, M. Lee, D. Kim, K. Jo, D. Oh, E. Yoon, M. Gwak, K. Han, D. Lee, B, Choe, Y. Kim, K. Lee, K. Huh, M. Sunwoo, "Development of an autonomous vehicle: A1," Transactions of KSAE, Vol. 19, No. 4, pp. 146-154, 2011 (in Korean).
D.M. Cole, P.M. Newman, "Using laser range data for 3D SLAM in outdoor environments," Proceedings of International Conference on Robotics and Automation, pp. 1556-1563, 2006.
S. Thrun, M. Montemerlo, H. Dahlkamp, D. Stavrns, A. Aron, J. Diebel, P. Fong, J. Gale, M. Halpenny, G. Hoffmann, K. Lau, C. Oakley, M. Palatucci, V. Pratt, P. Stang, S. Strohband, C. Dupont, L.E. Jendrossek, C.Koelen, C. Markey, C. Rummel, J. van Mieke가, E. Jensen, P. Alessandrini, G. Bradski, B. Davies, S. Ettinger, A. Kaehler, A. Nefian, P. Mahoney, "Stanley: The robot that won the DARPA grand challenge," Journal of Field Robotics, Vol. 23, No. 9, pp. 661-692, 2006.

상세보기
R. Halterman, M. Bruch, "Velodyne HDL-64E lidar for unmanned surface vehicle obstacle detection," Proceedings of International Society for Optical Engineering, Vol. 7692, pp. 224-231, 2010.
Z. Yanjun, "A single camera based rear obstacle detection system," Proceedings of Intelligent Vehicle Symposium, pp. 485-490, 2011.
L. Iocchi, S. Pellegrini, "Building 3D maps with semantic elements integrating 2D laser, stereo vision and IMU on a mobile robot," Proceedings of the 2nd International Society for Photogrammetry and Remote Sensing International Workshop 3D-ARCH, 2007.
H.C. Moon, J.H. Kim, J.H. Kim, "Obstacle detecting system for unmanned ground vehicle using laser scanner and vision," Proceedings of International Conference on Control, Automation and System, pp. 1758-1761, 2007.
S.W. Ahn, Y.G. Choe. M.J. Chung, "Fast scene understanding in urban environments for an autonomous vehicle equipped with 2D laser scanners," Journal of Korea Robotics Society, Vol. 7, No. 2, pp. 92-100, 2012 (in Korean).

원문보기 상세보기
D. Haverman, A. Hata, D. Wolf, F. Osorio, "Artificial neural nets object recognition for 3D point cloud," Proceedings of Brazilian Conference on Intelligent System, pp. 101-106, 2013.
O. Hadjiliadis, I. Stamos, "Sequential classification in point cloud of urban scenes," Proceedings of 3DPVT, 2010.
J. Hancock, "Laser intensity-based obstacle detection," Proceedings of International Conference on Intelligent Robots and System, Vol. 3, pp. 1541-1546, 1998.

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