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
- 본 연구를 통해 개발된 시뮬레이터를 자율 주행 차량의 핵심 분야 중의 하나인 장애물 탐지에 적용하여 앞서 소개된 라이다 센서가 장애물 탐지에 적합한 지 평가해보고자 한다. 가장 기본적인 장애물 탐지는 도로 영역 내에서 지면과 비지면 영역을 구분하여 주행 가능 영역을 판단하는 것이다.
- 본 연구에서는 차량에 적용 가능한 라이다에 대한 시뮬레이션을 수행하기 위해 통합형 라이다 센서의 모델링 방법을 제시한다. 또한 특정 센서의 시뮬레이션으로 생성된 데이터를 분석함으로써 자율 주행 자동차에 적용하기 적합한 라이다의 제원을 도출한다.
- 본 장에서는 차량용 라이다 시스템에 범용으로 적용 가능한 센서 방정식을 수립하기 위하여 기하학적 모델링을 수행한다. 다음으로 범용 센서 방정식에 특정 센서를 적용하는 일례로써, Velodyne 사의 HDL-64와 Ibeo사의 LUX 8L를 선정하여 이에 적용해 본다.
- 차량에 동일한 위치에 라이다 센서가 장착된다고 하면, 센서의 종류에 따라 식 (1)과 식 (2) 부분만 달라질 것이다. 본 절에서는 자율 주행 자동차를 위해 보편적으로 많이 탑재되는 라이다 센서로써, Velodyne의 HDL-64와 Ibeo사의 LUX 8L를 선정하여 이들의 센서 데이터를 시뮬레이션하기 위하여 센서 방정식에 어떻게 적용하는지 보여주고자 한다. Table 1은 HDL-32와 LUX 8L의 주요 제원이다.
- 입력 모델에 대하여 100 m의 도로를 주행하였을 때 취득되는 Velodyne HDL-64와 Ibeo LUX 8L의 시뮬레이션 데이터의 품질을 분석하여 도로 상의 객체를 식별하기에 적합한 지 판단하고자 한다. 이를 위해 Fig.
가설 설정
- LUX 8L의 경우 2대가 IMU와 같은 수직 선 상에서 전방 180°를 커버하도록 차량 지붕에 탑재된 것으로 가정하였다.
- 이를 위하여 특정 영역을 격자 화한 후, 각 셀이 객체에 의하여 점유되었는지에 대한 정보를 나타내는 점유 격자 지도(occupancy grid map) 생성하는 알고리즘(Glaser, 2014)을 구현하여 시뮬레이터에 의하여 생성된 데이터에 적용하였다. 알고리즘 구현 측면에서 주행 가능한 도로 영역은 장애물이 없는 연속적인 영역이므로 경사가 0에 가까워야 한다고 가정한다. 반대로 장애물이 존재한다면 경사(gradient)가 크게 발생하기 때문에, 이를 기준으로 주행 불가 영역으로 판단할 수 있다.
- 차량은 직선 경로를 따라 주어진 속도로 이동하는 것으로 설정하였고, HDL-64는 IMU와 같은 수직 선 상에 전방을 바라보도록 차량 지붕에 탑재된 것으로 가정하였다. LUX 8L의 경우 2대가 IMU와 같은 수직 선 상에서 전방 180°를 커버하도록 차량 지붕에 탑재된 것으로 가정하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.