[논문]자율주행 인지를 위한 마코브 모델 기반의 정지 장애물 추정 연구

윤정식; 이경수

doi:10.22680/kasa2019.11.2.029

Abstract ▼ AI-Helper

This paper presents a new method for construction of a static obstacle map. A static obstacle is important since it is utilized to path planning and decision. Several established approaches generate static obstacle map by grid method and counting algorithm. However, these approaches are occasionally...

This paper presents a new method for construction of a static obstacle map. A static obstacle is important since it is utilized to path planning and decision. Several established approaches generate static obstacle map by grid method and counting algorithm. However, these approaches are occasionally ineffective since the density of LiDAR layer is low. Our approach solved this problem by applying probability theory. First, we converted all LiDAR point to Gaussian distribution to considers an uncertainty of LiDAR point. This Gaussian distribution represents likelihood of obstacle. Second, we modeled dynamic transition of a static obstacle map by adopting the Hidden Markov Model. Due to the dynamic characteristics of the vehicle in relation to the conditions of the next stage only, a more accurate map of the obstacles can be obtained using the Hidden Markov Model. Experimental data obtained from test driving demonstrates that our approach is suitable for mapping static obstacles. In addition, this result shows that our algorithm has an advantage in estimating not only static obstacles but also dynamic characteristics of moving target such as driving vehicles.

주제어

표/그림 (9)

그림 Fig. 1 Sensor configuration
그림 Fig. 2 Detection area of 6 LiDAR (Bird eye view)
그림 Fig. 3 Detection area of 6 LiDAR (Side view)
그림 Fig. 4 Process of probability density construction
그림 Fig. 5 Diagram of Hidden Markov model for suggested method
그림 Fig. 6 SNU Si-heung campus : straight course at the top, Intersection course at the bottom
그림 Fig. 7 Result of scenario 1
그림 Fig. 8 Result of scenario 2
그림 Fig. 9 Result of scenario 3

AI 본문요약
AI-Helper

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

문제 정의

그러나 사각지대에 숨어있다가 갑자기 관측되는 정지 장애물은 이동 장애물로, 또는 주행하는 주변 차량의 옆면은 정지 장애물로 오인식되는 현상 등 예외사례가 지나치게 많이 발생하여 범용성이 떨어진다. 따라서 라이다 포인트를 확률론적 방법 등을 도입한 별도의 기법으로 처리하여 실제 세상과 비슷한 정지 장애물 맵을 만드는 것을 목표로 한다.

가설 설정

교차로 우회전 상황으로(Fig. 8), 초록색 점선은 인도와 도로의 경계를 나타낸 것이다. 기존 방식으로는 아무것도 존재하지 않는 도로상에 장애물이 위치한 것으로 오인식되는 결과가 나타난다(Fig.
B는 마코브 모델에서의 ‘관측 모델’로 라이다 확률분포가 높을 때 실제로 정지 장애물이 위치할 확률을 의미하므로 라이다의 ‘신뢰도’를 의미한다. 이 연구에서는 신뢰도를 90%로 가정하였다. 즉, B는 대각 성분이 각각 0.

제안 방법

이를 위해 은닉 마코브 모델(Hidden Markov Model)을 핵심으로 하는 새로운 인지 방식을 제안하였다. 베이즈 이론(Bayes theorem)에 기반한 확률기법으로 작동되는 이 모델을 통해 정지 장애물 맵을 추정하는 방법을 제시하였다. 은닉 마코브 모델 기반의 인지 연구는 주로 로보틱스 분야에서 진행된 바 있으나, 주변에 움직이는 물체가 없다는 가정하에 정지된 외벽만 존재하는 환경에서 효과를 보였고 이러한 제한조건을 설정하기 위해 실내 모바일 로봇에 한정하여 연구되어왔다.
은닉 마코브 모델 기반의 인지 연구는 주로 로보틱스 분야에서 진행된 바 있으나, 주변에 움직이는 물체가 없다는 가정하에 정지된 외벽만 존재하는 환경에서 효과를 보였고 이러한 제한조건을 설정하기 위해 실내 모바일 로봇에 한정하여 연구되어왔다. 본 연구에서는 통상적인 은닉 마코브 모델에 ‘신뢰도’ 개념이 추가된 발전된 형태의 수식을 제안하였고, 이로 인해 주변의 모든 라이다 포인트 중 정지 장애물과 이동 장애물을 구분할 수 있도록 하였다.
이를 위해 은닉 마코브 모델(Hidden Markov Model)을 핵심으로 하는 새로운 인지 방식을 제안하였다. 베이즈 이론(Bayes theorem)에 기반한 확률기법으로 작동되는 이 모델을 통해 정지 장애물 맵을 추정하는 방법을 제시하였다.

대상 데이터

은닉 마코브 모델의 성능을 검증하기 위해 Fig. 6의 서울대 시흥 캠퍼스 주변 도로에서 주행 데이터를 취득했다. 주행 시나리오는 총 3개로, 첫 번째는 일반적인 직선코스를 주행하면서 우측의 인도를 정지 장애물로 인지하는지 확인하는 시나리오이다.

이론/모형

세 시나리오 데이터에 은닉 마코브 모델을 적용하여 정지 장애물 맵을 생성하였다. Fig.

성능/효과

정지 장애물의 경계가 상용화 수준만큼 정교하지 못한 한계는 앞으로 레이저 스캐너 장비의 채널 수가 증가하고 장착 위치를 수정하여 라이다 포인트의 측정 강건성을 높이면 해결할 수 있을 것으로 기대한다. 또한, 공간의 점유 가능성을 확률값으로 나타내는 방식이기 때문에 정지 장애물 존재의 유무를 이산적으로 정확하게 존재, 미존재로 구분하지는 못하지만, threshold를 도입하면 충분히 활용가능함을 확인했다. 이 결과는 이동하는 타겟 인지부터 안전한 주행을 위한 경로 계획에 이르기까지 다양한 분야에 걸쳐 활용도가 높을 것으로 기대한다.
9, 검정 점선 타원)이 나타난 상황이다. 마코브 모델 적용 이전에 나타나는 매우 높은 확률의 전방 좌측의 자동차는 마코브 모델 적용 이후 거의 사라짐을 확인할 수 있다. 다만 시나리오 2와 마찬가지로 완벽하게 배제하지는 못하므로 적절한 threshold를 설정하고 그 이하의 확률분포는 0으로 만드는 등 후처리가 필요하다.
본 연구에서는 레이저 스캐너의 불확실성과 은닉 마코브 모델을 도입하여 정지 장애물 맵을 생성하는 새로운 방법을 제시하였으며 주행 데이터를 통해 은닉 마코브 모델을 사용하지 않은 기존의 포인트 실셈 방식보다 효과적임을 확인하였다. 여러 시나리오에서 정지 장애물이 기존 방식에 비하여 더 현실적인 형상으로 산출되었고, 전방에서 주행중인 차량은 정지 장애물이 아닌 이동 장애물로 정확하게 구별하는 목표를 달성했다.

후속연구

모든 시나리오를 종합하면 기존의 방식보다 개선된 결과를 보여주지만, 한계점도 관찰되었다. 은닉 마코브 모델이 비교적 광범위하게 적용되어 온 로보틱스 분야의 결과와 비교하면 정지 장애물과 이동 타겟의 구별이 가능하다는 비교 우위가 있으나, 정지 장애물이 상용화 수준에 다다를 만큼 정교하게 추출되지는 않는 한계도 관찰된다.
또한, 공간의 점유 가능성을 확률값으로 나타내는 방식이기 때문에 정지 장애물 존재의 유무를 이산적으로 정확하게 존재, 미존재로 구분하지는 못하지만, threshold를 도입하면 충분히 활용가능함을 확인했다. 이 결과는 이동하는 타겟 인지부터 안전한 주행을 위한 경로 계획에 이르기까지 다양한 분야에 걸쳐 활용도가 높을 것으로 기대한다.
이는 마코브 모델의 고려 없이 공간을 격자화하고 라이다 포인트 개수를 실셈하는 기존의 방식보다 개선된 결과를 의미한다. 정지 장애물의 경계가 상용화 수준만큼 정교하지 못한 한계는 앞으로 레이저 스캐너 장비의 채널 수가 증가하고 장착 위치를 수정하여 라이다 포인트의 측정 강건성을 높이면 해결할 수 있을 것으로 기대한다. 또한, 공간의 점유 가능성을 확률값으로 나타내는 방식이기 때문에 정지 장애물 존재의 유무를 이산적으로 정확하게 존재, 미존재로 구분하지는 못하지만, threshold를 도입하면 충분히 활용가능함을 확인했다.

질의응답

핵심어	질문	논문에서 추출한 답변
	마코브 모델은 무엇인가?	마코브 모델은 현재 상태와 이전 상태의 관계와 관측치 z로부터 필요한 정보를 추정해내는 모델이다. 자율주행자동차 연구에서는 실시간으로 측정한 차량 센서 데이터를 활용하면 차량의 현재와 이전 순간의 상태 관계를 정립할 수 있다.
	자율 주행 인지 분야에서 가장 중요하게 고려되어야 할 사항은?	인지 결과는 그 자체로도 유용하지만 무엇보다도 판단, 제어 등 하위 알고리즘의 출발점이 된다는 점에서 의미가 남다르다. 이를 위해, 인지 분야에서 가장 중요하게 고려되어야 할 사항은 자차량 주변의 움직이는 차량을 인식하는 문제일 것이다. 여러 방법이 고안되었으나 기본적으로 레이저 스캐너(LiDAR, 라이다)를 이용하여 주변의 정지한 모든 물체 및 지형지물을 정지 장애물로 정의하는 방식이 주로 사용된다.
	차량을 인식하기 위해 사용하는 방식은?	이를 위해, 인지 분야에서 가장 중요하게 고려되어야 할 사항은 자차량 주변의 움직이는 차량을 인식하는 문제일 것이다. 여러 방법이 고안되었으나 기본적으로 레이저 스캐너(LiDAR, 라이다)를 이용하여 주변의 정지한 모든 물체 및 지형지물을 정지 장애물로 정의하는 방식이 주로 사용된다. 기존의 연구에서는 주로 차량 주변 공간을 격자화하고 각 격자 내부의 라이다 포인트 개수가 시간에 따라 변화하는 양상을 관찰하여 정지 장애물과 이동 장애물을 구분한다.

참고문헌 (10)

Thrun, Sebastian, Wolfram Burgard, and Dieter Fox., 2005, Probabilistic robotics., MIT press, pp. 221-242.
Meyer-Delius, Daniel, Maximilian Beinhofer, and Wolfram Burgard., 2012, "Occupancy Grid Models for Robot Mapping in Changing Environments", AAAI, pp. 2024-2030.
Kim, B., Kang, C. M., Lee, S. H., Chae, H., Kim, J., Chung, C. C., and Choi, J. W., 2017, "Probabilistic vehicle trajectory prediction over occupancy grid map via recurrent neural network", In Intelligent Transportation Systems (ITSC), 2017 IEEE 20th International Conference on IEEE, pp. 399-404.
Thrun, Sebastian., 2003, "Learning occupancy grid maps with forward sensor models", Autonomous robots, Vol. 15, No. 2, pp. 111-127.

상세보기
Birk, A. and Carpin, S., 2006, "Merging occupancy grid maps from multiple robots", Proceedings of the IEEE, Vol. 94, No. 7, pp. 1384-1397.

상세보기
Saarinen, Jari, Henrik Andreasson, and Achim J. Lilienthal., 2012, "Independent markov chain occupancy grid maps for representation of dynamic environment", Intelligent Robots and Systems (IROS), IEEE/RSJ International Conference on, pp. 3489-3495.
Thrun, Sebastian, Wolfram Burgard, and Dieter Fox., 1998, "A probabilistic approach to concurrent mapping and localization for mobile robots", Autonomous Robots, pp. 253-271.
Wang, Zhan, 2014, "Modeling motion patterns of dynamic objects by IOHMM", 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems, IEEE, pp. 1832-1838.
Danescu, Radu, Florin Oniga, and Sergiu Nedevschi, 2011, "Modeling and tracking the driving environment with a particle-based occupancy grid", IEEE Transactions on Intelligent Transportation Systems, pp. 1331-1342.
Kohara, K., Suganuma, N., Negishi, T., and Nanri, T., 2010, "Obstacle detection based on occupancy grid maps using stereovision system", International Journal of Intelligent Transportation Systems Research, pp. 85-95.

이 논문을 인용한 문헌

LOADING...

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

자율주행 인지를 위한 마코브 모델 기반의 정지 장애물 추정 연구
Markov Model-based Static Obstacle Map Estimation for Perception of Automated Driving 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (10)

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

자율주행 인지를 위한 마코브 모델 기반의 정지 장애물 추정 연구 Markov Model-based Static Obstacle Map Estimation for Perception of Automated Driving 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (10)

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

자율주행 인지를 위한 마코브 모델 기반의 정지 장애물 추정 연구
Markov Model-based Static Obstacle Map Estimation for Perception of Automated Driving 원문보기

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper