[논문]LiDAR 센서 신호 보정 및 노이즈 필터링 기술 개발

박홍순; 최준호

doi:10.5369/jsst.2019.28.5.334

LiDAR 센서 신호 보정 및 노이즈 필터링 기술 개발
Signal Compensation of LiDAR Sensors and Noise Filtering 원문보기

Journal of sensor science and technology = 센서학회지, v.28 no.5, 2019년, pp.334 - 339

박홍순 (전남대학교 전기공학과) , 최준호 (전남대학교 전기공학과)

Abstract ▼ AI-Helper

In this study, we propose a compensation method of raw LiDAR data with noise and noise filtering for signal processing of LiDAR sensors during the development phase. The raw LiDAR data include constant errors generated by delays in transmitting and receiving signals, which can be resolved by LiDAR signal compensation. The signal compensation consists of two stage. First one is LiDAR sensor calibration for a compensation of geometric distortion. Second is walk error compensation. LiDAR data also include fluctuation and outlier noise, the latter of which is removed by data filtering. In this study, we compensate for the fluctuation by using the Kalman filter method, and we remove the outlier noise by applying a Gaussian weight function.

주제어

표/그림 (9)

그림 Fig. 1. The overall procedure of LiDAR signal processer.
그림 Fig. 2. The proposed LiDAR sensor module consist of optical engine, APD detector, PLD(pulsed laser diode) driver, control board.
그림 Fig. 3. The horizontal field of view and data array in LiDAR signal processing.
그림 Fig. 4. The data error is generated by delay in TDC signal processing and the error make distortion of LiDAR data.
그림 Fig. 5. The LiDAR data is transformed to point cloud in orthogonal coordinate.
그림 Fig. 6. The calibration result of LiDAR data : (a) raw LiDAR data, (b) calibration data.
그림 Fig. 7. The conversation results of walk-error.
그림 Fig. 8. Kalman filter result: (a) LiDAR data before Kalman filter, (b) LiDAR data after Kalman filter.
그림 Fig. 9. Gaussian filter result : (a) LiDAR data before Gaussian filter, (b) LiDAR data after Gaussian filter.

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 LiDAR 센서의 개발단계에서 발생하는 신호처리 문제를 해결하기 위해 데이터 보정 방법과 노이즈 필터링 방 법에 대해 소개하였다. LiDAR의 신호처리 과정에서 거리 값을 좌표 공간에서 표현하였으며 센서 특성에 의해 발생하는 오차를 보정하는 방법에 대해 기술하였다. 보정된 결과는 한 점을 기준으로 10 mm 내외 오차범위 안으로 들어오는 것을 확인하였으며, 이는 실시간 이슈를 가지는 LiDAR 센서에서 만족스러 운 결과이다.
본 논문에서는 LiDAR 센서의 개발단계에서 발생하는 신호처리 문제를 해결하기 위해 LiDAR 센서의 거리에 따른 선형적 보정 방법을 소개하고 노이즈의 특성을 시간변화에 따른 흔들림 노이즈와 위치에 따른 노이즈로 구분하고 각 노이즈 특성에 적합한 필터링 방법을 제안한다. 본 논문은 개발 단계의 LiDAR 센서를 소개하고 LiDAR 센서의 고속신호처리 방법과 데이터 통신 방법을 포함한다.
본 연구에서는 LiDAR 센서의 개발단계에서 발생하는 신호처리 문제를 해결하기 위해 데이터 보정 방법과 노이즈 필터링 방 법에 대해 소개하였다. LiDAR의 신호처리 과정에서 거리 값을 좌표 공간에서 표현하였으며 센서 특성에 의해 발생하는 오차를 보정하는 방법에 대해 기술하였다.
이를 해결하기 위해 센서 보정 및 데이터 필터링을 수행해야 한다. 본 장에서는 센서를 보정하는 방법과 데이터의 노이즈를 필터링하는 방법에 대해 소개한다.

제안 방법

이때 임베디드 보드의 MCU 성능을 고려하여 데이터를 8bit로 전반부와 후반부로 나누어서 전송하고 PC에서 데이터를 파싱하고 통합한다. 데이터는 TCP 통신을 기반으로 LiDAR 센서가 서버가 되고 PC가 클라이언트가 되어 통신 연 결시점부터 연속적으로 수신하도록 설계하였다.
단위 거리 1m를 기준으로 10 m까지 데이터를 측정하고 각도를 10도 간격으로 이동하여 총 180개의 데이터를 획득한다. 데이터는 선형 관계 식으로서 선형최적화를 통해 해를 구한다. 실험에서 LiDAR 데이터는 5.
보정된 결과는 한 점을 기준으로 10 mm 내외 오차범위 안으로 들어오는 것을 확인하였으며, 이는 실시간 이슈를 가지는 LiDAR 센서에서 만족스러 운 결과이다. 또한, 센서 내부와 외부 영향에 의해 발생하는 노이즈를 정의하고 이를 제거하는 필터링 방법을 적용하였다. 실시간 센서의 신호처리 문제에서 발생하는 오차 및 노이즈를 제 거하기 위해 원인을 분석하고 각 요소에 적합한 기법들을 적용 하여 LiDAR 센서를 안정화시켰다.
본 논문에서 사용한 LiDAR 센서는 75W의 출력으로 18Khz의 PRF(pulse repetition frequency)를 가지는 905nm 대역의 펄스레이저 구동부와 동일 대역의 광 신호를 검출하는 APD 검출 부로 구성하였고 180도의 수평 시야각을 가지기 위해 15fps의 속도로 회전하는 미러 회전식 광학계로 설계하였다. Fig.
본 논문에서는 LiDAR 신호를 PC로 전송하기 위해서 WIFI 기반 무선 통신을 사용한다. Fig.
두 번째 노이즈 특성은 이상점이며 이는 원래 측정되지 않아야 하는 영역에서 섬처럼 발생하는 노이즈를 의미한다. 본 논문에서는 흔들림 노이즈를 제거하 기 위해 칼만 필터링을 적용하며 이상점을 제거하기 위해서 가우시안 필터링을 적용한다.
본 논문에서는 LiDAR 센서의 개발단계에서 발생하는 신호처리 문제를 해결하기 위해 LiDAR 센서의 거리에 따른 선형적 보정 방법을 소개하고 노이즈의 특성을 시간변화에 따른 흔들림 노이즈와 위치에 따른 노이즈로 구분하고 각 노이즈 특성에 적합한 필터링 방법을 제안한다. 본 논문은 개발 단계의 LiDAR 센서를 소개하고 LiDAR 센서의 고속신호처리 방법과 데이터 통신 방법을 포함한다. 2장에서는 LiDAR 센서의 고속신호처리를 설명하고 3장에서는 LiDAR 센서의 데이터 보정기술을, 다음 장에서는 노이즈 필터링 기술에 대해 소개한다.
식(5)에서 x는 이웃하는 점들 사이의 거리를 나타내며는 표준분산을 의미한다. 본 연구에서는 가우시안 가중치의 앞이 기준치를 넘지 않는 이웃 값들은 제거하는 방식을 통해 이상점 필터를 적용한다.
본 장에서는 LiDAR 센서의 raw 데이터 가지는 오차를 최소화하기 위해서 거리 보상과 walk-error 보상을 수행하였다. 센서 신호의 보상을 통해 센서가 가지는 오차를 최소화하여 정확도를 높이 도록하였으며 각 과정은 임베디드 MPU 환경에서 완벽하게 동작한다.
또한, 센서 내부와 외부 영향에 의해 발생하는 노이즈를 정의하고 이를 제거하는 필터링 방법을 적용하였다. 실시간 센서의 신호처리 문제에서 발생하는 오차 및 노이즈를 제 거하기 위해 원인을 분석하고 각 요소에 적합한 기법들을 적용 하여 LiDAR 센서를 안정화시켰다.
2의 신호처리보드에서 확인할 수 있듯이 WIFI 무선통신 모듈을 통해 배열화 된 LiDAR 데이 터를 전송한다. 이때 임베디드 보드의 MCU 성능을 고려하여 데이터를 8bit로 전반부와 후반부로 나누어서 전송하고 PC에서 데이터를 파싱하고 통합한다. 데이터는 TCP 통신을 기반으로 LiDAR 센서가 서버가 되고 PC가 클라이언트가 되어 통신 연 결시점부터 연속적으로 수신하도록 설계하였다.
이는 반사량이 큰 표면을 가진 객체와 반사량이 작은 표면을 가진 객체가 동일한 위 치에 있다 할지라도 다른 거리 결과를 가지는 것으로 인식된다. 이를 보정하기 위해 반사도 별 검출전압 및 펄스 신호를 측정하고 테이블화 한다. 측정된 신호를 기준으로 펄스 폭을 조정함을 통해 시간지연 오차를 최소화한다.
이를 해결하기 위해 가우시안 분포를 가중치로 적용하여 노이즈를 필터링한다. 가우시안 필터는 이웃하는 거리에 따라 가우스 분포특성으로 가중치를 적용하는 것으로 가까운 거리에 있는 이웃 값들은 큰 영향력을 끼치고 거리가 멀어질수록 끼치는 영향력이 기하급수적으로 줄어드는 특성을 통해 노이즈를 제거 하는 필터방법이다[13,14].
프로세서의 소비 비용을 최소화하기 위해 측정 데이터를 적극 활용하여 보정하였으며 수학적 연산을 적용하였다. 제안하는 시스템은 단일 채널 LiDAR에 초점이 맞추어 있으나 신호처리 기술은 다채널 LiDAR 시스템에 적용 이 가능하다. 또한, LiDAR 센서의 객체 인식 및 인지 향상을 위한 추후 연구의 기반이 될 것으로 기대한다.
임베디드 환경에서 데이터의 안정성을 높이고 정확도를 개선하기 위해서는 복잡한 알고리즘을 적용하기 어렵다. 주어진 문제를 해결하기 위해 최대한 효과를 낼 수 있는 방법에 초점을 맞추어 연구를 진행하였다. 프로세서의 소비 비용을 최소화하기 위해 측정 데이터를 적극 활용하여 보정하였으며 수학적 연산을 적용하였다.
주어진 문제를 해결하기 위해 최대한 효과를 낼 수 있는 방법에 초점을 맞추어 연구를 진행하였다. 프로세서의 소비 비용을 최소화하기 위해 측정 데이터를 적극 활용하여 보정하였으며 수학적 연산을 적용하였다. 제안하는 시스템은 단일 채널 LiDAR에 초점이 맞추어 있으나 신호처리 기술은 다채널 LiDAR 시스템에 적용 이 가능하다.

대상 데이터

2. The proposed LiDAR sensor module consist of optical engine, APD detector, PLD(pulsed laser diode) driver, control board.
센서의 전방 기준 객체를 두고 단위 거리 당 센서측정거리와 실측 거리를 저장하고 각 거리 간의 선형적 관계를 찾는다. 단위 거리 1m를 기준으로 10 m까지 데이터를 측정하고 각도를 10도 간격으로 이동하여 총 180개의 데이터를 획득한다. 데이터는 선형 관계 식으로서 선형최적화를 통해 해를 구한다.
데이터는 선형 관계 식으로서 선형최적화를 통해 해를 구한다. 실험에서 LiDAR 데이터는 5.124 m의 에러 값을 가지고 있었으며 본 값을 기준으로 데이터 보정을 수행하였다. 라이다 센서를 통해 획득된 값에서 에러 값을 제거함을 통해 출력 데이터의 정확도를 향상한다.

이론/모형

측정된 신호를 기준으로 펄스 폭을 조정함을 통해 시간지연 오차를 최소화한다. 본 방법은 Feed-forward 개념의 오차 보상방법으로 실시간으로 MCU 프로세서에서 보 상 거리 값 산출이 가능하다.

성능/효과

LiDAR의 신호처리 과정에서 거리 값을 좌표 공간에서 표현하였으며 센서 특성에 의해 발생하는 오차를 보정하는 방법에 대해 기술하였다. 보정된 결과는 한 점을 기준으로 10 mm 내외 오차범위 안으로 들어오는 것을 확인하였으며, 이는 실시간 이슈를 가지는 LiDAR 센서에서 만족스러 운 결과이다. 또한, 센서 내부와 외부 영향에 의해 발생하는 노이즈를 정의하고 이를 제거하는 필터링 방법을 적용하였다.
6 (b)는 에러 값을 유추하고 이를 각 점 데이터에서 제거함을 통해 얻은 결과를 보여준다. 보정된 결과를 보면 좌우 평행한 복도의 형상을 제대로 측정하는 것을 확인할 수 있다.
본 장에서는 LiDAR 센서의 raw 데이터 가지는 오차를 최소화하기 위해서 거리 보상과 walk-error 보상을 수행하였다. 센서 신호의 보상을 통해 센서가 가지는 오차를 최소화하여 정확도를 높이 도록하였으며 각 과정은 임베디드 MPU 환경에서 완벽하게 동작한다.
데이터의 일부를 확대해 보면 신호의 불규칙성을 더욱 명확히 확인할 수 있다. 칼만 필터의 적용 이후 데이터의 흔들림 범위가 현격히 줄어들었으며 그로 인해 전체적으로 안정적 신호를 출력할 수 있다.

후속연구

이를 위 해 빛 에너지 손실을 최소화하는 렌즈 및 미러 광학계의 설계 가 선행되어야 하며 입력신호를 고속으로 처리하고 미세신호에 대한 정밀변환이 수행되어야 한다. 또한 실시간으로 넓은 범위를 측정하는 센서가 일반적으로 가지는 노이즈 및 부정확 데이터 처리를 위한 후처리 보정 기술이 개발되어야 한다. LiDAR 신호의 입력단에서부터 발생하는 부정확한 데이터는 LiDAR 신호 전파의 수학적 관계 분석을 통해 정량화 할 수 있으며 이를 기반으로 보정이 가능하며 후처리 과정에서 안정적인 결과값으로 치환된다.
제안하는 시스템은 단일 채널 LiDAR에 초점이 맞추어 있으나 신호처리 기술은 다채널 LiDAR 시스템에 적용 이 가능하다. 또한, LiDAR 센서의 객체 인식 및 인지 향상을 위한 추후 연구의 기반이 될 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	LiDAR 센서는 어떻게 구성되는가?	LiDAR 센서는 레이저 신호를 수십 ns 속도에서 고속 펄스 에너지로 조사하는 펄스레이저 구동부, 미세 광 신호를 전자 신호로 변환하고 검출하는 광수신부, 레이저 신호의 송수신 집 중도를 높이는 광학계, 그리고 입출력 신호를 처리하는 고속 신호처리부로 구성된다. 송신된 레이저 출력신호는 전방의 객 체표면에 반사되어 광수신부를 통해 전자신호로 변환되며 TDC(time to digital convertor)를 통해 입출력신호 간의 비행 시간으로 환산된다[4,5].
	LiDAR 센서를 통해 획득된 데이터가 노이즈나 이상점을 가지게 하는 원인은?	이는 빛의 간섭, 산란, 회로 잡음 등에 기인하는 것으로 신호 후처리 과정에서 해결할 수 있다. 일반적으로 노이즈는 대상객체 주변에서 발생하며 대상객체와 비교하였을 때 밀 집도가 떨어지며 점 데이터 간의 간격이 균일하지 못한 특성을 가진다. 이상점은 대상객체와 떨어진 위치에서 발생하며 시간 축 기준으로 비 규칙적 반응을 나타낸다. Fig.
	LiDAR 센서의 거리 정밀도와 최대 측정거리는 무엇으로 판단되는가?	빛의 대기 중 속도는 빛의 비행시간 과 이동거리의 곱으로 이루어지기 때문에 최종변수에 해당하는 전방 객체와의 거리는 빛의 속도와 TDC를 통해 획득한 시 간간격의 곱으로 구할 수 있다. LiDAR 센서의 거리 정밀도 와 최대 측정거리는 펄스레이저를 얼마나 빠른 속도로 고출력으로 발산할 수 있는지, 그리고 반사되어 들어오는 미세신호를 얼마나 민감하게 측정할 수 있는지 판단된다[6,7]. 이를 위 해 빛 에너지 손실을 최소화하는 렌즈 및 미러 광학계의 설계 가 선행되어야 하며 입력신호를 고속으로 처리하고 미세신호에 대한 정밀변환이 수행되어야 한다.

참고문헌 (17)

B. Douillard, D. Fox and F. Ramos, "A spatio-temporal probabilistic model for multi-sensor multi-class object recognition," - Proc. 2007, IEEE/ RSJ Int. Conf. on Intell. Robot. Syst., pp. 2402-2408 San Diego, USA, 2007.
L. Spinello and R. Suegwart, "Human detection using multimodal and multidimensional features", IEEE Int. Conf. on Robot. Autom., pp. 3264-3269, Pasadena, USA, 2008.
C. Premebida, O. Ludwig, and U. Nunes, "Lidar and vision-based pedestrian detection system", J. Field Robot., Vol. 26, No. 9, pp. 696-711, 2009.

상세보기
P. Palojarvi, "Integrated Electronic and opto-electronic circuits and devices for pulsed time-of-flight laser range finding", University of Oulu,Finland, 2003.
A. Kilpela and J. Kostamovaara, "A laser pulser for a TOF laser radar", Rev. Sci. Instrum., Vol. 68, No. 6, pp. 2253-2258, 1997.

상세보기
M. T. Thompson and M. F. Schlecht, "High Power Laser Diode Driver Based on Power Converter Technology", IEEE Trans. Power Electron., Vo1. l2, No. 1, pp. 46-52, 1997.
Q. Wang, X.-J. Tian, G. Wu, and M.-Y. Luo, "Design of highpeak current and narrow pulse driver of laser diode", J. China Univ. Posts and Telecommun., Vol. 16, pp. 82-85, 2009.

상세보기
A. Kilpela, "Pulsed time-of-flight laser ranfe finder techniques for fast, high precision measurement applications", University of Oulu, Finland, 2004.
A. Kilpela, R. Pennala, and J. Kostamovaara, "Precise pulsed time-of-flight laser range finder for industrial distance measurements", Rev. Sci. Instrum., Vol. 72, No. 4, pp. 2197-2202, 2001.

상세보기
S. J. Julier and J. K. Uhmann, "A new extension of the Kaman filter to nonlinear systems", Int. Symp. Aerosp. Def. Sens. Simul. Control., Vol. 3, No. 26, pp. 182-193 1997.
E. A. Wan and R. Van Der Merwe, "The unscented Kalman filter for nonlinear estimation", Proc. IEEE 2000 Adapt. Syst. Signal Process. Commun. Control Symp., pp. 153-158, Lake Louise, Canada, 2000.
G. Evensen, "The ensemble Kalman filter: Theoretical formulation and practical implementation", Ocean Dyn., Vol. 53, No. 4, pp. 343-367, 2000.
K. Ito and K. Xiong, "Gaussian filters for nonlinear filtering problems", IEEE Trans. Autom. Control, Vol. 45, No. 5, pp. 910-927, 2000.

상세보기
G. Deng and L. W. Cahill, "An adaptive Gaussian filter for noise reduction and edge detection", IEEE Nucl. Sci. Symp. Med. Imaging Conf., Vol. 3, pp 1615-1619, 1993.
G. Guo, H. Wang, D. Bell, Y. Bi, and K. Greer, "KNN model-based approach in classification", OTM Confed. Int. Conf. CoopIS DOA ODBASE 2003, pp. 986-996, Catania, Italy, 2003.
Y. Wang, W. L. Chao, D. Garg, B. Hariharan, M. Campbell, & K. Q. Weinberger, "Pseudo-lidar from visual depth estimation: Bridging the gap in 3d object detection for autonomous driving", IEEE Conf, pp. 8445-8453, 2019.
J. Zhang, and S. Sanjiv, "LOAM: Lidar Odometry and Mapping in Real-time", Robot. Sci. Syst., Vol. 2, 2014.

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