[논문]클러스터링 알고리즘에서 저비용 3D LiDAR 기반 객체 감지를 위한 향상된 파라미터 추론

김다현; 안준호

doi:10.7472/jksii.2022.23.6.71

초록
AI-Helper

본 논문은 3D LiDAR의 포인트 클라우드 데이터를 가공하여 3D 객체탐지를 위한 알고리즘을 제안했다. 기존에 2D LiDAR와 달리 3D LiDAR 기반의 데이터는 너무 방대하며 3차원으로 가공이 힘들었다. 본 논문은 3D LiDAR 기반의 다양한 연구들을 소개하고 3D LiDAR 데이터 처리에 관해 서술하였다. 본 연구에서는 객체탐지를 위해 클러스터링 기법을 활용한 3D LiDAR의 데이터를 가공하는 방법을 제안하며 명확하고 정확한 3D 객체탐지를 위해 카메라와 융합하는 알고리즘 설계하였다. 또한, 3D LiDAR 기반 데이터를 클러스터링하기 위한 모델을 연구하였으며 모델에 따른 하이퍼 파라미터값을 연구하였다. 3D LiDAR 기반 데이터를 클러스터링할 때, DBSCAN 알고리즘이 가장 정확한 결과를 보였으며 DBSCAN의 하이퍼 파라미터값을 비교 분석하였다. 본 연구가 추후 3D LiDAR를 활용한 객체탐지 연구에 도움이 될 것이다.

Abstract ▼ AI-Helper

This paper proposes an algorithm for 3D object detection by processing point cloud data of 3D LiDAR. Unlike 2D LiDAR, 3D LiDAR-based data was too vast and difficult to process in three dimensions. This paper introduces various studies based on 3D LiDAR and describes 3D LiDAR data processing. In this...

This paper proposes an algorithm for 3D object detection by processing point cloud data of 3D LiDAR. Unlike 2D LiDAR, 3D LiDAR-based data was too vast and difficult to process in three dimensions. This paper introduces various studies based on 3D LiDAR and describes 3D LiDAR data processing. In this study, we propose a method of processing data of 3D LiDAR using clustering techniques for object detection and design an algorithm that fuses with cameras for clear and accurate 3D object detection. In addition, we study models for clustering 3D LiDAR-based data and study hyperparameter values according to models. When clustering 3D LiDAR-based data, the DBSCAN algorithm showed the most accurate results, and the hyperparameter values of DBSCAN were compared and analyzed. This study will be helpful for object detection research using 3D LiDAR in the future.

주제어

표/그림 (10)

그림 (그림 1) 제안하는 연구 구성도 (Figure 1) Propose research architecture
그림 (그림 2) 제안하는 알고리즘 흐름도 (Figure 2) Propose algorithm flow chart
그림 (그림 3) 3D LiDAR의 1회전 시 수집되는 데이터 모습 (Figure 3) Data collected at 1 turn of the 3D LiDAR
그림 (그림 4) 3D LiDAR 실행 모습 (Figure 4) Example of running 3D LiDAR
그림 (그림 5) 3D LiDAR 포인트 클라우드 데이터 (Figure 5) 3D LiDAR point cloud data
그림 (그림 6) 수집된 3D LiDAR 데이터 시각화 (Figure 6) Visualize collected 3D LiDAR data
그림 (그림 7) 유진 로봇 3D LiDAR YRL3-10 (Figure 7) Yujin Robot 3D LiDAR YRL3-10
그림 (그림 8) 수집한 데이터를 전처리한 뒤 시각화한 결과 (Figure 8) Results of visualizing preprocessed data
그림 (그림 9) 클러스터링 결과, a는 Mean Shift clustering 결과, b는 DBSCNA clustering 결과 (Figure 9) Clustering results, a is the Mean Shift clustering result, and b is the DBSCNA clustering result
표 (표 1) 클러스터링 기법에 따른 하이퍼 파라미터값과 경우별 군집 개수 (Table 1) Hyperparameter values according to clustering techniques and the number of clusters per case

AI 본문요약
AI-Helper

문제 정의

본 연구는 객체탐지를 위해 3D LiDAR와 카메라를 융합한 알고리즘을 제안한다. 그림 1은 제안하는 연구의 전체 구성도를 간단히 나타낸 것이다.
기존의 3D LiDAR의 포인트 클라우드는 방대한 데이터로 인해 데이터를 다루는 데 어려움이 있었다. 본 연구는 카메라로 탐지된 객체에 대해 3D LiDAR 데이터의 클러스터링 기법으로는 DBSCAN을 연구했으며 DBSCAN의 하이퍼 파라미터값을 연구했다. 이때, 본 연구에서 현재 카메라와 3D LiDAR를 융합하는 알고리즘을 제안하며, 이를 통해 더욱 정확하게 객체를 탐지할 수 있다.
본 연구에서는 3D LiDAR 기반 객체탐지를 위해 카메라와 융합한 알고리즘을 제안한다. 기존의 3D LiDAR의 포인트 클라우드는 방대한 데이터로 인해 데이터를 다루는 데 어려움이 있었다.

제안 방법

따라서 본 연구에서 제안하는 알고리즘은 3D LiDAR와 카메라가 같은 방향을 향하게 위치시켜 카메라를 통해 물체의 위치를 파악한다. 그 뒤 boundary box를 통해 영상의 물체 위치를 파악하고 3D LiDAR로 수집된 포인트 클라우드 값을 클러스터링하여 공간상 물체의 위치를 정확하게 파악하게 된다. 3D LiDAR는 물체 등에 레이저 펄스를 쏘아 반사되어 돌아오는 시간을 측정한 것으로 실행함에 따라 수집된 포인트 클라우드 값은 그림 5와 같다.
따라서 본 연구에서 제안하는 알고리즘은 3D LiDAR와 카메라가 같은 방향을 향하게 위치시켜 카메라를 통해 물체의 위치를 파악한다. 그 뒤 boundary box를 통해 영상의 물체 위치를 파악하고 3D LiDAR로 수집된 포인트 클라우드 값을 클러스터링하여 공간상 물체의 위치를 정확하게 파악하게 된다.
하지만 단거리 저가 3D LiDAR는 객체의 명확한 형태 파악이 힘들다. 따라서 우리는 객체의 형태를 더욱 선명하고 명확하게 파악할 수 있는 카메라와 융합한 알고리즘을 제안한다. 카메라는 물체의 명확한 형태를 파악하지만, 공간 내 물체의 정확한 위치는 알 수 없다.

대상 데이터

이때의 70%는 기존의 2D LiDAR와 카메라를 융합하는 연구를 통해 반복 실험하여 얻어냈다. 그때의 같은 방향에서 인식되고 있는 3D LiDAR의 포인트 클라우드 데이터를 수집한다. 수집된 데이터는 클라우드 서버에서 클러스터링 하게 된다.
방 안에서 3D LiDAR를 실행시켜 3D LiDAR를 통해 수집된 3D 포인트 클라우드 값을 X, Y, Z 좌푯값으로 변환하여 총 524,713개의 포인트 좌표 데이터를 수집하였다. 수집한 데이터를 앞서 설명한 전처리 한 뒤, 이를 나타낸 모습은 그림 8과 같다.
실험에 사용된 실내 3D LiDAR는 유진로봇 사에서 개발한 YRL3-10 모델로 그림 7과 같다.

성능/효과

4일 때 가장 좋은 결과를 낸다는 것을 확인했다. 3D LiDAR의 원점과 같은 방향으로 설치된 카메라를 통해 클러스터링 된 3D LiDAR의 point 군집 결과와 카메라를 통한 객체탐지의 bounding box를 융합하여 객체의 명확한 위치 및 크기를 파악할 수 있다.
본 논문은 실험을 통해 3D LiDAR 기반 데이터를 이용한 클러스터링 시 DBSCAN이 Mean Shift보다 더 적합하다고 확인했다. 또한, 이때의 DBSCAN의 하이퍼 파라미터값인 epsilon의 값은 0.4일 때 가장 좋은 결과를 낸다는 것을 확인했다. 3D LiDAR의 원점과 같은 방향으로 설치된 카메라를 통해 클러스터링 된 3D LiDAR의 point 군집 결과와 카메라를 통한 객체탐지의 bounding box를 융합하여 객체의 명확한 위치 및 크기를 파악할 수 있다.
본 논문은 실험을 통해 3D LiDAR 기반 데이터를 이용한 클러스터링 시 DBSCAN이 Mean Shift보다 더 적합하다고 확인했다. 또한, 이때의 DBSCAN의 하이퍼 파라미터값인 epsilon의 값은 0.
본 연구는 카메라로 탐지된 객체에 대해 3D LiDAR 데이터의 클러스터링 기법으로는 DBSCAN을 연구했으며 DBSCAN의 하이퍼 파라미터값을 연구했다. 이때, 본 연구에서 현재 카메라와 3D LiDAR를 융합하는 알고리즘을 제안하며, 이를 통해 더욱 정확하게 객체를 탐지할 수 있다. 추후 융합 알고리즘을 개발하여 카메라만 사용한 경우, 3D LiDAR만 사용한 경우와의 비교를 통해 융합 알고리즘의 성능을 증명해낼 예정이다.

후속연구

이때, 본 연구에서 현재 카메라와 3D LiDAR를 융합하는 알고리즘을 제안하며, 이를 통해 더욱 정확하게 객체를 탐지할 수 있다. 추후 융합 알고리즘을 개발하여 카메라만 사용한 경우, 3D LiDAR만 사용한 경우와의 비교를 통해 융합 알고리즘의 성능을 증명해낼 예정이다.

참고문헌 (17)

AEVA, "Aeva inrobuces aeries 2 - the world's first 4D LiDAR with camera-level resolution," https://iot-automotive.news/aeva-introduces-aeries-ii-theworlds-first-4d-lidar-with-camera-level-resolution/
INNOPOLIS Foundation, "LiDAR Market," 2019. https://www.google.com/url?sat&rctj&q&esrcs&sourceweb&cd&ved2ahUKEwj9hqa4v8b4AhUHCt4KHXOpCagQFnoECE0QAQ&urlhttps%3A%2F%2Fwww.innopolis.or.kr%2FfileDownload%3FtitleId%3D177000%26fileId%3D1%26fileDownType%3DC%26paramMenuId%3DMENU00999&usgAOvVaw03kv1mUeG8SYFB0--925U9
ICLEBO, "Eugene robot G10 mop combined use robot cleaner 2in1 smart clean station LDS remote control" http://www.iclebo.com/shop/shopdetail.html?branduid2559584&xcode001&mcode005&scode&typeX&sortregdate&cur_code001005&GfDTbml0W10%3D
Yujin Robot, "Yujin LiDAR YRL3-10" https://yujinrobot.com/ko/autonomous-mobility-solutions/components/lidar/
J. Heeso, "The 'eye' of an autonomous vehicle, Lidar vs Radar... The winner?," AI Times, 2021. http://www.aitimes.com/news/articleView.html?idxno136692
C. Yeongui, "Leica Geosystems Launches Reality Capture Solution," Techworld online news, 2022. https://www.epnc.co.kr/news/articleView.html?idxno224800
Z. Yuan, X. Song, L. Bai, Z. Wang and W. Ouyang, "Temporal-Channel Transformer for 3D Lidar-Based Video Object Detection for Autonomous Driving," IEEE Transactions on Circuits and Systems for Video Technology, Vol. 32, No. 4, pp.2068-2078, 2022. https://doi.org/10.1109/TCSVT.2021.3082763

상세보기
K. Minemura, H. Liau, A. Monrroy and S. Kato, "LMNet: Real-time Multiclass Object Detection on CPU Using 3D LiDAR," 2018 3rd Asia-Pacific Conference on Intelligent Robot Systems (ACIRS), pp. 28-34, 2018. https://doi.org/10.1109/ACIRS.2018.8467245
H. Rui, Z. Wanyue, K. Abhijit, P. Caroline, R. David, F. Thomas and F. Alireza, "An LSTM Approach to Temporal 3D Object Detection in LiDAR Point Clouds," Computer Vision ECCV 2020, Vol. 12363, pp. 266-282, 2020. https://doi.org/10.1007/978-3-030-58523-5_16
X. Zhao, P. Sun, Z. Xu, H. Min and H. Yu, "Fusion of 3D LIDAR and Camera Data for Object Detection in Autonomous Vehicle Applications," IEEE Sensors Journal, Vol. 20, No. 9, pp. 4901-4913, 2020. https://doi.org/10.1109/JSEN.2020.2966034

상세보기
C. Wisultschew, G. Mujica, J. M. Lanza-Gutierrez and J. Portilla, "3D-LIDAR Based Object Detection and Tracking on the Edge of IoT for Railway Level Crossing," IEEE Access, Vol. 9, pp. 35718-35729, 2021. https://doi.org/10.1109/ACCESS.2021.3062220

상세보기
K. Mijung, "Autonomous robots with expanded range of movement, how are they being used?," AI Times, 2022. http://www.aitimes.com/news/articleView.html?idxno144194
Baemin, "Serving robot Dili" https://robot.baemin.com/?utm_sourcegoogle&utm_mediumsa&utm_campaignpc_cpc&utm_content1.%EC%84%9C%EB%B9%99%EB%A1%9C%EB%B4%87_%EB%A1%9C%EB%B4%87&utm_term&gclidCjwKCAjw5NqVBhAjEiwAeCa97fAIwKK8XEhvJ6kDSJFw9fzhKOfwkHmNs7EnUc0rMt-YsIrSSxG6NhoC0YcQAvD_BwE
LG, "Robot Solutions" https://www.lge.co.kr/kr/business/product/it/robot-solution
K. Dahyeon and A. Junho, "Intelligent Abnormal Situation Event Detections for Smart Home Users Using Lidar, Vision, and Audio Sensors," Journal of Internet Computing and Services (JICS), Vol.22, No.3 pp.17-26, 2021. https://doi.org/10.7472/jksii.2021.22.3.17

원문보기 상세보기
D. Comaniciu and P. Meer, "Mean shift: a robust approach toward feature space analysis," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 24, No. 5, pp. 603-619, 2002. https://doi.org/10.1109/34.1000236.

상세보기
M. Ester, H. P. Kriegel, J. Sander, and X. Xu, "A density-based algorithm for discovering clusters in large spatial databases with noise," AAAI Press, No. 6, pp. 226-231, 1996. https://dl.acm.org/doi/10.5555/3001460.3001507

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

클러스터링 알고리즘에서 저비용 3D LiDAR 기반 객체 감지를 위한 향상된 파라미터 추론
Improved Parameter Inference for Low-Cost 3D LiDAR-Based Object Detection on Clustering Algorithms 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

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

클러스터링 알고리즘에서 저비용 3D LiDAR 기반 객체 감지를 위한 향상된 파라미터 추론 Improved Parameter Inference for Low-Cost 3D LiDAR-Based Object Detection on Clustering Algorithms 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

안준호 (9)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

클러스터링 알고리즘에서 저비용 3D LiDAR 기반 객체 감지를 위한 향상된 파라미터 추론
Improved Parameter Inference for Low-Cost 3D LiDAR-Based Object Detection on Clustering Algorithms 원문보기

초록
AI-Helper

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper