초록 ▼

□ 연구개요
동적 물체 추적을 위해 다양한 포인트 클라우드 클러스터링 방법들(density-based, hierarchical-based, model-based approaches)의 적용을 통한 동적 물체 후보군을 검출한다. 이후 트랙 관리 기법을 통해 동적 물체 후보군에 대한 트랙 생성, 유지, 및 제거하며, 자율 주행 자동차 주변 동적 물체 추적을 위한 4차원(평면 상 위치 및 속도) 칼만 필터를 설계함으로써 주변 동적 물체 후보군의 모델 기반 상태 예측을 진행한다. 이후, 각 동적 물체의 연속된 포인트 클라우드 사이의

□ 연구개요
동적 물체 추적을 위해 다양한 포인트 클라우드 클러스터링 방법들(density-based, hierarchical-based, model-based approaches)의 적용을 통한 동적 물체 후보군을 검출한다. 이후 트랙 관리 기법을 통해 동적 물체 후보군에 대한 트랙 생성, 유지, 및 제거하며, 자율 주행 자동차 주변 동적 물체 추적을 위한 4차원(평면 상 위치 및 속도) 칼만 필터를 설계함으로써 주변 동적 물체 후보군의 모델 기반 상태 예측을 진행한다. 이후, 각 동적 물체의 연속된 포인트 클라우드 사이의 움직임을 Registration (normal distribution transform 또는 iterative closest points) 방법을 통해 추정하고 추정된 동적 물체의 움직임 변화 정보를 칼만 필터의 측정값으로 업데이트할 수 있다. Tracking에서 추정된 각 동적 물체의 연속된 포인트 클라우드 사이의 위치 및 자세 변화 정보를 이용한 각 동적 물체의 포인트 클라우드 누적을 진행한다. 이 때, Layer 기반 알고리즘을 통해 누적 알고리즘의 성능을 높일 수 있다. 마지막으로 동적물체 분류를 위한 딥러닝 기반 분류기를 활용한다. 누적된 각 동적 물체 포인트 클라우드 집합에 딥러닝 기반의 분류기 적용함으로써 자동차, 보행자, 및 이륜차 등의 그룹으로 분류할 수 있다. 이 때, 딥러닝 기반 분류기는 현재 활발히 연구되고 있는 Point-Net을 기반으로 적용한다. 마지막으로 분류기 학습을 위해 공용 KITTI 데이터 및 시뮬레이터를 활용한다.

□ 연구 목표대비 연구결과
자율주행자동차를 위한 차량 주변 동적 물체 동시 추적 및 분류 알고리즘을 연구 목표로 설정하였으며, 이에 대해 세부적으로 동적 물체 추적, 동적 물체 별 포인트 클라우드 누적, 동적 물체 분류로 나누었다. 동적 물체 추적 알고리즘의 경우 의미론적 포인트 클라우드를 활용함으로써 물체에 적합한 운동 모델 적용을 가능하게 하였다. 본 알고리즘은 한국자동차공학회 포스터 발표 성과를 내었다. (연구성과목표 학술대회 국내 1건/연구성과결과 1편) 다음으로, layer architecture 기반의 누적 알고리즘 및 PointNet 딥러닝 네트워크를 활용하여 동적 물체 별 포인트 클라우드 누적 및 동적 물체 분류 알고리즘을 개발하였다. 이를 통해 뚜렷한 차량 형상 정보를 얻은 후, PointNet 딥러닝 네트워크를 통한 물체 분류 정보를 획득할 수 있었다. 위 알고리즘은 국외 논문(SCI 급)에 게재되었다. 또한 위 연구를 적용시킨 자율 주행 환경 구성을 위한 차선 기하학적 모델링 관련 연구를 진행하였으며, 이와 관련한 국외 논문(SCI 급)도 게재되었다. (연구성과목표 국외 논문 게제 1편/연구성과결과 2편)

□ 연구개발결과의 중요성
본 연구결과는 크게 2가지의 중요성을 지닌다. 첫째로 포인트 클라우드의 밀도 한계를 극복하였다. 포인트 클라우드의 Sparsity로 인해 거리가 멀어질수록 물체의 형상이 불분명해지는 문제점을 해결하고자 Layered architecture를 이용한 포인트 클라우드 누적 알고리즘을 개발하였으며, 이를 통해 더욱 뚜렷한 물체 형상을 얻을 수 있게 되었다. 다음으로 포인트 클라우드의 형상 및 분류 정보 한계를 극복하였다. 물체추적 시 의미론적 포인트 클라우드를 활용하여 물체 분류 정보를 획득할 수 있었으며, 얻어진 분류 정보를 통해 분류에 적합한 운동 모델을 적용함으로써 더욱 정확한 물체 추적을 가능케 하였다. 또한 딥러닝 기반의 PointNet 네트워크에 누적된 포인트 클라우드를 입력값으로 함으로써 기존의 분류 정확도에 비해 더 높은 결과를 얻어낼 수 있었다.

(출처 : 연구결과 요약문 2p)

Abstract ▼

□ 연구개요
For dynamic object tracking, a dynamic object candidate group is detected through application of various point cloud clustering methods (density-based, hierarchical-based, model-based approaches). Afterwards, the track is created, maintained, and removed for the dynamic object candidate gr

□ 연구개요
For dynamic object tracking, a dynamic object candidate group is detected through application of various point cloud clustering methods (density-based, hierarchical-based, model-based approaches). Afterwards, the track is created, maintained, and removed for the dynamic object candidate group through the track management technique, and a four-dimensional Kalman filter for dynamic object tracking around an autonomous vehicle is designed to be based on the model of the surrounding dynamic object candidate group. Thereafter, motion between consecutive point clouds of each dynamic object can be estimated through a registration (normal distribution transform or iterative closest points) method, and motion change information of the estimated dynamic object can be updated as a measurement value of the Kalman filter. Point clouds of each dynamic object are accumulated using the position and posture change information between consecutive point clouds of each dynamic object estimated by tracking. In this case, the performance of the accumulation algorithm can be improved through the layer-based algorithm. Finally, we utilize a deep learning-based classifier for dynamic object classification. By applying a deep learning-based classifier to each accumulated dynamic object point cloud set, it can be classified into groups such as automobiles, pedestrians, and motorcycles. In this case, the deep learning-based classifier is applied based on Point-Net, which is currently being actively studied. Finally, public KITTI data and simulator are used for classifier learning.

□ 연구 목표대비 연구결과
An algorithm for simultaneous tracking and classification of dynamic objects around the vehicle for self-driving cars was set as the research goal, and it was divided into dynamic object tracking, point cloud accumulation for each dynamic object, and dynamic object classification in detail. In the case of a dynamic object tracking algorithm, it is possible to apply a motion model adaptive tor an object by using a semantic point cloud. This algorithm has produced a poster presentation of the Korean Society of Automotive Engineers. Next, we developed a point cloud accumulation and dynamic object classification algorithm for each dynamic object using a layer architecture-based accumulation algorithm and a PointNet deep learning network. After obtaining clear vehicle shape information through this, it was possible to obtain object classification information through the PointNet deep learning network. The above algorithm was published in SCI papers. In addition, a study on lane geometry modeling for the configuration of an autonomous driving environment that applied the above study was conducted, and a SCI paper related to this was also published.

□ 연구개발결과의 중요성
The results of this study have two major importance. First, it overcomes the density limit of the point cloud. In order to solve the problem that the shape of the object becomes unclear as the distance increases due to the sparsity of the point cloud, a point cloud accumulation algorithm using a layered architecture was developed, and through this, a more distinct object shape can be obtained. Next, we overcome the limitations of point cloud shape and classification information. In object tracking, object classification information could be obtained using semantic point clouds, and more accurate object tracking was possible by applying a motion model suitable for classification through the obtained classification information. In addition, by using the point cloud accumulated in the deep learning-based PointNet network as an input value, it was possible to obtain higher results than the conventional classification accuracy.

(출처 : 연구결과 요약문 3p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 4
• 1. 연구개발과제의 개요 ... 5
• 가. 중∙장기 연구 방향 ... 5
• 나. 생애 첫 연구 방향 ... 5
• 다. 연구 필요성 및 차별성 ... 6
• 라. 연구 목표 ... 6
• 2. 연구수행내용 및 연구결과 ... 7
• 가. (1단계) 라이다 포인트 클라우드 처리 환경 구축 ... 7
• 나. (2단계) 동시 동적 물체 추적 및 분류 알고리즘 구현 ... 8
• 다. (3단계) 시뮬레이션 및 실차 데이터를 이용한 검증 ... 11
• 3. 연구개발 결과의 중요성 ... 14
• 가. 라이다 포인트 클라우드의 밀도 한계 극복 ... 14
• 나. 동적 물체의 형상 및 분류 정보 획득 ... 14
• 4. 참고문헌 ... 15
• 5. 연구성과 ... 16
• 대표적 연구실적 ... 18
• 끝페이지 ... 28