LiDAR 센서 기반 자율주차를 위한 인지 시스템 Reading & Summary

SLAM(stimultaneous localization and mapping)과 비슷한 맵 빌딩을 수행하며 주차장의 3D 공간의 지도를 만들고 알아서 주차를 할 수 있는 인프라와 시스템의 개발(Auto Valet Parking System)의 논문을 읽으면서 ICP 그리고 이후 데이터를 어떻게 가공했는지 알아보도록 하겠습니다. 

 

LiDAR 센서 기반 자율주차를 위한 인지 시스템[1]

The perception system based on LiDAR Sensor for auto valet parking systems

 

<논문 요약>

Perception part(인지) 와 Decision part(판단) 가 중점이 되는 시스템.

  1. 인지 부분에서 라이다를 이용한 센서 데이터에서 카네기멜론 대학 로보틱스 연구소의 특징점 추출 알고리즘을 이용하여 LOAM(Lidar Odometry and Mapping)을 수행하여 Map Building을 수행한다. 실시간으로 데이터의 Voxel화를 통해 실시간성을 확보하며 DB스캔을 통해 군집화를 수행하여 객체검출을 하며 기둥과 차량을 구분한다.

  2. 판단 부분에서 국민대학교 주차장의 특징인 기둥과 기둥 사이에 3대의 차가 들어갈 수있다는 조건 아래 일정 offset을 두고 주차가 가능한 영역인지 판단한다. 주차가 가능하다면 경로를 생성하여 주차한다.

 

그림 1. 전체 시스템 개략도[1]

<주요 개념>

1. ICP (Interative Closeset Point) 알고리즘

  ICP 알고리즘에 관해서는 이전 포스팅을 참고하면 좋을 것 같습니다.

https://saint-swithins-day.tistory.com/21?category=866831

ICP 알고리즘 이용 3D 거리 영상 정합

2. 데이터 최적화 기법 (Voxel 화)

  하나의 3차원 영역의 데이터들을 어떠한 기준에 의하여 하나의 데이터로 변환하는 과정을 말한다. 데이터의 개수를 줄여 연산량을 최적화 하기 위한 기법 중 하나이다. 때에 따라서 서브 샘플링 기법이라고 불리기도 한다.

 

3. 군집화 기법 (DBSCAN / K-means / Agglomerative / ABD)

 

3.1 DBSCAN (Density Based Spatial Clustering of Aplications with Noise)

  직독해보면 '노이즈를 겸한 밀도 기반 공간 군집화'라고 해석 할 수 있습니다. 기준점을 중심으로 거리(epsilon) 내의 미리 지정한 최소 포인트, m개의 포인트가 충족될 경우 하나의 클러스터, 즉 군집으로 인식하는 방법이다.

장점 : 군집화를 함에 있어서 객체들을 분류할때 좋은 성능을 보인다. 

단점 : 포인트 하나하나의 계산을 진행한다는 이유로 연산량이 많아 실시간성을 보장하기 힘들다.

 

3.2 K-means, Agglomerative, ABD

  거리 기반의 군집화

장점 : 빠르다

단점 : 다른 물체임에도 거리가 상대적으로 짧으면 같은 물체로 분류 하고, 미리 몇개의 물체로 분류할지 정해주어야 한다.

 

 

 

 

 

<참고문헌>

[1] 김명준 등 3명, LiDAR 센서 기반 자율주차를 위한 인지 시스템 , 제어로봇시스템학회 논문지 , 2019.

(https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE08748943)