라이다 센서 및 주행 경로 기반 지면 분류에 관한 연구
A Study on the Ground Segmentation Based on LiDAR Sensor and Driving Path
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
자율주행 차량의 안전하고 강건한 운행을 위해서는 주변 환경을 정확히 인식하는 것이 매우 중요하다. 인식을 위한 센서로 많이 사용하는 것은 카메라, 레이더, 라이다 등이 있다. 라이다 센서는 빛의 성질을 이용하여 주변 환경을 3차원으로 정밀하게 측정할 수 있다. 본 논문에서는 라이다 센서를 사용하여 객체 인식을 하기 위한 중요한 전처리 단계인 지면 분류 알고리즘을 제시하였다. 제안된 지면 분류 알고리즘은 자율주행 차량의 주행 경로를 이용하여 관심영역을 설정하고, 관심 영역 내의 포인트 클라우드를 사용하여 지면 분류를 위한 초기 직선을설정한다. 초기 직선의 기울기, 절편을 사용하여 확장된 관심 영역에 포함되는 포인트 클라우드와의 거리를 계산하여 거리가 임계값 이하인 포인트를 지면, 그 외의 포인트를 비지면으로분류한다. 제안한 알고리즘의 성능을 검증하기 위해 실제 시험 차량에서 취득한 다양한 환경에서의 데이터를 이용하였다. 다양한 환경에서 지면 및 비지면 분류 결과가 자율주행 운행을위해 충분한 성능을 보였다. 또한 잡음이 많은 환경에서도 처리 시간이 단축됨을 확인하였다.
Abstract
For safe and robust operation of autonomous vehicles, accurately perceiving the surrounding environment is crucial. Commonly used sensors for perception include camera, radar, and LiDAR. The LiDAR sensor leverages light properties to measure the surrounding environment in high-precision 3D. This paper presents a ground classification algorithm, an essential preprocessing step for object recognition using LiDAR sensors. The proposed ground classification algorithm sets a region of interest (ROI) based on the driving path of the autonomous vehicle, and establishes an initial line for ground classification by using the point cloud within this ROI. By calculating distances from the expanded ROI’s point cloud to this initial line, based on its slope and intercept, points within a threshold distance are classified as ground, while others are classified as non-ground. To validate the performance of the proposed algorithm, data from various environments captured by a test vehicle were used. The results of ground and non-ground classification across these diverse environments demonstrated sufficient performance for autonomous driving. Additionally, processing time was reduced even in noisy environments.
참고문헌 (11)
- Asvadi, A., "3D lidar-based static and moving obstacle detection in driving environments : An approach based on Voxels and multi-region ground planes", Robotics and Autonomous Systems, 83, pp.299~311 (2016)
- Bilik, I., "Comparative analysis of radar and lidar technologies for automotive applications", IEEE Intelligent Transportation Systems Magazine, 15(1), pp.244~269 (2022)
- Deng, W., "A staged real-time ground segmentation algorithm of 3D LiDAR point cloud", Electronics, 13(5), pp.841~ (2024)
- He, D., "SectorGSnet : Sector learning for efficient ground segmentation of outdoor LiDAR point clouds", IEEE Access, 10, pp.11938~11946 (2021)
- Jung, S. W., "Impacts of automated vehicles on traffic flow changes", The Journal of The Korea Institute of Intelligent Transport Systems, 16(6), pp.244~257 (2017)
- Lee, S. J., "Patchwork++: Fast and robust ground segmentation solving partial under-segmentation using 3D point cloud", IEEE International Conference on Intelligent Robots and Systems (IROS), pp.13276~13283 (2022)
- Li, Y., "Lidar for autonomous driving : The principles, challenges, and trends for automotive lidar and perception systems", IEEE Signal Processing Magazine, 37(4), pp.50~61 (2020)
- Park, I. S., "Impacts of automated vehicles on freeway traffic-flow : Focused on Seoul-singal basic sections of GyeongBu freeway", The Korea Institute of Intelligent Transport Systems, 14(6), pp.21~36 (2015)
- Qi, C. R., "PointNet: Deep learning on point sets for 3D classification and segmentation", IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp.652~660 (2017)
- Rosique, F., "A systematic review of perception system and simulators for autonomous vehicles research", Sensors, 19, pp.648~ (2019)
- Zermas, D., "Fast segmentation of 3D point clouds: a paradigm on lidar data for autonomous vehicle applications", IEEE International Conference on Robotics and Automation(ICRA), pp.5067~5073 (2017)