포인트 클라우드 기반 현실 세계의 가상화 기술
Point Cloud-Based Virtualization of Real-World Environments
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 가상 현실과 로봇 공학의 발전으로 현실과 가상의 융합에 대한 관심이 높아지고 있다. 포인트 클라우드데이터는 카메라와 LiDAR 센서로 환경의 3차원 정보를 획득하여 이러한 융합에 핵심적이다. 본 연구에서는 레이캐스팅 기법을 활용하여 가상 환경에서 실시간 포인트 클라우드 데이터를 생성하고, 이를 기반으로 에이전트가 환경을 효율적으로 탐색하는 방법을 제안한다. 에이전트는 포인트 클라우드 밀도를 분석해 미탐색 영역을 우선 탐색하고, RANSAC 알고리즘으로 바닥과 장애물을 구분하며, A* 알고리즘과 캣멀롬 스플라인으로 최적 경로를 계획한다. Unity 엔진에서구현된 이 알고리즘은 복잡한 전처리 없이 실시간 처리 가능하며, 실험 결과 에이전트는 환경을 탐색하고 포인트 클라우드 데이터를 수집할 수 있었다. 본 연구는 포인트 클라우드 기반 가상 환경 구축과 실시간 탐색의 실용성을 검증하고다양한 분야에서의 응용 가능성을 제시한다.
Abstract
Recent advancements in virtual reality (VR) and robotics have increased interest in integrating physical and virtual environments. Point cloud data from cameras and LiDAR are essential for capturing 3D environmental details. This study proposes a ray-casting-based method for generating real-time point cloud data, enabling efficient virtual environment exploration. The agent prioritizes unexplored regions by analyzing point cloud density, separates ground and obstacles using RANSAC, and plans paths with the A* algorithm and Catmull-Rom splines. Implemented in Unity, the method supports real-time processing without complex preprocessing. Experiments confirm its effectiveness, highlighting its potential for various applications.
참고문헌 (20)
- J. Holland, "Service robots in the healthcare sector", Robotics, 10(1), pp.47~ (2021)
- P. Marmaglio, "Autonomous vehicles for healthcare applications : A review on mobile robotic systems and drones in hospital and clinical environments", Electronics, 12(23), pp.4791~ (2023)
- K. Katona, "Obstacle avoidance and path planning methods for autonomous navigation of mobile robot", Sensors, 24(11), pp.3573~ (2024)
- H. Qin, "Review of autonomous path planning algorithms for mobile robots", Drones, 7(3), pp.211~ (2023)
- M. Whitty, "Autonomous navigation using a real-time 3D point cloud", IEEE, 2008, 188~193
- M. Eckhoff, "Towards connecting control to perception : High-performance whole-body collision avoidance using control-compatible obstacles", IEEE, 2023, 1~7
- K. Rajathi, "Path segmentation from point cloud data for autonomous navigation", Applied Sciences, 13(6), pp.3977~ (2023)
- X. Xie, "Real-time LiDAR point-cloud moving object segmentation for autonomous driving", Sensors, 23(1), pp.547~ (2023)
- M. Mahmeen, "Collision avoidance route planning for autonomous medical devices using multiple depth cameras", IEEE Access, 10, pp.29903~29915 (2022)
- J. P. Grossman, "Rendering Techniques", pp.181~192 (1998), Springer
- S. Rusinkiewicz, "QSplat: A multiresolution point rendering system for large meshes", Proc. 27th Annual Conf. Computer Graphics and Interactive Techniques, pp.343~352 (2000)
- Y. Guo, "Deep learning for 3D point clouds : A survey", IEEE Trans. Pattern Anal. Mach. Intell, 43(12), pp.4338~4364 (2020)
- Ł. Grudzień, "LiDAR point cloud generation for SLAM algorithm evaluation", Sensors, 21(5), pp.1680~ (2021)
- X. Chen, "SuMa++ : Efficient lidar-based semantic slam", IEEE, 2019, 4530~4537
- D. Wang, "Virtual lidar simulator for autonomous driving", IEEE Intelligent Vehicles Symp, pp.1627~1634 (2019)
- J. Petereit, "3D traversability analysis and path planning based on mechanical effort for UGVs in forest environments", J. Field Robot, 34(5), pp.994~1018 (2017)
- J. Gonzalez, "Planning with uncertainty in position using high-resolution maps", IEEE Int. Conf. Robotics and Automation (ICRA), pp.1015~1022 (2007)
- J. Zhang, "LOAM : Lidar odometry and mapping in real-time", Robotics: Science and Systems Conf (2014)