자율협력주행을 위한 센서전용시설물의 특징 추출 방법
A Method of Extracting Features of Sensor-only Facilities for Autonomous Cooperative Driving
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 자율협력주행을 위한 인프라로써 제작된 5가지 센서 전용 시설물들에 대해 라이다로취득한 포인트 클라우드 데이터로부터 시설물들의 특징을 추출하는 방법을 제안한다. 자율주행차량에장착된 영상 취득 센서의 경우에는 기후 환경 및 카메라의 특성 등으로 인해 취득 데이터의 일관성이낮기 때문에 이를 보완하기 위해서 라이다 센서를 적용했다. 또한, 라이다로 기존의 다른 시설물들과의구별을 용이하게 하기 위해서 고휘도 반사지를 시설물의 용도별로 디자인하여 부착했다. 이렇게 개발된5가지 센서 전용 시설물들과 데이터 취득 시스템으로 취득한 포인트 클라우드 데이터로부터 측정 거리별시설물의 특징을 추출하는 방법으로 해당 시설물에 부착된 고휘도 반사지의 평균 반사강도을 기준으로특징 포인트들을 추출하여 DBSCAN 방법으로 군집화한 후 해당 포인트들을 투영법으로 2차원 좌표로변경했다. 거리별 해당 시설물의 특징은 3차원 포인트 좌표, 2차원 투영 좌표, 그리고 반사강도로 구성되며, 추후 개발될 시설물 인식을 위한 모형의 학습데이터로 활용될 예정이다.
Abstract
In this paper, we propose a method to extract the features of five sensor-only facilities built as infrastructure for autonomous cooperative driving, which are from point cloud data acquired by LiDAR. In the case of image acquisition sensors installed in autonomous vehicles, the acquisition data is inconsistent due to the climatic environment and camera characteristics, so LiDAR sensor was applied to replace them. In addition, high-intensity reflectors were designed and attached to each facility to make it easier to distinguish it from other existing facilities with LiDAR. From the five sensor-only facilities developed and the point cloud data acquired by the data acquisition system, feature points were extracted based on the average reflective intensity of the high-intensity reflective paper attached to the facility, clustered by the DBSCAN method, and changed to two-dimensional coordinates by a projection method. The features of the facility at each distance consist of three-dimensional point coordinates, two-dimensional projected coordinates, and reflection intensity, and will be used as training data for a model for facility recognition to be developed in the future.
참고문헌 (12)
- 원상연, "자율주행자동차 실주행 지원을 위한 표준 정밀도로지도 비교 및 활용 레이어 분석", 한국지리정보학회지, 23(3), pp.132~145 (2020), 한국지리정보학회[DOI]
- 전영재, "자율주행차를 위한 개선 및 가상 시설물의 재질 특성 연구", 한국콘텐츠학회 논문지, 22(12), pp.171~179 (2022), 한국콘텐츠학회[DOI]
- 전영재, "자율주행차량이 인식 가능한 표지 시설의 역할 도출", 한국지리정보학회지, 26(1), pp.1~10 (2023), 한국지리정보학회[DOI]
- 박범진, "도로시설물의 색깔 및 기상 환경에 따른 LiDAR의 성능변화 연구", 한국ITS학회 논문지, 20(6), pp.228~241 (2021), 한국ITS학회[DOI]
- 김지윤, "도로표지에 대한 LiDAR 검지영향요인 연구: 도로표지의 모양과 높이를 중심으로", 한국ITS학회 논문지, 21(4), pp.190~211 (2022), 한국ITS학회
- Charles R. Qi, "PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation", Proceedings on the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.252~660 (2017)
- Charles R. Qi, "PointNet++ : Deep Hierarchical Feature Learning on Point Sets in a Metric Space", Proceedings of the 30th Conference on Neural Infroamtion Processing System (NeurIPS 2017), pp.2017~2016 (2017)
- Yangyn Li, "PointCNN: Convolution On x-Trans formed Points", Proceedings of the 32nd Conference on Neural Information Processing Systems(NeurIPS 2018), pp.828~838 (2018)
- Aoran Xiao, "FPS-Net: A convolutional fusion network for large-scale LiDAR point cloud segmentation", ISPRS Journal of Photogrammetry and Remote Sensing, 17, pp.237~249 (2021), Elsevier BV[DOI]
- Jaehyun Park, "PCSCNet: Fast 3D semantic segmentation of LiDAR point cloud for autonomous car using point convolution and sparse convolution network", Expert Systems with Applications, 212, pp.118815~ (2023), Elsevier BV[DOI]
- M. Ester, "A density-based algorithm for discovering clusters in large spatial databases with noise", KDD-96, 226~231 (1996)