• 한국측량학회지
• /
• 제38권6호
• /
• pp.611-622
• /
• 2020

실내공간에 대한 측위 기술과 함께 LiDAR (Light Detection And Ranging)나 카메라와 같이 공간을 측정 장비가 발달하면서 실내공간에 대한 분석과 탐색, 가상현실이나 증강현실을 통한 시각화 서비스에 대한 수요가 증가하고 있다. 이를 위해서는 실제 세계로부터 측정된 데이터를 이용하여 3차원 객체로 모델링하는 작업이 필요하다. 또한 이렇게 구조화된 데이터의 가용성과 상호운용성을 높이기 위하여 표준화된 규격으로 저장하는 것도 매우 중요하다. 본 논문에서는 LiDAR 장비를 통해 획득한 포인트 클라우드 데이터를 이용하여 실내공간을 표현하기 위한 국제표준인 IndoorGML 데이터를 자동적으로 구축하는 방법을 제안하고자 한다. IndoorGML 데이터를 구성하는 과정에서 고려해야 할 점들을 살펴본 후, 자유공간추출과 연결성 검출 과정으로 이루어진 데이터 구축 과정을 통하여 실제로 IndoorGML 데이터를 구축한다. 실험을 통하여 제안 기법이 입력 포인트 클라우드로부터 3차원 데이터 모델을 효과적으로 재구성할 수 있음을 검증한다.

• 자동차안전학회지
• /
• 제14권2호
• /
• pp.39-44
• /
• 2022

This paper presents LiDAR static obstacle map based vehicle position correction algorithm for urban autonomous driving. Real Time Kinematic (RTK) GPS is commonly used in highway automated vehicle systems. For urban automated vehicle systems, RTK GPS have some trouble in shaded area. Therefore, this paper represents a method to estimate the position of the host vehicle using AVM camera, front camera, LiDAR and low-cost GPS based on Extended Kalman Filter (EKF). Static obstacle map (STOM) is constructed only with static object based on Bayesian rule. To run the algorithm, HD map and Static obstacle reference map (STORM) must be prepared in advance. STORM is constructed by accumulating and voxelizing the static obstacle map (STOM). The algorithm consists of three main process. The first process is to acquire sensor data from low-cost GPS, AVM camera, front camera, and LiDAR. Second, low-cost GPS data is used to define initial point. Third, AVM camera, front camera, LiDAR point cloud matching to HD map and STORM is conducted using Normal Distribution Transformation (NDT) method. Third, position of the host vehicle position is corrected based on the Extended Kalman Filter (EKF).The proposed algorithm is implemented in the Linux Robot Operating System (ROS) environment and showed better performance than only lane-detection algorithm. It is expected to be more robust and accurate than raw lidar point cloud matching algorithm in autonomous driving.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2021년도 추계학술발표대회
• /
• pp.783-786
• /
• 2021

In recent years, the use of LiDAR sensors is increasing as autonomous driving, robot control, and drones are considered more. Contrary to ordinary cameras, LiDAR sensors make it possible to handle challenging problems by calculating the distance between objects. This crucial characteristic makes more active research on deep learning models dealing with point clouds which are data of LiDAR. In this paper, among the schemes of using the point cloud, the Point-based approach is mainly discussed. Furthermore, future streams and insights can be considered by looking at solving methods and the limitations.

• 센서학회지
• /
• 제33권4호
• /
• pp.187-195
• /
• 2024

Light detection and ranging (LiDAR), a widely used sensor in mobile robots and autonomous vehicles, has its most important function as measuring the range of objects in three-dimensional space and generating point clouds. These point clouds consist of the coordinates of each reflection point and can be used for various tasks, such as obstacle detection and environment recognition. However, several processing steps are required, such as three-dimensional modeling, mesh generation, and rendering. Efficient data processing is crucial because LiDAR provides a large number of real-time measurements with high sampling frequencies. Despite the rapid development of controller computational power, simplifying the computational algorithm is still necessary. This paper presents a method for estimating the presence of curbs, humps, and ground tilt using range measurements from a single horizontal or vertical scan instead of point clouds. These features can be obtained by data segmentation based on linearization. The effectiveness of the proposed algorithm was verified by experiments in various environments.

• 한국ITS학회 논문지
• /
• 제22권3호
• /
• pp.160-174
• /
• 2023

자율주행차량에서 핵심적인 역할을 수행하는 LiDAR의 주변 환경 검지 시인성을 향상시키기 위해서는 LiDAR 성능의 개선 뿐만 아니라, 검지 물체의 개선도 필요하다. 이에 본 연구는 LiDAR 센서를 통해 수집되는 point cloud 데이터 기반의 형상인식 알고리즘을 활용하여 자율주행차량이 인식하기에 유리한 교통안전표지 형상과 개선방안을 제시하였다. 실험을 위해 point cloud 활용 연구에서 보편적으로 활용되는 DBSCAN 기반의 도로표지 인식·분류 알고리즘을 개발하고 실도로 환경에서 32ch LiDAR를 활용, 도로표지 5종에 대한 인식 성능 실험을 수행하였다. 연구결과, 정사각형이나 원형보다는 상하 비대칭이 있는 정삼각형, 직사각형과 같은 형상이 보다 적은 점군의 수로도 검지가 가능하고, 83% 이상의 높은 분류 정확도를 보였다. 또한, 정사각형 표지의 크기를 1.5배 확대할 경우, 분류 정확도를 향상시킬 수 있었다. 이러한 결과는 미래 자율주행 시대의 센서를 위한 전용 도로·교통안전시설물 개선 및 신규 시설물 개발에 활용될 수 있을 것으로 기대된다.

• 농업과학연구
• /
• 제49권3호
• /
• pp.483-493
• /
• 2022

It is important to improve the efficiency of plant breeding and crop yield to fulfill increasing food demands. In plant phenotyping studies, the capability to correlate morphological traits such as plant height, stem diameter, leaf length, leaf width, leaf angle and size of panicle of the plants has an important role. However, manual phenotyping of plants is prone to human errors and is labor intensive and time-consuming. Hence, it is important to develop techniques that measure plant phenotypic traits accurately and rapidly. The aim of this study was to determine the feasibility of point cloud data based on a 3D light detection and ranging (LiDAR) system for plant phenotyping. The obtained results were then verified through manually acquired data from the sorghum samples. This study measured the plant height, plant crown diameter and the panicle height and diameter. The R² of each trait was 0.83, 0.94, 0.90, and 0.90, and the root mean square error (RMSE) was 6.8 cm, 1.82 cm, 5.7 mm, and 7.8 mm, respectively. The results showed good correlation between the point cloud data and manually acquired data for plant phenotyping. The results indicate that the 3D LiDAR system has potential to measure the phenotypes of sorghum in a rapid and accurate way.

• Journal of Platform Technology
• /
• 제8권4호
• /
• pp.11-19
• /
• 2020

자율주행 환경은 실시간으로 상황이 급변하기 때문에 동적 객체인식 알고리즘이 반드시 필요하다. 또한, 자율주행자동차에 내장된 센서와 제어모듈이 증가하면서 중앙제어장치의 부하가 급격히 증가하고 있다. 중앙제어장치의 부하를 줄이기 위해서 단일 센서에서 출력되는 데이터의 최적화가 필요하다. 본 연구는 라이다에 탑재된 임베디드 프로세서를 기반으로 한 동적 객체인식 알고리즘을 제안한다. 라이다에서 출력되는 포인트클라우드 기반 객체인식을 위한 오픈소스들이 존재하지만, 대부분 고성능 프로세서를 요구한다. 라이다에 탑재된 임베디드 프로세서는 리소스 제약 때문에 기능 구현을 위한 최적화 된 아케텍처가 반드시 필요하다. 본 연구에서는 자율주행자동차를 위한 라이다 임베디드 프로세서 기반 동적 객체인식 아키텍처를 설계하고, 포인트클라우드 크기와 객체인식 처리 지연시간의 상관관계를 분석하였다. 제안하는 객체인식 아키텍처는 포인트클라우드 크기가 증가함에 따라 객체인식 처리 지연시간이 증가하였고, 특정한 지점에서 프로세서의 과부하가 발생하여 포인트를 처리하지 못하는 현상이 발생하였다.

• 터널과지하공간
• /
• 제31권1호
• /
• pp.10-24
• /
• 2021

지하 구조물 구축 시 구조물의 안정성을 확보하기 위해서는 주변 암반에 대한 암반 분류가 필수적으로 수행해야 한다. 특히 암반 내에 존재하는 불연속면은 암반의 물리적, 역학적 특성에 지배적인 영향을 미치므로 암반 불연속면에 대한 정확한 정보의 획득을 통해 신뢰도 높은 암반분류값을 제시하는 것은 매우 중요한 요소이다. 이러한 암반 분류는 지금까지 대부분 수작업을 통해 수행되었다. 그러나 대규모 지질조사와 같은 대형 조사면적에 대한 정확도의 부재, 비숙련자에 의한 암반 등급 결정값의 신뢰도 결여 등에 대한 문제점들이 항시 제기되어 왔다. 따라서 최근에 와서는 넓은 범위에 대해서도 신속하고 정확한 암반 분류를 위해 LiDAR를 이용한 암반 분류의 자동화에 대한 연구가 국내·외적으로 널리 이루어지고 있는 추세이다. 그러나 LiDAR 촬영으로 획득되는 point cloud로부터 불연속면의 정보를 분석하는 알고리즘의 특성에 따라 상이한 결과가 도출될 수 있으며, 숙련자에 의한 수작업의 결과를 완벽하게 대체하기에는 미흡한 경우가 종종 발생하고 있다. 따라서 본 연구에서는 LiDAR 촬영으로 획득한 point cloud로부터 불연속면을 추출하는 다양한 알고리즘을 설명하였으며, 이들 알고리즘을 이용하여 실제 암반 사면을 대상으로 불연속면을 추출하는 과정을 분석하였다. 본 연구에서 제시하는 다양한 알고리즘의 적용 과정은 향후 LiDAR 등을 통하여 획득한 디지털 데이터로부터 암반 불연속면을 추출하는 연구에서 참고자료로 활용될 것을 기대한다.

• 지적과 국토정보
• /
• 제54권1호
• /
• pp.5-17
• /
• 2024

본 연구에서는 UAV LiDAR를 활용하여 지적측량에 적용 가능성을 검토하고 그 결과를 제안하고자 하였다. 이를 위해 실험지역을 선정하고 UAV LiDAR를 활용하여 지형을 스캔하여 포인트 클라우드 데이터를 제작하였다. 임야지역에서는 비교검증 대상이 없어 현행 법률에서 규정하고 있는 능선과 계곡선을 대상으로 직접 측량하여 검증지점에 대한 좌표를 취득하였다. 해당 지점을 기준으로 반경 7cm 이내의 포인트 클라우드 점밀도를 분석하였다. 그 결과, 반경 7cm의 원 내에 평균적으로 46점의 포인트 클라우드가 생성되어 보다 정밀한 임야지역의 지형을 구축할 수 있는 것으로 나타나 정밀한 지적측량이 가능함을 입증할 수 있었다. UAV LiDAR의 경우 기존 지적측량방식과 비교하였을 때 수목의 영향 없이 임야지역의 경계를 보다 정확하고 효율적으로 추출이 가능할 것으로 판단된다. 이는 향후 임야지역의 입체지적도면의 작성과 산림분야의 재난 안전을 위한 지형 모델링 등을 활용하고자 하는 다양한 분야에 많은 장점이 있을 것으로 기대된다.

• 인터넷정보학회논문지
• /
• 제23권6호
• /
• pp.71-78
• /
• 2022

본 논문은 3D LiDAR의 포인트 클라우드 데이터를 가공하여 3D 객체탐지를 위한 알고리즘을 제안했다. 기존에 2D LiDAR와 달리 3D LiDAR 기반의 데이터는 너무 방대하며 3차원으로 가공이 힘들었다. 본 논문은 3D LiDAR 기반의 다양한 연구들을 소개하고 3D LiDAR 데이터 처리에 관해 서술하였다. 본 연구에서는 객체탐지를 위해 클러스터링 기법을 활용한 3D LiDAR의 데이터를 가공하는 방법을 제안하며 명확하고 정확한 3D 객체탐지를 위해 카메라와 융합하는 알고리즘 설계하였다. 또한, 3D LiDAR 기반 데이터를 클러스터링하기 위한 모델을 연구하였으며 모델에 따른 하이퍼 파라미터값을 연구하였다. 3D LiDAR 기반 데이터를 클러스터링할 때, DBSCAN 알고리즘이 가장 정확한 결과를 보였으며 DBSCAN의 하이퍼 파라미터값을 비교 분석하였다. 본 연구가 추후 3D LiDAR를 활용한 객체탐지 연구에 도움이 될 것이다.