라이다 기반 3차원 물체 검출 딥러닝 기술 심화
Q) 라이다를 사용하면 물체의 존재 여부와 월드 좌표계에서 정확한 위치를 알 수 있을까?
→ 고해상도 라이다를 사용하게 되면 월드 좌표계에서 정확한 물체 위치를 알 수 있게 되고, 이를 3차원 물체 검출이라고 한다.
학습 내용)
1.
라이다 기반 3차원 물체 검출 기술 개요
2.
라이다 기반 3차원 물체 검출 기술
3.
라이다 기반 3차원 물체 검출 기술 사례
keyword 1)
복셀 기반 3차원 물체 검출
→ 3차원 공간을 작은 복셀로 나누어 포인트 데이터를 인코딩
keyword 2)
포인트넷 기반 3차원 물체 검출
→ 포인트넷을 적용하여 물체/배경 포인트들을 분류
→ 물체에 해당하는 포인트들을 따로 처리
keyword 3)
복셀, 포인트넷 혼합 기법
→ 복셀 기반 표현 방법과 포인트넷 기반 표현 방법을 융합
→ 라이다 데이터의 풍부한 표현 방식 제공
라이다 기반 3차원 물체 검출 기술 개요
•
물체의 3차원 위치 정보 제공
→ 3차원 바운딩 박스 형태로 제공
→ 조감도 영역에서의 2차원 박스 형태로 제공
조감도 영역 : 자율주행차를 하늘로부터 바라봤을 때의 영역
•
박스의 회전 각도
•
경로 계획 및 판단 시 정확한 3차원 동적 개체의 위치 정보 제공
•
라이다는 3차원의 거리 측정 정보 제공 → 3차원 물체의 정확한 검출 가능
라이다를 사용한 3차원 물체의 검출 원리
•
포인트 클라우드 데이터 (순서대로 정렬되지 않은 포인트들의 집합) 형태로 제공
◦
2차원 배열로 이루어진 데이터와 다른 구조
◦
기존의 CNN 구조를 이용하기에 적합하지 않다
→ 포인트 클라우드 데이터를 어떻게?
라이다 기반 3차원 물체 검출 기술
포인트 클라우드 데이터 물체 특징값 추출 방법?
1.
2차원 평면 투영 방법
→ 양자화로 인한 성능 저하 → 최근에는 사용 감소
2.
복셀 기반 표현 방법
→ 각 복셀에 있는 포인트들을 따로따로 인코딩 → 포인트넷 딥러닝 방법 사용
→ 포인트넷을 적용한 포인트 인코딩 → 인베딩 벡터 포함 형태로 포인트 클라우드 표현
인베딩 벡터 : 3차원 복셀 구조 안에 포인트넷으로 인코딩한 벡터
3.
포인트넷 사용 방법
•
전체의 포인트 클라우드 집합에 포인트넷 적용
◦
배경에 해당하는 포인트와 물체의 포인트 분리
▪
물체에 해당하는 포인트들을 선택하여 물체에 대한 특징값 추출
단점
•
복잡도 높음
장점
•
정확한 검출 가능
라이다 기반 3차원 물체 검출 기술 사례
1.
복셀 기반의 방법 사례
2.
포인트넷 기반의 방법 사례
1단계 : 물체와 배경에 해당하는 포인트 구분 → 물체의 대략적인 위치 검출
2단계 : 대략적인 위치에 해당하는 포인트들을 다시 추출 → 1단계 물체 검출 결과의 정확도 향상
3.
복셀과 포인트넷의 혼합방법 사례
