고정밀 지도 기반 측위를 위한 딥러닝 기술 심화
Q) 자율주행에서 정확한 측위를 위해 RTK와 같은 고정밀 측위 장비를 쓰면 되지 않을까?
→ 네, 하지만 RTK 장비는 가격이 매우 비싸고, 음영지역이 존재하기 때문에 자율주행 센서 정보를 이용한 측위 기술이 필요하다.
학습 내용)
1.
고정밀 지도 기반 측위 기술 개요
2.
측위를 위한 딥러닝 기술
keyword 1)
Visual Odometry
→ 카메라 움직임을 추적하여 차량의 위치 변화를 추정
→ 카메라 영상에 CNN을 적용하여 수행
keyword 2)
라이다 Odometry
→ 라이다 포인트 클라우드 데이터의 움직임 추적을 위한 정합 과정 필요
keyword 3)
딥러닝 기반 맵매칭 기술
→ 센서에서 얻은 표현자와 지도에 임베딩되어 있는 표현자를 정합하여 위치 추정
고정밀 지도 기반 측위 기술 개요
측위를 하기 위해서
1.
Odometry : 차량의 이전의 위치로부터 상대적으로 얼만만큼 이동했는지 측정
2.
맵매칭 기술 : 지도 위의 절대적인 차량 위치 추정
기존 측위 기술의 한계
•
대부분 이상적 상황에서 설계되어 있다 → 정확하게 자신의 위치 추정 가능. 그러나!
•
실제 환경에서는?
•
Odometry 추정
◦
저가 관성항법장치 사용
▪
오차가 큼
▪
오차 누적되는 문제
◦
Visual Odometry의 고전적 기법 (카메라를 이용한 Odometry 기술)
▪
카메라 영상 취특 퀄리티에 따라 영향을 줄 수 있다
•
맵매칭
측위를 위한 딥러닝 기술
데이터 기반의 접근 방법
딥러닝 기술
장점
•
새로운 환경에 대해 측위 알고리즘의 자연스러운 진화 가능
•
모르는 모델에 대해 학습이 가능
딥러닝 기반 Odometry 기술
1.
Visual Odometry
→ 딥러닝 적용 가능
•
카메라 영상에 CNN을 적용하여 특징 지도 추출
◦
RNN 등의 구조를 적용하여 영상의 시간적 움직임 추적하여 차량의 상대적인 위치 추정 가능
•
DeepVO
2.
라이다 Odometry
•
라이다 포인트 클라우드 데이터의 움직임을 추적하여 위치 변화를 추정
정합 기술 : 서로 연속된 포인트 클라우드 데이터 사이에 대응점을 찾아내는 기술
•
LoNET
딥러닝 기반 맵매칭 기술
1.
디스크립터 매칭 기술
•
센서 데이터로부터 중요한 로컬 특징점 검출
◦
환경에 대한 표현자(Feature descriptor) 추출
•
백터 형태
•
특징점 검출, 표현자 추출에 딥러닝 모델 사용 가능
•
전체 측위 시스템을 위치 추적 정확도를 최대화 하도록 종단간(end-to-end) 학습
