라이다센서의 물체검출과 최적화[포인트넷,칼만필터,LSTM,RNN]

 

자율주행 레이더 센서의 종류 및 작동 원리[대역폭,펄스레이더,연속파레이더,FMCW,FSK,FFT,CFAR]

 

 라이다(LiDAR) 센서는 레이저를 이용해 물체에 대한 거리를 측정하고, 그 데이터를 분석해 물체의 위치와 종류를 추적하는 기술이다. 라이다 포인트 클라우드 데이터는 3차원 공간에서 물체의 정보를 제공하며, 이를 통해 동적 객체를 검출하는 데 사용된다. 특히, 전방 차량에 대한 라이다 포인트 클라우드는 3차원 영역에 대한 정보를 제공하여 객체 검출의 정확도를 높이기 위해 카메라와 라이다를 결합한 딥러닝 기술이 사용된다.

조감도 영역의 물체 검출

 조감도 영역의 물체 검출에는 두 가지 주요 전처리 방식이 있다, 복셀 기반 라이다 처리와 라이다 포인트 클라우드를 직접 처리하는 방식이다.

복셀 기반 라이다 처리

 3차원 공간을 작은 격자로 나누는 방식입니다. 각 격자를 복셀(voxel)이라고 하며, 이는 3차원 픽셀에 해당한다. 이는 효율적인 메모리 사용과 간단한 연산이 가능하여 대규모 데이터 처리에 유리하고, 특정 영역에 대한 객체 검출 시, 해당 영역을 복셀 화하여 각 복셀에 포함된 포인트 클라우드 데이터를 분석한다.

 

라이다 포인트 클라우드를 직접 처리하는 방식

포인트넷(PointNet)은 포인트 클라우드 데이터를 직접 처리하는 딥러닝 모델이다. 각 포인트의 위치와 특징을 이용하여 물체를 분류하고 검출한다.복셀화 과정이 필요 없으며, 더 높은 해상도로 데이터를 처리할 수 있다. 그리고 차량 주변의 포인트 클라우드를 포인트넷을 통해 분석하여, 각 포인트의 위치와 특징을 바탕으로 물체를 검출한다.

포인트 차트

 포인트 클라우드 데이터를 시각화할 때, 포인트 차트는 매우 유용하다. 각 점은 3차원 공간에서의 위치를 나타내며, 색상이나 크기로 추가적인 정보를 표현할 수 있다. 예를 들어, 포인트의 밀집도를 색상으로 나타내거나, 특정 객체에 속한 포인트를 다른 색상으로 구분할 수 있다.

포인트넷(PointNet)

 포인트넷은 3차원 포인트 클라우드 데이터를 직접 처리하여 물체를 분류하고 검출하는 딥러닝 모델이다. 포인트넷의 주요 특징은 다음과 같은데

• 각 포인트의 위치와 특징을 이용하여 물체를 분류
• 복셀화 과정 없이 원시 포인트 클라우드를 직접 처리
• 동적 객체들의 트랙을 관리하기 위해 각 3차원 객체에 ID를 부여

추적 기술의 발전

 동적 객체 추적은 객체 검출과 함께 발전해온 중요한 기술이다. 기존에는 칼만 필터(Kalman Filter)와 같은 고전적인 알고리즘이 주로 사용되었으나, 최근에는 LSTM(Long Short-Term Memory)과 RNN(Recurrent Neural Network) 등의 딥러닝 방식이 더 높은 성능을 보여준다. 이런 딥러닝 모델은 시퀀스 데이터를 효과적으로 처리하여 객체의 이동 경로를 정확하게 예측할 수 있다.

LSTM (Long Short-Term Memory)

LSTM은 시퀀스 데이터를 처리하는 데 강력한 성능을 발휘하는 딥러닝 모델로, RNN의 한계를 극복하기 위해 고안되었다. LSTM은 셀 상태와 게이트 구조를 통해 긴 시퀀스에서도 중요한 정보를 기억할 수 있어, 자연어 처리, 시계열 예측, 음성 인식 등 다양한 분야에서 사용된다​ 

RNN (Recurrent Neural Network)

RNN은 시퀀스 데이터를 처리하는 기본 딥러닝 모델로, 순환 구조를 통해 이전 단계의 출력을 현재 단계의 입력으로 사용한다. 그러나 긴 시퀀스에서는 장기 의존성 문제가 있어도 신뢰성은 높은 방식이다.​

칼만 필터 (Kalman Filter)

 칼만 필터는 잡음이 포함된 측정값을 바탕으로 시스템의 현재 상태를 추정하는 알고리즘으로, 선형 동적 시스템에서 상태 변수를 예측하고 수정하는 과정을 반복한다, 그만큼 오류가능성이나 문제점으로 점점 RNN이나 LSTM으로 대체되고 있다.

최근 트렌드: 통합 최적화 연구

 최근에는 객체 검출 기술과 추적 기술의 통합 연구가 활발히 진행되고 있다. LSTM과 같은 딥러닝 모델은 칼만 필터보다 높은 성능을 보이며, 이러한 모델을 활용한 통합 최적화 연구가 자율주행차, 로봇 공학 등에서 큰 잠재력을 보여주고 있다. 특히, 딥러닝 모델은 복잡한 패턴과 비선형성을 처리할 수 있어, 보다 정확한 추적과 예측이 가능하다. 이러한 통합 최적화 연구는 각 기술의 장점을 결합하여 더 높은 정확도와 효율성을 달성하는 것을 목표로 하지만 그만큼 난도가 높기에 추가적인 연구가 필요하다.