3D LiDAR 환경에서의 동적 객체 탐지 개선을 위한 평면 탐지 및 프로젝션 기반 필터|RISS 상세보기

국문 초록 (Abstract)

최근 자율주행 기술의 빠른 발전에 따라 3D LiDAR 데이터를 활용한 동적 객체 분할(MOS, Moving Object Segmentation)의 정확성 확보가 자율주행 시스템에서 중요한 역할을 하고 있다. 자율주행 시스템은 주변 환경을 정확히 인식하고 객체의 위치와 움직임을 신속하게 판단해야 하므로, 동적 객체 분할의 정확도는 운전자 및 동승자의 안전과 직결된다. 그러나 기존 연구에서는 그림자와 같은 비동적 객체가 동적 객체로 잘못 인식되는 문제가 발생하며, 이는 자율주행 시스템의 오판으로 이어질 수 있다. 본 연구에서는 평면 탐지 기법과 프로젝션 거리 분석을 통해 3D LiDAR 환경에서 발생하는 그림자 영역과 같은 비동적 객체를 효과적으로 제거하는 방법을 제안한다. 제안된 방법은 자율주행 시스템이 주변 환경을 보다 신뢰성 있게 인식할 수 있도록 하여, 자율주행의 안전성과 안정성을 강화하는 데 기여할 것으로 기대된다.

번역하기

최근 자율주행 기술의 빠른 발전에 따라 3D LiDAR 데이터를 활용한 동적 객체 분할(MOS, Moving Object Segmentation)의 정확성 확보가 자율주행 시스템에서 중요한 역할을 하고 있다. 자율주행 시스템...

다국어 초록 (Multilingual Abstract)

With the rapid advancement of autonomous driving technology, ensuring the accuracy of Moving Object Segmentation(MOS) using 3D LiDAR data has become a critical component in autonomous systems. Autonomous vehicles must accurately perceive their surroundings and quickly assess the position and motion of objects, making the precision of MOS essential for the safety of drivers and passengers. However, previous studies have identified issues where static objects, such as shadowed areas, are misclassified as moving objects, potentially leading to system misjudgments. This study proposes a method that leverages plane detection and projection distance analysis to effectively eliminate static objects, such as shadows, in 3D LiDAR environments. The proposed approach is expected to enhance the reliability of environmental perception in autonomous driving systems, ultimately contributing to the safety and robustness of autonomous vehicles.

번역하기

참고문헌 (Reference)

1 J. Behley, "SemanticKITTI : A dataset for semantic scene understanding of LiDAR sequences" 9297-9307, 2019

2 J. Bae, "SLAM-Based Illegal Parking Detection System" (45) : 1-2, 2024

3 B. Mersch, "Receding moving object segmentation in 3D LiDAR data using sparse 4D convolutions" 7 (7): 7503-7510, 2022

4 M. A. Fischler, "Readings in Computer Vision" 726-740, 1987

5 X. Chen, "Moving object segmentation in 3D LiDAR data : A learning-based approach exploiting sequential data" 6 (6): 6529-6536, 2021

6 D. Feng, "Deep multi-modal object detection and semantic segmentation for autonomous driving : Datasets, methods, and challenges" 22 (22): 1341-1360, 2021

7 B. Mersch, "Building volumetric beliefs for dynamic environments exploiting map-based moving object segmentation" 8 (8): 5180-5187, 2023

8 A. Geiger, "Are we ready for autonomous driving? The KITTI vision benchmark suite" 3354-3361, 2012

9 J. H. Friedman, "An algorithm for finding best matches in logarithmic expected time" 3 (3): 209-226, 1977

10 G. Zamanakos, "A comprehensive survey of LiDAR-based 3D object detection methods with deep learning for autonomous driving" 99 : 153-181, 2021