메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

이종서 (인하대학교, 인하대학교 대학원)

지도교수
김학일
발행연도
2020
저작권
인하대학교 논문은 저작권에 의해 보호받습니다.

이용수30

표지
AI에게 요청하기
추천
검색

이 논문의 연구 히스토리 (2)

2020

포인트 클라우드 보간을 이용한 카메라-라이다의 센서 퓨전 기반 객체 검출
이종서 ,  류춘우 ,  김학일 제어로봇시스템학회 논문지 2020.06 학술저널
포인트 클라우드 보간을 이용한 카메라-라이다의 센서 퓨전 기반 객체 검출
이종서 2020.01 학위논문

초록· 키워드

오류제보하기
최근 다양한 기업에서 자율 주행을 위하여 인지 센서를 이용한 객체 검출에 대한 연구가 진행 중이다. 주변 차량을 검출하기 위하여 사용되는 센서는 Camera, LiDAR(Light Detection and Raging) 그리고 Radar와 같은 다양한 센서를 이용한다. 연구 과정에서 센서 퓨전에 대한 중요성이 대두되고 있다. 검출 및 분류와 같은 기능은 카메라 센서가 강인하고, 거리 측정이나 조도 그리고 날씨 변화와 같은 환경 변화에는 LiDAR나 Radar가 강인하여 여러 센서를 융합하여 각 센서가 가지고 있는 단점을 보완해주는 연구가 진행 중이다. 또한, 자동차 사고는 사람의 생명과 직결되는 문제이기 때문에 센서 퓨전을 통하여 검출률을 높이기 위함이다. 센서 퓨전 방법에는 크게 3가지로 나눌 수 있다. 센서의 raw 값을 융합하는 Early fusion, 각 센서에서 객체 검출을 한 뒤 검출된 객체를 바탕으로 융합하는 Late fusion 그리고 Deep learning을 이용하여 feature를 융합하는 Deep fusion 세 가지가 있다.
본 논문에서는 센서 퓨전을 위하여 라이다의 포인트 클라우드를 bird’s eye view(BEV) 이미지로 변환 한다. 라이다는 20~30m 이상의 구간에서 반사되는 포인트가 현저히 줄어들어 객체 검출에 어려움이 있다. 단점을 보완하기 위하여 카메라에서 객체를 검출하고 위치를 추정하여 보간 할 범위를 구하고, 해당 영역의 포인트 클라우드를 보간하는 방법으로 센서 퓨전을 한다. 퓨전 된 BEV 이미지를 이용하여 객체 검출을 하는 Point-cloud Interpolation based Object Detection(PIOD) 네트워크를 제안한다. 제안한 방법을 자율주행 차량을 이용하여 취득한 연구실 데이터(CVLab)와 KITTI[1] 데이터세트를 이용하여 평가를 하고 장점과 단점을 분석하였다.
#BEV Object Detection #Sensor Fusion #Camera-LiDAR calibration

목차

요 약 i
ABSTRACT ii
목 차 iii
그림 목차 v
표 목차 vii
제 1 장 서 론 1
1.1 논문의 배경과 목적 1
1.2 논문의 구성 6
제 2 장 관련 연구 7
2.1 카메라와 라이다 calibration 7
2.2 이미지 객체 검출 9
2.2.1 1-Stage 객체 검출 10
2.2.2 2-Stage 객체 검출 11
2.2.3 Feature Pyramid Network 13
2.3 라이다 객체 검출 14
2.4 센서 퓨전의 종류 18
2.4.1 Early Fusion 19
2.4.2 Deep Fusion 20
2.4.3 Late Fusion 22
2.4.4 Deep Fusion 기반 객체 검출 방법 비교 23
2.5 관련 연구 분석 24
제 3 장 카메라와 라이다의 센서 퓨전 28
3.1 Score 기반 센서 퓨전 28
3.1.1 전체 시스템의 구성 28
3.1.2 IoU 점수 계산 29
3.1.3 거리와 각도 정보를 이용한 점수 계산 30
3.1.4 Score 기반 센서 퓨전 결과 30
3.2 Neural Network를 이용한 센서 퓨전 32
3.2.1 전체 시스템의 구성 32
3.2.2 카메라와 라이다를 이용한 객체 검출 33
3.2.3 이미지 픽셀에서의 거리 추정 및 보정 34
3.2.4 CIDC-algorithm 실험 35
3.2.5 센서 퓨전에 사용한 Neural Network 구조 39
3.2.6 Neural Network를 이용한 센서 퓨전 결과 40
3.3 포인트 보간을 이용한 센서 퓨전 41
3.3.1 전체 시스템의 구성 41
3.3.2 포인트 클라우드 보간을 이용한 BEV 이미지 생성 43
3.3.3 BEV 이미지를 이용한 객체 검출 PIOD 네트워크 48
제 4 장 실험 및 결과 52
4.1 실험 환경 및 데이터세트 52
4.2 정량적 평가 54
4.3 정성적 평가 59
제 5 장 결론 및 향후 과제 64
5.1 결론 64
5.2 향후 과제 65
참고문헌 66
Appendix 70

최근 본 자료

전체보기

댓글(0)

0