2축 회전형 라이다 센서를 위한 특징 추출 기반의 SLAM 기법 :SLAM based on feature extraction for 2-axis rotary LiDAR

송재열

추천

검색

자료유형: 학위논문

저자정보: 송재열 (충남대학교, 忠南大學校大學院)

지도교수: 고윤호

발행연도: 2022

저작권: 충남대학교 논문은 저작권에 의해 보호받습니다.

이용수24

이 논문의 연구 히스토리 (2)

2022

2축 회전형 라이다 센서를 위한 특징 추출 기반의 SLAM 기법

송재열 메카트로닉스공학과 2022.01 학위논문

2021

2축 회전형 라이다 데이터 획득 장치를 위한 SLAM 기법

송재열 , 고윤호 대한전자공학회 학술대회 2021.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

This paper is a study on SLAM techniques to prevent collisions between cranes in industrial sites. Rotational lidar, which is mainly used in outdoor environments, has a vertical Fov narrower than a wide horizontal Fov because the motor rotates only on a vertical axis. In order to determine the possibility of collision between cranes in all ranges, it is necessary to have a full range of Fov. For this reason, the rotary lidar cannot be used to prevent crane collisions. The two-axis rotary lidar can be used to prevent crane collisions with a lidar with a full range of Fov by rotating the rotary lidar one more axis. Unlike rotary lidars, two-axis rotary lidars have no channel information and data is collected in a three-dimensional form. Accordingly, in order to prevent crane collision, an SLAM algorithm suitable for the characteristics of such a two-axis rotary lidar is required. In this paper, we propose a feature point extraction algorithm and motion estimation algorithm suitable for a two-axis rotary lidar. Feature points are extracted using a PCA technique that can extract feature points well in three-dimensional space. In addition, a plane segmentation technique is applied to better detect plane feature points. In the process of motion estimation between plane feature points, the corresponding plane is robustly detected using the SVD technique. The accuracy is determined by comparing the SLAM algorithm proposed in this paper with LOAM.

#SLAM #2-axis Lidar #mapping #localization

1. 서 론 1
2. 기존연구 5
3. 제안하는 SLAM 시스템 개요 13
3.1. 표기법 13
3.2. 2축 회전형 라이다 데이터 14
3.3. 제안하는 SLAM 기법 18
4. 2축 회전형 라이다를 위한 특징점 추출기법 20
4.1. 특징점 추출을 위한 PCA 기법 21
4.2. 평면 특징점 추출을 위한 평면분할 기법 24
5. 2축 회전형 라이다를 위한 모션추정 기법 28
5.1. 평면 특징점 간의 대응평면 검출기법 28
6. 실험결과 30
6.1. 실험 환경 30
6.2. 기존 SLAM 기법과의 비교 32
6.3. 평면분할 성능평가 36
6.4. 특징점 성능평가 38
6.5. 대응평면 성능평가 42
7. 결론 및 향후 연구 방향 45
8. 참고문헌 46

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)