지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이승목
- 발행연도
- 2023
- 저작권
- 순천향대학교 논문은 저작권에 의해 보호받습니다.
이용수27
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
자율 운항 선박이란 자율 주행 자동차와 마찬가지로, 기존 선박에 정보통신(ICT), 센서, 스마트 기술 등을 융합하여 사람이 아닌 시스템이 기상 상황과 주변 선박, 해상 장애물들을 파악하고 스스로 운항하는 선박을 의미한다. 자율 운항 선박의 주요 기능 중 하나는 선박의 안전한 정박을 위한 자율 접안 기술로서, 이를 수행하기 위해서는 선박 주변 상황의 인식 결과가 담긴 Local map 생성이 필수적이다.
본 연구에서는 이러한 문제를 해결하기 위하여 LiDAR 센서에 포인트 클라우드 데이터와 GPS 위치 데이터를 이용하여 해양 환경에서 지도 생성 알고리즘의 성능을 증가시키기 위한 포인트 클라우드 전처리 알고리즘을 제안한다. 또한 제안된 전처리 알고리즘 수행을 완료한 포인트 클라우드 데이터를 자율 주행 자동차와 로봇에 맞추어 개발된 지도 작성 알고리즘에 확장 적용하여 생성된 지도 결과물을 확인한다.
제안하는 알고리즘은 해수면 노이즈 제거와 동적 객체 인지 및 제거 두 부분으로 구성한다. 먼저 해수면에서 발생하는 노이즈 데이터 처리를 위하여 자선을 기준으로 구역을 분할하고, 각 구역별로 포인트의 높이 값을 사용하여 해수면을 추정한다. 두 번째, 동적 객체 인지 및 제거를 위하여 GPS 정보와 지도 이미지 정보를 함께 사용하여 진행한다. 해수면 노이즈 제거를 마친 포인트 클라우드 데이터 중 해양 영역에 존재하는 데이터들만을 필터링하여 동적 객체 인지에 적용하도록 한다. 동적 객체 인지에는 DBSCAN 라이다 포인트 클라우드 클러스터링 알고리즘을 적용하여 객체의 위치와 크기를 계산하고, 칼만 필터와 헝가리안 알고리즘을 사용하여 식별 된 동적 객체의 다음 위치를 예측하며 추적하고, 제거하도록 한다. 두 가지 전처리 알고리즘 처리가 완료된 포인트 클라우드 데이터를 최종적으로 지도 생성 알고리즘에 적용하고 결과를 확인하도록 한다.
본 연구에서는 이러한 문제를 해결하기 위하여 LiDAR 센서에 포인트 클라우드 데이터와 GPS 위치 데이터를 이용하여 해양 환경에서 지도 생성 알고리즘의 성능을 증가시키기 위한 포인트 클라우드 전처리 알고리즘을 제안한다. 또한 제안된 전처리 알고리즘 수행을 완료한 포인트 클라우드 데이터를 자율 주행 자동차와 로봇에 맞추어 개발된 지도 작성 알고리즘에 확장 적용하여 생성된 지도 결과물을 확인한다.
제안하는 알고리즘은 해수면 노이즈 제거와 동적 객체 인지 및 제거 두 부분으로 구성한다. 먼저 해수면에서 발생하는 노이즈 데이터 처리를 위하여 자선을 기준으로 구역을 분할하고, 각 구역별로 포인트의 높이 값을 사용하여 해수면을 추정한다. 두 번째, 동적 객체 인지 및 제거를 위하여 GPS 정보와 지도 이미지 정보를 함께 사용하여 진행한다. 해수면 노이즈 제거를 마친 포인트 클라우드 데이터 중 해양 영역에 존재하는 데이터들만을 필터링하여 동적 객체 인지에 적용하도록 한다. 동적 객체 인지에는 DBSCAN 라이다 포인트 클라우드 클러스터링 알고리즘을 적용하여 객체의 위치와 크기를 계산하고, 칼만 필터와 헝가리안 알고리즘을 사용하여 식별 된 동적 객체의 다음 위치를 예측하며 추적하고, 제거하도록 한다. 두 가지 전처리 알고리즘 처리가 완료된 포인트 클라우드 데이터를 최종적으로 지도 생성 알고리즘에 적용하고 결과를 확인하도록 한다.
목차
제1장. 서론 1제1절. 연구 배경 1제2절. 연구 목표 및 방법 3제3절. 논문 구성 4제2장. 관련 연구 5제1절. 지면 제거 (Ground Extraction) 52.1.1 GPF (Ground Plane Fitting) 52.1.2 PatchWork 6제2절. 객체 추적 (Object Tracking) 72.2.1 칼만 필터 (Kalman Filter) 72.2.2 SORT (Simple Online and Realtime Tracking) 92.2.3 Deep Sort (SORT with A Deep Association Metric) 12제3절. 지도 생성 (Mapping) 122.3.1 LOAM (LiDAR Odometr And Mapping) 142.3.2 CT-ICP (Continuous Time Iterative Continuous Point) 15제3장. 제안하는 방법론 16제1절. LiDAR 포인트 클라우드 구성 16제2절. 해수면 노이즈 제거 17제3절. 동적 객체 추적 및 제거 203.3.1 GPS 데이터를 이용한 해양 기준 포인트 클라우드 필터링 203.3.2 동적 객체 검출 213.3.3 동적 객체 추적 23제4장. 실험 및 결과 25제1절. 실험 환경 소개 25제2절. 전처리 알고리즘 적용 전 지도 생성 결과 26제3절. 전처리 알고리즘 적용 후 지도 생성 결과 27제4절. Odometry 측정 결과 28제5장. 결론 29참고 문헌 31영문 요약 32
최근 본 자료
댓글(0)
0