구글 웨이모, 포드, GM크루즈, 인텔모빌아이, 현대차모셔널 등 자율주행을 선도하는 기업들은 라이다 센서 기반의 독자적인 국부 경로 계획 기술을 보유하고 있다. 자율주행 로봇은 센서 정보를 이용해 스스로 차량의 위치와 주변 환경을 탐지하고 주행 경로를 계획해 충돌 없이 교통법규에 따라 안전하게 운행할 수 있는 자동차를 말한다.
라이다 센서의 특징: 높은 정밀도로 물체의 형태, 거리를 파악할 수 있다는 장점을 가진다. 라이다 센서의 경우 특수 목적에 맞게 소량 개발되기 때문에 제품 단가보다는 개발비 비중이 높지만 미래 무인운전 자동차 및 3D 카메라를 위한 라이다 센서의 경우 다양한 요구조건을 충족해야 한다.
국부 경로 계획 기술은 국부 경로 탐색 기술이 포함되며, 라이다 센서에서 포인트 클라우드 데이터를 통해 얻은 객체를 정합하여 물체의 크기와 거리 정보를 파악하고, 이후 전역 경로를 기준으로 국부 지역 경로를 재설정하여 높은 정밀도로 장애물을 회피하는 것이다.
라이다와 카메라를 이용해 회피 주행을 하기 위한 알고리즘을 설계해 자율주행 이동체를 구현한다. 라이다 센서를 통해 각 구역에서 차량에 가장 가까운 객체를 탐지한다. 그다음에 라이더. 센서가 데이터를 전송할 때마다 각 구역 중 차량과 가장 가까운 객체의 거리를 찾아 배열에 저장하고, 탐지된 객체의 래디언 각도를 구한다.
라이다 센서와 YOLO 기반으로 자율주행 이동체 구현
2번 수행방안 : 라이다의 개수와 해상도에 따라 연산량 및 소요시간이 급격히 증가하므로 데이터 수를 전처리하는 과정이 요구된다. 뿐만 아니라 도로나 과속방지턱 등 주행 가능한 영역을 장애물로 검출하는 오검출 현상을 없애는 방법의 필요성이 대두된다.
포인트 클라우드 지도는 누적된 모든 포인트에 대한 x, y, z, intensity 정보를 가지고 있기 때문에 용량이 매우 큰 단점이 존재한다. 따라서 이를 극복하기 위해 간소화된 지도를 생성하는 과정이 필요하다.생성한 포인트 클라우드 지도에서 불필요한 동적 장애물을 제거하는 과정도 필요하다.
딥러닝 기반의 알고리즘 설계
시스템 효과: 실제 도심 상황에서 정확한 위치 인식 개선에 도움을 주고 자율주행 자동차의 경로 판단 및 제어에 활용할 수 있을 것으로 기대된다.
자율주행 자동차 시스템 설계, 포인트 클라우드 데이터를 군집화하여 이를 리셋하는 알고리즘 제어