복잡 지형의 자율주행을 위한 상대 점 밀도 비율 기반 복셀 모델링

Ⅰ. 서 론

무인지상차량(Unmanned Ground Vehicle, UGV)의 활용 범위가 정형 환경(structured environment)에서 비정형 환경(unstructured environment)으로 확장됨에 따라 자율주행 환경도 정형 환경(도시, 도로)에서 비정형 환경(산림, 농지, 비포장 도로, 공사장 등)으로 확대되고 있다(그림 1).

Fig. 1.

Unmanned Ground Vehicle (UGV) driving conditions

비정형 환경(군사작전 지역, 재난 지역 등)은 장애물과 불규칙한 형상이 포함되어 있으며, 도로가 없거나 훼손된 경우가 많다. 또한 붕괴, 낙석, 홍수 침수와 침식 등으로 환경이 시시각각 변할 수 있어 사전에 구축된 지도나 정적인 센서 정보만으로는 환경 인식의 한계가 있다. 따라서 UGV의 자율주행을 위하여 주변 환경을 실시간으로 인식하고, 변화된 환경의 주행 가능 지역을 탐색할 수 있는 기능이 요구된다.

ToF(Time of Flight), LiDAR(Light Detection and Ranging), 스테레오 비전(Stereo Vision) 등의 3D 센서는 자율주행 시스템에서 환경의 공간 정보를 점군(point cloud data, PCD)로 획득하는 데 사용된다. 복셀(voxel) 모델은 점군을 공간 단위로 변환하여 효율적인 환경 표현과 경로 계획에 활용할 수 있는 방식으로 널리 사용되어 왔다. 복셀 내에 점이 포함되어 있는가로 양분화하는 단순한 3D 표현의 이진(binary) 복셀 모델이 사용되었다[1]. 점군 데이터만을 사용하는 이진 복셀 모델을 개선한 연구로서 공간 색인(spatial indexes)을 위하여 점군과 반사 신호의 세기(intensity)를 함께 이용하는 연구가 제시되었다[2]. 또한, 거리 의존적 점 밀도(point density) 변화에 대하여 지역 점 밀도를 추가 특징으로 사용하여 예측 신뢰도를 향상시키는 방법이 제안되었다[3]. 일반적으로 점 밀도는 거리에 따라 편차가 존재하여 센서로부터 멀어질수록 점 밀도가 낮아진다. 또한 표면 재질, 반사 강도, 환경 등의 물리적 특성과 환경 변수에 의해 일관성이 유지되지 못하는 한계가 확인되었다[4].

기존의 공간 표현과 장애물 인식에서 복셀 그리드, 표면 추정, 혹은 시멘틱 분류가 사용되는데 비정형 환경에서는 지형이나 사물 경계가 불분명하고, 반사율 차이, 물체 움직임 등으로 센서 회신율이 불규칙하며, 작은 물체나 복잡한 구조는 노이즈(noise)로 처리되거나 누락의 오류가 발생한다. 이러한 이유로, 단순히 점 밀도만으로 장애물 존재 여부를 판단하거나 정적인 파라미터에 의존하는 경우 일관성 있는 공간 해석을 제공하는 데 한계가 있음이 발견되었다[5]. 무질서한 점군에서 장애물 탐지 정확도의 향상을 위하여 클러스터링(clustering) 임계값을 결정하기 위한 방법[6], 또는 센서 퓨전을 이용한 고품질 모델 개발을 위한 방법들이 연구되었다[7].

기존 연구들은 물체 존재 여부를 판단하는 데 중점을 두어 물체의 구조적 점유 특성이나 상대적인 공간 밀도를 정량화하는 표현에는 소극적이었다. 비정형 환경에서 물체의 구조적 점유 특성 인식을 위하여 PCD의 높이 통계(평균, 분산, 범위)를 활용하여 지형 및 장애물(나무, 덤불 등)의 통과 가능성을 평가하는 방법이 제안되었다[8]. 그러나 높이 기반의 기하학적 휴리스틱에 의존하기 때문에, 관목과 풀 등의 장애물을 의미론적으로 구분하기 어렵고, 임계값 설정에 따라 성능이 크게 달라지는 한계를 가진다. 센서 퓨전을 이용하여 RGB(Red, Green, and Blue) 영상 기반의 의미론적 분류(semantic segmentation)와 LiDAR 기반의 기하학적 평가를 융합하여 주행 가능성을 판단하는 방법이 제안되었다[9]. 의미론적 정보와 기하학 정보를 함께 활용함으로써 단일 기법 대비 통과 성공률이 개선되었으나, 딥러닝 기반 네트워크(network)의 학습 데이터 의존성, 센서 품질과 연산량 부담으로 실시간 적용의 어려움이 있다. 또한, 의미론적 분류만으로는 풀의 압축성 등 공간 점유 특성을 충분히 반영하기 어렵다는 한계가 있다.

본 연구는 비정형 환경에서 UGV의 실시간 환경 인식과 주행 경로 탐색을 위하여, 점군을 상대 점 밀도 비율(Relative Point Density Ratio, RPDR)로 정규화하여 물체의 공간 점유 특성을 정량적으로 반영한 복셀 모델을 제시한다. 다양한 회신율 조건을 갖는 비정형 환경(예: 복도, 풀, 나무 등)을 실험 대상으로 선정하여, 제안한 모델의 시각화 및 분석을 수행한다.

Ⅱ. 3D 센서와 상대 점 밀도 비율

UGV의 자율주행을 위하여 환경을 인식하는 방법으로 3D 센서 또는 3D 깊이 카메라들이 활용되고 있다.

3D 센서는 깊이 정보, 거리 데이터를 출력으로 하는 장치이며, 3D 깊이 카메라는 3D 센서를 포함하는 카메라로 깊이 정보와 RGB 영상을 동시에 획득하는 장치이다. 본 연구는 ToF 센서와 RGB 카메라가 내장된 3D 깊이 카메라를 사용하였으며 주요 사양은 다음과 같다(표 1).

Table 1.

Specifications of the 3D depth camera in the experiment

2-1 3D 깊이 카메라와 점 밀도(Point Density)

3D 센서의 출력은 깊이 정보가 있는 PCD이며, 일반적으로 PCD의 점 개수는 해당 영역의 물체 유무를 판단하는 지표로 활용되고 있다. 그러나, PCD의 점 밀도는 3D 센서와 물체 간의 거리에 따라 달라진다. 이러한 경향은 일정한 해상도와 시야각(Field of View, FOV)을 가지고 공간을 측정(scan)하는 광학식 3D 센서(ToF, LiDAR, 스테레오, 구조광 등)의 일반적인 특성으로 거리가 멀어질수록 동일한 시야각 안에 포함되는 공간의 면적이 기하급수적으로 증가하기 때문에 거리가 증가함에 따라 단위 면적당 점의 수가 감소한다.

ToF 센서로 평면을 측정한 결과, 그림 2에서 위치별 점 밀도의 차이를 확인할 수 있다. ToF 센서와 평면의 각 지점(그림2, (a), (b), (c), (d))의 3차원 공간 거리(유클리디언 거리, Euclidean distance)가 다르기 때문에 발생하는 현상이다.

Fig. 2.

Point density distribution of the 3D depth camera

거리 외에도 표면 재질과 형상, 조명 조건과 같은 환경 조건이 측정점 생성을 제한하여 유효 회신율(valid return ratio)에 영향을 준다. 또한 작은 물체의 낮은 점 밀도를 ‘장애물 없음’으로 판단하는 오탐지 가능성이 있다. 유효 회신율이 낮거나 점 밀도가 낮은 경우 물체의 거리가 멀거나, 반사도(reflectivity)가 낮거나, 또는 크기가 작은 물체일 수 있어 실제 존재하는 물체를 누락하여 장애물을 존재하지 않는 것으로 판단하는 경우가 발생할 수 있다. 역으로 단순 노이즈, 고스팅(ghosting) 등의 센서 오류를 장애물이 존재하는 것으로 잘못 판단하는 경우도 발생할 수 있다. 그러므로, 유효 회신율이 낮거나 점 밀도가 낮은 경우는 주행 가능 여부의 추정 불확실(uncertain estimation) 영역으로 간주하고 센서 퓨전으로 주행 가능 여부를 판단할 필요가 있다(그림 3).

Fig. 3.

Determination of drivability based on the valid return ratio and point density of a 3D depth camera

점 밀도는 위치, 거리, 재질, 조명 등에 따라 다르므로 특정 공간의 점 개수만으로 공간 특성을 비교, 판단하는 것은 어려움이 있으므로 PCD의 공간 점 밀도 비율(spatial point density ratio)을 사용함으로써 보다 정확한 주행 환경 인식이 가능하다.

2-2 상대 점 밀도 비율(Relative Point Density Ratio)

상대 점 밀도 비율은 해당 영역의 최대 점의 수에 대한 측정된 유효 점의 개수로 정의한다. 즉, 해당 영역에서 기대할 수 있는 최대 점 밀도 대비 측정된 점 밀도를 비율로 표현함으로써 거리 영향을 제거한 상대적 공간 정보로 활용할 수 있게 된다.

비정형 환경에서 UGV의 자율주행을 위하여 프론트 엔드(front end) 단계에서는 3D 깊이 카메라를 이용하여 지형을 인식하고 장애물을 판단함으로써 주행 가능한 경로를 탐색하고, 백 엔드(back end) 단계에서는 지형 지도(map)를 생성함으로써 환경 정보를 축적하고 보다 효과적인 주행 경로 계획 수립이 가능하게 된다. 이를 위하여 PCD를 복셀화하는 것이 한 방법이다. 복셀은 3차원 공간에서 격자 형태의 체적 요소이다(그림 4).

Fig. 4.

FOV and voxel of the 3D depth camera

1) 측정선(Scanning Ray)과 복셀(Voxel)

본 연구에서는 복셀 영역에서의 상대 점 밀도 비율을 계산하는 과정은 다음과 같다. 3D 센서의 측정선은 시야각(FOV) 범위 내에서 해상도에 해당하는 수 만큼 존재한다(그림 4). 임의 위치의 복셀을 지나는 측정선의 수를 해당 복셀에서 기대할 수 있는 최대 점의 수로 간주할 수 있다. 이를 위하여 복셀과 3D 센서의 측정선의 교차 여부를 판별하여 교차하는 측정선의 수를 계산한다(그림 5).

Fig. 5.

Intersection between a voxel and a scanning ray of the 3D camera

3차원 공간(R³)의 임의의 복셀 V_i은 다음과 같이 표현할 수 있다(식 1). 복셀 V_i을 구성하는 점 (x, y, z)는 복셀 V_i의 중심점 (x_i, y_i, z_i)에서 각 축 방향으로 복셀 크기 범위의 점들로 구성된다. 각 축 방향의 복셀 길이는 l_vx = l_vy = l_vz = l_v와 같이 동일하도록 구성하였다.

$\[ \begin{array}{c}{V}_i\left(x_i,y_i,z_i\right)=\left\{\left(x,y,z\right)\in R^3\mid \right.\\ \left|x-x_i\right|\left.\le \frac{l_{vx}}{2},\left|y-y_i\right|\le \frac{l_{vy}}{2},\left|z-z_i\right|\le \frac{l_{vz}}{2}\right\}\end{array} \]$

(1)

3D 센서의 측정선 $$ \overrightarrow{r_k}$$는 측정선의 시작 좌표 $$ \overrightarrow{r_0}$$에서 방향 $$ \overrightarrow{v_k}$$를 갖는 선분으로 표현할 수 있다(식 2). 매개변수 t는 시야각(FOV) 범위에서 실수(R)의 값을 갖는다.

$\[ 2\overrightarrow{r_k}=\left\{\overrightarrow{r_0}+\overrightarrow{v_k}\cdot t\mid t\in R\right\} \]$

(2)

복셀 V_i과 측정선 $$ \overrightarrow{r_k}$$과의 교차는 3차원 공간에서 공유하는 공간이 존재함을 의미한다(식 3).

$\[ V_i\cap \overrightarrow{r_k}=\left\{\overrightarrow{r_0}+\overrightarrow{v_k}\cdot t\mid t\in R^3,\overrightarrow{r_0}+\overrightarrow{v_k}\cdot t\in V_i\right\} \]$

(3)

복셀 맵(voxel map)을 구성할 때 세계 좌표계(world coordinate)의 각 축과 평행한 방향으로 복셀을 구성하는 것이 일반적이므로 복셀 V_i과 측정선 $$ \overrightarrow{r_k}$$과의 교차 여부를 판별하기 위하여 AABB(axis aligned bounding box) 알고리즘을 활용하였다(식 4).

$\[ V_i\cap \overrightarrow{r_k}=\left\{\overrightarrow{r_0}+\overrightarrow{v_k}\cdot t\mid t\in \left[t_{k, enter },t_{k, exit }\right]\right\} \]$

(4)

복셀 V_i와 교차하는 측정선의 수가 해당 복셀에서 회신(return)을 기대할 수 있는 최대 점의 수 N_Vi가 된다.

2) 상대 점 밀도 비율 계산

상대 점 밀도 비율은 해당 영역의 최대 점의 수에 대한 측정된 유효 점의 개수이다. 3D 센서로부터 획득한 PCD의 점군은 P ⊂ R³이며, 각 복셀에 포함되는 점군 P_Vi은 점 p들의 집합으로서 다음과 같이 표현할 수 있다(식 5). 점군 P_Vi로부터 복셀 V_i의 점의 개수 n_Vi는 다음과 같이 계산된다(식 6).

$\[ P_{V_i}=\left\{p\in P\mid p\in V_i\right\} \]$

(5)

$\[ n_{V_i}=\left|P_{V_i}\right| \]$

(6)

복셀의 최대 점의 수 N_Vi와 측정된 점의 수 n_Vi로부터 해당 복셀의 상대 점 밀도 비율 ρ_Vi를 계산할 수 있다(식 7).

$\[ {\rho }_{V_i}=\frac{n_{V_i}}{N_{V_i}},{\rho }_{V_i}\in \left[\mathrm{0,1}\right] \]$

(7)

상대 점 밀도 비율은 공간 단위에서의 점 밀도를 정규화하여 0~1 사이의 비율로 표현하는 방법으로 거리의 영향을 제거한 상대적 공간 정보이다.

Ⅲ. 비정형 환경의 상대 점 밀도 비율 실험

3-1 실험 대상 비정형 환경

비정형 지형의 상대 점 밀도 비율을 실험하기 위하여 3D 센서 회신율을 고려하여 실험 대상을 선정하였다. 회신율이 높을 것으로 예상되는 환경으로 건물 복도, 회신율이 낮을 것으로 예상되는 환경으로 나무와 풀 지형, 그리고 작은 물체가 포함된 비정형 환경을 실험 대상으로 선정하였다(그림 6). 실험 대상 환경에 대하여 ToF 센서를 사용하여 PCD를 획득하였다(그림 7). ToF 센서의 특성으로 시야각(FOV) 범위 안에서 PCD의 점들이 수평, 수직 방향으로 비교적 균일하게 분포하고 있음을 알 수 있다.

Fig. 6.

Unstructured environments in the experiments

Fig. 7.

PCD (Point Cloud Data) of experimental unstructured environments acquired using a 3D depth camera

3-2 비정형 환경의 상대 점 밀도 비율 분포

1) 건물 복도(Hallway)의 점 밀도 비율

건물 복도는 3D 센서 신호의 반사율이 높고, 투과할 수 없는 벽체로 구성되어 있다. 복셀 모델의 상대 점 밀도 비율의 시각화를 위하여 비율이 0.5 이상인 곳은 복셀의 색을 적색으로 하고 비율이 높아질수록 낮은 투명도를 갖도록 하고, 비율이 0.5 이하인 곳은 복셀의 색을 녹색으로 하고 비율이 낮아질수록 높은 투명도를 갖도록 하였다. 건물 복도의 복셀 모델의 단면에서 복셀 모델이 단일 층(layer)을 형성하는 것으로부터 3D 센서 신호가 벽면에서 회신되고 투과하지 못하였음을 알 수 있다(그림 8).

Fig. 8.

Voxel model of the building hallway with the relative point density ratio

반사율이 높은 물체로 구성된 환경의 복셀 모델의 전형적인 형태로서 상대 점 밀도 비율의 평균은 0.32363이며(표 2), 상대 점 밀도 비율의 분포에서 밀도 비율이 비교적 높은 값의 복셀로 모델이 구성되어 있음을 알 수 있다(그림 9).

Table 2.

Point cloud data count, voxel count, and average relative point density ratio of the building hallway

Fig. 9.

Relative point density ratio distribution of the building hallway

2) 나무와 풀이 있는 환경(Trees on grass)의 상대 점 밀도 비율

나뭇잎과 풀은 공간 점유 비율이 낮은 물체이며, 빛을 흡수하는 특성도 있어 회신율이 낮은 물체로 알려져 있다. 상대 점 밀도 비율이 반영된 복셀 모델에서 나뭇잎과 풀이 위치하는 공간은 녹색 복셀로서 상대 점 밀도 비율이 낮은 것으로 시각화되어 있으며, 나무의 줄기 부분과 평면뷰(top view)에서 보이는 지형의 바닥 부분은 비교적 높은 상대 점 밀도 비율을 갖는 것으로 확인된다(그림 10). 복셀 모델의 단면에서 지형의 바닥 부분은 얇은 층의 복셀로 구성되어 있어 3D 신호가 회신된 층으로 볼 수 있으며, 복셀 모델 단면의 오른쪽에 위치한 나무의 잎이 있는 공간은 상대 점 밀도 비율이 낮고, 줄기 공간은 상대 점 밀도 비율이 높은 것을 확인할 수 있다(그림 11). 상대 점 밀도 비율의 평균은 0.17884로 비교적 낮으며(표 3), 상대 점 밀도 비율이 낮은 구간에서 복셀 분포가 높음을 알 수 있다(그림 12). 이는 잎과 풀이 있는 공간들의 상대 점 밀도 비율이 낮은 때문으로 이해된다.

Fig. 10.

Voxel model of trees on grass with the relative point density ratio

Fig. 11.

Cross-sectional view of the voxel model of trees on grass

Table 3.

Point cloud data count, voxel count, and average relative point density ratio of trees on grass

Fig. 12.

Relative point density ratio distribution of trees on grass

나뭇 잎과 풀과 같이 물체의 공간 점유 비율이 낮은 곳은 3D 센서의 회신율이 낮고, 반대로 물체의 공간 점유 비율이 높은 곳은 회신율이 높아 물체의 공간 점유 비율과 상대 점 밀도 비율이 강한 상관이 있는 것으로 이해된다(그림 13).

Fig. 13.

Behavior of scanning rays according to point density

3) 작은 기둥이 있는 환경(Trees and posts)의 상대 점 밀도 비율

작은 물체는 점 밀도가 낮기 때문에 노이즈와 구별이 어렵다. 작은 물체(기둥 형태)가 포함된 비정형 환경의 3D 측정 실험을 수행하였다. RGB 이미지에 작은 기둥을 타원으로 표시하였다(그림 14). 실선 타원과 점선 타원으로 표시된 두 가지 작은 물체가 존재하는데 점선 타원 안의 물체(나무를 지탱하는 막대)는 복셀 모델에서는 노이즈 또는 지형 등의 다른 물체들과 구별이 되지 않아 그 존재를 확인하기 어렵다(그림 15). 실선 타원 안의 물체는 공간 점유 밀도가 높은 물체로서 시각화된 복셀의 색으로부터 상대 점 밀도 비율이 비교적 높은 것으로 관찰된다(그림 16).

Fig. 14.

Environment with trees and small posts (the ellipse represents small posts)

Fig. 15.

Voxel model of the environment with trees and small posts

Fig. 16.

Front view of the environment with trees and small posts, and an enlargement of the post area

그림14의 작은 기둥은 측정선이 투과될 수 없는 물체로서 3D 센서가 가려짐으로 인하여 복셀 모델의 평면뷰(top view)에서 작은 기둥의 뒷부분에 측정점이 없고, 복셀도 생성되지 않았음을 확인할 수 있다(그림 17). 또한, 크기가 작은 물체는 점 밀도가 낮아 물체 존재를 확인하기 어렵거나 노이즈로 오인식할 수 있음도 확인하였다.

Fig. 17.

Top view of the environment with trees and small posts, and an enlargement of the post area (the numbers inside the voxels represent the point count)

4) 주차장 위의 나무 등으로 구성된 비정형 환경(Tree on Parking Lot)의 상대 점 밀도 비율

측정선이 투과되지 않는 재질, 나무와 풀, 그리고 작은 물체(기둥)이 함께 있는 비정형 환경에 대하여 ToF 센서를 이용하여 PCD를 획득하고 복셀 모델을 구성하고 각 복셀의 상대 점 밀도 비율을 계산하고 시각화하였다(그림 18). 나뭇잎과 풀이 있는 부분의 상대 점 밀도 비율이 낮게 계산되었으며, 나무 줄기, 작은 기둥과 지형 바닥의 비율은 높게 계산되었다.

Fig. 18.

Voxel model of the environment composed of trees and other objects on a parking lot

상대 점 밀도 비율 평균은 0.27090로 건물 복도 환경의 비율 평균(0.32363) 보다 낮고, 나무와 풀이 있는 환경의 비율 평균(0.17884) 보다 높은 값을 보여 주었다(표 4). 이는 여러 모양으로 구성된 환경이 건물 복도 환경 특성이나 나무와 풀이 있는 환경 특성들이 섞여 있어 양 특성을 모두 포함하고 있는 것으로 이해된다. 상대 점 밀도 비율 분포에서도 건물 복도 환경의 특성와 나무와 풀이 있는 환경의 특성이 혼합된 양상을 보여주고 있다(그림 19).

Table 4.

Point cloud data count, voxel count, and average point density ratio of the environment composed of trees and other objects on a parking lot

Fig. 19.

Relative point density ratio distribution of the environment composed of trees and other objects on a parking lot

3-3 상대 점 밀도 비율 분포의 비교

상대 점 밀도 비율의 경향 분석을 위하여 회신율이 높은 환경과 회신율이 낮은 환경, 그리고 작은 물체가 포함된 비정형 환경의 상대 점 밀도 비율 분포를 비교하였다(표 5).

Table 5.

Comparison of the relative point density ratio distribution in experimental unstructured environments

물체의 공간 밀도가 낮은 경우 상대 점 밀도 비율이 낮으며, 물체의 공간 밀도가 높은 경우 상대 점 밀도 비율이 높음을 확인하였으며, 물체의 공간 점유 밀도와 상대 점 밀도 비율이 강한 상관이 있음을 확인하였다(그림 20). 작은 물체와 같이 낮은 상대 밀도를 가지는 영역은 노이즈로 간주되어 물체의 존재를 인식하지 못할 수 있음을 확인하였다.

Fig. 20.

Comparison of the relative point density ratio distribution in experimental unstructured environments

상대 점 밀도 비율 기반 복셀 모델은 거리 효과의 보정으로 신뢰성 있는 물체 인식이 가능하여 UGV의 자율주행에서 환경 인식과 장애물 탐지 알고리즘에 적용할 수 있다. 또한, 3D 측정 기반 지도의 품질 향상을 기대할 수 있다.

Ⅳ. 결 론

본 연구는 무인지상차량의 자율주행을 위하여 비정형 환경의 3D 표현과 물체 인식을 위한 RPDR 기반 복셀 공간 표현 기법을 제안하였다. 거리 증가로 인한 점 밀도 감소 현상을 보정하며, 물체의 공간 점유 밀도를 반영한 일관성 있는 공간 정보를 제공함으로써 센서의 한계를 보완하고 공간 구조나 장애물 특성에 기반한 보다 신뢰성 높은 자율주행이 가능하도록 한다.

RPDR 기반 복셀 모델의 유효성을 검증하기 위해, 센서 회신율이 다양한 비정형 환경을 실험 대상으로 선정하고 특성을 분석하였다. 제안한 모델의 시각화 및 분석을 수행하였으며 공간 특성을 더 정확하고 일관되게 해석할 수 있으며, 보다 신뢰성 있는 환경 구조 표현이 가능함으로 확인하였다. 특히 나무, 숲, 비포장 도로와 같은 비정형 환경을 정량화함으로써, 더 높은 신뢰도로 물체를 인식할 수 있는 실용적인 접근법임을 보여준다. 그러나 낮은 점 밀도의 작은 물체는 노이즈로 오인되거나 무시될 가능성이 있다. 따라서 점 밀도가 낮은 영역은 퓨전 기법을 활용한 추가적인 탐색이 필요하다.

상대 점 밀도 비율 기반 복셀 모델은 연산량 부담이 적고, 시시각각 변화하는 환경 또는 학습되지 않은 공간에 대한 실시간 적용이 가능한 방법으로 비정형 환경의 실시간 객체 인식, 지도 작성, 그리고 주행 경로 계획 탐색 등에 활용할 수 있다. 정규화된 상대 점 밀도 비율의 적용으로 공간 점유 특성을 반영함으로써 환경 인식 정확도를 향상시키고, 비용 함수(cost function)에 가중치로 반영함으로써 보다 효율적인 경로 생성을 가능하게 하는 등 자율주행의 전반적인 성능 향상에 기여할 수 있다.

Acknowledgments

본 연구는 2025년도 국방기술진흥연구소의 국방벤처 지원사업에 의하여 이루어진 연구로서, 관계부처에 감사드립니다.

References

• L. Wang, Y. Xu, and Y. Li, “Aerial Lidar Point Cloud Voxelization with its 3D Ground Filtering Application,” Photogrammetric Engineering & Remote Sensing, Vol. 83, No. 2, pp. 95-107, February 2017. [https://doi.org/10.14358/PERS.83.2.95]
• L. Wang, Y. Xu, Y. Li, and Y. Zhao, “Voxel Segmentation-based 3D Building Detection Algorithm for Airborne LIDAR Data,” PLoS One, Vol. 13, No. 12, e0208996, December 2018. [https://doi.org/10.1371/journal.pone.0208996]
• J. S. K. Hu, T. Kuai, and S. L. Waslander, “Point Density-Aware Voxels for LiDAR 3D Object Detection,” in Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition, New Orleans: LA, pp. 8459-8468, 2022. [https://doi.org/10.1109/CVPR52688.2022.00828]
• Y. J. Jeon, C. W. Park, J. W. Kim, and J. H. Lee, “Study on the Material Characteristics of Improved and Virtual Facility for Autonomous Vehicles,” Journal of the Korea Contents Association, Vol. 22, No. 12, pp. 171-179, December 2022. [https://doi.org/10.5392/JKCA.2022.22.12.171]
• L. Zheng, P. Zhang, J. Tan, and F. Li, “The Obstacle Detection Method of UAV Based on 2D Lidar,” IEEE Access, Vol. 7, pp. 163437-163448, November 2019. [https://doi.org/10.1109/ACCESS.2019.2952173]
• W. Jiang, C. Song, H. Wang, M. Yu, and Y. Yan, “Obstacle Detection by Autonomous Vehicles: An Adaptive Neighborhood Search Radius Clustering Approach,” Machines, Vol. 11, No. 1, 54, January 2023. [https://doi.org/10.3390/machines11010054]
• Y. R. Seo, C. Y. Heo, and C. S. Kim, “Real-3DGS: Sensor Fusion-based Realistic Scale Environmental Modeling for Simulation of Autonomous Driving,” Journal of Digital Contents Society, Vol. 25, No. 10, pp. 3031-3040, October 2024. [https://doi.org/10.9728/dcs.2024.25.10.3031]
• A. E. Carvalho, J. F. Ferreira, and D. Portugal, “3D Traversability Analysis and Path Planning Based on Mechanical Effort for UGVs in Forest Environments,” Robotics and Autonomous Systems, Vol. 171, pp. 1-18, 2023. [https://doi.org/10.1016/j.robot.2023.104560]
• B. Zhang, W. Chen, C. Xu, J. Qiu and S. Chen, “Autonomous Vehicles Traversability Mapping Fusing Semantic–Geometric in Off-Road Navigation,” Drones, Vol. 8, No. 9, pp. 1-16, September 2024. [https://doi.org/10.3390/drones8090496]