InsClustering: Instantly Clustering LiDAR
Range Measures for Autonomous Vehicle
논문 링크:
https://ieeexplore.ieee.org/abstract/document/9294467
왜 이 논문인가?:
올해 6월 28일부터 서울 지역에서 운행 중인 새벽동행 자율주행버스에 대해 알고 계신가요? 자율주행 자동차에 있어서 새로운 혁신이 될 것이라는 예상과 함께 우리나라 뿐만 아니라 외국에서도 많은 관심을 받고 있는데요. 그래서 자율 주행 자동차에 사용되는 AI(인공지능) 기술에 대한 논문을 소개해보려고 합니다.
논문 핵심 요약 :
이번 논문에서 소개하는 InsClustering은 자율 주행 차량의 거리 감지를 위해 필요한 센서 기술 중 최근 가장 각광받고 있는 LiDAR( Light Detection and Ranging)을 이용해 얻은 데이터를 더 효율적으로 다루는 방법에 대해 소개합니다.
LiDAR 센서는 물체에 빛을 보내 돌아오는 시간을 기록하여 거리정보를 계산하여 하나의 포인트 지점을 생성합니다. 이렇게 수집된 데이터들을 3차원 공간 상에 퍼져 있는 여러 포인트(Point)의 집합(set cloud)으로 정의한 것을 포인트 클라우드라고 합니다. 기존의 LiDAR 데이터는 이 3D 포인트 클라우드를 처리하기 위해 두 가지 단계를 거쳤습니다.
첫번째, 지표면의 각 지점들을 필터링합니다.
두번째, 차량, 보행자, 나무 등의 비지면 포인트들을 객체로 클러스터링합니다. 여기서 클러스터링은 유사한 속성을 가진 데이터들을 같은 군집으로 묶어주는 것을 말합니다.
문제 해결:
이러한 지면 세분화 및 객체 클러스터링을 빠르게 하기 위해 InsClustering은 LiDAR 센서가 측정하여 수신한 원시 패킷을 즉시 처리하는 방식을 사용합니다.
1) 즉, 포인트 클라우드의 x,y,z데이터를 2차원인 u,v 좌표계로 선형 변환하여 사용하던 기존의 range image 방식에서 원시 패킷을 바로 처리하는 방식으로 연산시간을 줄였습니다.
2) 또, TCP프로토콜이 아닌 UDP 프로토콜 사용하여 원시데이터 패킷을 빠른 전송을 가능하게 했습니다.
InsClustering 기술과 비교되는 자율주행 클러스터링 기술:
Depth Clustering
Depth Clustering은 일반적으로 3D 데이터, 특히 LiDAR와 같은 센서에서 얻은 깊이 정보를 이용한 클러스터링 기법을 말합니다. 3D 포인트 클라우드를 기반으로 한 Depth Clustering은 주로 자율 주행, 로봇 공학 및 3D 재구성과 같은 분야에서 사용됩니다. Depth Clustering의 주요 목적은 동일한 깊이 값을 가지는 포인트들을 그룹화하여 객체를 식별하는 것입니다.
특징
- 3D 데이터 사용: 깊이 센서나 LiDAR에서 얻은 3D 포인트 클라우드를 클러스터링합니다.
- 공간 정보 활용: 데이터의 공간적 구조를 고려하여 클러스터링합니다.
- 객체 식별: 동일한 깊이 또는 거리 값을 가지는 포인트들을 그룹화하여 객체를 분리합니다.
Self-Labeled Representation (SLR)
**Self-Labeled Representation (SLR)**는 주로 반자율 학습(semi-supervised learning)이나 자기 학습(self-supervised learning)에서 사용되는 개념입니다. SLR은 데이터의 일부에 레이블이 없는 경우, 데이터의 구조를 학습하여 레이블이 없는 데이터에 대해 자체적으로 레이블을 할당하는 방식입니다.
특징
- 레이블 부족 문제 해결: 충분한 레이블된 데이터가 없는 상황에서 유용합니다.
- 데이터의 구조 학습: 데이터의 내재된 구조나 패턴을 학습하여 자체 레이블을 생성합니다.
- 반자율 학습: 일부 레이블된 데이터와 많은 양의 레이블되지 않은 데이터를 함께 사용하여 모델을 학습합니다.
예시
- Pseudo-Labeling: 모델이 예측한 레이블을 신뢰할 수 있는 경우, 이를 레이블로 사용하여 학습 데이터를 확장합니다.
- Consistency Regularization: 동일한 데이터에 대한 서로 다른 변환에 대해 일관된 예측을 하도록 모델을 학습합니다.
실험으로 효과 증명:
InsClustering은 Renault ZOE 차량의 지붕에 장착된 Velodyne VLP32C LiDAR를 사용하여 Rouen 데이터셋에서 평가되었습니다. 이 데이터셋은 프랑스 루앙의 도심에서 촬영된 200개 프레임의 포인트 클라우드로 구성되어 있으며, 이 중에서 수직으로 지면에 놓인 4860개 객체가 수동으로 추출되었습니다.
실험에서는 InsClustering을 SLR (Scan Line Run)과 Depth Clustering과 비교하였습니다.
- 정량적 평가: Rouen 데이터셋에서 InsClustering은 Precision, Recall, TPR (True Positive Rate) 등에서 우수한 성능을 보였습니다. Precision은 0.987, Recall은 0.991로 SLR과 Depth Clustering보다 높았습니다. 특히, TPR에서도 0.917로 다른 방법들보다 우수한 결과를 얻었습니다.
- 속도 비교: InsClustering은 범위 이미지 기반 방법들에 비해 상당히 빠른 속도를 자랑합니다. SLR은 약 30.8ms, Depth Clustering은 약 5.5ms 소요되는 반면, InsClustering은 265us(마이크로초)으로 매우 짧은 처리 시간을 보였습니다. 이는 원시 데이터 흐름을 직접 처리하기 때문에 가능한 것입니다.
이 실험 결과는 InsClustering이 실시간 LiDAR 데이터 처리에 효과적이며, 고속과 정확도를 모두 갖춘 클러스터링 방법임을 입증했습니다.
후기:
평소 관심있던 AI분야와 연관지어서 최근 화제가 되고 있는 자율주행 기술에 대해 알 수 있었습니다. 원리를 이해하기 위해 Depth clustering과 SLR에 대해 더 알아야 할 필요가 있고 실험논문이었기 때문에 상세하게 서술하지 못한 점이 아쉬웠습니다. 다음번 논문을 정할 때에는 이론 위주의 논문을 찾아봐야겠습니다. ECCV award 등을 확인해보는 것도 좋을 것 같습니다.
'대외활동 > wiset_글로벌 멘토링' 카테고리의 다른 글
| wiset 지원서 슈나이더 일렉트릭 (0) | 2025.01.22 |
|---|---|
| 2024.06.23 wiset 글로벌 멘토링 영문 이력서 특강 후기 (0) | 2024.07.25 |
| 2024.03.30 wiset 글로벌 멘토링 멘티 전체 워크숍 후기 (0) | 2024.06.26 |
