DBSCAN을 이용한 로봇 환경에서의 3차원 객체 검출 및 추적

Abstract

율주행 알고리즘에서 센서를 사용한 주변 환경의 인지는 사람의 눈의 역할을 하는 만큼 중요한 과업(task)이라고 할 수 있다. 표지판, 신호등, 정지선과 같은 정적인 객체와 보행자, 자동차와 같은 동적인 객체의 인지를 통해 얻은 정보는 이후에 동작 되는 판단, 제어 알고리즘에 핵심 단서로 사용된다. 딥러닝 기반의 인지 알고리즘은 수동적인 네트워크의 설계로부터 진화되어왔다. 데이터 셋을 이용한 학습(learning) 방식의 훈련은 컴퓨터의 발달, 센서 성능의 향상이 촉매 역할을 하여 자율주행 이외에 로봇, 의료영상 등과 같이 여러 분야에 응용되고 있다. 자동차, 로봇과 같은 플랫폼에서 사용 가능한 제원은 제한적이기 때문에 센서 선택과 신속 정확한 알고리즘 설계는 가장 중요한 해결과제라고 할 수 있다. 라이다는 카메라, 레이더와 같은 센서들에 비해 비싸다는 단점이 있다. 하지만, 최근 여러 라이다 업체들의 경쟁과 라이다 센싱 기술의 발달로 저렴해지고 있으며, 다른 센서들에 비해 라이다를 통해 습득되는 포인트 클라우드의 정확한 3차원 공간상의 위치 좌표는 매력적인 선택지이다. 이미지를 이용한 2차원 객체 검출은 라이다를 이용한 객체 검출에 비해 색감, 질감과 같은 의미론적 정보를 제공할 수 있다는 장점이 있다. 이에 본 논문에서는 2차원 객체 검출 및 추적을 기반으로 하는 센서 퓨전 알고리즘을 이용한 3차원 객체 검출 및 추적 알고리즘에 대해 소개한다. 제안하는 알고리즘은 YOLO [1]기반의 빠른 2차원 객체 검출 결과를 이용하여 SORT 기반의 추적으로 실시간 추론 성능을 개선한다. 딥러닝 기반의 객체 검출 모델을 훈련시키기 위해 Aihub 인도 보행 영상 데이터셋 [2]으로 학습시켜 파라미터 튜닝을 통한 최적의 학습지(checkpoint)를 사용한다. 검출된 객체의 경계상자(bounding box)는 객체 외부에 할당되는 포인트 클라우드를 제외해주는 필터 역할을 하며, 필터링된 점들은 DBSCAN 알고리즘에 의해 클러스터화 된다. 경계 상자(bounding box) 내부에 존재하는 클러스터 중 라이다 좌표계의 원점과 가장 가까이 있는 클러스터는 객체를 나타내는 점들의 클러스터이며, 이를 평균 풀링하여 3차원 공간 상의 객체를 나타는 위치 좌표로 사용하게 된다. 알고리즘의 실효성을 판단하기 위해 모델의 결과를 실측 거리와 비교하여 그 정확도를 계산하고, 정성적 평가를 통한 2차원 객체 및 추적 성능을 평가한다.