머신러닝을 이용한 낮은 부하 수준의 3차원 동시적 위치 추정 및 지도 작성 알고리즘 개선

Abstract

본 연구에서는 저비용, 소형 LiDAR 센서와 저비용, 저전력 Machine Learning Embedded System에 관한 내용을 다룬다. 현재 주로 연구되고 있는 고성능 LiDAR와 Deep Learning 기반의 알고리즘의 비용 및 전력 한계를 극복하고 제한된 환경에서 알고리즘을 개선한다. 이는 최근 양산되기 시작한 저비용 LiDAR와 저비용, 저전력 Machine Learning Embedded System이 Simultaneous Localization And Mapping이나 첨단 운전자 보조 시스템 (ADAS)의 범용성과 접근성을 높이는데 활용될 수 있다. 본 연구는 Parallel Computing과 Machine Learning 구조를 활용하여 낮은 수준의 부하를 가진 Segmentation, Feature Extraction, Feature Matching 연산 알고리즘의 변화를 가져온다. 이러한 연산 결과에 대해 종합적으로 분석한다. 본 논문은 Odometry Benchmark에 사용되는 다채널 LiDAR 데이터 셋을 활용하지 않고 자체적으로 수집한 16채널 LiDAR 데이터를 활용하여 검증하였다.; This paper treats low-cost, small-sized LiDAR and low-cost, low-power machine learning embedded system. It overcomes cost and power problems of new algorithms based on high performance LiDAR and deep learning, and improves algorithm in a limited embedded environment. These low-cost LiDAR and low-cost, low-power machine learning embedded system have recently begun mass production and can be used to increase universality and accessibility of simultaneous localization and mapping and Advanced driver assistance systems. This paper brings changes in light-weight algorithm of segmentation, feature extraction, feature matching using parallel computing and machine learning structure. And then, comprehensive analyze of these algorithm result This paper is verified by using 16ch LiDAR dataset collected by us without multi channel LiDAR dataset used in odometry benchmark.