형태 유사성을 고려한 라이다 기반 3차원 다중 객체 추적

Abstract

동적 객체 추적은 안전한 경로계획 및 정밀한 SLAM에 필수적인 요소이다. 3차원 다중 객체 추적(3D Multi object tracking)은 칼만 필터 기반의 추적이 주로 연구되고 있다. 추적의 핵심은 추적 중인 객체와 검출 객체 간의 관계를 기술하는 것이다. 관계를 기술하는 방법으로는 크게 deep learning방법과 보다 간단한 위치, IoU(Intersection over Union)을 사용한 관계를 기술하는 방법이 존재한다.

Deep learning 방법의 장점은 다양한 네트워크를 통해 사람이 발견하지 못 하는 수많은 특징들을 발견 및 비교하여 정밀한 객체 간의 비교가 가능하다. 그래서 추적 정밀도가 높은 것이 장점이다. 단점으로는 다량의 학습 데이터와 높은 연산 시간이다. 위치, IoU 방식의 장점은 학습 데이터가 필요 없고 사람 이 정의한 비교적 간단한 특징 비교로 빠른 연산이 가능하다. 단점으로는 deep learning에 비해 낮은 추적 정확도가 있다.

본 연구에서는 객체의 기하학 정보를 활용해 객체의 형태를 고려한 3차원 다중 객체 추적을 제안한다. 이 방법은 위 두 가지 방법의 절충안으로 deep learning보다 빠르고 위치를 고려한 추적보단 정확한 추적 성능의 추적기를 설계한다. 객체 간의 관계 기술을 객체의 고유한 정보인 형태를 비교하는 방법을 제안한다. 형태 비교 방법으로는 normal distribution transformation(NDT)을 사용한다. NDT의 결과 값을 비용 행렬의 요소로 사용해 추적 객체와 검출 객체 간의 데이터 어소시에이션을 수행해 추적을 진행한다|Dynamic object tracking is essential for safe path planning and precise SLAM. In 3D multi-object tracking, Kalman filter-based tracking is mainly studied. The key to tracking is to describe the relationship between the object being tracked and the detection object. As a method of describing a relationship, there are a deep learning method, a method of comparing location, and a method of describing a relationship using IoU (Intersection over Union). The advantage of the deep learning method is that it enables precise comparison between objects by discovering and comparing numerous features using various networks. Therefore, the advantage of tracking precision is high. However, the disadvantage is that it requires a large amount of training data and high computation time. On the other hand, the advantage of the location and IoU method, which is a relatively simple method, is that it does not require training data and enables fast computation by comparing relatively simple human-defined features. In this paper, we propose a 3D multi-object tracking considering the shape of an object by using the object's unique geometrical information. This method is a compromise between the above two methods and designs a tracker that is faster than deep learning and has more accurate performance than a tracker that considers the location. As a shape comparison method, normal distribution transformation is used. Using the result of NDT as an element of the cost matrix, data association between the tracking object and the detection object is performed to perform tracking.