KR102408981B1 - Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법 - Google Patents

Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법 Download PDF

Info

Publication number
KR102408981B1
KR102408981B1 KR1020200134260A KR20200134260A KR102408981B1 KR 102408981 B1 KR102408981 B1 KR 102408981B1 KR 1020200134260 A KR1020200134260 A KR 1020200134260A KR 20200134260 A KR20200134260 A KR 20200134260A KR 102408981 B1 KR102408981 B1 KR 102408981B1
Authority
KR
South Korea
Prior art keywords
map
point cloud
information
cloud information
unit
Prior art date
Application number
KR1020200134260A
Other languages
English (en)
Other versions
KR20220050507A (ko
Inventor
김경표
Original Assignee
(주)컨트롤웍스
(주)에이스랩
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)컨트롤웍스, (주)에이스랩 filed Critical (주)컨트롤웍스
Priority to KR1020200134260A priority Critical patent/KR102408981B1/ko
Publication of KR20220050507A publication Critical patent/KR20220050507A/ko
Application granted granted Critical
Publication of KR102408981B1 publication Critical patent/KR102408981B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/3867—Geometry of map features, e.g. shape points, polygons or for simplified maps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3859—Differential updating map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/387—Organisation of map data, e.g. version management or database structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Abstract

본 실시예는, 포인트 클라우드 정보에 대한 손실 압축을 통해 그 크기를 감소시킨 ND 맵을 생성하여 측위하는 데 사용하고, 이를 기반으로, 손실 압축된 포인트 클라우드 정보 상에서 변화점을 찾아 업데이트시킴으로써 자율 주행 과정에서의 위치 추적에 대한 정확도 향상을 위한 맵 모델링 과정이 보다 효율적으로 이루어질 수 있도록 하는 ND 맵 생성방법 및 그를 활용한 맵 업데이트 방법에 관한 것이다.

Description

ND 맵 생성방법 및 그를 활용한 맵 업데이트 방법{Method for Creating ND Map and Updating map Using it}
본 실시예는 ND 맵 생성방법 및 그를 활용한 맵 업데이트 방법에 관한 것이다. 더욱 상세하게는, 자율 주행 과정에서의 위치 추적에 대한 정확도 향상을 위한 맵 모델링 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
자율 주행을 하기 위해서는 위치 추정을 필수적이며, 추정된 위치를 통해 지도 상에 데이터를 불러와서 활용할 수 있다. 일반적으로, 지도 상에서 현재 위치를 추정하기 위해 고정밀 GPS 등이 활용되고 있으나, 이는 정확도 측면에서는 장점이 존재하나 가격이 비싸다는 단점이 존재한다. 이를 해결하기 위해, 자율 주행 과정에서 라이다를 통해 측정되는 외간 정보와 지도에서 얻어지는 정보를 정합하여 현재 위치를 파악하는 연구가 진행되고 있다.
이와 같은, 연구를 진행하는 데 있어서 고정밀 지도의 생성이 가장 중요하다. 일반적으로 고정밀 지도의 경우 고정밀 센서, 고정밀 측위장치를 활용하여 생성할 수 있다. 이러한, 고정밀 지도의 경우 매칭 시 실제 지도 정보와 실제 환경이 똑같아야 매칭이 잘 이루어진다. 이런 부분에서, 지도가 계속 실제 환경을 모델링할 수 있어야 한다는 제약이 존재한다. 예컨대, 공사를 한다거나 차량이 지나가는 등의 특정 케이스로 인해 지도가 변경되는 경우 지도의 변경으로 인해 매칭이 정확하게 이루어지지 않아 자율 주행 중인 차량의 위치를 정확하게 추정할 수 없다는 문제가 있다.
이러한, 문제를 해결하기 위해 자율 주행 차량에서 센서되는 측정 정보를 업로딩하고, 클라우드에서는 이를 받아 기 저장된 정보와의 융합을 통해 변경점만을 업데이트하는 새로운 컨셉이 제안되고 있다. 위와 같은 업데이트 과정에서 가장 기본적으로 사용되는 맵이 포인트 클라우드 맵이다. 다만, 이러한, 포인트 클라우드 맵의 경우 업데이트를 위한 업로딩 및 다운로딩 과정에서 전송되는 포인트 클라우드 정보가 크기 때문에 네트워크 부하가 많이 발생한다는 단점이 존재하며, 이를 해결하기 위한 방법이 요구된다.
상기와 같은 문제점을 해결하기 위해, 본 실시예는 포인트 클라우드 정보에 대한 손실 압축을 통해 그 크기를 감소시킨 ND 맵을 생성하여 측위하는 데 사용하고, 이를 기반으로, 손실 압축된 포인트 클라우드 정보 상에서 변화점을 찾아 업데이트시킴으로써 자율 주행 과정에서의 위치 추적에 대한 정확도 향상을 위한 맵 모델링 과정이 보다 효율적으로 이루어질 수 있도록 하는 데 그 목적이 있다.
본 실시예는, 주변환경을 인식하여 상기 주변환경에 대한 포인트 클라우드 정보들을 수집하는 단계; 상기 포인트 클라우드 정보들을 그룹화하여 복수의 단위 클라우드 그룹을 생성하는 단계; 및 상기 복수의 단위 클라우드 그룹별로 각각에 대응되는 대응 포인트 클라우드 정보들을 정규 분포로 표현하여 확률 분포 정보를 생성하여, 상기 포인트 클라우드 정보들이 압축된 형태를 갖는 ND(Normal Distribution) 맵을 구축하는 단계를 포함하는 것을 특징으로 하는 ND 맵 생성방법을 제안한다.
또한, 본 실시예의 다른 측면에 의하면, 주변환경을 인식하여 상기 주변환경에 대한 포인트 클라우드 정보들을 수집하는 수집부; 상기 포인트 클라우드 정보들을 그룹화하여 복수의 단위 클라우드 그룹을 생성하는 그룹 생성부; 및 상기 복수의 단위 클라우드 그룹별로 각각에 대응되는 대응 포인트 클라우드 정보들을 정규 분포로 표현하여 확률 분포 정보를 생성하여, 상기 포인트 클라우드 정보들이 압축된 형태를 갖는 ND(Normal Distribution) 맵을 구축하는 맵 구축부를 포함하는 것을 특징으로 하는 ND 맵 생성장치를 제공한다.
또한, 본 실시예의 다른 측면에 의하면, 차량의 현재 위치를 감지하고, 상기 현재 위치에 상응하여 압축된 형태의 포인트 클라우드 정보에 기반하는 ND(Normal Distribution) 맵을 다운로드 하는 과정; 라이다 장치를 이용하여 주변환경에 대한 포인트 클라우드 정보들을 수집하고, 수집한 포인트 클라우드 정보를 기반으로 상기 ND 맵 내에서의 변경 사항을 감지하는 과정; 상기 변경 사항에 상응하는 압축된 형태의 포인트 클라우드 정보를 클라우드 서버로 업로딩하는 과정; 및 상기 변경 사항을 반영하여 상기 클라우드 서버 내 기 저장된 ND 맵을 업데이트하는 과정을 포함하는 것을 특징으로 하는 ND 맵을 이용한 맵 업데이트 방법을 제안한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 포인트 클라우드 정보에 대한 손실 압축을 통해 그 크기를 감소시킨 ND 맵을 생성하여 측위하는 데 사용하고, 이를 기반으로, 손실 압축된 포인트 클라우드 정보 상에서 변화점을 찾아 업데이트시킴으로써 자율 주행 과정에서의 위치 추적에 대한 정확도 향상을 위한 맵 모델링 과정이 보다 효율적으로 이루어질 수 있도록 하는 효과가 있다.
도 1은 본 실시예에 따른 ND 맵을 이용한 맵 업데이트 방법을 설명하기 위한 개념도이다.
도 2는 본 실시예에 따른 ND 맵 생성장치를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 실시예에 따른 ND 맵 생성방법을 설명하기 위한 순서도이다.
도 4는 본 실시예에 따른 ND 맵 구조를 설명하기 위한 도면이다.
도 5 내지 도 6은 본 실시예에 따른 측지 타일 시스템을 활용한 ND 맵 구축방법을 설명하기 위한 도면이다.
도 7은 본 실시예에 따른 ND 맵 생성방법에 따른 효과를 설명하기 위한 도면이다.
이하, 본 발명의 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 ND 맵을 이용한 맵 업데이트 방법을 설명하기 위한 개념도이다. 한편, 도 1은, 동적 및 맵 변경 환경에서 크라우드 소싱된 데이터를 기반으로 하는 맵 업데이트 시스템의 아키텍처를 도시하였다.
도 1에 도시하듯이, 본 실시예에 따른 맵 업데이트 시스템(100)은 차량 측(클라이언트)와 클라우드 측(서버)에 상응하는 두 가지 물리적 구성요소를 포함하여 이루어진다. 보다 자세하게는, 차량 측의 구성요소는 측위 장치일 수 있으며, 클라우드 측의 구성요소는 측위 서버일 수 있다.
도 1을 참조하면, 지능형 차량은 라이다 장치를 이용하여 주변환경에 대한 포인트 클라우드 정보들을 수집하고, 수집한 포인트 클라우드 정보를 기반으로 클라우드 측으로부터 다운로드한 맵 모델 내에서의 변경 사항을 감지할 수 있다.
지능형 차량은 변경 사항에 상응하는 포인트 클라우드 정보를 클라우드 측으로 업로드하며, 클라우드 측에서 서버는 맵 데이터의 변경 사항을 HD 맵으로 업데이트한다.
본 실시예에 따른 맵 업데이트 시스템(100)의 경우 압축된 형태의 포인트 클라우드 정보에 기반하는 ND(Normal Distribution) 맵을 활용한 새로운 형태의 맵 업데이트 방법을 제안한다.
즉, 본 실시예에 따른 맵 업데이트 프로세스에 의하는 경우 포인트 클라우드 정보에 대한 손실 압축을 통해 그 크기를 감소시킨 ND 맵을 생성하여 측위하는 데 사용하고, 이를 기반으로, 손실 압축된 포인트 클라우드 정보 상에서 변화점을 찾아 업데이트시킴으로써 자율 주행 과정에서의 위치 추적에 대한 정확도 향상을 위한 맵 모델링 과정이 보다 효율적으로 이루어질 수 있도록 하는 효과가 있다
보다 자세하게는, 본 실시예에 따른 ND 맵을 활용하는 경우 종래의 포인트 클라우드 맵을 활용하는 경우 대비 데이터의 크기를 감소시킬 수 있으며, 이를 통해, 맵 업데이트 프로세스 내 업로딩 및 다운로딩 과정에서 전송되는 포인트 클라우드 정보의 크기로 인해 발생하였던 네트워크 부하와 관련한 문제를 해결할 수 있다.
본 실시예에 따른, 맵 업데이트 시스템(100)의 맵 업데이트 프로세스는 크게 1) Downloading, 2) Hiererchical SLAM, 3) Change Detection, 4) Uploading 및 5) Update의 5 단계로 이루어질 수 있다. 여기서, 맵 업데이트 프로세스는 반드시 이에 한정되는 것은 아니다.
단계 1은 차량 측에서 클라우드 측으로부터 ND 맵을 다운로딩하는 과정에 해당한다.
본 실시예에 있어서, ND 맵은 클라우드 측으로부터 직접 다운로딩될 수 있지만, 바람직하게는, HD(High-Definition) 맵을 다운로딩함으로써 수집될 수 있다.
HD 맵은 맵 제공자에 따라 도로 토폴로지 계층, 지오메트리 계층, 차선 계층 및 교통 제어 장치 계층과 같은 다중 맵 계층으로 구성될 수 있다. 본 실시예에 따른 ND 맵은 HD 맵의 맵 레이어 중 하나의 레이어로서 제공될 수 있으며, 도로 환경에 대한 기하학적 모양 정보를 여러 정규 분포 모델로 저장하여 제공할 수 있다.
한편, 차량은 GNSS를 통해 차량의 현재 위치를 감지하고, 감지된 현재 위치에 상응하는 ND 맵을 다운로딩한다.
단계 2는 동시다발적 지역화와 매핑(Simultaneous localization and mapping, SLAM)을 사용해서 주변을 탐색하고 지도를 만드는 과정에 해당된다.
단계 2에서 차량은 주행 중 SLAM을 사용해 자신만의 지도를 제작한다. 또한 수집한 센서 데이터와 이전에 경로 탐색을 위해 수집했던 센서 데이터를 결합해 스스로의 위치를 파악할 수 있다.
단계 3은 차량에 부착된 센서를 통해 수집된 센싱 데이터를 기반으로 한 변경 사항 감지 과정에 해당된다.
본 실시예에 있어서, 차량은 라이다 장치를 이용하여 주변환경에 대한 포인트 클라우드 정보들을 수집하고, 수집한 포인트 클라우드 정보를 기반으로 상기 ND 맵 내에서의 변경 사항을 감지한다.
예컨대, 본 실시예의 경우, ND 맵 상에 바운드리를 정하고, 해당 바운더리에 대하여 수집되는 포인트 클라우드 정보를 기반한 확률 정보를 계산하여 ND 맵 내에서의 변경 사항을 감지할 수 있다.
단계 4는 단계 3에서 감지한 변경 사항을 클라우드 측으로 업로딩하는 과정에 해당된다.
단계 4에서, 차량은 단계 3의 변경 사항에 상응하는 포인트 클라우드 정보를 클라우드 측으로 업로딩할 수 있다.
한편, 본 실시예의 경우 클라우드 측으로 업로딩되는 포인트 클라우드 정보는 ND 맵 내에서의 변화점과 관련한 정보이며, 이에, 해당 포인트 클라우드 정보 또한 손실 압축된 포인트 클라우드 정보일 수 있다. 이는, 곧, 업로딩 과정에서 포인트 클라우드 정보의 크기로 인해 발생 가능한 네트워크 부하와 관련한 문제를 사전에 방지할 수 있음을 의미한다.
단계 5는 단계 4에서 업로딩된 변경 사항을 반영한 업데이트 과정에 해당된다.
단계 5에서 클라우드 측은 업로딩된 변경 사항을 반영하여 클라우드 서버 내 기 저장된 ND 맵을 업데이트한다.
도 2는 본 실시예에 따른 ND 맵 생성장치를 개략적으로 나타낸 블록 구성도이다.
도 2에 도시하듯이, 본 실시예에 따른 ND 맵 생성장치(200)는 수집부(210), 그룹 생성부(220) 및 맵 구축부(230)를 포함한다. 이때, 본 실시예에 따른 ND 맵 생성장치(200)에 포함되는 구성요소는 반드시 이에 한정되는 것은 아니다.
ND 맵 생성장치(200)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
도 2에 도시된 ND 맵 생성장치(200)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
한편, 이러한, ND 맵 생성장치(200)는 차량 내 측위 장치 내 포함되어 하나의 장치로 구현되거나, 측위 장치와 연동되는 별개의 장치로 구현될 수도 있다.
수집부(210)는 주변환경을 인식하여 주변환경에 대한 포인트 클라우드 정보들을 수집하는 기능을 수행한다. 즉, 수집부(210)는 ND 맵 생성을 위해 현재 위치를 감지하고, 감지된 현재 위치에 상응하는 포인트 클라우드 정보들을 수집한다.
본 실시예에 있어서, 수집부(210)는 차량 내 기 설치된 라이다 장치를 이용하여 현재 위치에 상응하는 포인트 클라우드 정보들을 수집할 수 있다.
다른 실시예에 있어서, 수집부(210)는 클라우드 서버로부터 현재 위치에 상응하는 포인트 클라우드 맵을 다운로딩하는 방식을 통해 상기의 포인트 클라우드 정보들을 수집할 수 있다.
이때, 수집부(210)는 클라우드 서버로부터 바로 현재 위치에 상응하는 포인트 클라우드 맵을 다운로딩 받아 상기의 포인트 클라우드 정보들을 수집할 수도 있지만, 바람직하게는 HD 맵을 다운로딩하고, 이를 통해, 상기의 포인트 클라우드 정보들을 수집할 수 있다. 예컨대, 수집부(210)는 HD 맵의 맵 레이어 중 하나의 레이어로서 제공되는 포인트 클라우드 맵을 통해 상기의 포인트 클라우드 정보들을 수집할 수 있다.
그룹 생성부(220)는 포인트 클라우드 정보들을 그룹화하여 복수의 단위 클라우드 그룹을 생성하는 기능을 수행한다. 한편, 이러한, 그룹 생성부(220)의 단위 클라우드 그룹 생성 과정은 다중 정규 분포(ND)로 구성된 ND 맵 구조 생성을 위해, 다수의 ND에 대한 경계를 분할하는 과정에 해당되며, 이와 관련하여 포인트 클라우드 정보들을 일정 단위로 나누는 동작에 해당한다.
그룹 생성부(220)는 포인트 클라우드 정보들을 복셀 단위를 기반으로 분할하여 복수의 단위 클라우드 그룹을 생성할 수 있다.
즉, 그룹 생성부(220)는 다수의 ND에 대한 경계를 분할하기 위해, 도 4에 도시된 바와 같이, 3 차원 데카르트 좌표에서 동일한 크기의 공간 큐브를 의미하는 복셀(Voxel)을 사용할 수 있다.
예컨대 도 4의 (a)를 참조하면, 그룹 생성부(220)는 주변환경에 대응되는 공간을 복셀 단위로 분류하고, 각 복셀 상에 대응되는 포인트 클라우드 정보들을 위치시킴으로써 포인트 클라우드 정보들을 복셀 단위로 분할할 수 있다.
한편, 본 실시예에 의하는 경우 ND 맵 생성장치(200)는 측지 타일 시스템(Geodetic Quad-Tree Tile System)과 연동하여 기 설정된 타일 단위에 기반한 상기 ND 맵을 구축할 수 있다.
측지 타일 시스템은 세계의 모든 지역에 사용될 수있는 공통 맵 구조를 제공한다
이러한, 측지 타일 시스템에 의하는 경우 세계는 계층적 수준의 타일로 분할되며, 도 5와 같이 상위 레벨 타일은 4개의 하위 레벨 타일로 나뉘어질 수 있다. 예컨대, 전 세계는 레벨 0의 타일로 덮여 있으며 레벨 0의 타일은 도 5의 (a)와 같이 레벨 0의 타일에서 4 개의 영역으로 나눠질 수 있다.
타일에는 각 타일의 고유 식별 번호를 나타내는 타일 ID가 할당될 수 있으며 예컨대, 도 5의 (a)와 같이 왼쪽 하단 타일에서 시계 반대 방향으로 순차적으로 할당될 수 있다.
레벨 2의 타일은 레벨 1의 한 타일에서 4 개의 타일로 분할된다. 도 5의 (b)는 레벨 2의 타일을 별표가 포함 된 레벨 1의 타일 1 개로 나눈 것이다. 레벨 2의 타일 ID는 부모 타일의 타일 ID로 시작한 다음 식별 번호가 도 5의 (b)와 같이 추가된다. 이 과정을 반복함으로써 합리적인 크기의 타일 수준에 도달 할 수 있다.
이러한, 측지 타일 시스템에 의하는 경우, 사용자는 시스템을 기반으로 어디에서나 동일한 방식으로 맵 데이터에 액세스 할 수 있습니다. 즉, HD 맵 또한, 타일 단위로 구역이 나눠질 수 있으며, 이에, 본 실시예에 따른 ND 맵 생성장치(200)에서 수집되는 포인트 클라우드 맵 또한 타일 단위로 구역이 나눠질 수 있다.
이 점에 기인하여, 본 실시예의 경우 타일 기반의 ND 맵(이하, TND(Tiled Normal Distribution)으로 명시하도록 한다)를 생성 가능하며, 이에, 다수의 ND에 대한 경계를 분할하기 위한 복수의 단위 클라우드 그룹 생성 과정에서 타일 단위로 포인트 클라우드 정보들을 나눌 수 있다. 즉, 그룹 생성부(220)는 주변환경에 대응되는 공간을 기 설정된 타일 단위를 기반으로 분할하고, 각 타일에 대응되는 공간을 복셀 단위로 분류할 수 있다.
예컨대, 도 6을 참조하면, Mmap으로 정의되는 TND 맵은 측지 타일 시스템의 타일 구조와 ND 맵의 구조가 통합되어 이루어진 것을 확인할 수 있다.
타일 레벨 20의 측지 타일 시스템을 기반으로 월드는 동일 각도 사이즈 360°/ 220
Figure 112020109631602-pat00001
3.433 × 10-4°의 다수의 타일 {Mq map│1≤q≤Q}로 분할된다. 여기서, Q는 타일 레벨 20의 최대 타일 ID를 나타낸다.
타일 Mq map 내 맵 정보를 나타내기 위해 맵 구조에 동쪽, 북쪽 및 높이의 세 방향으로 구성된 데카르트 좌표가 적용될 수 있다. 데카르트 좌표의 원점 O는 도 6에 도시된 바와 같이 타일 Mq map의 중심으로 설정될 수 있다.
여기서, TND 맵의 타일 Mq map는 ND 맵 구조와 유사하게 다수의 TND 복셀로 구성될 수 있다.
맵 구축부(230)는 복수의 단위 클라우드 그룹별로 각각에 대응되는 대응 포인트 클라우드들을 정규 분포로 표현하여 확률 분포 정보를 생성하며, 이러한 3차원 모델링 과정을 통해, 포인트 클라우드 정보들이 압축된 형태를 갖는 ND 맵을 구축하는 기능을 수행한다.
즉, 도 4의 (b)를 참조하면, 본 실시예에 따른, 맵 구축부(230)는 복수의 단위 클라우드 그룹별로 대응 포인트 클라우드 정보들이 정규 분포인 것으로 가정하여 대응 포인트 클라우드 정보들의 분포에 대해 평균 및 분산으로 이루어진 확률 분포 정보를 생성한다.
한편, 맵 구축부(230)가 복수의 단위 클라우드 그룹별 즉, 복셀 단위별 대응되는 포인트 클라우드 정보들을 정규 분포로 표현하는 과정에서 산출되는 각 복셀 내 모든 포인트 클라우드 정보들에 대한 평균 및 분산은 수학식 1 및 수학식 2와 같다.
Figure 112020109631602-pat00002
Figure 112020109631602-pat00003
여기서 {Pk│k=1, …, Ni}은 복셀 인덱스 i의 복셀 경계 내 Ni 개의 포인트 클라우드 정보(이하, 포인트로 명시하여 설명하도록 한다)를 의미한다.
이때, 포인트 Pk와 평균 ui는 세 개의 요소(element)를 갖는 열 벡터이며, 분산 ∑i는 3 x 3 대칭 행렬로 이루어진다. 즉, 본 실시예에 따른 확률 분포 정보는 평균 3개와 분산 6개로 이루어지며, 총 9개의 좌표 정보를 이용하여 복셀 공간 내의 대응 포인트 클라우드 정보들의 분포에 대한 정보를 표현한다. 한편, 이러한, 확률 분포 정보는 복셀 내 포인트의 수가 5개 이상이 경우에 대해 구성될 수 있다. 이는 낮은 포인트에 의한 정규 분포는 노이즈에 의해 취약할 수 있기 때문이다.
한편, 위와 같은 확률 분포 정보에 따라, 압축된 형태의 포인트 클라우드 정보를 기반으로 하여 구현되는 ND 맵의 경우 종래의 포인트 클라우드 정보를 기반으로 구현되는 포인트 클라우드 맵 대비 작은 크기를 갖는 다는 점에서 장점이 존재한다.
종래의 포인트 클라우드 맵에 있어서 포인트에 대한 위치 및 색상 정보는 4-byte float 그리고, 1 byte unsigned char data type으로 저장된다. 따라서 N개의 포인트로 구성된 포인트 클라우드 맵의 경우 총 (N × (3 × 4 + 4))= N × 16 바이트가 저장되게 된다.
반면에, 본 실시예에 따른 ND 맵의 경우 각 복셀의 평균점에 대한 위치는 3 float(4-byte) 변수로 저장되며, 분산은 6 float(4-byte) 변수로 저장된다. 또한, 포인트 수는 하나의 unsigned int(4 바이트) 변수로 저장된다. 따라서, 하나의 복셀은 각각 (3 × 4 + 6 × 4 + 4) = 40 바이트를 차지한다. 일반적으로, 포인트의 크기가 5보다 크기 때문에, 복셀의 정규 분포의 데이터 크기는 복셀의 포인트 데이터 크기보다 작은 값을 갖는다. 즉, data size of point Cloud: Ni × 16 ＞ data size of mormal distribution: 40을 만족하게 된다.
따라서, PCD 맵 구조를 PCD 맵 구조를 ND 맵 구조로 변환함으로써, 데이터 크기는 적어도 절반 이상 감소 될 수 있다. 예컨대, 도 7을 참조하면, 얇은 선과 굵은 선은 각각 PCD 맵과 타일 기반 ND 맵인 TND 맵의 맵 크기 확인할 수 있다. 즉, 서버에서 다운로드 한 PCD 맵의 총 크기는 4.8446 MB인 반면, 같은 지역에 대한 TND 맵의 총 크기는 0.4814 MB로 TND 맵의 맵 크기는 PCD 맵 크기에서 9.93 %로 크게 줄었든 것을 확인할 수 있다.
도 3은 본 실시예에 따른 ND 맵 생성방법을 설명하기 위한 순서도이다.
ND 맵 생성장치(200)는 주변환경을 인식하여 주변환경에 대한 포인트 클라우드 정보들을 수집한다(S302). 단계 S302에서 ND 맵 생성장치(200)는 차량 내 기 설치된 라이다 장치를 이용하여 현재 위치에 상응하는 포인트 클라우드 정보들을 수집하거나, 클라우드 서버로부터 현재 위치에 상응하는 포인트 클라우드 맵을 다운로딩하는 방식을 통해 포인트 클라우드 정보들을 수집할 수 있다.
ND 맵 생성장치(200)는 단계 S302의 포인트 클라우드 정보들을 그룹화하여 복수의 단위 클라우드 그룹을 생성한다(S304). 단계 S304에서 ND 맵 생성장치(200)는 포인트 클라우드 정보들을 복셀 단위를 기반으로 분할하여 복수의 단위 클라우드 그룹을 생성할 수 있다.
또한, ND 맵 생성장치(200)는 측지 타일 시스템과 연동하여 기 설정된 타일 단위에 기반한 ND 맵을 구축 시에는 타일 단위로 포인트 클라우드 정보들을 나눌 수 있다. 즉, ND 맵 생성장치(200)는 주변환경에 대응되는 공간을 기 설정된 타일 단위를 기반으로 분할하고, 각 타일에 대응되는 공간을 복셀 단위로 분류할 수 있다.
ND 맵 생성장치(200)는 복수의 단위 클라우드 그룹별로 각각에 대응되는 대응 포인트 클라우드 정보들을 정규 분포로 표현하여 확률 분포 정보를 생성하고, 이를 통해, 포인트 클라우드 정보들이 압축된 형태를 갖는 ND 맵을 구축한다(S306). 단계 S306에서 ND 맵 생성장치(200)는 복수의 단위 클라우드 그룹별로 대응 포인트 클라우드 정보들이 정규 분포인 것으로 가정하여 대응 포인트 클라우드 정보들의 분포에 대해 평균 및 분산으로 이루어진 확률 분포 정보를 생성한다.
여기서, 단계 S302 내지 S306은 앞서 설명된 ND 맵 생성장치(200)의 각 구성요소의 동작에 대응되므로 더 이상의 상세한 설명은 생략한다.
도 3에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 3에 기재된 과정을 변경하여 실행하거나 하나 이상의 과정을 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 3에 기재된 ND 맵 생성방법은 프로그램으로 구현되고 컴퓨터의 소프트웨어를 이용하여 읽을 수 있는 기록매체(CD-ROM, RAM, ROM, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등)에 기록될 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 맵 업데이트 시스템 200: ND 맵 생성장치
210: 수집부 220: 그룹 생성부
230: 맵 구축부

Claims (10)

  1. 주변환경을 인식하여 상기 주변환경에 대한 포인트 클라우드 정보들을 수집하는 단계;
    상기 포인트 클라우드 정보들을 그룹화하여 복수의 단위 클라우드 그룹을 생성하는 단계;
    상기 복수의 단위 클라우드 그룹별로 각각에 대응되는 대응 포인트 클라우드 정보들을 정규 분포로 표현하여 확률 분포 정보를 생성하여, 상기 포인트 클라우드 정보들이 압축된 형태를 갖는 ND(Normal Distribution) 맵을 구축하는 단계;
    차량의 현재 위치를 감지하여, 상기 현재 위치에 상응하여 압축된 형태의 포인트 클라우드 정보에 기반하는 클라우드 서버 내 기 저장된 ND 맵을 다운로드 하는 단계;
    상기 구축하는 단계에서 구축된 ND 맵과 다운로드된 ND 맵을 비교하여, 상기 다운로드된 ND 맵 내에서의 변경 사항을 감지하는 단계;
    상기 변경 사항에 상응하는 압축된 형태의 포인트 클라우드 정보를 상기 클라우드 서버로 업로딩하는 단계; 및
    상기 변경 사항을 기초로, 상기 클라우드 서버 내 기 저장된 ND 맵을 업데이트하는 단계
    를 포함하는 것을 특징으로 하는 ND 맵 생성방법.
  2. 제 1항에 있어서,
    상기 수집하는 단계는,
    상기 클라우드 서버로부터 제공받은 포인트 클라우드 맵 혹은 상기 차량 내 기 설치된 라이다 장치를 이용하여 상기 주변환경에 대한 포인트 클라우드 정보들을 수집하는 것을 특징으로 하는 ND 맵 생성방법.
  3. 제 1항에 있어서,
    상기 생성하는 단계는,
    상기 포인트 클라우드 정보들을 복셀 단위를 기반으로 분할하여 상기 복수의 단위 클라우드 그룹을 생성하는 것을 특징으로 하는 것을 특징으로 하는 ND 맵 생성방법.
  4. 제 3항에 있어서,
    상기 생성하는 단계는,
    상기 주변환경에 대응되는 공간을 복셀 단위로 분류 하고, 각 복셀 상에 대응되는 포인트 클라우드 정보들을 위치시켜 상기 포인트 클라우드 정보들을 복셀 단위로 분할하는 것을 특징으로 하는 ND 맵 생성방법.
  5. 제 4항에 있어서,
    상기 구축하는 단계는,
    측지 타일 시스템(Geodetic quad-tree tile system)과 연동하여 기 설정된 타일 단위에 기반한 상기 ND 맵을 구축하는 것을 특징으로 하는 ND 맵 생성방법.
  6. 제 5항에 있어서,
    상기 생성하는 단계는,
    상기 주변환경에 대응되는 공간을 기 설정된 타일 단위를 기반으로 분할하고, 각 타일에 대응되는 공간을 상기 복셀 단위로 분류하는 것을 특징으로 하는 ND 맵 생성방법.
  7. 제 1항에 있어서,
    상기 구축하는 단계는,
    상기 복수의 단위 클라우드 그룹별로 상기 대응 포인트 클라우드 정보들이 상기 정규 분포인 것으로 가정하여 상기 대응 포인트 클라우드 정보들의 분포에 대해 평균 및 분산으로 이루어진 상기 확률 분포 정보를 생성하는 것을 것을 특징으로 하는 ND 맵 생성방법.
  8. 제 7항에 있어서,
    상기 확률 분포 정보는,
    평균 3개와 분산 6개로 이루어지며, 총 9개의 좌표 정보를 이용하여 복셀 공간 내의 상기 대응 포인트 클라우드 정보들의 분포에 대한 정보를 표현하는 것을 특징으로 하는 ND 맵 생성방법.
  9. 주변환경을 인식하여 상기 주변환경에 대한 포인트 클라우드 정보들을 수집하는 수집부;
    상기 포인트 클라우드 정보들을 그룹화하여 복수의 단위 클라우드 그룹을 생성하는 그룹 생성부;
    상기 복수의 단위 클라우드 그룹별로 각각에 대응되는 대응 포인트 클라우드 정보들을 정규 분포로 표현하여 확률 분포 정보를 생성하여, 상기 포인트 클라우드 정보들이 압축된 형태를 갖는 ND(Normal Distribution) 맵을 구축하는 맵 구축부; 및
    변경부를 포함하되,
    상기 변경부는,
    차량의 현재 위치를 감지하여, 상기 현재 위치에 상응하여 압축된 형태의 포인트 클라우드 정보에 기반하는 클라우드 서버 내 기 저장된 ND 맵을 다운로드 하고,
    구축된 ND 맵과 다운로드된 ND 맵을 비교하여, 상기 다운로드된 ND 맵 내에서의 변경 사항을 감지하고,
    상기 변경 사항에 상응하는 압축된 형태의 포인트 클라우드 정보를 상기 클라우드 서버로 업로딩하며,
    상기 변경 사항을 기초로, 상기 클라우드 서버 내 기 저장된 ND 맵을 업데이트하는 것을 특징으로 하는 ND 맵 생성장치.
  10. 삭제
KR1020200134260A 2020-10-16 2020-10-16 Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법 KR102408981B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200134260A KR102408981B1 (ko) 2020-10-16 2020-10-16 Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200134260A KR102408981B1 (ko) 2020-10-16 2020-10-16 Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법

Publications (2)

Publication Number Publication Date
KR20220050507A KR20220050507A (ko) 2022-04-25
KR102408981B1 true KR102408981B1 (ko) 2022-06-14

Family

ID=81451979

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200134260A KR102408981B1 (ko) 2020-10-16 2020-10-16 Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법

Country Status (1)

Country Link
KR (1) KR102408981B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230151169A (ko) 2022-04-25 2023-11-01 주식회사 엘지에너지솔루션 교체형 배터리 모듈
CN117739954A (zh) * 2024-02-07 2024-03-22 未来机器人（深圳）有限公司 地图局部更新方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101079475B1 (ko) * 2011-06-28 2011-11-03 (주)태일아이엔지 포인트 클라우드 필터링을 이용한 3차원 도시공간정보 구축 시스템
US20170123066A1 (en) * 2011-12-21 2017-05-04 Robotic paradigm Systems LLC Apparatus, Systems and Methods for Point Cloud Generation and Constantly Tracking Position
KR102083482B1 (ko) * 2018-12-13 2020-03-02 국민대학교산학협력단 라이다 기반의 차량주행 가능영역 검출장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101079475B1 (ko) * 2011-06-28 2011-11-03 (주)태일아이엔지 포인트 클라우드 필터링을 이용한 3차원 도시공간정보 구축 시스템
US20170123066A1 (en) * 2011-12-21 2017-05-04 Robotic paradigm Systems LLC Apparatus, Systems and Methods for Point Cloud Generation and Constantly Tracking Position
KR102083482B1 (ko) * 2018-12-13 2020-03-02 국민대학교산학협력단 라이다 기반의 차량주행 가능영역 검출장치 및 방법

Also Published As

Publication number Publication date
KR20220050507A (ko) 2022-04-25

Similar Documents

Publication Publication Date Title
CN108763287B (zh) 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法
CN110914777B (zh) 用于自主车辆的高清地图以及路线存储管理系统
CN110869981B (zh) 用于自主车辆的高清晰度地图数据的向量数据编码
JP6595182B2 (ja) マッピング、位置特定、及び姿勢補正のためのシステム及び方法
CN112417965B (zh) 激光点云处理方法、电子装置和存储介质
Brenner Extraction of features from mobile laser scanning data for future driver assistance systems
CN111542860A (zh) 用于自主车辆的高清地图的标志和车道创建
JP2019527832A (ja) 正確な位置特定およびマッピングのためのシステムおよび方法
US11232582B2 (en) Visual localization using a three-dimensional model and image segmentation
CN103703490A (zh) 用于产生三维特征数据的设备、用于产生三维特征数据的方法、以及其上记录有用于产生三维特征数据的程序的记录介质
KR102118357B1 (ko) 모바일 맵핑 또는 자율 주행용 플랫폼과 관측 데이터의 구조화를 위한 시스템
CN102831646A (zh) 一种基于扫描激光的大尺度三维地形建模方法
CN111133334A (zh) 用于基于雷达测量绘制地图和定位车辆的方法和系统
KR102408981B1 (ko) Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법
CN112703368B (zh) 车辆定位的方法和装置、定位图层生成的方法和装置
US11798225B2 (en) 3D building generation using topology
KR102127679B1 (ko) 정사영상에 기반한 센서 탑재 이동형 플랫폼의 기하 보정 시스템
KR102371852B1 (ko) 포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치
CN113822944B (zh) 一种外参标定方法、装置、电子设备及存储介质
US20210089506A1 (en) Method and device for creating a localization map
Tse et al. 3D city modelling from LIDAR data
KR102130687B1 (ko) 다중 센서 플랫폼 간 정보 융합을 위한 시스템
CN114543788B (zh) 结构非结构环境通用的多层全局感知地图构建方法及系统
CN115494533A (zh) 车辆定位方法、装置、存储介质及定位系统
CN113227713A (zh) 生成用于定位的环境模型的方法和系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant