KR102445846B1 - 장애물 추적 시스템 및 장애물 추적 방법 - Google Patents

Abstract

본 발명은 장애물 추적 시스템 및 장애물 추적 방법에 관한 것이다.
이러한 본 발명은, 레이저 센서로부터 스캔되는 데이터 포인트들을 수신하고, 상기 데이터 포인트들을 기 설정된 밀도 조건에 따라 클러스터로 지정하여 상기 클러스터에 관한 그룹정보를 생성하는 밀도 기반 클러스터링 모듈; 및 상기 데이터 포인트들을 수신하고, 상기 데이터 포인트들이 형성하는 라인이 기 설정된 길이를 초과할 경우 정적 장애물로 지정하여 상기 정적 장애물에 관한 선정보를 생성하는 가중선 추출 모듈;을 포함한다.

Description

장애물 추적 시스템 및 장애물 추적 방법{OBSTACLE TRACKING SYSTEM AND OBSTACLE TRACING METHOD}

본 발명은 장애물 추적 시스템 및 장애물 추적 방법에 관한 것이다.

자율 주행 로봇(Autonomous Mobile Robot, AMR)은 GPS 장치, 카메라, 레이저 등을 활용하여 스스로 주변을 살피고 장애물을 감지하면서 바퀴나 다리를 이용하여 최적 경로를 선택하여 목적지까지 찾아가는 로봇을 의미하는데, 청소기 등 다양한 분야에서 이용되고 있는 것이다.

이러한 자율 주행 로봇은 현장에서 이동하는 과정 중에 벽, 이동하는 물체와 같은 장애물들과 충돌을 회피하기 위한 기술이 요구된다.

한편 종래 기술인, 등록특허 제10-1532320호(제목 : 자율주행 무인차량에 탑재된 쌍안카메라를 이용한 동적물체 검출방법 및 'Mane, S.B. and Vhanale, S. (2016), "Real time obstacle detection for mobile robot navigation using stereo vision", 2016 International Conference on Computing, Analytics and Security Trends (CAST), India, 19-21 December 2016, pp. 637-642.' 등에는 카메라를 이용한 장애물 검출 방법이 개시되어 있다.

그러나 이러한 카메라를 이용한 장애물 검출 방법은 검출되는 장애물의 색상, 투명한 표면 또는 햇빛에 영향을 받아 장애물 검출이 정확하지 않다는 문제점이 있었다.

또한 종래기술인 'Ismaiel, A. and Filimonov, M.Y. (2020), "Rotating range sensor approached for mobile robot obstacle detection and collision avoidance applications", in Pasheva, V., Popivanov, N. and Venkov, G. (Eds), Applications of Mathematics in Engineering and Economics, AMEE 2020: Proceedings of the 46th International Conference "Applications of Mathematics in Engineering and Economics" [130001] (AIP Conference Proceedings; Vol. 2333), American Institute of Physics Inc., doi: 10.1063/5.0041746.'은 상기한 카메라를 이용한 장애물 검출 방식의 단점을 보완하기 위해 초음파를 사용한 것이다. 그러나 초음파를 이용하여 장애물을 검출하는 방식은 감지 범위가 제한되어 있어 넓은 장소에서 사용하기 적합하지 않다는 문제점 등이 있었다.

본 발명은 상기 문제점을 해결하기 위해 안출된 것으로, 공장과 같은 넓은 장소에서 사용하기 적합하며, 장애물의 색상, 표면 및 햇빛 등에 상관없이 장애물을 보다 정확하게 검출할 수 있는 장애물 추적 시스템 및 장애물 추적 방법의 제공을 목적으로 한다.

또한 본 발명은 데이터를 단순화 하여 데이터 연산을 보다 효율 적으로 수행하도록 하고, 이에 따라 데이터 처리를 위한 장비를 최소화 하여 보다 경제적인 장애물 추적 시스템 및 장애물 추적 방법의 제공을 목적으로 한다.

또한 본 발명은 벽과 이동 할 수 있는 장애물을 파악하여 자율 주행 로봇과 이러한 장애물들이 충돌하는 것을 회피(억제)할 수 있는 장애물 추적 시스템 및 장애물 추적 방법의 제공을 목적으로 한다.

또한 본 발명은 이전에 검출하여 저장된 데이터를 활용하여 장애물 검출을 보다 정확하게 수행할 수 있는 장애물 추적 시스템 및 장애물 추적 방법의 제공을 목적으로 한다.

상기 과제의 해결을 목적으로 하는 본 발명은 다음의 구성 및 특징을 갖는다.

레이저 센서로부터 스캔되는 데이터 포인트들을 수신하고, 상기 데이터 포인트들을 기 설정된 밀도 조건에 따라 클러스터로 지정하여 상기 클러스터에 관한 그룹정보를 생성하는 밀도 기반 클러스터링 모듈; 및 상기 데이터 포인트들을 수신하고, 상기 데이터 포인트들이 형성하는 라인이 기 설정된 길이를 초과할 경우 정적 장애물로 지정하여 상기 정적 장애물에 관한 선정보를 생성하는 가중선 추출 모듈;을 포함한다.

또한 상기 선정보를 수신하고, 상기 정적 장애물과 기 저장된 정적 장애물이 이루는 각도가 기 설정된 기준 각도 미만일 경우 하나로 병합하여 통합 정적 장애물로 지정하여 통합 정적 장애물에 관한 병합선정보를 생성하는 통합부를 포함하는 가공 모듈;을 포함할 수 있다.

또한 상기 그룹정보 및 상기 선정보를 수신하고, 상기 정적 장애물의 시작점과 상기 클러스터까지의 제1거리가 상기 정적 장애물의 시작점과 끝점까지의 거리인 제2거리보다 작은 제1조건, 상기 정적 장애물의 끝점과 상기 클러스터까지의 제3거리가 상기 제2거리보다 작은 제2조건, 및 상기 클러스터와 상기 정적 장애물의 거리인 제3거리가 기 설정된 임계 거리보다 작은 제3조건 중 적어도 하나에 해당 할 경우 상기 클러스터를 노이즈로 지정하여 노이즈정보를 생성하는 노이즈지정부를 포함하는 가공 모듈;을 포함할 수 있다.

또한 상기 그룹정보 및 상기 선정보를 수신하고, 상기 정적 장애물의 시작점과 상기 클러스터까지의 제1거리가 상기 정적 장애물의 시작점과 끝점까지의 거리인 제2거리보다 작은 제1조건, 상기 정적 장애물의 끝점과 상기 클러스터까지의 제3거리가 상기 제2거리보다 작은 제2조건, 및 상기 클러스터와 상기 정적 장애물의 거리인 제3거리가 기 설정된 임계 거리보다 작은 제3조건에 해당 할 경우 상기 클러스터를 노이즈로 지정하여 노이즈정보를 생성하는 노이즈지정부를 포함하는 가공 모듈;을 포함할 수 있다.

또한 상기 그룹정보를 수신하고, 상기 데이터 포인트들 중 상기 클러스터에 지정되지 않은 것을 노이즈로 지정하는 노이즈지정부를 포함하는 가공 모듈;을 포함할 수 있다.

레이저 센서로부터 스캔된 데이터 포인트들을 수신하여 기 설정된 밀도 조건에 따라 클러스터로 지정하고, 상기 클러스터에 관한 그룹정보를 생성하는 단계(S10); 및 상기 데이터 포인트들을 수신하고, 상기 데이터 포인트들이 형성하는 라인이 기 설정된 길이를 초과하는 경우 정적 장애물로 지정하고 상기 정적 장애물에 관한 선정보를 생성하는 단계(S20);를 포함한다.

또한 상기 선정보를 수신하고, 상기 정적 장애물과 기 저장된 정적 장애물이 이루는 각도가 기 설정된 기준 각도 미만일 경우 하나로 병합하여 통합 정적 장애물로 지정하고, 상기 정적 장애물에 관한 병합선정보를 생성하는 단계(S31)를 포함하는 가공 단계(S30);를 포함할 수 있다.

또한 상기 그룹정보 및 상기 선정보를 수신하고, 상기 정적 장애물의 시작점과 상기 클러스터까지의 제1거리가 상기 정적 장애물의 시작점과 끝점까지의 거리인 제2거리보다 작은 제1조건, 상기 정적 장애물의 끝점과 상기 클러스터까지의 제3거리가 상기 제2거리보다 작은 제2조건, 및 상기 클러스터와 상기 정적 장애물의 거리인 제3거리가 기 설정된 임계 거리보다 작은 제3조건 중 적어도 하나에 해당 할 경우 상기 클러스터를 노이즈로 지정하여 노이즈에 관한 노이즈정보를 생성하는 단계(S321)를 포함하는 가공 단계(S30);를 포함할 수 있다.

또한 상기 정적 장애물의 시작점과 상기 클러스터까지의 제1거리가 상기 정적 장애물의 시작점과 끝점까지의 거리인 제2거리보다 작은 제1조건, 상기 정적 장애물의 끝점과 상기 클러스터까지의 제3거리가 상기 제2거리보다 작은 제2조건, 및 상기 클러스터와 상기 정적 장애물의 거리인 제3거리가 기 설정된 임계 거리보다 작은 제3조건일 경우 상기 클러스터를 노이즈로 지정하고 상기 노이즈에 관한 노이즈정보를 생성하는 단계(S322)를 포함하는 가공 단계(S30);를 포함할 수 있다.

또한 상기 그룹정보를 수신하고, 상기 데이터 포인트들 중 상기 클러스터에 지정되지 않은 것을 노이즈로 지정하고 상기 노이즈에 관한 노이즈정보를 생성하는 단계(S33)를 포함하는 가공 단계(S30);를 포함할 수 있다.

상기 구성 및 특징을 갖는 본 발명은 공장과 같은 넓은 장소에서 사용하기 적합하며, 장애물의 색상, 표면 및 햇빛 등에 상관없이 장애물을 보다 정확하게 검출할 수 있다는 효과를 갖는다.

또한 본 발명은 데이터를 단순화 하여 데이터 연산을 보다 효율 적으로 수행하도록 하고, 이에 따라 데이터 처리를 위한 장비를 최소화 하여 보다 경제적이라는 효과를 갖는다.

또한 본 발명은 벽과 이동 할 수 있는 장애물을 파악하여 자율 주행 로봇과 이러한 장애물들이 충돌하는 것을 회피(억제)할 수 있다는 효과를 갖는다.

또한 본 발명은 이전에 검출하여 저장된 데이터를 활용하여 장애물 검출을 보다 정확하게 수행할 수 있다는 효과를 갖는다.

도 1은 본 발명의 일 실시예에 따른 장애물 추적 시스템을 설명하기 위한 개략적인 블록도이다.
도 2는 2D 레이저 스캔에 대한 밀도 기반 클러스터링을 설명하기 위한 그림이다.
도 3은 장애물 추적 시스템의 결과를 도시한 그림이다.
도 4는 본 발명의 일 실시예에 따른 장애물 추적 방법을 설명하기 위한 개략적인 흐름도이다.
도 5는 본 시스템의 실험 과정을 설명하기 위한 도면이다.
도 6은 비교예1 및 비교예2에 의해 얻어진 실험 결과를 설명하기 위한 도면이다.
도 7은 본 시스템에 의해 얻어진 실험 결과를 설명하기 위한 도면이다.
도 8은 클러스터(동적 장애물) 추적을 위한 실험 과정을 설명하기 위한 도면이다.
도 9는 비교예1에 의한 클러스터 추적 실험 결과를 설명하기 위한 도면이다.
도 10은 본 시스템에 의한 클러스터 추적 실험 결과를 설명하기 위한 도면이다.
도 11은 비교예1과 본 시스템이 조밀하게 모인 작은 물체를 스캔한 결과를 설명하기 위한 도면이다.
도 12는 자율 주행 로봇이 정적 장애물을 스캔하는 과정을 설명하기 위한 도면이다.
도 13은 도 12 실험 과정을 통한 비교예1, 비교예2, 본 시스템 각각의 실험 결과를 설명하기 위한 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 구현예(態樣, aspect)(또는 실시예)들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 명세서에서 사용한 용어는 단지 특정한 구현예(태양, 態樣, aspect)(또는 실시예)를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, ~포함하다~ 또는 ~이루어진다~ 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 명세서에서 기재한 ~제1~, ~제2~ 등은 서로 다른 구성 요소들임을 구분하기 위해서 지칭할 것일 뿐, 제조된 순서에 구애받지 않는 것이며, 발명의 상세한 설명과 청구범위에서 그 명칭이 일치하지 않을 수 있다.

본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결" 되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다.

도 1은 본 발명의 일 실시예에 따른 장애물 추적 시스템을 설명하기 위한 개략적인 블록도이다.

본 발명의 일 실시예에 따른 장애물 추적 시스템(S)(MoDeT: a low-cost obstacle tracker for self-driving mobile robot navigation using 2D-laser scan, 자율 주행 이동 로봇의 탐색을 위한 2D 레이저 스캔 사용 저렴한 장애물 추적기)은 자율 주행 로봇 등에 사용되어 장애물을 효과적으로 회피하기 위한 것으로서, 이하에서는 설명의 편의상 '본 시스템'이라 칭하기로 한다.

도 1을 참조하면, 본 시스템(본 발명의 일 실시예에 따른 장애물 추적 시스템(S))은 밀도 기반 클러스터링 모듈(1) 및 가중선 추출 모듈(2)을 포함한다.

예를 들어, 본 시스템은 레이저 센서(L)를 포함할 수 있다. 또는 본 시스템은 레이저 센서(L)를 포함하지 않을 수 있다. 상기한 레이저 센서(L)는 예시적으로 2D 라이다(LIDAR) 센서 일 수 있다.

본 시스템에서 레이저 센서(L)를 제외한 후술할 모듈들(밀도 기반 클러스터링 모듈(1), 가중선 추출 모듈(2), 가공 모듈(3), 추적 모듈(4) 등)은 통상의 기술자에게 알려진 다양한 제어 구성(예를 들면, 컴퓨터, 프로세서 등의 다양한 전자 장치 또는 전자 모듈)이 적용될 수 있다. 예시적으로, 본 시스템의 모듈들은 그에 포함된 프로그램이나 알고리즘에 따라 생성된 신호나 명령을 본 시스템의 모듈들, 자율 주행 로봇(AMR) 등에 전달하는 구성일 수 있다. 예를 들어, 본 시스템의 모듈들은 레이저 센서(L) 또는 AMR 등에 포함되거나, 레이저 센서(L) 및 AMR 등과 이웃하는 위치에 레이저 센서(L) 및 AMR 등과는 별도로 구비되어 본 시스템의 모듈들과 유선 또는 무선으로 통신 가능하게 연결될 수 있다.

본 시스템은 상기한 레이저 센서(L)로부터 스캔되는 데이터 포인트들을 수신하는 수신 모듈(0)을 포함할 수 있다.

도 1을 참조하면, 상기한 밀도 기반 클러스터링 모듈(1)과 가중선 추출 모듈(2)은 레이저 센서(L)(수신 모듈(0))로부터 스캔된 데이터 포인터들을 각각 수신하여 입력 받는다.

이와 같이, 본 시스템은 레이저 센서(L)(예시적으로 2D 라이다 센서)로부터 스캔된 데이터 포인트들을 수신하여 이용하기 때문에 종래의 카메라, 초음파 등을 이용하여 장애물을 검출하는 방식과 비교하여 공장과 같은 넓은 장소에서 사용하기 적합하며 장애물의 색상, 표면 그리고 햇빛 등에 영향을 보다 적게 받는다는 이점이 있다.

이때 밀도 기반 클러스터링 모듈(1)은 기 설정된 밀도 조건에 따라 상기한 데이터 포인트들을 클러스터로 지정하여 상기 클러스터에 관한 그룹정보를 생성한다.

상기 밀도 기반 클러스터링 모듈(1)은 DBSCAN(Density-based spatial clustering of application with noise)과 같은 밀도 기반 알고리즘(상기 기 설정된 밀도 조건)을 이용하여 데이터 포인트들을 클러스터로 지정한다.

상기 기 설정된 밀도 조건(DBSCAN)은 이웃 집합((Eps-neighborhood of a point(p)), 직접 밀도-도달가능(Direct density reachable), 밀도-도달가능(Density reachable), 밀도-연결(Density-reachable)과 같은 정의들에 의해 고려될 수 있다.

'이웃 집합((Eps-neighborhood of a point(p))'은 아래 수학식 1로 정의될 수 있다.

[수학식 1]

여기에서 dist(p,q)는 데이터 포인트 'p'와 'q' 사이의 거리를 의미하고, 'dist()'는 유클리드(Euclidean), 하버사인(Harversine)의 거리 함수일 수 있다. 'Eps'는 상술하였듯이 군집화를 위한 최소 거리로서, 임계 거리값을 나타낸다. 또한 수학식 1에서 'D'는 상기 레이저 센서(L)가 스캔한 데이터 포인트들을 의미한다.

아래 수학식 2 및 수학식 3을 만족하면, '직접 밀도-도달가능(Direct density reachable)'의 정의를 만족한다.

[수학식 2]

[수학식 3]

여기에서 'MinPts'는 데이터 포인트들 중 코어 포인트(중심 포인트, Eps 내에 MinPts 보다 많은 개체가 포함된 포인트)에서 Eps 내에 최소 데이터 포인트 수 조건을 의미한다.

그러므로, 데이터 포인트들 중 하나의 코어 포인트 'p'와 클러스터의 경계에 있는(Eps 내에 있는) 하나의 경계 포인트(border point, Eps 내에 MinPts보다 적은 포인트를 포함하고 있지만 적어도 하나는 코어 포인트의 반경에 속하는 포인트)가 'q' 고려되었을 때, 'q'는 'p'로부터 '직접 밀도-도달가능(Direct density reachable)'의 정의를 만족한다.

그러나 'p'는 'q'로부터 '직접 밀도-도달가능'의 정의를 만족하지 않는다. 이러한 경우를 위해 '밀도-도달가능(Density reachable)' 정의를 고려한다.

'밀도-도달가능(Density reachable)' 정의를 보다 구체적으로 설명하면, 데이터 포인트 'P'는 데이터 포인트 a(1),…,a(n)의 체인이고(여기에서 a(1) = q, a(n) = p) a(i+1)가 a(i)에 직접 밀도 도달가능) 정의를 만족할 때(여기에서 a(1) = q, a(n) = p) 데이터 'q'로부터 '밀도-도달가능' 정의를 만족한다.

그러나 두 클러스터의 두 개의 경계 포인트가 각각으로부터 밀도-도달가능 정의를 만족하지 않을 때 후술하는 '밀도-연결(Density-reachable)' 정의가 고려되어야 한다.

'밀도 연결' 정의에 대해 설명하면, 두 데이터 포인트 'p'와 'q'가 어떤 데이터 포인트 'g'로부터 반경(Eps) 내 MinPts 조건 하에 밀도-도달가능 정의를 만족한다면 점 'p'와 'q'는 반경 내 MinPts 조건 하에 '밀도-연결' 정의를 만족한다.

상기한 밀도 기반 클러스터링 모듈(1)은 DBSCAN의 상술한 정의들을 이용하여 데이터 포인트들을 클러스터로 지정하여 그룹정보를 생성한다.

Eps(군집화를 위한 최소 거리)와 MinPts 조건 하에 클러스터 'C'는 다음 조건을 만족하는 데이터 포인트들의 하위 집합이다. 즉, 클러스터 'C'는 데이터 포인트 'q'가 Eps와 MinPts 조건 하에서 'p'와 '밀도-연결가능' 정의를 만족하는 동시에, 'p'가 'C'의 요소이고 'q'가 'C'(∀p, q)의 요소이고, Eps와 MinPts(∀p, q∈C) 조건 하에서 'p'가 'q'의 '밀도-연결' 정의를 만족해야 한다.

이와 같이, 본 시스템은 데이터 포인트들을 기 설정된 밀도 조건 하에 클러스터로 지정하여 상기 클러스터에 관한 그룹정보를 생성함으로써, 처리해야 하는 데이터 정보를 단순화 하여 데이터 처리에 의한 장비를 간소화 할 수 있어 경제적이며 데이터를 보다 빠르게 처리할 수 있다는 이점이 있다.

또한 밀도 기반 클러스터링 모듈(1)은 상기 클러스터를 도 2와 같이, 기하학적 매개변수(Ct, x, y, theta)를 사용하여 타원형의 기하학적 형상을 갖도록 할 수 있다. 여기서 Ct는 타원의 중심점이고, x는 장축, y는 단축일 수 있다. 또한 theta는 타원의 장축과 고정 프레임 축의 각도를 의미할 수 있다.

도 1을 참조하면, 상기 가중선 추출 모듈(2)은 상기 레이저 센서(L)로부터 스캔되는 데이터 포인트들을 상기한 수신모듈(0)로부터 수신할 수 있다. 이때 가중선 추출 모듈(2)은 상기 데이터 포인트들이 형성하는 라인이 기 설정된 길이(Lthres로 예시적으로 1m 일 수 있음)를 초과할 경우 정적 장애물(벽 등)로 지정하여 상기 정적 장애물에 관한 선정보를 생성한다.

벽 등과 같은 정적 장애물은 속도가 0이기 때문에 후술하는 추적 모듈(4)에 의해 연산되는 라인의 속도가 0(m/s)일 경우 상기 가중선 추출 모듈(2)(확장된 가중선 추출 모듈)은 상기 라인을 정적 장애물로 지정하여 상기 정적 장애물에 관한 선정보를 생성할 수 있다.

즉, 가중선 추출 모듈(2)은 라인이 기 설정된 길이를 초과하는 조건 및 속도가 0(m/s)인 조건 중 적어도 하나를 만족하는 경우 상기 라인을 정적 장애물로 지정하여 선정보를 생성할 수 있다.

도 1을 참조하면, 본 시스템은 상기 그룹정보 및 선정보를 수신하여 저장하는 수신저장부(30)를 포함할 수 있다.

도 1을 참조하면, 본 시스템은 상기 선정보 및 그룹정보 중 하나 이상을 가공하는 가공 모듈(3)을 더 포함할 수 있다.

가공 모듈(3)은 상기 수신저장부(30)로부터 상기 선정보를 수신하고, 상기 정적 장애물과 기 저장된 정적 장애물(상기 정적 장애물이 수신된 이전 시점에 수신되어 상기 수신저장부(30)에 기 저장된 정적 장애물)이 이루는 각도가 기 설정된 기준 각도(예시적으로 1°) 미만이고 상호 연결되어 있는 경우(또는 기 설정된 이격 거리 미만일 경우) 하나로 병합하여 통합 정적 장애물로 지정하여 통합 정적 장애물에 관한 병합선정보를 생성하는 통합부(31)를 포함하는 가공 모듈(3)을 포함할 수 있다.

이를 통해 본 시스템에 의해 이전에 감지된 기 저장된 정적 장애물을 활용하여 기 저장된 정적 장애물이 감지된 이후 시점에 감지된 상기 정적 장애물(현재 시점에 스캔된 데이터 포인트들이 형성한 라인)의 정확한 길이를 판단할 수 있다는 이점이 있다.

통합부(31)에서 병합선정보를 생성하지 않은 경우(기 저장된 정적 장애물과 상기 정적 장애물이 분리되어 있거나 상호 이루는 각도가 기 설정된 기준 각도 이상일 경우) 기 저장된 정적 장애물과 상기 정적 장애물(현재 시점에 스캔된 정적 장애물)은 별개의 장애물로 인식된다.

도 1을 참조하면, 상기 가공 모듈(3)은 상기 그룹정보를 수신하고, 상기 데이터 포인트들 중 상기 클러스터에 지정되지 않은 것(어느 하나 이상의 데이터 포인트)을 노이즈로 지정하는 노이즈지정부(32)를 포함할 수 있다.

이와 같이, 본 시스템은 노이즈를 지정하는 노이즈지정부(32)를 포함하여 데이터 정보를 단순화 할 수 있다는 이점이 있다.

도 1을 참조하면, 가공 모듈(3)의 노이즈지정부(32)는 상기 정적 장애물(예시적으로 벽)의 시작점과 클러스터까지(예시적으로 코어 포인트까지)의 제1거리(예시적으로 유클리드 거리)가 상기 정적 장애물의 시작점과 끝점까지의 거리인 제2거리(예시적으로 유클리드 거리)보다 작은 제1조건, 상기 정적 장애물의 끝점과 상기 클러스터까지의 제3거리(예시적으로 유클리드 거리)가 상기 제2거리보다 작은 제2조건, 및 상기 클러스터와 상기 정적 장애물의 거리인 제3거리가 기 설정된 임계 거리(예시적으로 1m)보다 작은 제3조건 중 적어도 하나에 해당할 경우 상기 클러스터를 노이즈로 지정하여 노이즈정보를 생성할 수 있다.

노이즈지정부(32)가 노이즈정보를 생성하는 경우, 노이즈지정부(32)는 상기 노이즈를 삭제하는 등의 방식으로 노이즈를 해소할 수 있다.

상술하였듯이 본 시스템은 밀도 기반 클러스터링 모듈(1)과 가중선 추출 모듈(2)이 수신 모듈(0)로부터 데이터 포인트들을 병렬로 수신하여 병렬로 동작할 수 있는데, 정적 장애물에 존재하는 클러스터를 노이즈로 지정하여 해소함으로써 본 시스템이 처리해야 하는 데이터를 단순화 할 수 있다는 이점이 있다.

상기 노이즈지정부(32)는 상기 제1조건, 제2조건, 및 제3조건을 모두 충족하는 경우 상기 클러스터를 노이즈로 지정하여 노이즈정보를 생성할 수 있다. 이를 통해 상기 정적 장애물의 시작점과 끝점 사이에 있지 않은 클러스터를 노이즈로 지정하는 오류를 최소화 할 수 있다는 이점이 있다.

상술하였듯이 통합부(31)는 병합선정보를 생성한다고 하였는데, 노이즈지정부(32)는 상기 그룹정보와 병합선정보를 수신하고, 상기 통합 정적 장애물의 시작점과 상기 클러스터까지의 제4거리가 상기 통합 정적 장애물의 시작점과 끝점까지의 거리인 제5거리보다 작은 제4조건, 상기 통합 정적 장애물의 끝점과 상기 클러스터까지의 제6거리가 상기 제5거리보다 작은 제5조건, 및 상기 클러스터와 상기 통합 정적 장애물의 거리인 제6거리가 기 설정된 임계 거리보다 작은 제6조건 중 적어도 하나에 해당 할 경우 상기 클러스터를 노이즈로 지정하여 노이즈정보를 생성할 수 있다.

마찬가지로 상기 노이즈지정부(32)는 상기 제4조건, 제5조건, 및 제6조건을 모두 충족하는 경우 상기 클러스터를 노이즈로 지정하여 노이즈정보를 생성할 수 있다.

도 1을 참조하면, 본 시스템은 상기 밀도 기반 클러스터링 모듈(1) 및 가공 모듈(3) 중 어느 하나 이상에서 상기 그룹정보를 수신하고, 상기 장애물(동적 장애물(클러스터), 상기 정적 장애물)을 추적하여 위치, 속도, 가속도에 관한 추적정보를 생성하는 추적 모듈(4)을 포함할 수 있다. 추적정보는 위치, 속도, 가속도 이외에 다른 추가 정보를 포함할 수 있음은 물론이다.

추적 모듈(4)은 공지된 기술인 칼만 필터(41)(Kalman filter)와 GNN(42)(global nearest neighbour)의 조합으로 이루어져 있다.

칼만 필터(41)와 GNN(42)은 공지된 기술이나 이를 간략하게 설명하면, 칼만 트래커(Tracker)(칼만 필터(41)는 아래 수학식 4와 같은 활성 트랙들을 포함한다.

[수학식 4]

여기에서 Nt는 시간 t에서 트랙들의 전체수를 의미한다.

2D 좌표에서 클러스터(동적 장애물)의 위치(x,y), 속도(dx,dy), 가속도(ddx,ddy)는 상태 추정치(아래 수학식 5 참조)로 고려되는 각 칼만 트랙에 사용된다.

[수학식 5]

속도와 가속도 제로(zero)의 집합은 새 트랙을 초기화하는데 사용됩니다. 그리고 등가속도 모션 모델은 모바일 로봇의 작업 환경에서 장애물(예시적으로 클러스터(동적 장애물))이 보통 매끄럽지 않으므로(클러스터의 속도는 일정하지 않다; 그러므로 그것의 가속 상태를 추적할 필요성이 있다) 기존 트랙을 업데이트 하는데 사용된다.

또한 대각 공분산 'Q=qI'을 갖는 가우스 백색 잡음을 사용하여 잡음을 고려한다. 관측 행렬 H에는 장애물의 위치만 포함되며 관측 노이즈는 'R=rI'의 공분산을 갖는다.

칼만 트래커(칼만 필터(41))는 자율 주행 로봇의 작업 환경에서 장애물(클러스터(동적 장애물), 정적 장애물)을 추적하도록 설계되었기 때문에, 현재 스캔에 대한 업데이트된 트랙을 생성하기 위해 이전 스캔의 트랙과 감지값을 어떻게 매치시켜야 하는지에 대한 불확실성이 발생한다.

본 시스템은 멍크레스 할당 알고리즘(Munkres assignment algorithm)(Leigh, A., Pineau, J., Olmedo, N. and Zhang, H.(2015), "Person tracking and following with 2D laser scanners", 2015 IEEE International Conference on Robotics and Automation (ICRA), Washington, DC USA, 2015, pp. 726-733. 참조) 을 기반으로 하는 GNN 데이터 연관 방법을 사용 한다.

먼저, 모든 트랙

에서 시간 t에 대한 추정값

값을 생성한다. 모든 전달된 트랙과 모든 감지값 간의 할당 비용(cost of assignment)을 기반으로 멍크레스 비용 매트릭스(Munkres cost matrix)가 채워진다.

본 시스템에서 감지값

과 전달된 트랙

사이의 마할노비스 거리(Mahalanobis distance)는 GNN 데이터 연관을 위한 비용 매트릭(cost matric)을 계산하는데 사용된다.

더하여 선형 칼만 필터의 경우 혁신 공분산(innovation)을 사용하여 상기 마할라노비스 거리(아래 수학식 6 참조)를 계산한다.

[수학식 6]

여기서

는 전달된 트랙의 예측 공분산이다. 본 시스템에서는 상기한 타원(클러스터의 기하학적 형상)의 중심과 장축을 사용하여 상기 장애물(예시적으로 클러스터(동적 장애물))을 추적하고 시각화 한다.

그림 3을 참조하면, 결과적으로 추적 모듈(4)에 의해 추적된 장애물 중 동적 장애물(클러스터)의 기하학적 매개변수는 타원(C,x,y,theta) 또는 가상 원(C,x)으로 얻을 수 있다.

도 3에서 원은 클러스터이고, 검정 선은 정적 장애물(벽)을 의미하며, 빨간색 점은 2D 스캔 데이터(데이터 포인트들)를 의미한다.

이와 같이, 본 시스템은 장애물, 특히 동적 장애물(클러스터)의 위치, 속도, 가속도에 관한 추적 정보를 생성함으로써, 자율 주행 로봇과 장애물이 충돌하는 것을 효과적으로 억제할 수 있다는 이점이 있다.

도 4는 본 발명의 일 실시예에 따른 장애물 추적 방법을 설명하기 위한 개략적인 흐름도이다.

이하에서는 본 발명에 따른 장애물 추적 방법(이하 '본 방법'이라 함)에 대해 설명한다. 다만, 본 방법은 본 시스템을 이용한 장애물 추적 방법으로 상술한 본 시스템과 동일하거나 상응하는 기술적 특징을 포함하므로, 앞서 살핀 구성과 동일하거나 유사한 구성에 대해서는 동일한 도면 부호를 사용하고, 중복되는 설명은 간략히 하거나 생략하기로 한다.

도 1 및 도 4를 참조하면, 본 방법은 수신 단계(S0), 그룹정보 생성 단계(S10), 및 선정보 생성 단계(S20)를 포함한다.

수신 단계(S0)는 레이저 센서(L)로부터 스캔된 데이터 포인트들을 수신한다. 수신 단계(S0)는 상기한 본 시스템의 수신 모듈(0)(통신 모듈)에 의해 수행된다.

그룹정보 생성 단계(S10)는 상기 데이터 포인트들을 수신하여 기 설정된 밀도 조건에 따라 클러스터로 지정하고 상기 클러스터에 관한 그룹정보를 생성하는 단계이다. 상기 그룹정보 생성 단계(S10)는 상기한 밀도 기반 클러스터링 모듈(1)에 의해 수행된다.

선정보 생성 단계(S20)는 상기 데이터 포인트들을 수신하고, 상기 데이터 포인트들이 형성하는 라인이 기 설정된 길이를 초과하는 경우 정적 장애물로 지정하고 상기 정적 장애물에 관한 선정보를 생성한다. 선정보 생성 단계(S20)는 상기한 가중선 추출 모듈(2)에 의해 수행된다.

본 방법은 상기 선정보 및 그룹정보 중 하나 이상을 수신하여 가공하는 가공 단계(S30)를 포함할 수 있다. 가공 단계(S30)는 가공 모듈(3)에 의해 수행될 수 있다.

도 1 및 도 4를 참조하면, 가공 단계(S30)는 상기 선정보를 수신하고, 상기 정적 장애물과 기 저장된 정적 장애물이 이루는 각도가 기 설정된 기준 각도 미만일 경우 하나로 병합하여 통합 정적 장애물로 지정하고, 상기 정적 장애물에 관한 병합선정보를 생성하는 단계(S31)를 포함할 수 있다. 상기 (S31) 단계는 상기한 통합부(31)에 의해 수행될 수 있다.

또한 가공 단계(S30)는 상기 그룹정보 및 상기 선정보를 수신하고, 상기 정적 장애물의 시작점과 상기 클러스터까지의 제1거리가 상기 정적 장애물의 시작점과 끝점까지의 거리인 제2거리보다 작은 제1조건, 상기 정적 장애물의 끝점과 상기 클러스터까지의 제3거리가 상기 제2거리보다 작은 제2조건, 및 상기 클러스터와 상기 정적 장애물의 거리인 제3거리가 기 설정된 임계 거리보다 작은 제3조건 중 적어도 하나에 해당 할 경우 상기 클러스터를 노이즈로 지정하여 노이즈에 관한 노이즈정보를 생성하는 단계(S321)를 포함할 수 있다. 상기 (S321) 단계는 노이즈지정부(32)에 의해 수행될 수 있다.

또는 가공 단계(S30)는 상기 정적 장애물의 시작점과 상기 클러스터까지의 제1거리가 상기 정적 장애물의 시작점과 끝점까지의 거리인 제2거리보다 작은 제1조건, 상기 정적 장애물의 끝점과 상기 클러스터까지의 제3거리가 상기 제2거리보다 작은 제2조건, 및 상기 클러스터와 상기 정적 장애물의 거리인 제3거리가 기 설정된 임계 거리보다 작은 제3조건일 경우 상기 클러스터를 노이즈로 지정하고 상기 노이즈에 관한 노이즈정보를 생성하는 단계(S322)를 포함할 수 있다. (S322) 단계는 노이즈지정부(32)에 의해 수행될 수 있다.

가공 단계(S30)는 상술하였듯이 통합부(31)는 병합선정보를 생성한다고 하였는데, 가공 단계(S30)는 상기 그룹정보와 병합선정보를 수신하고, 상기 통합 정적 장애물의 시작점과 상기 클러스터까지의 제4거리가 상기 통합 정적 장애물의 시작점과 끝점까지의 거리인 제5거리보다 작은 제4조건, 상기 통합 정적 장애물의 끝점과 상기 클러스터까지의 제6거리가 상기 제5거리보다 작은 제5조건, 및 상기 클러스터와 상기 통합 정적 장애물의 거리인 제6거리가 기 설정된 임계 거리보다 작은 제6조건 중 적어도 하나에 해당 할 경우 상기 클러스터를 노이즈로 지정하여 노이즈정보를 생성하는 단계(S323)를 포함할 수 있다.

마찬가지로 상기 가공 단계(S30)는 상기 제4조건, 제5조건, 및 제6조건을 모두 충족하는 경우 상기 클러스터를 노이즈로 지정하여 노이즈정보를 생성하는 단계(S324) 단계를 포함할 수 있다. 상기한 (S323) 및 (S325) 단계는 노이즈지정부(32)에 의해 수행될 수 있다.

가공 단계(S30)는 상기 그룹정보를 수신하고, 상기 데이터 포인트들 중 상기 클러스터에 지정되지 않은 것을 노이즈로 지정하고 상기 노이즈에 관한 노이즈정보를 생성하는 단계(S33)를 포함할 수 있다. (S33) 단계는 상기 노이즈지정부(32)에 의해 수행될 수 있다.

이하에서는 상술한 본 시스템(또는 본 방법)을 이용하여 얻어진 실험 결과를 설명하기로 한다. 실험 조건을 자세히 설명하면, 자율 주행 로봇(예시적으로 AMR SR300)에 36° 스캔 기능을 장착하기 위해 2개의 라이다 센서(예시적으로 SICK microScan3 pro)가 사용되었다.

상기 실험에서 사용된 라이다 센서의 특성을 설명 하면, 각도 증분이 0.08°, 주파수는 최대 50Hz, 스캔 범위는 360°이다.

먼저 2개의 라이다 센서(레이저 센서(L))가 스캔하면 자율 주행 로봇 본체가 차지하는 영역을 제거하도록 필터링 되었다. 그런 다음 두 개의 라이다 센서의 데이터가 하나로 병합되며 병합된 데이터의 주파수는 25Hz이다(2개 이상의 라이다 센서가 AMR에 사용될 경우 2D 레이저 스캔의 노이즈 데이터를 줄이는 데 도움이 된다).

프로그램은 로봇 운영 체제(GPU가 없는 Intel NUC core i7 vPro, 8세대 Kinetic 버전, Ubuntu 16.04 장기 지원)를 사용하였다.

실험에서 제안한 방법에는 다음과 같은 매개변수 목록이 사용되었다.

상기 기 설정된 길이(Lthres) = 1.2, 기 설정된 기준 각도 = 5°, Eps = 0.15(m), MinPts = 5개.

상기한 실험 결과로 상술한 도 3과 같은 결과를 얻었다. 상술하였듯이 도 3에서 원은 클러스터(동적 장애물), 검은색 선은 정적 장애물(벽), 빨간색 점은 데이터 포인트이다. 정적 장애물은 맵에서 항상 같은 위치에 있기 때문에 이러한 종류의 객체가 다른 장애물(예시적으로 클러스터)에 의해 숨겨지더라도 본 시스템의 매칭 풀에서 유지되어야 한다.

도 5는 본 시스템의 실험 과정을 설명하기 위한 도면이다. 도 6은 비교예1 및 비교예2에 의해 얻어진 실험 결과를 설명하기 위한 도면이다. 도 7은 본 시스템에 의해 얻어진 실험 결과를 설명하기 위한 도면이다.

도 6에서 비교예1은(a) 'Prybyla, M. (2017), "Detection and tracking of 2D geometric obstacles fromLRF data", Proceedings of the 11th International Workshop on Robot Motion and Control, Wasowo Palace, Poland, 2017, pp. 135-141.'에 기재된 기술을 사용하여 얻어진 결과이고, 비교예2(b)는 'Pfister, S.T., Roumeliotis, S.I. and Burdick, J.W. (2003),"Weighted line fitting algorithms for mobile robot map building and efficient data representation", Proceedings of IEEE International Conference on Robotics and Automation (ICRA), Taipei, Taiwan, pp. 1304-1311.'에 기재된 기술을 사용하여 얻어진 결과이다.

도 5와 같이, 자율 주행 로봇(AMR)과 정적 장애물(벽) 사이에 클러스터가 없는 상태(a)와 클러스터가 있는 상태(b)를 각각 실험 하였다. 도 6을 참조하면 비교예에서 클러스터가 있는 경우 정적 장애물을 형성하는 데이터 포인트들이 스캔 되지 않는 것을 볼 수 있다(도 6의 (b) 참조). 그러나 도 7을 참조하면 본 시스템은 클러스터의 존재 유무와 상관없이 정적 장애물을 형성하는 데이터 포인트들이 스캔된 것을 확인할 수 있다. 이것은 본 시스템에서 통합부(31)에 의해 수행된 결과이다.

도 8은 클러스터(동적 장애물) 추적을 위한 실험 과정을 설명하기 위한 도면이다. 도 9는 비교예1에 의한 클러스터 추적 실험 결과를 설명하기 위한 도면이다. 도 10은 본 시스템에 의한 클러스터 추적 실험 결과를 설명하기 위한 도면이다.

도 8 내지 도 10을 참조하면, 비교예1은 동적 장애물(클러스터, 위 그림 8에서 사람에 해당)은 때때로 인간을 하나의 장애물로 간주하고 때로는 인간을 두 개의 장애물로 간주하는 것을 볼 수 있다. 반면에 본 시스템은 항상 고정된 수의 분리된 장애물로 정의되는 것을 볼 수 있기 때문에 비교예1과 비교하여 보다 안정적인 추적 결과를 제공하는 것을 확인할 수 있다.

또한 비교예1과 달리 본 시스템은 상기한 추적 모듈(4)을 포함하여 동적 장애물(클러스터, 위 그림 8에서 사람에 해당)의 속도 벡터를 파악할 수 있음을 확인할 수 있다.

도 11은 비교예1과 본 시스템이 조밀하게 모인 작은 물체를 스캔한 결과를 설명하기 위한 도면이다.

도 11의 (a)를 참조하면, 상기한 비교예1 은 조밀하게 모인 작은 물체를 스캔 하여 각각에 대한 데이터 정보를 생성한 반면, 도 11의 (b)를 참조하면, 본 시스템은 밀도 기반 클러스터링 모듈(1)을 포함하여 데이터 포인트들을 그룹화 하여 상기한 그룹정보를 생성하는 것을 확인할 수 있다.

도 12는 자율 주행 로봇이 정적 장애물을 스캔하는 과정을 설명하기 위한 도면이다. 도 13은 도 12 실험 과정을 통한 비교예1, 비교예2, 본 시스템 각각의 실험 결과를 설명하기 위한 도면이다.

도 12를 참조하면, 자율 주행 로봇(SR300)이 정적 장애물(벽)을 스캔 하며 (a)에서 (b)와 같이 이동하였다.

도 13을 참조하면, 상기한 비교예1과 비교예2와 달리 본 시스템(MoDeT)은 수신저장부(30) 및 통합부(31)를 통해 이전 시점에 스캔하여 저장된 상기 기 저장된 정적 장애물을 고려하고, 상기한 정적 장애물(현재 시점에 스캔된 정적 장애물)과 상기 기 저장된 정적 장애물(이전 시점에 스캔된 정적 장애물)이 기 설정된 기준 각도 미만일 경우 병합선정보(라인 증분 정보)를 생성하는 것을 확인할 수 있다. 즉, 비교예1 및 비교예2는 현재 스캔과 감지 범위에서 장애물만 고려하는데 반해, 본 시스템은 이전 스캔 데이터를 저장하고 활용하는 것을 확인할 수 있다.

이하에서는 본 시스템의 추적 모듈(4)에 의해 클러스터(동적 장애물)의 속도를 파악하는 실험 조건 및 결과를 설명하기로 한다.

동일한 조건에서 다른 로봇(Obs_Ro라고 하는 실린더 모양)이 상기한 비교예1과 본 시스템이 장착된 자율 주행 로봇(AMR SR300) 주위를 이동하는 조건 하에 실험이 수행되었다.

상기한 Obs_Ro의 최대 속도는 1.2m/s이다. 측정된 속도는 하기 수학식 7의 백분율 오차와 수학식 8의 RMS(제곱평균제곱근)를 사용하여 확인된다.

[수학식 7]

[수학식 8]

여기에서 지상 실측 속도(grount_truth_velocity)는 Obs_Ro의 오도메트리(Odometry)에서 구하고 측정된 속도(measured_velocity)는 본 시스템과 비교예1에서 구했다. 또한 상기 수학식 8에서 Y는 선속도의 백분율 요차 또는 각속도의 백분율 오차를 의미한다. 또한 N은 총 샘플 수이고(N=200), 측정은 10초 주기로 구현되었으며 샘플 시간은 0.05초이다.

아래 표 1은 본 시스템과 비교예1(Prybyla (2017))의 예상된 오류(Estimated errors)를 나타낸 것이다.

[표 1]

위 표 1을 참조하면, 본 시스템(MoDet)의 선속도와 각속도 백분율 오차는 각각 5.31%와 12.16%인데, 비교예1의 경우 선속도와 각속도 백분율 오차가 각각 7.94% 및 15.47%임을 확인할 수 있어, 본 시스템이 비교예1과 비교하여 더 나은 추적 성능을 제공하는 것을 확인할 수 있다.

이상에서 첨부된 도면을 참조하여 설명한 본 발명은 통상의 기술자에 의하여 다양한 변형 및 변경이 가능하고, 이러한 변형 및 변경은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.

장애물 추적 시스템: S
수신 모듈: 0 밀도 기반 클러스터링 모듈: 1
가중선 추출 모듈: 2 가공 모듈: 3
수신저장부: 30 통합부: 31
노이즈지정부: 32 추적 모듈: 4
칼만 필터: 41 GNN: 42

Claims (10)

1. 레이저 센서로부터 스캔되는 데이터 포인트들을 수신하고, 상기 데이터 포인트들을 기 설정된 밀도 조건에 따라 클러스터로 지정하여 상기 클러스터에 관한 그룹정보를 생성하는 밀도 기반 클러스터링 모듈; 및
   상기 데이터 포인트들을 수신하고, 상기 데이터 포인트들이 형성하는 라인이 기 설정된 길이를 초과할 경우 정적 장애물로 지정하여 상기 정적 장애물에 관한 선정보를 생성하는 가중선 추출 모듈;
   을 포함하고,
   상기 그룹정보 및 상기 선정보를 수신하고,
   상기 정적 장애물의 시작점과 상기 클러스터 까지의 제1거리가 상기 정적 장애물의 시작점과 끝점까지의 거리인 제2거리보다 작은 제1조건, 상기 정적 장애물의 끝점과 상기 클러스터 까지의 제3거리가 상기 제2거리보다 작은 제2조건, 및 상기 클러스터와 상기 정적 장애물의 거리인 제3거리가 기 설정된 임계 거리보다 작은 제3조건 중 적어도 하나에 해당 할 경우 상기 클러스터를 노이즈로 지정하여 노이즈정보를 생성하는 노이즈지정부를 포함하는 가공 모듈;
   을 더 포함하는 것을 특징으로 하는 장애물 추적 시스템.
2. 청구항 1에 있어서,
   상기 선정보를 수신하고, 상기 정적 장애물과 기 저장된 정적 장애물이 이루는 각도가 기 설정된 기준 각도 미만일 경우 하나로 병합하여 통합 정적 장애물로 지정하여 통합 정적 장애물에 관한 병합선정보를 생성하는 통합부를 포함하는 가공 모듈;
   을 더 포함하는 것을 특징으로 하는 장애물 추적 시스템.
3. 삭제
4. 삭제
5. 청구항 1에 있어서,
   상기 그룹정보를 수신하고,
   상기 데이터 포인트들 중 상기 클러스터에 지정되지 않은 것을 노이즈로 지정하는 노이즈지정부를 포함하는 가공 모듈;
   을 더 포함하는 것을 특징으로 하는 장애물 추적 시스템.
6. 레이저 센서로부터 스캔된 데이터 포인트들을 수신하여 기 설정된 밀도 조건에 따라 클러스터로 지정하고, 상기 클러스터에 관한 그룹정보를 생성하는 단계(S10); 및
   상기 데이터 포인트들을 수신하고, 상기 데이터 포인트들이 형성하는 라인이 기 설정된 길이를 초과하는 경우 정적 장애물로 지정하고 상기 정적 장애물에 관한 선정보를 생성하는 단계(S20);
   를 포함하고,
   상기 그룹정보 및 상기 선정보를 수신하고, 상기 정적 장애물의 시작점과 상기 클러스터 까지의 제1거리가 상기 정적 장애물의 시작점과 끝점까지의 거리인 제2거리보다 작은 제1조건, 상기 정적 장애물의 끝점과 상기 클러스터 까지의 제3거리가 상기 제2거리보다 작은 제2조건, 및 상기 클러스터와 상기 정적 장애물의 거리인 제3거리가 기 설정된 임계 거리보다 작은 제3조건 중 적어도 하나에 해당 할 경우 상기 클러스터를 노이즈로 지정하여 노이즈에 관한 노이즈정보를 생성하는 단계(S321)를 포함하는 가공 단계(S30);
   를 포함하는 것을 특징으로 하는 장애물 추적 방법.
7. 청구항 6에 있어서,
   상기 선정보를 수신하고, 상기 정적 장애물과 기 저장된 정적 장애물이 이루는 각도가 기 설정된 기준 각도 미만일 경우 하나로 병합하여 통합 정적 장애물로 지정하고, 상기 정적 장애물에 관한 병합선정보를 생성하는 단계(S31)를 포함하는 가공 단계(S30);
   를 더 포함하는 것을 특징으로 하는 장애물 추적 방법.
8. 삭제
9. 삭제
10. 청구항 6에 있어서,
    상기 그룹정보를 수신하고, 상기 데이터 포인트들 중 상기 클러스터에 지정되지 않은 것을 노이즈로 지정하고 상기 노이즈에 관한 노이즈정보를 생성하는 단계(S33)를 포함하는 가공 단계(S30);
    를 더 포함하는 것을 특징으로 하는 장애물 추적 방법.

Images