KR102609573B1 - 라이다 점군 밀도에 강인한 실외 맵 특징점 생성 기구 및 알고리즘 - Google Patents

Abstract

3차원 점군에 두 개의 철망에 해당되는 평면을 가지고 있는 3차원 점군 지도 생성용 기구를 위치시키고 이에 대한 점군 데이터에 k-평균 클러스터링(k-mean clustering), RANSAC(random sampling and consensus), SVD(singular value decomposition) 알고리즘을 적용하여 두 평면의 교점을 추정한 후 특징점을 계산하는 기술이 개시된다.

Description

라이다 점군 밀도에 강인한 실외 맵 특징점 생성 기구 및 알고리즘{Outdoor Map Feature Point Generating Mechanism and Algorithm Robust to Lidar Sparsity}

아래의 설명은 3차원 점군 지도에서 특징점을 생성하는 기술에 관한 것이다.

3차원 공간의 정보를 담은 점군을 생성할 수 있는 대표적인 센서로는 라이다(Lidar: Light Detection and Ranging) 센서가 있다. 라이다 센서는 장치에서 발사된 레이저가 주변의 지형지물에 반사되어 돌아오는 시간을 계산하여 그 거리를 알려주는 센서로, RGB 카메라에 비하여 광 변화에 강인하고, 3차원 정보를 제공한다는 점에서 SLAM(Simultaneous Localization and Mapping) 연구에서 자주 쓰인다. 라이다 센서의 또 다른 특징으로는 측정된 사물과의 거리가 멀어질수록 점군의 밀도가 낮아지는 희소성(sparsity)이라는 특징이다.

3차원 점군 맵의 정밀도 측정, 서로 다른 데이터로 제작된 3 차원 점군 맵의 정합 과정에는 해당 과정의 기준점이 될 수 있는 점군 맵 내의 특징점 생성이 필수적이다. 일반적으로 점군 데이터에서 특징점을 생성하려 할 경우, 원하는 위치에 점군 생성을 위한 물건을 놓고, 3차원 점군 맵에서 해당 물건을 가장 잘 표현한다고 판단되는 점을 수작업으로 추출하는 방법을 사용한다. 그러나, 해당 방법의 경우 라이다 센서의 희소성과 사용자에 따른 판단의 차이로 인하여 정확도가 보장된다고 볼 수는 없다.

이러한 문제점을 보완하기 위한 일부 연구에서는 점군의 위치 측정용 모델을 제시하고 해당 모델을 목표로 취득한 점군 데이터에 RANSAC(Random Sample Consensus) 방법(Fischler and Bolles, 1981) 및 SVD(Singular Value Decomposition) 방법을 사용하여 모델의 위치를 희소성에 강인하게 구할 수 있는 방법론을 제시한 바 있다.

그러나, 실내 실험과 야외 실험의 정확도 차이가 크게 나타나는 등 실제 점군 맵의 정확도 측정 및 특징점 생성 방법으로 쓰기에는 한계가 있다.

라이다 센서를 기반으로 제작된 3차원 점군 데이터에서 정확한 위치에 특징점을 생성할 수 있는 기술을 제공한다.

야외 환경과 실내 환경에 구애받지 않고 일정한 특징점을 생성할 수 있는 기술을 제공한다.

3차원 점군 지도 생성용 기구에 있어서, 라이다(Lidar) 센서의 레이저가 반사되는 소재로 바람이 통하는 망 구조의 두 개의 플레이트(plate)로 구성되고, 상기 두 개의 플레이트는 일면이 서로 접한 상태에서 지면과 수직으로 고정되는 것을 특징으로 하는 3차원 점군 지도 생성용 기구를 제공한다.

일 측면에 따르면, 상기 두 개의 플레이트는 철망으로 구성될 수 있다.

다른 측면에 따르면, 3차원 점군 지도 제작 과정에서 목표하는 위치에 특징점을 생성하기 위해 상기 3차원 점군 지도 생성용 기구가 사용될 수 있다.

또 다른 측면에 따르면, 상기 3차원 점군 지도 생성용 기구는, 상기 위치의 참값 측정을 위한 GPS 센서가 더 포함될 수 있다.

컴퓨터 장치에서 실행되는 방법에 있어서, 상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 방법은, 상기 적어도 하나의 프로세서에 의해, 라이다 센서 데이터를 이용하여 3차원 점군 지도를 생성하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 두 개의 철망이 지면과 수직으로 고정된 하드웨어 기구에 대해 상기 3차원 점군 지도에서 추출된 점군 데이터를 이용하여 상기 하드웨어 기구가 표현하는 특징점을 생성하는 단계를 포함하는 방법을 제공한다.

일 측면에 따르면, 상기 3차원 점군 지도를 생성하는 단계는, SLAM(Simultaneous Localization and Mapping) 알고리즘을 이용하여 상기 라이다 센서 데이터를 상기 3차원 점군 지도로 생성할 수 있다.

다른 측면에 따르면, 상기 특징점을 생성하는 단계는, 상기 3차원 점군 지도에서 추출된 점군 데이터를 두 개의 평면 데이터로 분리하는 단계; 상기 평면 데이터 각각에서 해당 평면에 대한 내좌층(inlier) 점군을 추출하는 단계; 및 각 평면의 내좌층 점군을 이용하여 두 평면의 교선을 구한 후 상기 교선과 지표면이 만나는 지점을 상기 특징점의 위치로 계산하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 분리하는 단계는, k-평균 클러스터링(k-mean clustering)을 이용하여 상기 3차원 점군 지도에서 추출된 점군 데이터를 두 개의 평면 데이터로 분리할 수 있다.

또 다른 측면에 따르면, 상기 내좌층 점군을 추출하는 단계는, 각 평면의 점군 데이터에 평면 방정식을 타겟으로 하는 RANSAC(random sampling and consensus) 알고리즘을 적용하여 상기 내좌층 점군을 추출할 수 있다.

또 다른 측면에 따르면, 상기 교선과 지표면이 만나는 지점을 상기 특징점의 위치로 계산하는 단계는, 각 평면의 내좌층 점군에 대해 SVD(singular value decomposition) 알고리즘을 이용하여 최적 평면 방정식을 구한 후 상기 최적 평면 방정식을 이용하여 두 평면의 교선을 구하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 하드웨어 기구에 포함된 GPS 모듈을 통해 상기 특징점의 절대 좌표 위치를 확인하는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 특징점을 생성하는 단계는, 각 평면의 내좌층 점군을 기초로 상기 특징점에 대한 오차 수정 벡터의 크기와 방향을 계산하여 상기 특징점의 위치를 보정하는 단계를 더 포함할 수 있다.

컴퓨터 장치에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 라이다 센서 데이터를 이용하여 3차원 점군 지도를 생성하는 과정; 두 개의 철망이 지면과 수직으로 고정된 하드웨어 기구에 대해 상기 3차원 점군 지도에서 추출된 점군 데이터를 이용하여 상기 하드웨어 기구가 표현하는 특징점을 생성하는 과정을 처리하는 컴퓨터 장치를 제공한다.

본 발명의 실시예들에 따르면, 라이다 센서를 기반으로 제작된 3차원 점군 데이터에서 정확한 위치에 특징점을 생성할 수 있는 하드웨어를 제공할 수 있고, 이를 통해 표현하고자 하는 특징점의 위치에 해당하는 GPS 정보를 측정할 경우 여러 특징점의 거리 비교를 통하여 3차원 점군 지도의 절대 정확도를 정량적으로 평가할 수 있으며, 이외에도 서로 다른 방법으로 제작한 같은 점군 데이터의 정합 과정에서 신뢰도 높은 정합 기준으로 사용될 수 있다.

본 발명의 실시예들에 따르면, 라이다 희소성에 강인한 특징점 생성을 통해 라이다 제품 및 SLAM 기술에 크게 관여받지 않으며, 무질서하게 부는 바람에 강인한 하드웨어인 만큼 사방이 트여 있는 건축 현장, 도로 환경에 적합하다. 이외에도 점군 지도의 점을 직접 특징점으로 사용하는 것이 아닌, 해당 물체가 표현하고자 하는 지점을 후처리 과정을 통하여 유추하는 방법을 적용함으로써 측정자에 따른 차이가 크지 않으며, 이에 따라 보다 신뢰도 있는 특징점을 생성할 수 있다.

도 1 내지 도 2는 본 발명의 일실시예에 있어서 특징점 생성 기구의 일례를 도시한 것이다.
도 3은 본 발명의 일실시예에 있어서 자동화된 점군 내 특징점 추출 과정의 일례를 도시한 것이다.
도 4는 본 발명의 일실시예에 있어서 자동화된 점군 내 특징점 추출 과정의 다른 예를 도시한 것이다.
도 5 내지 도 6은 본 발명의 일실시예에 있어서 특징점 위치 오차 보정 과정을 설명하기 위한 예시 도면이다.
도 7은 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

본 발명의 실시예들은 라이다 센서를 기반으로 제작된 3차원 점군 데이터에서 정확한 위치에 특징점을 생성할 수 있는 하드웨어 모델 및 알고리즘에 관한 것이다.

본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 야외 환경과 실내 환경에 구애받지 않고 일정한 특징점을 생성할 수 있는 하드웨어를 통해 점군 맵의 밀도와 무관한 정확도, 그리고 실내외 환경의 여부와 관련 없이 비슷한 정확도를 가질 수 있어 상당한 장점들을 달성할 수 있다.

3차원 점군 지도는 건축, 자율주행, 등등 여러 분야에서 사용되는 기술 중 하나이다.

건축 분야의 경우, UGV(Unmanned Ground Vehicle)과 UAV(Unmanned Aerial Vehicle)를 활용한 현장 모니터링 및 건축 예정지 정보 수집 과정에서 3차원 점군 지도를 사용하게 된다. 이외에도, 건축이 끝난 이후 시설물의 유지보수 단계에서 모니터링 과정에 사용되기도 한다.

자율주행 분야의 경우, SLAM(Simultaneous Localizing And Mapping) 알고리즘의 결과물 중 하나이기도 하며, 최근 자율주행의 핵심으로 주목받고 있는 3D 정밀 도로지도 분야에서도 필수적인 기술이다.

본 발명은 3차원 점군 지도 제작 과정에서 원하는 위치에 특징점을 간편하게 생성하고 추출할 수 있는 기술에 관한 것이다.

3차원 점군 지도에서 원하는 위치에 특징점을 생성하고자 할 경우 일반적으로 각반과 같은 작은 물체를 현장에 위치시킨 상태로 데이터를 취득한 이후 지도를 생성한 뒤, 해당 물체를 가장 잘 대표한다고 판단되는 점을 사용자가 직접 채택하여 해당 점을 특징점으로 사용하는 경우가 대부분이다.

이러한 방법의 경우 간편하고 빠르게 진행할 수 있다는 장점은 있으나, 카메라와 같은 시각 센서(visual sensor)에 비하여 상대적으로 점이 희소하다는 특징을 가지는 라이다 센서로 인하여(라이다 희소성) 정확도가 상대적으로 떨어지게 되며, 특징점을 정하는 사용자에 따라 그 결과가 달라질 수 있다는 단점이 있다.

본 발명에서는 3차원 점군에 두 개의 평면을 가지고 있는 하드웨어를 위치시키고, k-평균 클러스터링(k-mean clustering), RANSAC(random sampling and consensus), SVD(singular value decomposition) 알고리즘 등의 알고리즘 기법을 활용하여 두 평면의 교점을 추정한 후 특징점을 계산하는 방식을 사용할 수 있다.

특징점을 직접 선정하지 않고, 두 평면으로 인하여 생성된 점군이 가장 많이 지지하는 평면 방정식을 활용하는 머신러닝 기법을 활용함으로써 라이다 희소성에 강인하며 사용자에 따른 결과 차이가 크지 않다. 이외에도 하드웨어의 디자인 상 하드웨어 모델 자체에 GPS 센서와 같은 추가적인 센서를 장착하기 용이하며, 철망을 활용한 디자인으로 인하여 바람이 많이 부는 야외 환경에 적합하다는 특장점을 가진다.

도 1은 본 발명의 일실시예에 있어서 특징점 생성 기구의 일례를 도시한 것이다.

도 1을 참조하면, 특징점 생성 기구(100)는 땅에 수직한 두 개의 철망(101, 102)으로 구성될 수 있다.

본 실시예에서는 라이다 센서가 벽과 동일하게 인식할 수 있는 소재 중 하나인 철망(101, 102)을 활용한 디자인을 적용할 수 있다.

본 실시예에서는 철망(101, 102)으로 하드웨어 모델을 구성한 것으로 설명하고 있으나, 이에 한정되는 것은 아니며, 라이다 센서에 의해 레이저가 반사되는 소재로 바람이 통하는 망 구조의 두 개의 플레이트(plate)를 이용할 수 있다.

특징점 생성 기구(100)는 도 2에 도시한 바와 같이 두 개의 철망(101, 102)에 따른 두 평면을 일정 각도(예를 들어, 90도)에서 지면과 수직 상태로 고정시키기 위한 고정 프레임(103)을 포함할 수 있다.

두 개의 철망(101, 102)은 고정 프레임(103)을 통해 일면이 일정 각도에서 서로 접한 상태에서 지면과 수직 상태로 고정될 수 있다.

본 발명에 따른 하드웨어 모델은 면이 갖는 바람 저항을 최소화하기 위하여 두 개의 철망(101, 102)으로 구성된 디자인의 특징점 생성 기구(100)를 적용할 수 있다. 면의 개수를 2개로 구성함으로써 목표하는 위치에 특징점을 더 간편하게 생성할 수 있다.

이외에도 두 개의 철망(101, 102)이 만나는 중심부에 위치한 지표면으로부터 수직인 프로파일(특징점을 위치시키고자 하는 목표 지점)에 해당 위치의 참값 측정을 위한 GPS 센서 등의 추가적인 센서를 간편하게 추가 가능하다.

다시 말해, 본 발명에 따른 특징점 생성 기구(100)는 특징점의 위치에 프로파일 여분이 남아있으므로 해당 위치에 GPS 모듈을 달아서 해당 특징점의 절대 좌표 위치를 확인할 수 있는 등 확장성을 염두에 두고 디자인될 수 있다. 두 개의 철망(101, 102)에 따른 두 평면은 수직 상태를 가지므로 평면의 교차하는 지점을 쉽게 위치시킬 수 있다.

두 개의 철망(101, 102)은 라이다 데이터를 활용한 SLAM 결과물인 3차원 점군 지도에서 일반적인 얇은 판과 동일하게 관측될 수 있다. 또한, 건축 현장 및 도로와 같은 바람이 심하게 부는 현장에서 크게 흔들리지 않는다는 장점 또한 가질 수 있다.

도 3은 본 발명의 일실시예에 있어서 두 평면이 만나는 교선을 계산하는 과정의 일례를 도시한 것이다.

도 3의 알고리즘을 통해, 본 발명에 따른 하드웨어인 특징점 생성 기구(100)의 철망(평면)(101, 102)이 만나는 교선과 지표면이 만나는 지점을 계산할 수 있다.

두 철망(두 평면)(101, 102)이 만나는 교선의 x, y 축 좌표를 계산하기 위하여 k-평균 클러스터링(320), RANSAC(330), SVD(340) 알고리즘을 사용할 수 있다.

k-평균 클러스터링(320)은 비슷한 특성을 갖는 점군끼리 분리시켜주는 데이터 마이닝 기술 중 하나로, O(n)의 시간 복잡도를 가지므로 점군을 빠르게 분류할 수 있다. k-평균 클러스터링(320)은 무작위로 정한 중심점과 각 점들의 거리를 측정하여 보다 가까운 중심적으로 대표되는 군집에 포함되도록 분류할 수 있다.

점군 데이터의 특성 상 하나의 면을 정확히 평면으로 표현하지 못하고 두께가 있는 점군으로 표현하게 되는데, RANSAC(330)를 활용함으로써 노이즈가 섞인 평면 점군에서 가장 많은 점들에게 지지를 받는(가장 많은 내좌층(inlier)을 포함하는) 평면 모델과 해당 내좌층을 추출할 수 있다.

SVD(340)는 RANSAC(330)를 통해 얻은 내좌층들을 활용하여 해당 내좌층들에 대한 최적 평면을 계산할 수 있다.

특징점 생성 과정을 구체적으로 설명하면, 먼저, 3차원 점군 지도에서 하드웨어에 해당하는 점군을 라벨링을 통하여 추출한다. SLAM 알고리즘(LIO-SAM, FAST-LIO 등)(310)을 활용하여 센서 데이터(Lidar 데이터, IMU 데이터)(301)로 3차원 점군 지도(3D Point Cloud Map)(302)을 생성한다. 다시 말해, 라이다 센서와 IMU 센서에서 받은 데이터를 LIO-SAM, FAST-LIO와 같은 3차원 맵 생성 SLAM 알고리즘(310)을 활용하여 3차원 점군 지도(302)를 생성한다.

생성된 3차원 점군 지도(302)에서 본 발명의 하드웨어(특징점 생성 기구(100))에 해당하는 점군 데이터를 수작업으로 추출할 수 있다(30). 이때 추출 과정에서 지표면의 점군이 포함되지 않도록 주의해야 한다. 해당 과정은 높은 정확도를 요하지 않으며, 지면(땅바닥)이나 주변의 사람과 같은 이상점(outlier)을 전체적으로 제거하는 단계에 해당된다.

이후, 추출된 하드웨어의 점군 지도(302)에 k-평균 클러스터링(320)을 적용하여 두 개의 판으로 분류할 수 있다. matlab 언어를 활용하여 해당 점군 데이터에 k-평균 클러스터링(320)을 취하여 두 개의 플레이트로 데이터를 쪼갠다. 즉, 추출된 점군 데이터를 k-평균 클러스터링(320)을 활용하여 두 개의 점군으로 분리할 수 있다. 자동으로 두 개의 철망(101, 102)에 해당하는 데이터를 분리시켜 주는 것이다.

각 판의 점군 데이터에 평면 방정식을 타깃으로 하는 RANSAC 방법(330)을 적용하여 가장 많은 데이터의 지지를 받는 평면에 대한 내좌층 점군을 추출한다. 각 점군에 대하여 RANSAC 알고리즘(330)을 적용함에 있어, 이때 목표 함수는 평면 방정식으로 나타낼 수 있다. 내좌층이 가장 많은 평면에 해당하는 내좌층들을 리턴한다.

마지막으로, 각 평면의 내좌층 점군을 활용하여 SVD(340)를 적용함으로써 내좌층들을 가장 적은 오차를 가지며 표현하는 평면의 방정식을 계산한다. 다시 말해, RANSAC 결과 점군들에 대하여 SVD(340)을 활용하여 최적 평면을 계산할 수 있다. 계산된 두 최적 평면 방정식을 활용하여 두 평면의 교선을 구할 수 있고, 해당 교선이 지표면과 만나는 지점(높이가 0이 되는 점)을 계산할 수 있다. 두 평면의 교선이 지표면과 만나는 지점이 하드웨어(특징점 생성 기구(100))가 표현하는 특이점의 위치(303)가 될 수 있다.

요컨대, 두 개의 플레이트로 쪼갠 각 데이터에 RANSAC방법(330)과 SVD(340)를 사용하여 이상점을 제거하고 각 플레이트를 가장 잘 표현하는 평면의 방정식을 구한다. 각 평면의 방정식을 얻은 후 두 평면의 교선을 구할 수 있고, 교선이 땅바닥에서 지나는 지점을 해당 하드웨어의 위치, 즉 특징점의 위치로 구할 수 있다.

더 나아가, 본 실시예에서는 철망(101, 102)의 두께로 인해 발생한 특징점 위치 오차를 보정할 수 있다.

도 4는 본 발명의 일실시예에 있어서 자동화된 점군 내 특징점 추출 과정의 다른 예를 도시한 것이다.

도 4를 참조하면, 본 발명에 따른 방법론은 총 다섯 단계로 나뉜다. 첫 번째 단계는 주어진 점군 데이터에서 하드웨어의 점군으로 추정되는 점군만을 추출하는 모델 점군 데이터 추출 단계(30)이다. 이후, 추출한 점군을 두 개의 플레이트로 나누는 데이터 분류 단계(320)를 거친다. 세번째 단계는 각 플레이트를 나타내는 내좌층 데이터만을 뽑아 내는 이상점 제거 단계(330)이며, 네번째 단계는 이전 단계에서 얻은 내좌층 데이터로부터 평면의 방정식을 구한 후 두 개의 평면의 방정식을 사용하여 하드웨어의 위치를 구하는 위치 계산 단계(340)를 거친다. 마지막 단계는 하드웨어의 위치에 대해 철망(101, 102)에 따른 평면의 두께로 인하여 생긴 오차를 보정해주는 오차 보정 단계(450)이다.

상기한 과정 중 모델 점군 데이터 추출 단계(30), 데이터 분류 단계(320), 이상점 제거 단계(330), 위치 계산 단계(340)는 도 3을 통해 설명한 점군 데이터 수작업 추출 과정(30), k-평균 클러스터링(320), RANSAC(330), SVD(340)에 해당된다.

오차 보정 단계(450)는 다음과 같다.

각 방정식의 교선을 계산하여 z축(바닥과 수직한 축)이 0이 되는 지점을 계산할 경우 특징점 생성 기구(100)의 위치를 쉽게 계산할 수 있지만, 판의 두께로 인하여 모델의 중심점을 정확히 계산할 수는 없다. 따라서, 판의 두께를 보정해주는 단계가 필요하다. 오차 보정 단계(450)는 보정하는 벡터의 크기와 방향을 따로 계산한다.

도 5를 참조하면, 단순히 측정된 평면이 만나는 교선을 사용하여 구한 거리에는 판의 두께로 인한 오차가 발생할 수밖에 없다. 이때, 특징점 생성 기구(100)의 구조 상 데이터를 취득하는 방향에 따라 크게 도면의 좌측 상황과 우측 상황이 발생할 수 있다(각 도면에서 보다 굵은 선이 측정한 데이터가 나타내는 값). 두 평면의 교선과 중심점 사이의 거리(양쪽 화살표)는 두 경우 모두 판의 두께를 t라고 할 때, 피타고라스 법칙에 의하여 t/1.732가 된다.

도 6을 참조하면, 오차의 방향은 각 평면의 내좌층을 사용하여 구할 수 있다. 교선을 사용하여 구한 지점에 대하여 각 평면의 내좌층의 중앙값까지의 벡터를 구하고, 각 벡터를 정규화 할 경우 도면 상의 점선에 해당되는 두 벡터를 구할 수 있다. 해당 벡터를 합성할 경우 두 평면의 교선에서 중심점까지의 벡터에 평행한 벡터를 구할 수 있다.

도 6을 통해 설명한 바와 같이, 특징점 생성 기구(100)에 대하여 측정하는 방향에 따라 오차 수정 벡터의 방향은 중심 벡터의 방향과 같을 수도 있고 반대일 수도 있다. 도 6의 왼쪽 도면 상황의 경우, 두 벡터의 방향은 반대이고, 오른쪽 도면 상황의 경우 두 벡터의 방향은 같다. 이를 구별하기 위하여 평면 1과 평면 2를 나타내는 전체 내좌층의 중앙값을 찾고, 해당 중앙값의 위치와 평면의 교선을 z축에 대하여 정사영(해당 과정에서 나오는 모든 정사영은 z축에 대한 정사영으로 정의함) 했을 때 원점에 대하여 중앙값의 정사영이 평면의 교선의 정사영보다 더 멀리 있으면 도 5의 오른쪽 도면 상황으로 구별하고, 더 가까이 있으면 도 5의 왼쪽 도면 상황으로 구별할 수 있다. 따라서, 중앙값의 정사영의 거리에서 평면의 교선의 정사영의 거리를 뺀 값의 부호를 중심 벡터에 곱하고, 해당 단위 벡터에 오차의 크기인 t/1.732를 곱해주면 평면의 교선에서 중심점까지의 벡터를 구할 수 있다.

본 발명에 따른 하드웨어 모델(특징점 생성 기구(100))의 점군을 3차원 점군 지도에서 추출할 때 지표가 될 수 있도록 해당 하드웨어의 표면 반사율을 높일 경우 추출 과정이 보다 간소화될 수 있다.

본 발명에서 제안하는 하드웨어 및 알고리즘을 사용할 경우, 3차원 점군 지도 제작 과정에서 원하는 위치에 특징점을 생성할 수 있다. 특징점 생성 기구(100)가 표현하고자 하는 특징점의 위치에 해당하는 GPS 정보를 측정할 경우 여러 특징점의 거리 비교를 통하여 3차원 점군 지도의 절대 정확도를 정량적으로 평가할 수 있다. 이외에도 서로 다른 방법으로 제작한 같은 점군 데이터의 정합 과정에서 신뢰도 높은 정합 기준으로 사용될 수 있다.

도 7은 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.

도 7은 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 앞서 설명한 자동화된 점군 내 특징점 추출 과정을 수행하기 위해 도 7과 같이 구성된 컴퓨터 장치(700)에 의해 구현될 수 있다.

본 발명은 라이다 센서와 같은 점군 데이터를 취득할 수 있는 센서를 사용하여 3차원 점군 지도를 제작하는 단계에서 목표 장소에 하드웨어(특징점 생성 기구(100))를 위치시킴으로써 특징점 생성 하드웨어의 점군을 3차원 점군 지도에 포함시키고, 이후 k-평균 클러스터링(320), RANSAC(330), SVD(340) 알고리즘을 활용하여 해당 점군을 추출하고 하드웨어 점군에서 특징점의 위치를 계산하는 기술을 포함한다. 이는 3차원 점군 지도를 사용하는 여러 분야에서 응용될 수 있으며, 대표적으로는 건축, 자율주행, 정밀 도로 지도 등이 있다.

도 7에 도시된 바와 같이 컴퓨터 장치(700)는 본 발명의 실시예들에 따른 점군 내 특징점 추출 방법을 실행하기 위한 구성요소로서, 메모리(710), 프로세서(720), 통신 인터페이스(730) 그리고 입출력 인터페이스(740)를 포함할 수 있다.

메모리(710)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(710)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(700)에 포함될 수도 있다. 또한, 메모리(710)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(710)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(710)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(730)를 통해 메모리(710)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(760)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(700)의 메모리(710)에 로딩될 수 있다.

프로세서(720)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(710) 또는 통신 인터페이스(730)에 의해 프로세서(720)로 제공될 수 있다. 예를 들어 프로세서(720)는 메모리(710)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 인터페이스(730)는 네트워크(760)를 통해 컴퓨터 장치(700)가 다른 장치와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(700)의 프로세서(720)가 메모리(710)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(730)의 제어에 따라 네트워크(760)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(760)를 거쳐 컴퓨터 장치(700)의 통신 인터페이스(730)를 통해 컴퓨터 장치(700)로 수신될 수 있다. 통신 인터페이스(730)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(720)나 메모리(710)로 전달될 수 있고, 파일 등은 컴퓨터 장치(700)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.

통신 방식은 제한되지 않으며, 네트워크(760)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들 간의 근거리 유선/무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(760)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(760)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

입출력 인터페이스(740)는 입출력 장치(750)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드, 카메라 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(740)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(750)는 컴퓨터 장치(700)와 하나의 장치로 구성될 수도 있다.

또한, 다른 실시예들에서 컴퓨터 장치(700)는 도 7의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(700)는 상술한 입출력 장치(750) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 각종 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.

이처럼 본 발명의 실시예들에 따르면, 기존의 방법에 비하여 라이다 희소성에 강인하므로 사용하는 라이다 제품 및 SLAM 기술에 크게 관여받지 않으며, 무질서하게 부는 바람에 강인한 하드웨어인 만큼 사방이 트여 있는 건축 현장, 도로 환경에 적합하다. 이외에도 점군 지도의 점을 직접 특징점으로 사용하는 것이 아닌, 해당 물체가 표현하고자 하는 지점을 후처리 과정을 통하여 유추하는 방법이므로 측정자에 따른 차이가 크지 않으며, 이에 따라 보다 신뢰도 있는 특징점을 생성할 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (17)

1. 3차원 점군 지도 생성용 기구에 있어서,
   라이다(Lidar) 센서의 레이저가 반사되는 소재로 바람이 통하는 망 구조의 두 개의 플레이트(plate)로 구성되고,
   상기 두 개의 플레이트는 일면이 서로 접한 상태에서 지면과 수직으로 고정되는 것
   을 특징으로 하는 3차원 점군 지도 생성용 기구.
2. 제1항에 있어서,
   상기 두 개의 플레이트는 철망으로 구성되는 것
   을 특징으로 하는 3차원 점군 지도 생성용 기구.
3. 제1항에 있어서,
   3차원 점군 지도 제작 과정에서 목표하는 위치에 특징점을 생성하기 위해 상기 3차원 점군 지도 생성용 기구가 사용되는 것
   을 특징으로 하는 3차원 점군 지도 생성용 기구.
4. 제3항에 있어서,
   상기 3차원 점군 지도 생성용 기구는,
   상기 위치의 참값 측정을 위한 GPS 센서가 더 포함되는 것
   을 특징으로 하는 3차원 점군 지도 생성용 기구.
5. 컴퓨터 장치에서 실행되는 방법에 있어서,
   상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
   상기 방법은,
   상기 적어도 하나의 프로세서에 의해, 라이다 센서 데이터를 이용하여 3차원 점군 지도를 생성하는 단계; 및
   상기 적어도 하나의 프로세서에 의해, 두 개의 철망이 지면과 수직으로 고정된 하드웨어 기구에 대해 상기 3차원 점군 지도에서 추출된 점군 데이터를 이용하여 상기 하드웨어 기구가 표현하는 특징점을 생성하는 단계
   를 포함하는 방법.
6. 제5항에 있어서,
   상기 3차원 점군 지도를 생성하는 단계는,
   SLAM(Simultaneous Localization and Mapping) 알고리즘을 이용하여 상기 라이다 센서 데이터를 상기 3차원 점군 지도로 생성하는 것
   을 특징으로 하는 방법.
7. 제5항에 있어서,
   상기 특징점을 생성하는 단계는,
   상기 3차원 점군 지도에서 추출된 점군 데이터를 두 개의 평면 데이터로 분리하는 단계;
   상기 평면 데이터 각각에서 해당 평면에 대한 내좌층(inlier) 점군을 추출하는 단계; 및
   각 평면의 내좌층 점군을 이용하여 두 평면의 교선을 구한 후 상기 교선과 지표면이 만나는 지점을 상기 특징점의 위치로 계산하는 단계
   를 포함하는 방법.
8. 제7항에 있어서,
   상기 분리하는 단계는,
   k-평균 클러스터링(k-mean clustering)을 이용하여 상기 3차원 점군 지도에서 추출된 점군 데이터를 두 개의 평면 데이터로 분리하는 것
   을 특징으로 하는 방법.
9. 제7항에 있어서,
   상기 내좌층 점군을 추출하는 단계는,
   각 평면의 점군 데이터에 평면 방정식을 타겟으로 하는 RANSAC(random sampling and consensus) 알고리즘을 적용하여 상기 내좌층 점군을 추출하는 것
   을 특징으로 하는 방법.
10. 제7항에 있어서,
    상기 교선과 지표면이 만나는 지점을 상기 특징점의 위치로 계산하는 단계는,
    각 평면의 내좌층 점군에 대해 SVD(singular value decomposition) 알고리즘을 이용하여 최적 평면 방정식을 구한 후 상기 최적 평면 방정식을 이용하여 두 평면의 교선을 구하는 단계
    를 포함하는 방법.
11. 제5항에 있어서,
    상기 방법은,
    상기 적어도 하나의 프로세서에 의해, 상기 하드웨어 기구에 포함된 GPS 모듈을 통해 상기 특징점의 절대 좌표 위치를 확인하는 단계
    를 더 포함하는 방법.
12. 제7항에 있어서,
    상기 특징점을 생성하는 단계는,
    각 평면의 내좌층 점군을 기초로 상기 특징점에 대한 오차 수정 벡터의 크기와 방향을 계산하여 상기 특징점의 위치를 보정하는 단계
    를 더 포함하는 방법.
13. 컴퓨터 장치에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    라이다 센서 데이터를 이용하여 3차원 점군 지도를 생성하는 과정;
    두 개의 철망이 지면과 수직으로 고정된 하드웨어 기구에 대해 상기 3차원 점군 지도에서 추출된 점군 데이터를 이용하여 상기 하드웨어 기구가 표현하는 특징점을 생성하는 과정
    을 처리하는 컴퓨터 장치.
14. 제13항에 있어서,
    상기 적어도 하나의 프로세서는,
    SLAM 알고리즘을 이용하여 상기 라이다 센서 데이터를 상기 3차원 점군 지도로 생성하는 것
    을 특징으로 하는 컴퓨터 장치.
15. 제13항에 있어서,
    상기 적어도 하나의 프로세서는,
    k-평균 클러스터링을 이용하여 상기 3차원 점군 지도에서 추출된 점군 데이터를 두 개의 평면 데이터로 분리하고,
    상기 평면 데이터 각각에 평면 방정식을 타겟으로 하는 RANSAC 알고리즘을 적용하여 해당 평면에 대한 내좌층 점군을 추출하고,
    각 평면의 내좌층 점군에 대해 SVD 알고리즘을 이용하여 최적 평면 방정식을 구하고 상기 최적 평면 방정식을 이용하여 두 평면의 교선을 구한 후 상기 교선과 지표면이 만나는 지점을 상기 특징점의 위치로 계산하는 것
    을 특징으로 하는 컴퓨터 장치.
16. 제13항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 하드웨어 기구에 포함된 GPS 모듈을 통해 상기 특징점의 절대 좌표 위치를 확인하는 것
    을 특징으로 하는 컴퓨터 장치.
17. 제13항에 있어서,
    상기 적어도 하나의 프로세서는,
    각 평면의 내좌층 점군을 기초로 상기 특징점에 대한 오차 수정 벡터의 크기와 방향을 계산하여 상기 특징점의 위치를 보정하는 것
    을 특징으로 하는 컴퓨터 장치.

Images