KR20220095169A

KR20220095169A - 3차원 객체 감지를 위한 장치의 동작 방법 및 그 장치

Info

Publication number: KR20220095169A
Application number: KR1020210191525A
Authority: KR
Inventors: 이덕진
Original assignee: 군산대학교산학협력단
Priority date: 2020-12-29
Filing date: 2021-12-29
Publication date: 2022-07-06

Abstract

실시예는, 3차원 객체를 감지하기 위한 장치의 동작 방법에 대한 것이다. 실시예에 따른 장치의 동작 방법은, 클라우드 포인트를 조감도 이미지로 변환하는 단계; 조감도 이미지에 전이 학습된 시맨틱 분할 모델을 적용하여 히트 맵을 획득하는 단계; 및 히트 맵에서 감지되는 적어도 하나의 객체를 라이다 프레임의 좌표로 변경함으로써 객체와의 거리를 획득하는 단계를 포함할 수 있다.

Description

3차원 객체 감지를 위한 장치의 동작 방법 및 그 장치{APPARATUS OPERATING METHOD FOR 3D OBJECT DETECT AND APPARATUS OF THEREOF}

실시예는, 3차원 객체 감지를 위한 장치의 동작 방법 및 그 장치에 관한 것이다.

자율주행차가 안정적으로 동작하려면 주변 환경에 대한 정확한 인식이 필요하며, 일반적으로 머신 러닝을 사용하는 AV의 인식 시스템은 감각 데이터를 자율주행을 가능하게 하는 의미 정보로 변환한다. 객체 감지는 이 인식 시스템의 기본 기능으로, 여러 작업에서 다루었음 대부분 2D 감지 기법을 사용하지만, 경로 계획, 충돌 방지 등과 같은 주행 작업에 필요한 깊이 정보를 제공하지 않는다.

한편, 포인트 클라우드는 최근 몇 년 동안 자동차 LiDAR 센서의 가용성과 상당한 개선으로 인해 자율 주행에 점점 더 중요해지고 있다. LiDAR 센서는 주변 차량을 3D 형태로 표현할 수 있다. 깊이 정보와 직접적인 거리 측정을 제공하는 장점이 있어 3D 물체 감지, 추적 및 도로 차선 감지 등 자율 주행 애플리케이션에 적합하다.

그러나 LiDAR가 초당 수백만 개의 포인트 클라우드를 출력할 수 있기 때문에 LiDAR 데이터에서 3D 객체를 인식하는 것은 여전히 어려운 일이며 결과적으로 계산 비용과 효과 효율성이 증가한다. 또는 포인트 클라우드 기반의 기존 방법은 최근의 딥 러닝 기술을 사용하여 이 문제를 해결할 수 있다. 그러나 이러한 방법의 대부분은 감독 방식을 취하므로 특정 시나리오에서 수집하고 레이블을 지정하기 어려울 수 있는 훈련을 위해 레이블이 지정된 큰 데이터가 필요하게 된다.

따라서 실시간 효율성을 개선하고 더 큰 데이터 세트의 요구 사항을 줄이며 교육 시간을 단축하는 방법이 필요하다.

실시예에 따른 발명은 조감도(BEV, Birds-eye-view)를 표현하여 3차원 포인트 클라우드 데이터를 보다 효과적으로 활용하고, 3차원 객체 검출을 위한 전이 학습 기반의 포인트 클라우드의 시맨틱 분할을 구현하기 위한 것이다.

3차원 객체를 감지하기 위한 장치의 동작 방법에 있어서, 클라우드 포인트를 조감도 이미지로 변환하는 단계; 상기 조감도 이미지에 전이 학습된 시맨틱 분할 모델을 적용하여 히트 맵을 획득하는 단계; 및 상기 히트 맵에서 감지되는 적어도 하나의 객체를 라이다 프레임의 좌표로 변경함으로써 상기 객체와의 거리를 획득하는 단계를 포함하는, 장치의 동작 방법이 제공될 수 있다.

상기 히트 맵을 획득하는 단계는, 3차원의 상기 조감도 이미지에 대해 분할된 2차원의 복수의 히트 맵을 획득하는 단계를 포함할 수 있다.

상기 히트 맵을 획득하는 단계는, 상기 적어도 하나의 객체를 2차원 직사각형 형태로 상기 히트 맵에 표시하는 단계를 포함할 수 있다.

상기 시맨틱 분할 모델은, 상기 조감도 이미지를 입력 받는 인코딩 레이어와 디코딩 레이어를 연결하는 스킵 커넥션 레이어를 포함할 수 있다.

상기 클라우드 포인트를 조감도 이미지로 변환하는 단계는, RGB 정보를 포함하는 조감도 RGB 맵을 생성하는 단계를 포함할 수 있다.

상기 객체와의 거리를 획득하는 단계는, 히트 맵의 좌표에서 3차원의 상기 라이다의 좌표로 변환하기 위해 상기 히트 맵의 2차원 정보를 투영하는 단계를 포함할 수 있다.

상기 객체와의 거리를 획득하는 단계는, 아래의 수학식에 기초하여 상기 라이다 프레임의 좌표를 획득하는 단계를 포함할 수 있다.

수학식:

-여기서, obx, oby는 상기 히트 맵 hxy에서 상기 객체가 감지된 위치이고 Pz는 상기 히트 맵의 정규화된 픽셀 값을 의미하고, lx, ly 및 lz는 상기 라이다 프레임에서 추정된 상기 객체의 위치를 의미하고, 상수값 1.8은 상기 라이다가 구비되는 높이를 고려하여 추가된 상수임-

상기 객체와의 거리를 획득하는 단계는, 미리 정해진 시야를 기준으로 상기 라이다 프레임의 좌표에 대해 유클리드 거리를 계산하는 단계를 포함할 수 있다.

실시예에 따른 발명을 통해, 조감도를 표현하여 3차원 포인트 클라우드 데이터를 보다 효과적으로 활용하고, 3차원 객체 검출을 위한 전이 학습 기반의 포인트 클라우드의 시맨틱 분할을 구현할 수 있다.

사전 훈련된 모델과 실시예에 따른 학습 모델 모두의 훈련 및 정금 정확도를 플로팅하며, 처음부터 훈련하는 것과 사전 훈련된 가중치에서 초기화하는 것의 사이에는 큰 차이가 발생함으로 자율주행을 수행하는데 있어 충돌 회피 및 장애물 파악이 보다 효과적인 객체 감지 방법을 제공할 수 있다.

도 1은 실시예에서, 3차원 객체 감지를 위한 장치의 동작 방법의 흐름도이다.
도 2는 실시예에서, 조감도 RGB 맵을 도식적으로 표현한 도면이다.
도 3은 실시예에서, 딥러닝 모델의 인코더-디코더의 구조를 나타낸 도면이다.
도 4는 일 실시예에서, 3차원 객체를 감지하기 위한 장치를 설명하기 위한 블록도이다.
도 5는 실시예에서, 분할 모델을 통해 히트 맵을 획득한 예시를 도시한 도면이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 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 실시예가 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.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

또한, 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

어느 하나의 실시 예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성요소는, 다른 실시 예에서 동일한 명칭을 사용하여 설명하기로 한다. 반대되는 기재가 없는 이상, 어느 하나의 실시 예에 기재한 설명은 다른 실시 예에도 적용될 수 있으며, 중복되는 범위에서 구체적인 설명은 생략하기로 한다.

실시예에서, 사전 훈련된 모델을 활용하여 주석이 달린 큰 데이터 세트의 필요성을 최소화하고 훈련 시간을 줄일 수 있는 시맨틱 분할 기반의 3차원 객체 감지 방법을 제안하도록 한다. 실시예에 따른 방법은, 짧은 기간동안 상대적으로 적은 데이터 세트에 대해 학습되나 높은 효율성을 제공할 수 있다.

실시예에 따른 모델은 라이다(LiDAR) 기반의 조감도 이미지를 활용하여 3차원 경계 볼륨을 추정하고 실제에 적용할 수 있다. 실시예에 따른 방법은 도 1을 통해 설명하도록 한다.

도 1은 실시예에서, 3차원 객체를 감지하기 위한 장치의 동작 방법의 흐름도이다.

실시예에 따른 방법은 포인트 클라우드를 위치 및 거리를 포함하는 장애물 정보에 매핑하기 위해 아래의 수학식 1과 같은 최적의 공식을 도출하기 위한 것이다.

[수학식 1]

여기서, obj는 장애물 정보, p는 포인트 클라우드, 그리고

는 공식에 해당할 수 있다.

단계(110)에서 장치는, 클라우드 포인트를 조감도 이미지로 변환한다.

실시예에서, 라이다로부터 클라우드 포인트를 획득할 수 있고, 획득한 단일 프레임의 커버 영역 내부의 3차원 포인트 클라우드는 도 2와 같이 단일 조감도 RGB 맵으로 변환될 수 있다.

도 2는 실시예에서, 조감도 RGB 맵을 도식적으로 표현한 도면이다.

실시예에서, 조감도 RGB 맵의 그리드 크기는 n=600(y 방향), m=900(x 방향) 및 약 10cm의 해상도로 정의될 수 있다.

라이다는 단일 프레임의 커버 영역의 포인트 클라우드의 좌표와 관련하여 원점을 기준으로 아래와 같이 정의될 수 있다.

[수학식 2]

상기의 수학식 2를 참조하면, 단일 프레임의 커버 영역 φ, 단일 프레임의 커버 영역에 해당하는 포인트 클라우드

의 각 픽셀의 위치는 p=[x, y]∈

로 정의될 수 있다.

픽셀 값 Pz는 3개의 영역으로 분할된 포인트 클라우드가 정규화된 z의 구성 요소로, 3채널 2차원 표현을 생성할 수 있다.

다시, 도 1로 돌아가 단계(120)에서 장치는, 조감도 이미지에 전이 학습된 시맨틱 분할 모델을 적용하여 히트 맵을 획득한다.

실시예에서, 생성된 조감도 이미지를 입력으로 사용할 수 있다. 장치는 사전 학습된 분류 모델을 활용하여 3차원 객체 감지를 위한 시맨틱 분할을 수행할 수 있다. 실시예에 따른 사전 학습된 분류 모델을 이용하여 전이 학습을 수행함으로써 원래의 분류 모델과 다른 작업에 활용될 수 있다.

실시예에 따른 전이 학습의 구현을 위해 먼저 분류 함수를 아래의 수학식 3과 같이 정의할 수 있다.

[수학식 3]

여기서, c_i∈C는 학습을 위한 샘플의 수이고, y_i∈Y는 각 클래스에 대한 해당 레이블 및 확률적으로 p(y/c)로 표시되고 분류 작업 T_c를 출력하는 예측 함수 f_q에 해당할 수 있다.

또한, 시맨틱 분할 함수는 아래의 수학식 4와 같이 정의될 수 있다.

[수학식 4]

여기서 s_i∈S는 시맨틱 분할 모델 훈련에 사용된 샘플 수이고 l_i∈L은 각 클래스에 대한 레이블, 마지막으로 분할 예측 함수 f_k 및 특정 분할 작업 T_s에 해당할 수 있다.

실시예에서, 전이 학습을 사용하여 Tc≠Ts인 F_c 및 f_q의 데이터를 사용하여 시맨틱 분할 예측을 위한 f_k의 학습을 수행할 수 있다.

상기의 수학식 3 및 4는 분류 네트워크를 컨볼루션 네트워크로 변환하여 히트 맵을 출력하는 데에 사용될 수 있다. 히트 맵은 2차원 물체 감지를 위해 분할되어 제공될 수 있다. 실시예에서 이미지 분류를 위해 학습된 CNN 모델은 실시예에 따른 방법에서 분할에 사용되는 관련 정보를 제한할 수 있다. 사전에 학습된 모델의 컨볼루션 레이어는 분할 모델의 인코더 레이어에서 재사용될 수 있다. 전이 학습을 위해 사용되는 사전 훈련된 모델은 오픈 소스의 가용성이 요구된다.

실시예에 따른 모델 구조는, 여러 컨볼루션 레이어, 비선형 활성화, 배치 정규화 및 풀링 레이어로 구성될 수 있다. 초기 레이어는 낮은 수준의 개념을 배우는 경향이 있고 상위 레이어는 높은 수준의 정보를 유지할 수 있다. 실시예의 모델은 이미지 분류 작업 시, 모든 공간 정보를 평면화하는 완전 연결 레이어를 사용하여 컨볼루션 레이어의 공간 텐서를 고정 길이 벡터로 매핑할 수 있다.

반면, 시맨틱 분할의 경우, 공간 정보가 중요하므로, 완전 연결 레이어는 컨볼루션 레이어로 변환될 수 있다. 딥러닝 모델은 인코딩 단계에서 다운 샘플링 레이어와 결합된 컨볼루션 레이어가 높은 수준의 정보를 포함하는 저해상도 텐서를 생성하고, 디코딩 단계에서 더 많은 컨볼루션 레이어가 추가되고 업 샘플링 레이어와 결합되는 인코더-디코더 구조를 기반으로 할 수 있다. 딥러닝 모델은 공간 텐서의 크기를 늘리고 고해상도 분할 출력을 생성할 수 있다.

도 3은 실시예에서, 딥러닝 모델의 인코더-디코더의 구조를 나타낸 도면이다.

왼쪽의 레이어는 일련의 계산 레이어에 전달되는 조감도 RGB 맵에 해당하고, 오른쪽 레이어는 출력 디코더의 특징 맵에 해당한다.

인코더와 디코더를 단순히 스태킹하면 낮은 수준의 정보가 손실될 수 있다. 따라서 디코더에 의해 생성된 분할된 히트 맵 경계에 결함이 발생할 수 있다. 디코더는 스킵 커넥션을 사용하여 인코더 레이어에서 생성된 저수준 기능에 액세스할 수 있다. 도 3의 화살표는 인코딩 레이어에서 디코딩 레이어롤 직접 연결되는 스킵 커넥션 레이어를 나타낸 것이다. 인코더의 중간 출력은 도 3에 도시된 바와 같이 관련 위치에서 디코더의 중간 레이어에 대한 입력과 연결될 수 있다.

다시 돌아가 단계(130)에서 장치는, 감지되는 적어도 하나의 객체를 라이다 프레임의 좌표로 변경함으로써 객체와의 거리를 획득한다.

실시예에서, 딥러닝 모델을 통해 히트 맵을 획득한 후, 생성된 히트 맵에서 2차원의 직사각형을 추출하고, 해당 직사각형을 라이다 프레임의 3차원 경계 볼륨으로 적용하기 위해 후처리 과정이 필요하다.

아래의 수학식 5에 의하면, 생성된 히트 맵을 2차원 직사각형으로 변환하기 위한 임계값을 검출하기 위해 캐니 에지 디텍터(Canny edge Detector)가 적용될 수 있다. 출력 이미지 h(x, y)는 원본 이미지 b_t(x, y)에서 아래와 같이 획득할 수 있다.

[수학식 5]

여기서 (x, y)는 임계값 Th의 좌표에 해당할 수 있다.

이후, 윤곽선이 해당 이진 마스크와 해당 윤곽선의 최소 경계 사각형에 적용될 수 있다. 이러한 2차원 경계 사각형은 2차원 경계 볼륨의 기초를 제공할 수 있다.

2차원 경계 사각형에 적용된 후, 3차원 경계 사각형을 정의하는 7개의 매개변수 중 일부 예컨대 5개가 추출될 수 있다. 예를 들어, 추정되는 매개변수는 ob_x, ob_y, P_z 위치 및 이미지 평면에서의 회전 등에 해당할 수 있다.

실시예에 따른 방법은, 2차원 직사각형을 3차원 경계 볼륨으로 변환하기 위해 회귀 없이 높이 정보를 직접 추정할 수 있다. 딥러닝 모델은, 실측 자료(ground trut)에서 추출된 고정 높이 위치를 기준으로 실행될 수 있다. 예컨대, 감지된 물체는 지상에 있다고 가정할 수 있다. 자율 주행을 예시로 하는 경우, 도로를 대상으로 시나리오가 적용되므로, 이러한 가정이 가능하다.

실시예에 따른 후처리 단계에서 장치는, 아래 수학식 6와 같은 히트 맵 h_xyz좌표에서 라이다 좌표 l_xyz로 2차원 정보를 투영할 수 있다.

[수학식 6]

여기서 ob_x, ob_y는 히트 맵 프레임 h_xy에서 물체가 감지된 위치이고 P_z는 이미지 b_t의 정규화된 픽셀 값을 의미한다. l_x, l_y 및 l_z는 라이다 프레임에서 추정된 물체 위치를 의미한다. 상수값 1.8은 라이다가 구비되는 차량의 상부 위치를 고려하여 추가된 상수이다.

감지된 물체로부터의 거리를 추정하기 위해 유클리드 거리 공식이 사용될 수 있다.

도 4는 일 실시예에서, 3차원 객체를 감지하기 위한 장치를 설명하기 위한 블록도이다.

도 4를 참조하면, 일 실시예에 따른 장치(400)는 프로세서(410), 메모리(430) 및 통신 인터페이스(450) 포함할 수 있다. 프로세서(410), 메모리(430) 및 통신 인터페이스(450)는 통신 버스(405)를 통해 서로 통신할 수 있다.

일 실시예에 따른 프로세서(410)는 3차원 객체 감지를 위한 장치의 동작 방법을 수행할 수 있다. 해당 방법은 클라우드 포인트를 조감도 이미지로 변환하고, 조감도 이미지에 전이 학습된 시맨틱 분할 모델을 적용하여 히트 맵을 획득하고, 히트 맵에서 감지되는 적어도 하나의 객체를 라이다 프레임의 좌표로 변경함으로써 객체와의 거리를 획득할 수 있다.

메모리(430)는 휘발성 메모리 또는 비 휘발성 메모리일 수 있고, 프로세서(410)는 프로그램을 실행하고, 장치(400)를 제어할 수 있다. 프로세서(410)에 의하여 실행되는 프로그램 코드는 메모리(430)에 저장될 수 있다. 전자 장치(400)는 입출력 장치(미도시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다. 장치(400)는 스마트 폰, 테블릿 컴퓨터, 랩톱 컴퓨터, 데스크톱 컴퓨터, 텔레비전, 웨어러블 장치, 보안 시스템, 스마트 홈 시스템 등 다양한 컴퓨팅 장치 및/또는 시스템에 탑재될 수 있다.

도 5는 실시예에서, 분할 모델을 통해 히트 맵을 획득한 예시를 도시한 도면이다.

실시예에 따른 예시는 오픈 소스인 KITTI 데이터 세트를 이용하여 생성된 것이다. 경계 값을 기준으로 이진화하는 Thresholding 기술 및 등고선 기술은 조감도 이미지에서 2차원 경계 상자 좌표를 추출하는 데에 사용될 수 있다.

실시예에 따른 전이 학습 기반의 분할 모델을 통해 도 5(a) 내지 도 5(d)의 왼쪽 이미지와 같은 예측 샘플을 획득할 수 있고, 오른쪽 이미지와 같이 자동차 객체에 대한 등고선을 획득할 수 있다. 이중, 도 5(a), 및 도 5(b)는 상대적으로 덜 복잡한 시나리오 기반, 도 5(c), 및 도 5(d)는 상대적으로 복잡한 시나리오로 회전을 포함하는 경계 상자가 포함될 수 있다.

실시예에서, 획득된 2차원 좌표는 3차원 라이다 프레임으로 변환할 시에 3차원 장애물 정보를 추출하고, 3차원 경계 상자로 표시하는 데에 사용될 수 있다.

실시예에 다른 방법은 라이다의 포인트 클라우드를 활용한 실시간 3차원 객체를 감지하는 방법을 포함한다. 실시예에 따른 방법은 조감도 표현을 계산 효율성을 위한 입력으로 사용하며, 전체 플로우에 따르면 전처리 모듈(PPM)이 LiDAR 데이터를 가져와 조감도 이미지로 변환하고, 전이 방식의 딥러닝 모델을 통해 해당 조감도 이미지를 3차원 경계 볼륨으로 변환하기 위한 분할된 히트 맵을 획득할 수 있다. 전이 학습 방법에 기초하여 레이블이 지정된 데이터 세트가 필요하지 않아 3차원 객체 감지를 위한 장치를 구현하는 데에 용이하다.

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, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 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.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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 청구범위의 범위에 속한다.

Claims

3차원 객체를 감지하기 위한 장치의 동작 방법에 있어서,
클라우드 포인트를 조감도 이미지로 변환하는 단계;
상기 조감도 이미지에 전이 학습된 시맨틱 분할 모델을 적용하여 히트 맵을 획득하는 단계; 및
상기 히트 맵에서 감지되는 적어도 하나의 객체를 라이다 프레임의 좌표로 변경함으로써 상기 객체와의 거리를 획득하는 단계
를 포함하는,
장치의 동작 방법.
제1항에 있어서,
상기 히트 맵을 획득하는 단계는,
3차원의 상기 조감도 이미지에 대해 분할된 2차원의 복수의 히트 맵을 획득하는 단계
를 포함하는,
장치의 동작 방법.
제1항에 있어서,
상기 히트 맵을 획득하는 단계는,
상기 적어도 하나의 객체를 2차원 직사각형 형태로 상기 히트 맵에 표시하는 단계
를 포함하는,
장치의 동작 방법.
제1항에 있어서,
상기 시맨틱 분할 모델은,
상기 조감도 이미지를 입력 받는 인코딩 레이어와 디코딩 레이어를 연결하는 스킵 커넥션 레이어를 포함하는,
장치의 동작 방법.
제1항에 있어서,
상기 클라우드 포인트를 조감도 이미지로 변환하는 단계는,
RGB 정보를 포함하는 조감도 RGB 맵을 생성하는 단계
를 포함하는,
장치의 동작 방법.
제1항에 있어서,
상기 객체와의 거리를 획득하는 단계는,
히트 맵의 좌표에서 3차원의 상기 라이다의 좌표로 변환하기 위해 상기 히트 맵의 2차원 정보를 투영하는 단계
를 포함하는,
장치의 동작 방법.
제1항에 있어서,
상기 객체와의 거리를 획득하는 단계는,
아래의 수학식에 기초하여 상기 라이다 프레임의 좌표를 획득하는 단계
를 포함하는,
장치의 동작 방법.
수학식:

-여기서, ob_x, ob_y는 상기 히트 맵 h_xy에서 상기 객체가 감지된 위치이고 P_z는 상기 히트 맵의 정규화된 픽셀 값을 의미하고, l_x, l_y 및 l_z는 상기 라이다 프레임에서 추정된 상기 객체의 위치를 의미하고, 상수값 1.8은 상기 라이다가 구비되는 높이를 고려하여 추가된 상수임-
제7항에 있어서,
상기 객체와의 거리를 획득하는 단계는,
미리 정해진 시야를 기준으로 상기 라이다 프레임의 좌표에 대해 유클리드 거리를 계산하는 단계
를 포함하는,
장치의 동작 방법.
하드웨어와 결합되어 제1항 내지 제8항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능 매체에 저장된 컴퓨터 프로그램.
3차원 객체를 감지하기 위한 장치에 있어서,
하나 이상의 프로세서;
메모리; 및
상기 메모리에 저장되어 있으며 상기 하나 이상의 프로세서에 의하여 실행되도록 구성되는 하나 이상의 프로그램을 포함하고,
상기 프로그램은,
클라우드 포인트를 조감도 이미지로 변환하는 단계;
상기 조감도 이미지에 전이 학습된 시맨틱 분할 모델을 적용하여 히트 맵을 획득하는 단계; 및
상기 히트 맵에서 감지되는 적어도 하나의 객체를 라이다 프레임의 좌표로 변경함으로써 상기 객체와의 거리를 획득하는 단계
를 포함하는,
장치.
제10항에 있어서,
상기 히트 맵을 획득하는 단계는,
3차원의 상기 조감도 이미지에 대해 분할된 2차원의 복수의 히트 맵을 획득하는 단계
를 포함하는,
장치.
제10항에 있어서,
상기 히트 맵을 획득하는 단계는,
상기 적어도 하나의 객체를 2차원 직사각형 형태로 상기 히트 맵에 표시하는 단계
를 포함하는,
장치.
제10항에 있어서,
상기 시맨틱 분할 모델은,
상기 조감도 이미지를 입력 받는 인코딩 레이어와 디코딩 레이어를 연결하는 스킵 커넥션 레이어를 포함하는,
장치.
제10항에 있어서,
상기 클라우드 포인트를 조감도 이미지로 변환하는 단계는,
RGB 정보를 포함하는 조감도 RGB 맵을 생성하는 단계
를 포함하는,
장치.
제10항에 있어서,
상기 객체와의 거리를 획득하는 단계는,
히트 맵의 좌표에서 3차원의 상기 라이다의 좌표로 변환하기 위해 상기 히트 맵의 2차원 정보를 투영하는 단계
를 포함하는,
장치.
제10항에 있어서,
상기 객체와의 거리를 획득하는 단계는,
아래의 수학식에 기초하여 상기 라이다 프레임의 좌표를 획득하는 단계
를 포함하는,
장치.
수학식:

-여기서, ob_x, ob_y는 상기 히트 맵 h_xy에서 상기 객체가 감지된 위치이고 P_z는 상기 히트 맵의 정규화된 픽셀 값을 의미하고, l_x, l_y 및 l_z는 상기 라이다 프레임에서 추정된 상기 객체의 위치를 의미하고, 상수값 1.8은 상기 라이다가 구비되는 높이를 고려하여 추가된 상수임-
제16에 있어서,
상기 객체와의 거리를 획득하는 단계는,
미리 정해진 시야를 기준으로 상기 라이다 프레임의 좌표에 대해 유클리드 거리를 계산하는 단계
를 포함하는,
장치.