WO2020101424A1

WO2020101424A1 - 지상 로봇의 움직임을 고려한 강인한 레이저 스캐너 매칭 방법 및 그 장치

Info

Publication number: WO2020101424A1
Application number: PCT/KR2019/015640
Authority: WO
Inventors: 명현; 김형진; 송승원
Original assignee: 한국과학기술원
Priority date: 2018-11-16
Filing date: 2019-11-15
Publication date: 2020-05-22

Abstract

지상 로봇의 움직임을 고려한 강인한 레이저 스캐너 매칭 방법 및 그 장치가 개시된다. 본 발명의 일 실시예에 따른 스캔 매칭 방법은 두 개의 포인트 클라우드(point cloud)를 수신하는 단계; 포인트가 특정 높이 범위에 올 때까지 높이 값을 순차적으로 검사하여 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 단계; 및 상기 대응 포인트의 탐색 결과에 기초하여 상기 두 개의 포인트 클라우드 간 스캔 매칭을 수행하는 단계를 포함한다.

Description

지상 로봇의 움직임을 고려한 강인한 레이저 스캐너 매칭 방법 및 그 장치

본 발명은 레이저 스캐너 매칭 기술에 관한 것으로, 보다 구체적으로는 지상 로봇 예를 들어, 무인 자동차, 모바일 로봇 등의 움직임 특성을 고려하여 레이저 스캐너의 3차원 데이터 매칭 성공률을 향상시킬 수 있는 방법 및 그 장치에 관한 것이다.

최근 수 십년 동안 라이다(light detection and ranging, LiDAR) 센서 기술에 의해 만들어진 엄청난 발전 덕분에, 위치 추정 및 맵핑(simultaneous localization and mapping, SLAM), 지역화(localization), 맵 생성(map generation), 물체 및 보행자 감지 등을 포함하는 다양한 로봇 분야에서 LiDAR 센서가 활용되고 있다. DARPA 그랜드/어번 챌린지(DARPA Grand/Urban Challenge)는 LiDAR 센서를 사용하는 완전 자율주행의 가능성을 증명했다. LiDAR 센서가 환경으로부터 높은 정확도의 정보를 얻을 수 있지만, 스캔 범위의 제한으로 인해 모든 정보를 얻을 수는 없다. 따라서, 지역화(localization)와 맵 생성을 위해서는 데이터 등록이 필요하다.

스캔 매칭 알고리즘은 3D 모양의 등록을 위해 널리 사용된다. 1990년대 초에, 반복 최근접 포인트(iterative closest point, ICP) 기술이 스캔 매칭을 위해 처음 제안되었다. ICP 알고리즘은 각 단계에서 대응 쌍(correspondence pairs)을 찾음으로써 두 개의 3D 모양 간의 변환(transformations)을 반복적으로 계산한다. 종래 일 실시예의 기술은 3D 모양에서 기하학적으로 가장 가까운 점으로부터 대응 쌍을 찾는 "포인트 대 포인트(point-to-point)" ICP 알고리즘을 제안했다. 종래 다른 일 실시예의 기술은 목표 모델을 평면으로 추정함으로써 범위 데이터로 사용될 수 있는 "포인트 대 플레인(point-to-plane)" ICP 알고리즘을 도입했다. 종래 또 다른 일 실시예의 기술은 이상치(outliers), 오클루젼(occlusion) 생성 및 소멸을 다루는 강인한 ICP 알고리즘을 도입했다.

ICP 알고리즘이 제안된 후, 많은 대체 연구들이 수행되었으며, 일 실시예의 기술은 2D 범위 스캔을 매칭함으로써 알려지지 않은 환경에서 로봇 자세 추정을 개선하기 위해 반복 쌍 대응법(iterative dual correspondence, IDC)을 제안했다. 메트릭 기반(metric-based) ICP(MbICP) 알고리즘은 센서의 방향과 이동을 동시에 포함하는 기하학적 거리를 최소화함으로써 큰 초기 방향 오차를 해결하도록 고안되었다. ICP 알고리즘과 달리, 정상 분포 변환(normal distributions transform, NDT) 알고리즘은 명백한 대응이 필요하지 않은 레이저 스캔 매칭에 대한 새로운 접근법을 제안했다. 이 방법은 포인트를 측정하는 확률로부터 생성되는 각 셀의 정상 분포를 사용하여 변환을 최적화한다. 하지만, 이러한 기존의 방법들은 밀집된 포인트 클라우드 모델을 매칭하려고 하기 때문에 자율주행차량이 대부분 구비하고 있는 3D LiDAR에 직접적으로 적용하는 것은 어렵다.

다중 계층(multi-layer) LiDAR라고도 알려진 3D LiDAR 센서가 제공하는 데이터는 센서 커버리지 영역의 한계로 인해서 희소하다. 따라서, 다른 연구자들은 다중 계층 LiDAR 센서 데이터와 매칭하는 연구에 초점을 둔다. 일 실시예의 기술은 일반화된(generalized) ICP(G-ICP) 방법 및 다중 채널 G-ICP는 강체 변환(rigid transformation)에서 각 포인트의 공분산을 고려함으로써 희소 데이터(sparse data) 매칭을 이용한다. 다른 일 실시예의 기술은 희소-밀집(sparse-dense) 포인트 클라우드 등록을 위한 클러스터 반복 최근접 포인트(cluster iterative closest point, CICP)을 제안했다. 또 다른 일 실시예의 기술은 데이터 등록을 위한 확률 데이터 연관(probabilistic data association)을 도입했다. 3D 및 다중 계층 NDT 알고리즘도 3D 다중 계층 센서를 매칭하기 위해 고안되었다. 또 다른 일 실시예의 기술은 지상 분할과 NDT를 사용하는 3D 스캔 등록을 도입하였으며, 지상 평면 우위 환경에 대한 3D 포인트 클라우드 정렬을 도입하기도 하였다. 이러한 알고리즘은 오직 센서 시스템 또는 환경의 특성만을 고려하고 센서 시스템 또는 차량의 이동은 고려하지 않는다.

대부분의 연구는 다양한 방법으로 데이터를 분석함으로써 개선된 성능을 보고했다. 하지만, 이러한 방법들은 데이터 등록 알고리즘의 원래 목적이 3D 복원을 위해 두 개의 3D 형상을 매칭시키는 것이기 때문에 자율주행차량에는 잘 맞지 않는다.

따라서, 지상 차량 제약 조건을 갖는 강인한 스캔 매칭 알고리즘의 필요성이 대두된다.

본 발명의 실시예들은, 지상 로봇 예를 들어, 무인 자동차, 모바일 로봇 등의 움직임 특성을 고려하여 레이저 스캐너의 3차원 데이터 매칭 성공률을 향상시킬 수 있는 방법 및 그 장치를 제공한다.

본 발명의 일 실시예에 따른 스캔 매칭 방법은 두 개의 포인트 클라우드(point cloud)를 수신하는 단계; 포인트가 특정 높이 범위에 올 때까지 높이 값을 순차적으로 검사하여 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 단계; 및 상기 대응 포인트의 탐색 결과에 기초하여 상기 두 개의 포인트 클라우드 간 스캔 매칭을 수행하는 단계를 포함한다.

상기 탐색하는 단계는 상기 포인트의 높이 범위를 미리 설정된 개수의 다중 계층들로 분할하고, 상기 다중 계층들 각각의 높이 범위에 따라 각 계층에서 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색할 수 있다.

상기 다중 계층들의 개수는 미리 설정된 값과 상기 포인트 클라우드의 최대 높이에 의해 결정될 수 있다.

상기 탐색하는 단계는 각 포인트의 관련 계층의 가장 가까운 포인트와 상위 계층의 가장 가까운 포인트 및 하위 계층의 가장 가까운 포인트를 탐색하고, 상기 탐색된 세 개의 포인트들 중 가장 가까운 포인트를 상기 대응 포인트로 선택할 수 있다.

상기 수신하는 단계는 초기 변환(initial transformation) 정보를 더 수신하고, 상기 탐색하는 단계는 상기 초기 변환 정보를 반영하여 상기 대응 포인트를 탐색할 수 있다.

본 발명의 다른 일 실시예에 따른 스캔 매칭 방법은 두 개의 포인트 클라우드를 수신하는 단계; 지상 로봇의 움직임 특성을 고려하여 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 단계; 및 상기 대응 포인트의 탐색 결과에 기초하여 상기 두 개의 포인트 클라우드 간 스캔 매칭을 수행하는 단계를 포함한다.

상기 탐색하는 단계는 포인트가 특정 높이 범위에 올 때까지 높이 값을 순차적으로 검사하여 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색할 수 있다.

본 발명의 일 실시예에 따른 스캔 매칭 장치는 두 개의 포인트 클라우드를 수신하는 수신부; 포인트가 특정 높이 범위에 올 때까지 높이 값을 순차적으로 검사하여 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 탐색부; 및 상기 대응 포인트의 탐색 결과에 기초하여 상기 두 개의 포인트 클라우드 간 스캔 매칭을 수행하는 매칭부를 포함한다.

상기 탐색부는 상기 포인트의 높이 범위를 미리 설정된 개수의 다중 계층들로 분할하고, 상기 다중 계층들 각각의 높이 범위에 따라 각 계층에서 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색할 수 있다.

상기 탐색부는 각 포인트의 관련 계층의 가장 가까운 포인트와 상위 계층의 가장 가까운 포인트 및 하위 계층의 가장 가까운 포인트를 탐색하고, 상기 탐색된 세 개의 포인트들 중 가장 가까운 포인트를 상기 대응 포인트로 선택할 수 있다.

상기 수신부는 초기 변환 정보를 더 수신하고, 상기 탐색부는 상기 초기 변환 정보를 반영하여 상기 대응 포인트를 탐색할 수 있다.

본 발명의 실시예들에 따르면, 지상 로봇 예를 들어, 무인 자동차, 모바일 로봇 등의 움직임 특성을 고려하여 레이저 스캐너의 3차원 데이터 매칭 성공률을 향상시킬 수 있다.

본 발명은 무인자동차, 모바일 로봇 등 지상 로봇에 적용 가능하여 3차원 맵 생성, 위치인식, 네비게이션 등의 기술에 사용이 가능하다.

이러한 본 발명은 기존의 ICP 알고리즘을 무인자동차, 모바일 로봇 등 지상로봇에 사용이 용의하도록 강인하게 보완한 알고리즘으로써, 이미 시장성이 확보된 무인자동차, 서비스 로봇 등의 요소기술로 사용이 가능하므로 기대효과가 크다.

도 1은 본 발명에 따른 매칭 방법과 기존의 매칭 방법의 일 예시도를 나타낸 것이다.

도 2는 다중 계층 방식을 사용하여 매칭 대응을 찾는 가속화 개념에 대한 일 예시도를 나타낸 것이다.

도 3은 KITTI 데이터세트에서 포인트 클라우드 데이터에 대한 일 예시도를 나타낸 것이다.

도 4는 다양한 초기 변환을 갖는 각 방향의 성공률에 대한 일 예시도를 나타낸 것이다.

도 5는 본 발명의 방법과 기존 방법을 비교한 포인트 클라우드 매칭 결과에 대한 일 예시도를 나타낸 것이다.

도 6은 본 발명의 방법과 기존 방법을 비교한 포인트 클라우드 매칭 결과에 대한 다른 일 예시도를 나타낸 것이다.

도 7은 본 발명의 방법과 기존 방법을 비교한 포인트 클라우드 매칭 결과에 대한 또 다른 일 예시도를 나타낸 것이다.

도 8은 본 발명의 방법과 기존 방법을 비교한 포인트 클라우드 매칭 결과에 대한 또 다른 일 예시도를 나타낸 것이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형 태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예들을 보다 상세하게 설명하고자 한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조 부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.

자율주행차량 분야의 광대한 발전과 함께 포인트 클라우드 데이터의 사용이 증가하고 있다. 위치 추정 및 맵핑(simultaneous localization and mapping, SLAM) 알고리즘은 일반적으로 정교한 포인트 클라우드 맵을 생성하는 데 사용된다. SLAM 알고리즘에서 맵의 질은 루프 결합(loop closure) 알고리즘의 성능에 따른다. 반복 최근접 포인트(ICP) 알고리즘은 포인트 클라우드의 루프 결합을 위해 널리 사용되지만, 원래 컴퓨터 비전 분야에서 3D 복원을 위해 개발된 것이기 때문에 지상 차량에는 잘 맞지 않을 수 있다.

본 발명의 실시예들은, 지상 차량 조건에 대한 ICP 알고리즘의 강인한 매칭 대응(matching correspondences)을 찾아내는 것으로, 지상 로봇 예를 들어, 무인 자동차, 모바일 로봇 등의 움직임 특성을 고려하여 레이저 스캐너의 3차원 데이터 매칭 성공률을 향상시키는 것을 그 요지로 한다.

본 발명에서 제공하는 알고리즘은 3차원 포인트 클라우드(point cloud)를 매칭하는 방법으로, 단순히 포인트 클라우드를 분석해서 매칭하는 것이 아닌 지상 로봇의 조건을 이용하여 지상 로봇에서 측정된 포인트 클라우드 매칭에 강인한 알고리즘을 제공한다.

기존의 알고리즘은 포인트 클라우드 데이터의 특성만을 고려하여 매칭을 수행하지만, 본 발명은 데이터가 수집되는 환경을 고려하여 매칭을 수행하기 때문에 지상 로봇에 적용 시 기존 알고리즘 보다 우수한 결과를 제공할 수 있다.

이러한 본 발명에 대해 상세하게 설명하면 다음과 같다.

지상 차량은 수평 방향을 따라 존재하는 지상 평면 상에서만 움직일 수 있다. 지상 차량을 포함하는 지상 로봇은 6 자유도(degree-of-freedom, DoF)의 움직임을 가지고 있지만 3D LiDAR 데이터의 상대적인 변환은 주로 지상 평면 방향과 관련이 있기 때문에 x, y, yaw에는 크게 변화를 하는데 비해서 z, roll, pitch의 움직임이 적다.

본 발명은 지상 차량 어플리케이션을 위한 최고의 대응을 찾아내는 효율적인 탐색 방법을 도입하는 것이다. ICP 반복에서 일반적인 탐색 알고리즘은 아무런 제약 없이 기하학적인 거리에 의존한다. 따라서, 본 발명은 지상 평면 탐색 알고리즘을 제공한다. 지상 평면은 보통 x-y 평면에 존재하기 때문에 본 발명은 높이 정보(z)를 기반으로 한 경계 탐색을 통해 대응을 찾아내는데, 2D ICP 알고리즘과 달리 지상 기울기 조건을 해결하기 위해 6 자유도 변환이 각 반복 단계에서 추정될 수 있다.

지상 플레인 ICP(Ground Plane ICP)

G-ICP(generalized ICP)

표준 ICP 알고리즘의 주된 개념은 두 가지 단계로 구성된다. 첫 번째, 매칭된 대응은 두 개의 스캔 데이터로부터 기하학적 거리를 사용하여 계산된다. 두 번째, 두 개의 스캔 데이터 간의 변환은 매칭된 대응의 거리를 최소화함으로써 계산된다. 마지막 변환을 획득하기 위해서, 이 두 개의 단계가 수렴할 때까지 반복된다. 일부 연구자들은 표준보다 더 나은 대응을 계산하여 첫 번째 단계에 초점을 둔다. 다른 연구자들은 변환을 계산하는 동안의 데이터 처리에 대한 두 번째 단계를 목표로 한다. 본 발명은 지상 조건에 대한 매칭 품질을 개선하기 위해 첫 번째 단계에 초점을 둔다.

알고리즘 1은 표준 "포인트 대 포인트(point-to-point)" ICP를 나타낸 것으로, 입력은 두 개의 포인트 클라우드 A와 B 및 초기 변환 T ₀이고, 출력은 두 개의 포인트 클라우드 간의 최종적인 변환 T이다. ICP 알고리즘의 첫 번째 단계에서, 각 매칭된 대응 m _i는 현재 변환 T에 따라 가장 가까운 쌍을 찾아냄으로써 계산되며(라인 5), 라인 2에서 미리 생성된 k-d 트리 탐색 알고리즘이 사용된다. 두 번째 단계에서, 현재 변환은 매칭된 대응 간의 거리를 최소화함으로써 계산된다(라인 7). 강인함을 위해, 이상치(outliers)는 m _i와 T·b _i 간의 거리를 확인함으로써 거절될 수 있다. 포인트 대 플레인(point-to-plane) ICP는 알고리즘 1의 라인 7을 아래 <수학식 1>과 같이 간단하게 바꿈으로써 구현될 수 있다.

[수학식 1]

여기서, η _i는 m _i의 표면 법선 벡터를 의미할 수 있다.

본 발명은 지상 차량에서 사용되는 스캔 매칭에 초점을 둔다. G-ICP는 다중 계층 LiDAR 센서 데이터에 매칭되는 허용 가능한 결과를 종종 산출하지만, 지상 조건을 고려하지 않는다. G-ICP는 최적화 과정 동안 데이터의 경향성을 고려함으로써 희소 데이터를 이용한다. G-ICP 알고리즘에서, 최적화 단계는 알고리즘 1의 라인 7에서 확률 기반 모델로 바뀐다.

두 개의 스캔 데이터의 매칭된 대응 포인트 집합이 A={a _i} _i=1,...,N, B={b _i} _i=1,...,N로 표현될 때, 포인트 집합의 확률 모델은 A^={a^ _i} 및 B^={b^ _i}로 표현될 수 있다. 여기서, a _i~ N(a^ _i, C ^A _i) 및 b _i~ N(b^ _i, C ^B _i)이며, a^ _i와 b^ _i는 평균을 의미하고, C ^A _i, C ^B _i는 주변 포인트들의 분포를 사용하여 계산되는 공분산 행렬을 의미할 수 있다. T ^*가 정렬(aligned) 변환일 때, a^ _i와 b^ _i의 관계는 아래 <수학식 2>와 같이 나타낼 수 있다.

[수학식 2]

무작위 강체 변환의 거리 오차를 d _i ^(T)=b _i-Ta _i라고 정의하면, d _i ^(T*)는 아래 <수학식 3>과 같이 유도될 수 있다.

[수학식 3]

상기 수학식 3은 상기 수학식 2에서 b^ _i-T ^*a^ _i=0를 적용한 것이며, T ^*를 계산하기 위해, 간단한 최적화 방법이 아래 <수학식 4>와 같이 수행될 수 있다.

[수학식 4]

본 발명의 실시예에 따른 방법은 G-ICP 방법을 사용하여 대응 쌍의 변환도 계산한다.

GP-ICP(Ground Plane ICP)

본 발명은 지상 차량을 위한 최고의 대응을 찾는 효율적인 탐색 방법을 제공하는 것으로, 본 발명의 실시예에 따른 방법은 알고리즘 1의 라인 5를 기반으로 하는 탐색 단계를 변경한다. 기존의 방법은 2D 또는 3D 기하학적인 거리의 가장 가까운 점을 기반으로 하여 대응(correspondences)을 찾는다. 지상 차량의 대부분의 자체 운동(egomotions)은 roll, pitch 및 높이 방향(z)에서 작은 변화를 보인다. 기존의 방법에서, 대응 포인트(correspondence points)는 지상 조건을 고려하지 않은 채로 x, y 및 z 축 방향의 유클리드 거리에 따라 발견되기 때문에 미스매치(mismatch)가 발생할 수 있다. 지상 차량에서, z 축 방향의 큰 변위와 같은 일부 조건들은 절대 발생하지 않는다. 따라서, 본 발명은 알고리즘 1의 라인 5를 아래 <수학식 5>와 같이 바꿈으로써 높이 제한 조건의 탐색 알고리즘을 제공할 수 있다.

[수학식 5]

여기서, ε는 미리 정해진 작은 값을 의미하며, 첨자 z는 미리 정의된 벡터의 높이 값을 의미할 수 있다.

상기 수학식 5에서와 같이 대응을 탐색할 때, 미스매치 쌍은 z 축 조건에 의해 최소화된다.

도 1은 본 발명에 따른 매칭 방법과 기존의 매칭 방법의 일 예시도를 나타낸 것으로, 쿼리 포인트 클라우드(녹색)와 타겟 포인트 클라우드(회색) 간 본 발명에 따른 매칭 방법과 기존의 매칭 방법을 비교한 것이며, 노란색 선은 매칭 대응의 결과를 나타낸 것이다.

여기서, 도 1a는 시점 #1에서 기존 방법에 대한 매칭 결과를 나타낸 것이고, 도 1b는 시점 #1에서 본 발명의 방법에 대한 매칭 결과를 나타낸 것이며, 도 1c는 시점 #2에서 기존 방법에 대한 매칭 결과를 나타낸 것이고, 도 1d는 시점 #2에서 본 발명의 방법에 대한 매칭 결과를 나타낸 것이다.

도 1을 통해 알 수 있듯이, 본 발명의 실시예에 따른 방법은 매칭 조건이 특정한 높이 범위로 제한되기 때문에 기존 매칭 방법보다 더 나은 수직 정보를 매칭한다는 장점이 있는 것을 알 수 있다. 또한, 본 발명의 실시예에 따른 방법은 제한된 높이 범위로 인해 6-DoF 변환을 추정할 수 있기 때문에 2D ICP와는 달리 기울기 조건(slope condition)을 해결할 수 있다.

GP-ICP의 가속화(acceleration of GP-ICP)

GP-ICP 알고리즘의 가속화 방법을 설명한다. 종래의 ICP 알고리즘은 k-d 트리 알고리즘을 이용하여 가장 근접한 이웃 포인트를 참조함으로써 대응 포인트를 찾는다. 한편, 본 발명의 방법은 포인트가 특정 높이 범위에 올 때까지 높이 값을 순차적으로 검사하여 대응 포인트를 탐색한다. 이 경우, 많은 이웃 포인트들이 높이 범위를 벗어나면 복잡성이 증가한다. 기존 k-d 트리 검색 알고리즘의 평균 복잡도는 O(log(n))이다. 여기서, n은 탐색 공간 내 포인트의 개수를 의미할 수 있다. 반면, 본 발명의 평균 복잡도는 O(p·log(n))이다. 여기서, p는 이웃 포인트들이 높이 범위 내에 있을 때까지의 탐색 시도 횟수를 의미할 수 있다. 보통의 경우, 가장 가까운 포인트들의 80 ~ 90%가 높이 범위를 만족하고, 다른 포인트들은 높이 범위를 만족하지 않는다. 여기서, 높이 범위를 만족하는 경우 p = 1일 수 있으며, 높이 범위를 만족하지 않은 경우 p는 매우 클 수 있다. 이를 바탕으로, 다중 계층 방식(multi-layer scheme)을 사용하여 상기 수학식 5를 탐색하는 가속화 방법을 제공할 수 있다.

도 2는 다중 계층 방식을 사용하여 매칭 대응을 찾는 가속화 개념에 대한 일 예시도를 나타낸 것으로, 도 2에 도시된 바와 같이 타겟 포인트 클라우드(target point cloud)은 색칠된 계층인 다중 계층 포인트 클라우드에서 미리 지정된 작은 값인 상기 수학식 5의 ε에 의해서 수직 방향으로 고르게 나뉘어진다. 쿼리 포인트 클라우드는 높이 값에 따라 각 계층에서 가장 가까운 포인트를 탐색하며, 탐색된 포인트 중에서 높이 범위 내의 가장 가까운 포인트로부터 대응(correspondences)이 발견된다. 도 2에서의 흰색 선은 각 다중 계층 포인트 클라우드와의 매칭 대응 결과를 나타낸 것이다.

k-d 트리 검색 알고리즘은 관련 계층(relevant layer), 상위 계층(upper layer) 및 하위 계층(lower layer)에 대해 세 번 수행되므로, 본 발명에서의 탐색 알고리즘의 평균 복잡도는 O(3·log(n/L))이다. 여기서 L은 총 계층 수를 의미하는데, L은 ε와 포인트 클라우드의 최대 높이에 의해 결정될 수 있다. 이 높이 제한 탐색 알고리즘은 높이 조건이 충족되지 않은 경우(p≠1)에만 수행된다. 비가속 탐색 알고리즘의 계산 시간은 p 값에 의존하지만, 가속 탐색 알고리즘은 일정한 계산 시간을 갖는다. 가속화된 방법은 L = 1이라는 최악의 경우에도 p 값이 3보다 클 때 가속화되지 않은 방법보다 빠르다. 만족하지 못한 경우에도 p가 매우 큰 경우가 많기 때문에 가속화된 방법은 비가속 방법보다 훨씬 빠를 수 있다.

알고리즘 2는 가속화된 GP-ICP 알고리즘에 대한 것이다. 다중 계층 k-d 트리 K ^A _i,...h은 특정 높이 간격 ε에 의해 생성된다(라인 3). 여기서, h는 계층의 개수를 의미할 수 있다. 라인 7은 높이 조건을 검사한다. 알고리즘 2의 라인 8에서, 각 포인트의 관련 계층 l은 매 반복 단계에서 T·b _i의 z 값에 의해 선택된다. 관련 계층의 가장 가까운 포인트들(라인 9), 그 상위 계층(라인 10) 및 그 하위 계층(라인 11)은 대응하는 계층의 k-d 트리 탐색에 의해 발견된다. 최종적으로 매칭되는 포인트는 높이 조건 |(m ^* _i) _z-(T·b _i) _z|≤ε 하에서 3개의 포인트(m ⁺ _i, m ⁰ _i 및 m ^- _i) 중 가장 가까운 포인트를 사용하여 선택된다.

실험

본 발명의 방법은 지상 차량에 대한 희소 데이터와 매칭하는 것에 초점을 두고 있기 때문에 Velodyne 64E를 구비한 차량에서 수집된 KITTI 데이터세트를 사용하여 검증된다. 본 발명의 방법은 도 3에 도시된 바와 같이 실측 자료를 포함하는 벤치마크 데이터세트 예를 들어, KITTI 데이터세트를 사용하여 테스트된다. GP-ICP는 G-ICP, 포인트 대 포인트(point-to-point) ICP, 포인트 대 플레인(point-to-plane) ICP 및 NDT 알고리즘과 같은 기존 방법들과 비교된다.

실험은 다른 위치에서 수집된 두 개의 포인트 클라우드를 매칭함으로써 수행된다. 각 알고리즘의 매칭 성능을 비교하기 위해서, 도 3의 데이터세트에서 7 ~ 10m의 거리 차이를 갖는 두 개의 포인트 클라우드에 의해 1,545개의 쌍이 무작위로 선택된다.

본 발명의 방법은 지상 조건에서 강인한 매칭에 장점이 있기 때문에 각 쌍은 x(-6m ~ 6m), y(-6m ~ 6m) 및 theta(-50° ~ 50°)를 갖는 다양한 초기 변환에서 매칭되도록 테스트된다. 여기서, x축 및 y축 방향은 각각 차량의 앞 방향 및 측 방향을 나타낸다.

도 4는 다양한 초기 변환을 갖는 각 방향의 성공률에 대한 일 예시도를 나타낸 것으로, 완전한(absolute) 초기 변환을 갖는 각 방향의 성공률을 각 알고리즘에 대해 나타낸 것이다. 여기서, 성공 또는 실패는 알고리즘이 수렴할 때 실측 자료와의 오차를 사용하여 결정된다.

도 4에 도시된 바와 같이, 본 발명의 방법이 x축 방향(a), y 축 방향(b), yaw 각도(c) 모두에서 기존 방법에 비해 우수한 결과를 제공한다는 것을 알 수 있으며, 특히 큰 초기 변환에서 다른 기존 방법들보다 우수한 결과를 제공하는 것을 알 수 있으며, 포인트 대 포인트 ICP 및 포인트 대 플레인 ICP의 매칭 성능은 상당히 저하된 것을 알 수 있다. 또한, NDT 알고리즘은 작은 초기 변환에서만 허용 가능 결과를 보이는 것을 알 수 있으며, G-ICP 알고리즘의 성공률은 GP-ICP 알고리즘의 성공률과 약간 비슷하지만, x축 방향의 초기 변환이 증가할수록 성능은 급격하게 떨어지는 것을 알 수 있다. 지상 차량의 이동을 고려할 때, x축의 큰 초기 변환에 대한 매칭은 다른 축보다 더 중요하다. 따라서, 본 발명의 방법은 큰 초기 변환, 특히 x축에 대한 큰 초기 변환에 대하여 그 우수성이 뛰어나다.

상기 표 1은 실측 자료와 비교된 각 알고리즘의 평균제곱근 오차(root mean square error, RMSE)에 대한 테이블로, 비교 결과는 도 4에서 성공적으로 매칭된 쌍만을 사용한 계산으로부터 생성된다. 표 1을 통해 알 수 있듯이, 포인트 대 포인트 ICP와 포인트 대 플레인 ICP의 오차는 다른 방법들에 비해 크며, NDT 알고리즘의 결과는 G-ICP 및 GP-ICP의 결과보다 약간 나쁜 것을 알 수 있다. 또한, GP-ICP는 G-ICP와 동일한 최적화 방법을 사용하는 것을 고려하면 G-ICP와 GP-ICP의 오차는 유사한 것을 알 수 있다.

초기 변환에 따른 성공적인 매칭의 평균 계산 시간은 표 2와 같으며, 포인트 대 포인트 ICP 및 포인트 대 플레인 ICP의 성능이 나쁘기 때문에 본 발명에 따른 방법의 계산 시간은 G-ICP와 NDT와만 비교한다. 작은 초기 변환에서 GP-ICP의 평균 계산 시간은 G-ICP의 평균 계산 시간보다 더 느리며, 큰 초기 변환에서는 GP-ICP가 더 빠른 것을 알 수 있다. GP-ICP의 탐색 방법은 G-ICP의 탐색 방법보다 1.33배 느리다. 이 때, n=100000, L=20이고 |(m ^* _i) _z-(T·b _i) _z|>ε 는 15%이다. 그럼에도 불구하고, x≥4m, y≥2m 또는 yaw≥20deg인 초기 변환에서 GP-ICP의 전체적인 처리 시간은 G-ICP의 전체적인 처리 시간보다 빠른 것을 알 수 있으며, 이는 CP-ICP가 큰 초기 변환에서 빠르게 수렴한다는 것을 의미한다. NDT의 계산 시간은 보통 낮으며, 큰 초기 변환에서 상당히 증가하는 것을 알 수 있다.

도 5 내지 도 8은 본 발명의 방법과 기존 방법을 비교한 포인트 클라우드 매칭 결과에 대한 예시도들을 나타낸 것으로, 도 5 내지 도 8의 (a)는 초기 변환, (b)는 GP-ICP, (c)는 G-ICP, (d)는 포인트 대 포인트 ICP, (e)는 포인트 대 플레인 ICP 및 (f) 는NDT를 나타낸 것이며, 녹색 점(dot)는 타겟 포인트 클라우드를 나타내고, 빨간색 점은 쿼리 포인트 클라우드의 변환 결과를 나타낸다.

여기서, 도 5는 x = 1.2 m, y = 0.4 m, yaw = 6 deg인 경우에 대한 매칭 결과를 나타낸 것이고, 도 6은 x = 3.0 m, y = 0.6 m, yaw = 10 deg인 경우에 대한 매칭 결과를 나타낸 것이며, 도 7은 x = 3.5 m, y = 0.5 m, yaw = 3 deg인 경우에 대한 매칭 결과를 나타낸 것이고, 도 8은 x = 5.7 m, y = 0.2 m, yaw = 1 deg인 경우에 대한 매칭 결과를 나타낸 것이다.

도 5에 도시된 바와 같이, 모든 알고리즘들은 작은 초기 변환에서 잘 매칭되는 것을 알 수 있으며, 도 6에 도시된 바와 같이, 초기 변환의 x축이 증가할 때 GP-ICP와 G-ICP는 계속해서 성공적으로 매칭되지만, 포인트 대 포인트 ICP, 포인트 대 플레인 ICP 및 NDT는 요구되는 성능을 발휘하지 못하는 것을 알 수 있다. 또한, 도 7과 도 8에 도시된 바와 같이, G-ICP는 큰 초기 변환에서 좋은 매칭을 수행하지 못하는 반면, GP-ICP는 여전히 성공적으로 매칭을 수행하는 것을 알 수 있다.

이와 같이, 본 발명의 실시예에 따른 방법은 지상 로봇 예를 들어, 무인 자동차, 모바일 로봇 등의 움직임 특성을 고려하여 레이저 스캐너의 3차원 데이터 매칭 성공률을 향상시킬 수 있다.

이러한 본 발명에 따른 방법은 장치로 구현될 수 있다. 예를 들어, 본 발명에 따른 스캔 매칭 장치는 두 개의 포인트 클라우드를 수신하는 수신부; 포인트가 특정 높이 범위에 올 때까지 높이 값을 순차적으로 검사하여 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 탐색부; 및 상기 대응 포인트의 탐색 결과에 기초하여 상기 두 개의 포인트 클라우드 간 스캔 매칭을 수행하는 매칭부를 포함한다.

여기서, 상기 탐색부는 상기 포인트의 높이 범위를 미리 설정된 개수의 다중 계층들로 분할하고, 상기 다중 계층들 각각의 높이 범위에 따라 각 계층에서 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색할 수 있으며, 상기 다중 계층들의 개수는 미리 설정된 값과 상기 포인트 클라우드의 최대 높이에 의해 결정될 수 있다.

나아가, 상기 탐색부는 각 포인트의 관련 계층의 가장 가까운 포인트와 상위 계층의 가장 가까운 포인트 및 하위 계층의 가장 가까운 포인트를 탐색하고, 상기 탐색된 세 개의 포인트들 중 가장 가까운 포인트를 상기 대응 포인트로 선택할 수 있다.

비록, 해당 장치에서 그 설명이 생략되었더라도, 장치를 구성하는 각 구성 수단은 도 1 내지 도 8에서 설명한 모든 내용을 포함할 수 있으며, 이는 이 기술 분야에 종사하는 당업자에게 있어서 자명하다.

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, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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 애플리케이션을 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, 가상 장치(virtual equipment), 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.　 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.　 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.　 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.　

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

두 개의 포인트 클라우드(point cloud)를 수신하는 단계;

포인트가 특정 높이 범위에 올 때까지 높이 값을 순차적으로 검사하여 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 단계; 및

상기 대응 포인트의 탐색 결과에 기초하여 상기 두 개의 포인트 클라우드 간 스캔 매칭을 수행하는 단계

를 포함하는 스캔 매칭 방법.
제1항에 있어서,

상기 탐색하는 단계는

상기 포인트의 높이 범위를 미리 설정된 개수의 다중 계층들로 분할하고, 상기 다중 계층들 각각의 높이 범위에 따라 각 계층에서 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 것을 특징으로 하는 스캔 매칭 방법.
제2항에 있어서,

상기 다중 계층들의 개수는

미리 설정된 값과 상기 포인트 클라우드의 최대 높이에 의해 결정되는 것을 특징으로 하는 스캔 매칭 방법.
제2항에 있어서,

상기 탐색하는 단계는

각 포인트의 관련 계층의 가장 가까운 포인트와 상위 계층의 가장 가까운 포인트 및 하위 계층의 가장 가까운 포인트를 탐색하고, 상기 탐색된 세 개의 포인트들 중 가장 가까운 포인트를 상기 대응 포인트로 선택하는 것을 특징으로 하는 스캔 매칭 방법.
제1항에 있어서,

상기 수신하는 단계는

초기 변환(initial transformation) 정보를 더 수신하고,

상기 탐색하는 단계는

상기 초기 변환 정보를 반영하여 상기 대응 포인트를 탐색하는 것을 특징으로 하는 스캔 매칭 방법.
두 개의 포인트 클라우드를 수신하는 단계;

지상 로봇의 움직임 특성을 고려하여 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 단계; 및

상기 대응 포인트의 탐색 결과에 기초하여 상기 두 개의 포인트 클라우드 간 스캔 매칭을 수행하는 단계

를 포함하는 스캔 매칭 방법.
제6항에 있어서,

상기 탐색하는 단계는

포인트가 특정 높이 범위에 올 때까지 높이 값을 순차적으로 검사하여 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 것을 특징으로 하는 스캔 매칭 방법.
제7항에 있어서,

상기 탐색하는 단계는

상기 포인트의 높이 범위를 미리 설정된 개수의 다중 계층들로 분할하고, 상기 다중 계층들 각각의 높이 범위에 따라 각 계층에서 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 것을 특징으로 하는 스캔 매칭 방법.
제8항에 있어서,

상기 탐색하는 단계는

각 포인트의 관련 계층의 가장 가까운 포인트와 상위 계층의 가장 가까운 포인트 및 하위 계층의 가장 가까운 포인트를 탐색하고, 상기 탐색된 세 개의 포인트들 중 가장 가까운 포인트를 상기 대응 포인트로 선택하는 것을 특징으로 하는 스캔 매칭 방법.
두 개의 포인트 클라우드를 수신하는 수신부;

포인트가 특정 높이 범위에 올 때까지 높이 값을 순차적으로 검사하여 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 탐색부; 및

상기 대응 포인트의 탐색 결과에 기초하여 상기 두 개의 포인트 클라우드 간 스캔 매칭을 수행하는 매칭부

를 포함하는 스캔 매칭 장치.
제10항에 있어서,

상기 탐색부는

상기 포인트의 높이 범위를 미리 설정된 개수의 다중 계층들로 분할하고, 상기 다중 계층들 각각의 높이 범위에 따라 각 계층에서 상기 두 개의 포인트 클라우드 간 대응 포인트를 탐색하는 것을 특징으로 하는 스캔 매칭 장치.
제11항에 있어서,

상기 다중 계층들의 개수는

미리 설정된 값과 상기 포인트 클라우드의 최대 높이에 의해 결정되는 것을 특징으로 하는 스캔 매칭 장치.
제11항에 있어서,

상기 탐색부는

각 포인트의 관련 계층의 가장 가까운 포인트와 상위 계층의 가장 가까운 포인트 및 하위 계층의 가장 가까운 포인트를 탐색하고, 상기 탐색된 세 개의 포인트들 중 가장 가까운 포인트를 상기 대응 포인트로 선택하는 것을 특징으로 하는 스캔 매칭 장치.
제10항에 있어서,

상기 수신부는

초기 변환 정보를 더 수신하고,

상기 탐색부는

상기 초기 변환 정보를 반영하여 상기 대응 포인트를 탐색하는 것을 특징으로 하는 스캔 매칭 장치.