레이더는 파장이 긴 전파를 활용하여 비, 눈과 같은 환경에서도 센싱의 강인성을 가지는 특성이 있다. 이로 인해 레이더는 카메라, 라이다와 달리 악천후 환경에서도 양질의 데이터를 수집할 수 있으므로 모든 상황에서 안전하게 주행하는 자율 주행 시스템에 중요한 역할을 한다. 하지만 이러한 레이더 센서의 장점에도 불구하고 자차의 이동 경로인 odometry를 추정하는 연구에서 레이더 센서는 다수의 데이터가 공 개된 카메라, 라이다에 비해 데이터 활용이 쉽지 않아 주목받지 못하고 있다. 본 논문에서는 3D 레이더 데이터를 입력 받고 RTK 정보를 정답으로 활용하여 훈련한 odometry를 추정하는 인공지능 신경망을 제 안하여 레이더 센서 또한 odometry 추정에 적합함을 보이고자 한다.

Deep Learning Network for Odometry Estimation Using 3D Radar and RTK

Min-Hyeok Sun, Dong-Hee Paek, Dong-In Kim, Kevin Tirta Wijaya, Seung-Hyun Kong*

Radar has the advantage of being robust in sensing even in adverse weather like rain and snow because it uses long-wavelength radio waves. Unlike cameras and lidar, radar can continuously collect high-quality data in a variety of driving environments, so it plays a crucial role in autonomous driving systems, which is essential for safe driving in all weather conditions. In terms of deep-learning-based odometry estimation studies, despite the benefits of these radar sensors, the radar sensor does not receive much attention because it is difficult to utilize radar data in comparison to other sensors (i.e., camera and lidar). In this paper, we propose a deep learning network for estimating odometry using 3D radar data as input and Real-Time Kinematic (RTK) information as the label. Keywords: odometry, radar, deep-learning

Speaker 선민혁 한국과학기술원