자율주행 자동차의 주변 객체 인지용 가장 대표적인 센서인 LiDAR는 주변 객체를 Point Cloud 형태의 데이터로 인지하고 군집화 과정을 통해 객체의 형상 및 좌표 정보를 얻어낸다. 본 논문에서는 두 단계의 LiDAR 객체 군집화 알고리즘을 제안한다. 첫 번째 군집화 단계에서는 인접 Point 탐지 거리 Parameter인 Cluster Tolerance의 값을 낮게 설정해 군집화 알고리즘을 이용해 수행한다. 낮은 Cluster Tolerance를 갖 게 될 경우 연산 속도는 빠르지만 과분할이 발생하기 때문에 객체를 정확하게 인지하는 것에 한계가 있다. 본 논문에서는 두 번째 군집화 단계를 거쳐 의도적으로 발생된 과분할을 해결한다. 두 번째 군집화 단계에서는 인접 채널간 Segmentation 요소를 병합해 과분할을 해결하면서 객체 인지 성능을 향상시키게 된다. 제안한 군집화 알고리즘은 두 단계의 군집화을 통해서 기존 군집화 기법에 비해 상대적으로 높 은 인지 성능과 낮은 연산량을 보장한다.

A Study on 2-Step LiDAR Clustering Algorithm Utilizing Over-Segmented Objects

Dong-Young Kim, Han-Bin Song, Jea-Un Lee, Ji-Ung Im, Jong-Hoon Won*

In autonomous vehicles, LiDAR sensor is the most representative sensor for recognizing surrounding objects, recognizes surrounding objects as point cloud data and obtains object shape and coordinate information through a clustering process. In this paper, we propose a two-step LiDAR object clustering algorithm. In the first clustering step, the Cluster Tolerance which is the adjacent point detection distance parameter, is set to low value. With low Cluster Tolerance, the computation speed is fast, but there is a limit to accurately recognizing objects because over-segmentation occurs. In this paper, we solve the intentionally generated over-segmentation through the second clustering step. In the second clustering step, object recognition performance is improved while solving over-segmentation by merging segmentation elements between adjacent channels. The proposed clustering algorithm guarantees relatively high cognitive performance and low computational time compared to the other clustering technique through two-step clustering.

Keywords: autonomous driving, LiDAR, clustering, object recognition

Speaker 김동영 인하대학교