높은 수준의 차량 자율주행 기능을 구현하기 위하여 추가적으로 여러 센서를 이용해 위치 추정 성능을 향상시키는 방법이 개발되고 있다. 대표적인 방법 중 하나인 CMRNet은 고품질 라이다(Light Detecting And Ranging, LiDAR)로 스캔하여 사전에 얻은 point cloud 지도에 대해 카메라 센서로 실시간으로 촬영한 RGB 이미지를 대응하는 딥러닝 모델이다. Point cloud 지도와 RGB 이미지 간 위치 바이어스를 딥러닝 모델을 통해 추정하여, 높은 정확도로 위치 및 자세를 보정한다. 이 과정에서 정밀하고 값비싼 64채널 LiDAR로 얻은 고품질 point cloud 지도는 차량의 위치 추정에 매우 중요한 역할을 한다. 그러나, LiDAR 센 서 성능 혹은 데이터 수집 환경의 차이에 따라 지도의 point cloud 밀도가 저하되는 현상이 발생할 수 있다. 이러한 현상으로 인하여 자율주행 성능이 크게 저하될 가능성에 대비해 본 연구에서는 다양한 point cloud 밀도를 가진 지도를 차량의 위치 추정에 활용했을 때의 성능을 비교 분석하였다. 64채널 LiDAR가 느린 속력으로 point cloud 데이터를 수집하는 이상적인 경우, 지도는 높은 point cloud 밀도를 가지며, CMRNet에 활용하기 위해 down sampling을 진행하여 10.0 points/m3라는 일정한 point cloud 밀도를 유지할 수 있다. 그러나 해상도가 낮은 채널의 LiDAR를 활용하거나 데이터 수집 속력이 일정 하지 못한 경우, 5.0 points/m3, 2.0 points/m3, 0.5 points/m3, 0.1 points/m3 등의 낮은 point cloud 밀도를 가진 지도가 생성될 수 있다. 이러한 경우를 고려하여, 본 논문 에서는 다양한 point cloud 지도의 밀도에 따른 위치 추정 정확도 평가를 진행하였다. 또한 저밀도 point cloud 지도 기반 차량 측위 성능을 향상시키기 위해, CMRNet에 attention layer를 추가한 개선된 CMRNet 을 개발하였으며, 0.1 points/m3의 저밀도 point cloud 지도에 대해서 개선된 CMRNet 모델이 기존 CMRNet 모델에 비해 차량 위치 추정 성능을 약 27.4% 향상시킬 수 있음을 보였다.

The Impact of LiDAR Point Cloud Density on the Performance of Vehicle Position Estimation Using CMRNet

Yejin Kim, Halim Lee, Jiwon Seo*

To achieve high-level autonomous driving capabilities, various methods have been developed to enhance positioning performance using multiple sensors. One such method, CMRNet, utilizes a high-quality Light Detection and Ranging (LiDAR) system to scan and generate a pre-built point cloud map, which is then matched in real-time with RGB images captured by camera sensors through a deep learning model. This model estimates the positional bias between the point cloud map and the RGB images, correcting the vehicle’s position and orientation with high accuracy. In this process, the high-quality point cloud map, obtained using a precise and expensive 64-channel LiDAR, plays a crucial role in vehicle positioning. However, variations in point cloud density can occur depending on the LiDAR sensor’s performance or the data collection environment, potentially degrading autonomous driving performance. In this study, we evaluated the impact of different point cloud densities on vehicle positioning performance. Ideally, when a 64- channel LiDAR collects point cloud data at low speeds, the map has a high point cloud density, which is downsampled to maintain a consistent density of 10.0 points/m3 for use with CMRNet. However, lower resolution LiDARs or inconsistent data collection speeds can produce maps with lower point cloud densities of 5.0 points/m3, 2.0 points/m3, 0.5 points/m3, and 0.1 points/m3. We assessed positioning accuracy across these different point cloud densities and compared performance during iterative refinement. Additionally, to mitigate the degradation in positioning accuracy due to changes in point cloud density, we enhanced CMRNet's performance by incorporating an attention layer. Through comparison, we demonstrated that the improved CMRNet model enhanced vehicle positioning accuracy by approximately 27.4% over the original CMRNet model when using low-density point cloud maps of 0.1 points/m³.

Keywords: urban vehicle navigation, CMRNet, LiDAR, attention

Speaker 김예진 연세대학교