Real-Time Driving Environment Perception based on Geometric Model-Free Approach and Static Obstacle Map using Automotive 2D LiDAR

Abstract

This thesis proposes a real-time perception module using autonomous 2D-LiDAR and chassis sensors for urban autonomous driving. The proposed perception module divides the driving environment into static obstacles and moving obstacles, and depicts it as a static obstacle map (STOM) and tracks, respectively. The module is available any road without support from infrastructures such as V2X and HD map. Also, the module's processing time at a multi-purpose computer equipped autonomous vehicle is less than LiDAR's sensing period. The proposed module consists of two parallel submodules. The first is the STOM construction part, which expresses static obstacles as a two-dimensional probability distribution using LiDAR, ego motion information, and tracks of the previous step. Since static obstacles are represented as a two-dimensional grid map without detection, it effectively describes various static barriers. Also, since moving obstacles are classified through interaction with the tracking module, it is more efficient than the existing iterative method. The second sub-module is geometric model-free approach (GMFA), which uses the STOM of the previous step to classify moving parts, detects the moving obstacles by tracking, and estimates its state. After distance based clustering (DBC), tracks are created and tracked using adjacent clusters in a four-dimensional space consisting of shapes and positions in a consecutive scan. Since it uses set of points on a rigid body (SPRB), objects of various forms such as pedestrians, motorcycles, and trucks are effectively described without geometry model. Two methods are used for estimating the dynamic state using the tracked results. The first method uses extended-Kalman filter (EKF). The displacement of the moving obstacle is extracted from matched clusters through point registration and used as a measurement of EKF to estimate the dynamic state. The method requires less computation and shows stable performance in sparse areas. However, EKF has a limit when the shape is changed dramatically, or the objects are dense. The second method uses particle filter (PF) to overcome the first method's drawback. The dynamic state is estimated using a point cloud directly. As a result, robust performance is achieved even with large shape changes or dense traffic. The proposed perception module has been implemented in Labview /MATLAB and ROS/c++, and qualitative and quantitative analysis was performed through autonomous driving data from our autonomous vehicles. As a result of evaluating the detection performance using labeling data and the estimation performance using RT-range, the both performances are improved compared to the existing perception algorithm in urban environments.

본 논문은 도심 자율주행을 위한 차량용 2차원 라이다와 샤시센서를 이용한 실시간 인식 모듈을 제안한다. 제안된 인식 모듈은 주행 환경을 정지 장애물과 이동 장애물로 구분하며, 이는 각각 정지 장애물 맵 (STOM) 과 트랙으로 표현한다. 본 모듈은 V2X나 HD map 과 같은 기반 시설의 정보를 활용하지 않기 때문에 어떤 도로에서나 활용 가능하다. 또한 이 모듈의 연산 시간은 자율주행 차량에 탑재된 다목적 컴퓨터에서 라이다의 측정 주기보다 짧기 때문에 실시간으로 활용이 가능하다. 제안된 모듈은 두 개의 병렬적 하위 모듈로 구성된다. 첫 번째는 정지 장애물 맵 구성 부분으로, 이 하위 모듈은 라이다와 자차량 정보, 이전 스텝의 트랙을 활용하여 정지 장애물을 2차원 확률 분포로 묘사한다. 정지 장애물을 각각에 대한 검출 없이 2차원 그리드 맵으로 표현하기 때문에, 정지 장애물 맵은 다양한 형상의 정지 장애물을 효과적으로 묘사한다. 움직이는 장애물을 추적 모듈과의 상호작용을 통해 구분하여 반복 연산을 통한 방식보다 효율적으로 동적 장애물이 있는 환경에서 정지 장애물 맵을 추정한다. 두 번째 하위 모듈은 형상 모델 프리 접근법 (GMFA)로, 이전 스탭의 정지 장애물 맵을 이용하여 이동 물체를 구분하고, 구분된 이동 물체를 추적을 통해 검출 및 그 상태를 추정한다. 거리 기반 클러스터링 후에 연속된 스캔에서 형상을 고려한 4차원 공간에서 인접한 두 클러스터를 이용해서 트랙을 생성한다. 형상 가정 없이 클러스터의 형상을 직접 활용하여 클러스터를 비교하기 때문에 오토바이, 버스, 보행자, 승용차 등의 다양한 도로 이용자를 하나의 모델로 효율적으로 추적한다. 추적된 트랙에서 진행 방향, 속도 등의 상태를 추정하기 위해서 두 가지 방법이 제안되었다. 첫 번째 방식은 확장 칼만 필터를 이용하였다. 이 방식은 추적된 클러스터와 매칭된 클러스터를 반복적 최근접 점쌍 방식으로 가장 유사해지는 강체 이동 모션을 추출하고, 이를 측정으로 하는 확장 칼만 필터를 통해서 이동 장애물의 동적 상태를 추정한다. 두 번째 방식은 파티클 필터를 이용해 점구름을 직접 측정값으로 활용하였고, 그 결과 물체가 밀집된 상황 또는 형상 변화가 큰 상황에서 더 나은 성능을 보인다. 제안된 인식 모듈은 Labview/MATLAB 과 ROS/c++ 환경에서 각각 구현되었다. 각 환경에서 실제 자율주행 차량을 이용하여 취득한 데이터를 이용하여 정량적 그리고 정성적으로 평가되었다. 검출 성능은 전방 카메라를 이용한 라벨링 데이터를 활용하여 평가되었으며, 추정 성능은 RT-range를 이용한 데이터를 통해서 평가했다. 같은 연산량의 이전 알고리즘과 비교하여 도심환경에서 두 성능 모두 향상되었다.