Detection and Tracking of Moving Object based on Interaction of Static Obstacle Map and Geometric Model-Free Tracking for autonomous driving

Abstract

Based on the high accuracy of LiDAR sensor, detection and tracking of moving objects(DATMO) have been advanced as an important branch of perception for an autonomous vehicle. However, due to crowded road circumstances by various kind of vehicles and geographical features, it is necessary to reduce clustering fail case and decrease the computational burden. To overcome these difficulties, this paper proposed a novel approach by integrating DATMO and mapping algorithm. Since the DATMO and mapping are specialized to estimate moving object and static map respectively, these two algorithms can improve their estimation by using each others output. Whole perception algorithm is reconstructed using feedback loop structure includes DATMO and mapping algorithm. Moreover, mapping algorithm and DATMO are revised to innovative Bayesian rule-based Static Obstacle Map(SOM) and Geometric Model-Free Tracking(GMFT) to use each others output as the measurements of filtering process. The proposed study is evaluated via driving dataset collected by vehicles with RTK DGPS, RT-range and 2D LiDAR. Several typical clustering fail cases that had been observed in existing DATMO approach are reduced and code operation time over the whole perception process is decreased. Especially, estimation of moving vehicles state include position, velocity, and yaw angle show less error with references which are measured by RT-range.

라이다 센서의 측정 정밀성을 기반으로 하여 DATMO, 즉 이동 물체 탐지 및 추적은 자율주행 인지 분야의 매우 중요한 주제로 발전되어 왔다. 그러나 다양한 종류의 차량에 의해 도로 상황이 복잡한 점 및 도로 특유의 복잡한 지형적 특성 때문에 클러스터링(Clustering)의 실패 사례가 종종 발생할 뿐만 아니라 인지 알고리즘의 계산 부담도 증가한다. 이러한 문제를 극복하기 위해 이 논문에서는 DATMO 알고리즘과 맵핑 알고리즘을 통합하여 새로운 접근법을 제시하였다. DATMO와 맵핑 알고리즘은 각각 이동 물체와 정지 물체의 상태를 추정하는데에 특화되어있기 때문에 두 알고리즘은 서로의 출력을 입력으로 사용하여 추정 성능을 향상시킬 수 있다. 전체 인지 알고리즘은 DATMO와 맵핑 알고리즘을 포함하는 피드백 루프 구조로 재구성된다. 또한 두 알고리즘은 각각 Geometric Model-Free Tracking(GMFT)과 베이지안 룰 기반의 혁신적인 Static Obstacle Map(SOM)으로 수정되어 서로의 출력을 필터링 프로세스의 측정값으로 사용한다. 이 연구에서 제시한 통합 인지 알고리즘은 RTK DGPS와 RT Range 장비, 그리고 2차원 LiDAR를 장착한 차량을 이용하여 수집한 데이터를 통해 성능을 평가하였다. 기존의 DATMO 연구에서 발생했던 몇 가지 일반적인 클러스터링 실패 사례가 감소하였고 전체 통합 인지 과정에 대한 알고리즘 작동 시간이 감소함을 확인하였다. 특히, 이동하는 물체의 위치, 속도, 방향을 추정한 결과는 RT Range 장비로 측정한 실제 값과 기존 방식 대비 더욱 적은 오차를 보여주었다.