라이다 기반 검출 네트워크 강인성 제고를 위한 데이터 확장 및 상세 시나리오 확대의 관한 연구
Scalable Learning for Lidar-based Object Detection and Its Application to Expansion of Concrete Scenario
- 주제(키워드) 딥러닝 검출 네트워크 , 라이다 , 상세 시나리오 , 강인성 , 곡선 좌표계
- 주제(DDC) 621.8
- 발행기관 아주대학교
- 지도교수 송봉섭
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 일반대학원 기계공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000032445
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 연구에서는 딥러닝 기반의 라이다 객체 검출 알고리즘의 강인성 제고를 위하여 시나리오 관점으로 데이터를 확장하는 방법론에 대하여 제안한다. 딥러닝에서 활용되는 공개데이터는 일반적으로 안전한 상황만 존재하며 충돌이 날 수 있는 위험 상황 시나리오에 대한 알고리즘의 개발 및 평가에는 한계가 존재한다. 따라서 통합 안전 관점에서의 체계적인 데이터 증강 및 학습 방법론이 필요로 하다. 본 연구에서는 데이터 증강을 크게 두 가지 관점으로 나누어 방법론을 제안한다. 우선 충돌 위험 시나리오를 선정하고 이를 가상 환경을 통하여 데이터셋을 구축한다. 그 다음, 본 연구에서 선정한 검출 네트워크와 제안한 학습 방법론을 적용하여 실제와 가상에서의 성능 제고를 보여주고자 한다. 두 번째는 실 도로 주행에서 주변 차량을 인지 알고리즘으로 정보를 획득하여 주변 차량을 추출하고 이를 위험한 상황이 포함된 가상의 상세 시나리오와 혼합하여 시나리오를 확대하고자 한다. 더 나아가, 실제 주행한 도로 형상뿐만 아니라 다른 도로 형상에 곡선 좌표계를 활용하여 주변 차량 궤적을 투영하는 기술을 통해 도로에 따라 시나리오를 생성하여 데이터를 확장하고자 한다. 제안된 방법론으로 생성한 데이터를 이용하여 딥러닝 검출 알고리즘의 학습 방법에 따라 실 주행 데이터, 상세 시나리오, 제안된 시나리오 데이터별로 성능 비교를 통해 강인성 관점으로 성능 향상되는 것을 보인다.
more목차
1. 서론 1
1.1 연구 배경 1
1.2 연구 내용 4
1.3 시스템 구성 6
2. 위험 시나리오 생성 7
2.1 검출 네트워크 선정 및 설정 7
2.2 가상 데이터 생성 및 학습 9
3. 시나리오 확장 방법론 11
3.1 시스템 아키텍처 11
3.2 상세 시나리오 선정 13
3.3 주변 차량 추출 16
3.4 혼합 시나리오 생성 26
4. 실험적 검증 27
5. 결론 34
6. 참고 문헌 36
