Earticle

자율주행 차량의 안전하고 강건한 운행을 위해서는 주변 환경을 정확히 인식하는 것이 매 우 중요하다. 인식을 위한 센서로 많이 사용하는 것은 카메라, 레이더, 라이다 등이 있다. 라이 다 센서는 빛의 성질을 이용하여 주변 환경을 3차원으로 정밀하게 측정할 수 있다. 본 논문에 서는 라이다 센서를 사용하여 객체 인식을 하기 위한 중요한 전처리 단계인 지면 분류 알고리 즘을 제시하였다. 제안된 지면 분류 알고리즘은 자율주행 차량의 주행 경로를 이용하여 관심 영역을 설정하고, 관심 영역 내의 포인트 클라우드를 사용하여 지면 분류를 위한 초기 직선을 설정한다. 초기 직선의 기울기, 절편을 사용하여 확장된 관심 영역에 포함되는 포인트 클라우 드와의 거리를 계산하여 거리가 임계값 이하인 포인트를 지면, 그 외의 포인트를 비지면으로 분류한다. 제안한 알고리즘의 성능을 검증하기 위해 실제 시험 차량에서 취득한 다양한 환경 에서의 데이터를 이용하였다. 다양한 환경에서 지면 및 비지면 분류 결과가 자율주행 운행을 위해 충분한 성능을 보였다. 또한 잡음이 많은 환경에서도 처리 시간이 단축됨을 확인하였다.

For safe and robust operation of autonomous vehicles, accurately perceiving the surrounding environment is crucial. Commonly used sensors for perception include camera, radar, and LiDAR. The LiDAR sensor leverages light properties to measure the surrounding environment in high-precision 3D. This paper presents a ground classification algorithm, an essential preprocessing step for object recognition using LiDAR sensors. The proposed ground classification algorithm sets a region of interest (ROI) based on the driving path of the autonomous vehicle, and establishes an initial line for ground classification by using the point cloud within this ROI. By calculating distances from the expanded ROI’s point cloud to this initial line, based on its slope and intercept, points within a threshold distance are classified as ground, while others are classified as non-ground. To validate the performance of the proposed algorithm, data from various environments captured by a test vehicle were used. The results of ground and non-ground classification across these diverse environments demonstrated sufficient performance for autonomous driving. Additionally, processing time was reduced even in noisy environments.

Real-time Point Cloud Ground Segmentation은 자율주행에서 판단 및 객체 탐지/추적 등 다양한 분야에 도움을 준다. 이에 따라, Real-time Point Cloud Ground Segmentation을 했으며, 센서로는 라이다, 알고리즘으로는 TRAVEL논문을 인용했다. 또한 Real-time Point Cloud Ground Segmentation뿐 만 아니라 이동가능지형 판단(Traversability)을 하였다. 그리고 최종적으로, 위와 같은 알고리즘들을 회사 로봇(Scout Mini Robot)에 접목시켰으며 그 과정에서 TRAVEL 알고리즘내에 내제된 파라미터 값들을 최적화시키는 과정이 필요하였다. 그래서 3가지의 방법을 통해 파라미터 값을 선정한 후, 결과값을 비교 분석하였다. 연구 결과, Rellis-3D와 베이지안 최적화를 사용한 베이지안 파라미터가 최적의 파라미터임을 확인할 수 있었다.

In this study, we proposed a new approach to segment ground and nonground points gained from a 3D laser range sensor. The primary aim of this research was to provide a fast and effective method for ground segmentation. In each frame, we divide the point cloud into small groups. All threshold points and start-ground points in each group are then analyzed. To determine threshold points we depend on three features: gradient, lost threshold points, and abnormalities in the distance between the sensor and a particular threshold point. After a threshold point is determined, a start-ground point is then identified by considering the height difference between two consecutive points. All points from a start-ground point to the next threshold point are ground points. Other points are nonground. This process is then repeated until all points are labelled.

In this paper, we propose a new approach to learning a discriminative model for figure/ground segmentation by incorporating the bag-of-features and conditional random field (CRF) techniques. We advocate the use of image patches instead of superpixels as the basic processing unit. The latter has a homogeneous appearance and adheres to object boundaries, while an image patch often contains more discriminative information (e.g., local image structure) to distinguish its categories. We use pixel-level sparse coding to represent an image patch. With the proposed feature representation, the unary classifier achieves a considerable binary segmentation performance. Further, we integrate unary and pairwise potentials into the CRF model to refine the segmentation results. The pairwise potentials include color and texture potentials with neighborhood interactions, and an edge potential. High segmentation accuracy is demonstrated on three benchmark datasets: the Weizmann horse dataset, the VOC2006 cow dataset, and the MSRC multiclass dataset. Extensive experiments show that the proposed approach performs favorably against the state-of-the-art approaches.

Objectives: This work was a comparative study that aimed to find a proper method for accurately segmenting persistent ground glass nodules (GGN) in thin-section computed tomography (CT) images after detecting them. Methods: To do this, we first applied five types of semi-automatic segmentation methods (i.e., level-set-based active contour model, localized region-based active contour model, seeded region growing, K-means clustering, and fuzzy C-means clustering) to preprocessed GGN images, respectively. Then, to measure the similarities, we calculated the Dice coefficient of the segmented area using each semiautomatic method with the result of the manually segmented area by two radiologists. Results: Comparison experiments were performed using 40 persistent GGNs. In our experiment, the mean Dice coefficient for each semiautomatic segmentation tool with manually segmented area was 0.808 for the level-set-based active contour model, 0.8001 for the localized region-based active contour model, 0.629 for seeded region growing, 0.7953 for K-means clustering, and 0.7999 for fuzzy C-means clustering, respectively. Conclusions: The level-set-based active contour model algorithm showed the best performance, which was most similar to the result of manual segmentation by two radiologists. From the differentiation between the normal parenchyma and the nodule, it was also the most efficient. Effective segmentation methods will be essential for the development of computer-aided diagnosis systems for more accurate early diagnosis and prognosis of lung cancer in thin-section CT images.

원격 환경에서 작동하는 원격 로봇을 조종하기 위해서는 조종사가 빠르게 계획을 세워야 한다. 이를 위해 GPS, 자이로스코프, 비디오 카메라, 3D 센서 등에서 획득한 2D 및 3D 데이터셋으로 복셀 맵을 구성한다. 지형 모델의 각 복셀은 이웃하는 복셀에 큰 영향을 받는다. 그러므로 깁스-마르코프 랜덤 필드 모델(GMRF, Gibbs-Markov Random Field) 을 사용하여 복셀맵에서 이동 가능한 영역을 탐색하는 방법을 제안한다.

원격 환경에서 작동하는 원격 로봇을 조종하기 위해서는 조종사가 빠르게 계획을 세워야 한다. 이를 위해 GPS, 자이로스코프, 비디오 카메라, 3D 센서 등에서 획득한 2D 및 3D 데이터셋으로 복셀 맵을 구성한다. 지형 모델의 각 복셀은 이웃하는 복셀에 큰 영향을 받는다. 그러므로 깁스-마르코프 랜덤 필드 모델(GMRF, Gibbs-Markov Random Field) 을 사용하여 복셀맵에서 이동 가능한 영역을 탐색하는 방법을 제안한다.

드론 라이다(Drone LiDAR)는 산지의 비탈면 정상부나 접근이 불가한 사면에 대해 근접 조사가 가능한 첨단 측량 기술로 산악지형에서 현장조사를 위한 활용이 높아지고 있다. 드론 라이다를 활용하여 지형 정보를 구축하기 위해서는 취득된 포인트 클라우드로부터 지면과 비지면 점들을 효과적으로 분리하는 전처리 과정이 필요하다. 따라서 본 연구에서는 상업용 드론에 탑재된 항공 라이다를 이용하여 산악지형의 점군 자료를 취득하고, 지면분리 기법 중 하나인 cloth simulation filtering (CSF) 알고리즘을 적용하고 정확도를 검증하였다. 알고리즘을 적용한 결과, 지면과 비지면에 대한 분리 정확도는 84.3%, kappa 계수는 0.71로 나타났고 드론 라이다 데이터를 산악지형의 산사태 현장조사에 효과적으로 활용할 수 있음을 확인하였다.

Drone light detection and ranging (LiDAR) is a state-of-the-art surveying technology that enables close investigation of the top of the mountain slope or the inaccessible slope, and is being used for field surveys in mountainous terrain. To build topographic information using Drone LiDAR, a preprocessing process is required to effectively separate ground and non-ground points from the acquired point cloud. Therefore, in this study, the point group data of the mountain topography was acquired using an aerial LiDAR mounted on a commercial drone, and the application and accuracy of the cloth simulation filtering algorithm, one of the ground separation techniques, was verified. As a result of applying the algorithm, the separation accuracy of the ground and the non-ground was 84.3%, and the kappa coefficient was 0.71, and drone LiDAR data could be effectively used for landslide field surveys in mountainous terrain.

본 논문에서는 구면 영상에서 영역 분할 정보를 사용하여 바닥 영역을 검출하는 방법을 제시한다. 평면 영상에서의 Watershed 영역 분할 방법을 수정하여 구면 영상의 영역 분할에 적용할 수 있도록 하였다. 영역들을 분할한 뒤 가정된 바닥 영역 픽셀의 색상과 질감을 그 외의 영역들과 비교하여 바닥 영역을 검출한다. 구면 파노라마 영상에서는 구면 왜곡으로 인하여 평면에서의 바닥 검출 방법을 그대로 적용할 수 없다. 구면 왜곡을 고려한 바닥 영역 검출을 위하여 바닥 영역의 외곽선을 검출하는 알고리즘을 설계하였다. 실험에서 지상물이 없는 경우와 있는 경우의 모두에서 적절하게 바닥 영역을 검출할 수 있는 결과를 보였다.

In this paper, we propose a ground area detection technique based on region segmentation in the spherical image. We modified the Watershed planar image segmentation method to segment spherical images. After regions are segmented, the ground area is detected by comparing colors and textures of pixels of the assumed ground region with the pixels of other regions. The ground detection technique for planar images cannot be used for spherical images due to the spherical distortion. Considering the spherical distortion, we designed the ground shape detection algorithm to detect the ground area in the spherical images. Our experimental results show that the proposed technique properly detects ground areas both for the flat ground and the obstacle-filled ground environments.

The advent of deep learning-based algorithms has facilitated researches on target detection from synthetic aperture radar(SAR) imagery. While most of them concentrate on detection tasks for ships with open SAR ship datasets and for aircraft from SAR scenes of airports, there is relatively scarce researches on the detection of SAR ground vehicle targets where several adverse factors such as high false alarm rates, low signal-to-clutter ratios, and multiple targets in close proximity are predicted to degrade the performances. In this paper, a dataset of ground vehicle targets acquired from TerraSAR-X(TSX) satellite SAR images is presented. Then, both detection and instance segmentation are simultaneously carried out on this dataset based on the deep learning-based Mask R-CNN. Finally, this paper shows the future research directions to further improve the performances of detecting the SAR ground vehicle targets.