- 기계식 라이다
전기 모터 사용해 기계식 회전
주변 레이저 발사 각도 변경
장점)
넓은 범위의 스캐닝 수행
단점)
진동 등에 의한 내구성 문제 발생
- 솔리드 스테이트 라이다
Optical Phased Array 배열 안테나 구조 이용
안테나 원소의 위상 조절 -> 원하는 방향으로 레이저 발사, 송신
장점)
고정식으로 진동 등에 크게 영향 없음
단점)
Optical Phased Array 구조로 레이저의 송신 파워 분산으로 장거리에 어려움
따라 자율주행에 사용하기 어려움
- MEMS 라이다
반사 거울을 전자식으로 제어해 넓은 영역 스캐닝이 가능한 라이다
장점)
레이저의 장거리 도달 가능
단점)
진동, 저온에 취약함
라이다 센서 데이터
= 레이저가 반사되어 온 결과물
3차원 점의 집합으로 3차원 공강에서의 물체 표면을 나타냄
3차원 공간에서의 동적, 정적 물체 검출 및 추적
차량 전방 등의 환경에 대한 거리 측정이 가능
고정밀 지도 생성 및 맵매칭을 통한 측위 가능
라이다 기반 3차원 물체 검출
물체의 3차원 위치 정보 제공
3차원 바운딩 박스 형태 제공 : 3차원 박스 형태의 좌표, x-y축의 회전 각도
자율주행차를 하늘로부터 바라봤을 때의 영역인 조감도 영역에서의 2차원 박스 형태 제공
자율주행에서
경로 계획 및 판단 시 정확한 3차원 동적 개체의 위치 정보 제공
3차원 거리 측정 정보 제공으로 정확한 검출 가능
포인트 클라우드 데이터 : 순서대로 정렬되지 않은 포인트들의 집합
2차원 배열로 이루어진 데이터와 다른 구조, 기존의 CNN 구조를 이용하기에 적합하지 않음
포인트 클라우드 데이터 물체 특징값 추출 방법
- 2차원 평면 투영 방법
포인트들을 전방 또는 조감도 영역으로 직접 투영하여 새로운 2차원 데이터를 만들어냄
양자화로 인한 성능저하로 최근 사용이 감소
- 복셀 기반 표현 방법
3차원공간을 작은 3차원 큐브인 복셀구조로 잘게 나누어 3차원 포인트들이 각 복셀의 포인트로 나누어짐
각 복셀에 있는 포인트들을 따로 인코딩 -> 포인트넷 딥러닝 방법 사용 -> 인베딩 벡터(3차원 복셀 구조 안에 포인트넷으로 인코딩한 벡터) 포함 형태로 포인트 클라우드 표현
- 포인트넷 사용 방법
전체의 포인트 클라우드 집합에 포인트넷 적용 -> 배경에 해당하는 포인트와 물체의 포인트 분리 -> 물체에 해당하는 포인트들을 선택하여 물체에 대한 포인트 추출
단점)
복잡도 높음
장점)
복셀 기반에서 발생하는 누설없이 정확한 포인트 추출 가능
라이다 기반 3차원 물체 추적
- mmMOT 방법
현재 검출된 물체와 추적중인 물체 -> 라이다 포인트 데이터 추출 -> 포인트넷 적용 -> 특징값 추출 -> CNN 네트워크 적용 -> 유사도 판별 -> 선형 프로그램의 최적화 기법 적용 -> 검출 결과 연결
- GNN3DMOT 방법
포인트넷을 적용하여 얻은 특징 + 물체의 시간적인 움직임 정보(LSTM 네트워크 이용)
그래프 뉴럴 네트워크 모델(GNN)사용 -> 정확한 검출결과 연결 수행
