기존 레이더
장점)
전자기파의 특성으로 주변 환경 변화에 강인함
저렴한 가격으로 정확한 거리 정보 획득 가능
단점)
횡방향의 해상도가 높지 않음
주변 장애물에 의한 반사에 의한 클러터로 물체를 정확하게 검출하지 못해 오탐률이 다른 센서에 비해 높음
저해상도로 물체의 검출 결과 및 신호를 조감도 영역(위에서 바라보는 평면 영역)에서만 표현
고해상도 라이다 센서
레이더 센서의 단점 극복 but 가격부담
3단계 조건부 자율주행에서 특히 가격부담
레이더-라이더 문제 해결
- 레이더 자체의 성능 개선
- 라이다 비용 절감
고해상도 레이더
- MIMO (Multi Input Multi Output)
많은 수의 배열 안테나 사용으로 해상도 상승
안테나 설계와 수신 신호 처리 문제
4D 이미지 레이더 : MIMO를 이용해 얻은 물체의 4차원 정보(3차원 좌표 + 속도)를 point cloud 형태로 제공
- 기존 레이더의 해상도 단점 극복
- 저렴한 가격
- 물체에 대한 속도 정보 제공
- 레이더와 카메라가 저렴한 가격때문에 함께 사용되면 센서 융합 기술 연구 필요
- 카메라와 레이더의 패키징 및 캘리브레이션(보정) 기술 중요
- 포인트 클라우드 형식의 데이터를 이용한 딥러닝 기술인 고성능 인지 기술 개발이 필요함
레이더 센서 기반 딥러닝 인지 기술
- 해상도가 높지 않은 경우
수신 신호를 윈도우 슬라이딩 하며 주파수 분석 --> 거리도플러 분석
신호의 에너지를 분석하여 임계값과 비교
거리-도플러 영상을 딥러닝에 적용하여 2차원 물체 조감도 영역에서의 2차원 물체 검출
- 고해상도 레이더 사용 경우
MIMO 기술로 얻은 포인트 클라우드 데이터(3차원 영역 스캐닝 데이터)
3차원 물체 검출 방법 적용해 3차원 영역 또는 조감도 영역에서 물체 검출
- 사용 가능한 데이터셋
- nuScenes
- ASTYX HiRES2019
- 전처리 방법
- 복셀 기반의 방법 : 작은 3차원 블록으로 나누어 각 복셀 안의 포인트 데이터로부터 특징값 추출해 3차원 CNN적용
- 2차원 투영 기반의 방법 : 전방 또는 조감도 영역의 다양한 영역으로 투영한 데이터를 2차원 CNN을 적용해 물체 검출
- 포인트넷 기반의 방법 : 포인트 클라우드 데이터를 직접 처리
- 카메라 레이더 센서 융합
카메라 위주로 물체 검출 후 레이더 정보 추가 방법 : 카메라 검출 성능에 영향을 받아 한계가 있음
카메라 영상과 레이더 센서로부터 딥러닝 모델 적용해 각각의 특징 값 추출한 후 직접 결합해 추가적인 딥러닝을 적용하여 물체 검출
