[논문 리뷰] Real Time Lidar and Radar High-Level Fusion for Obstacle Detection and Tracking with evaluation on a ground truth

Hatem Hajri, Mohamed-Cherif Rahal|arXiv (Cornell University)|2018. 07. 30.

Autonomous Vehicle Technology and Safety인용 수 18

한 줄 요약

이 논문은 자율주행 차량에서 장애물 탐지 및 추적을 위해 레이더와 라이다 데이터를 융합하는 실시간 고수준 융합 알고리즘을 제시한다. 칼만 필터 기반의 글로벌 네어스트 뉴버(ГНН) 필터를 사용하며, RTK 기반 참값과 비교한 결과, 개별 센서 대비 상대 위치 및 속도 추정의 평균제곱오차(MSE)를 감소시켜 정확도와 강인성을 향상시켰다. 특히 센서 장애나 고속 고속도로 및 곡선 도로 주행과 같은 도전적인 주행 환경에서 뛰어난 성능을 보였다.

ABSTRACT

- Both Lidars and Radars are sensors for obstacle detection. While Lidars are very accurate on obstacles positions and less accurate on their velocities, Radars are more precise on obstacles velocities and less precise on their positions. Sensor fusion between Lidar and Radar aims at improving obstacle detection using advantages of the two sensors. The present paper proposes a real-time Lidar/Radar data fusion algorithm for obstacle detection and tracking based on the global nearest neighbour standard filter (GNN). This algorithm is implemented and embedded in an automative vehicle as a component generated by a real-time multisensor software. The benefits of data fusion comparing with the use of a single sensor are illustrated through several tracking scenarios (on a highway and on a bend) and using real-time kinematic sensors mounted on the ego and tracked vehicles as a ground truth.

연구 동기 및 목표

• 자율주행 환경에서 라이다, 레이더 및 그 융합에 대한 정량적 실세계 참값 비교가 부족한 문제를 해결한다.
• 장애물 탐지 및 추적 성능을 향상시키기 위해 라이다와 레이더 데이터를 융합하는 실시간 고수준 융합 알고리즘을 개발한다.
• 정밀한 RTK 센서를 참값으로 사용하여 센서 장애 발생 시 성능의 정확도와 강인성을 평가한다.
• 융합이 라이다의 높은 위치 정확도와 레이더의 뛰어난 속도 정확도 사이의 균형 잡힌 보상 조건을 달성할 수 있음을 입증한다.

제안 방법

• 객체 탐지 결과를 트랙 수준에서 통합하는 글로벌 네어스트 뉴버(GNN) 필터를 사용한 고수준 융합 아키텍처를 구현한다.
• 칼만 필터 기반 추정 절차를 적용하여 양측 센서의 측정값을 이용해 객체 상태(위치, 속도)를 예측하고 업데이트한다.
• 중앙집중식 융합 아키텍처를 사용하여, 다섯 대의 Ibeo LUX 라이다(25 Hz)와 한 대의 Ibeo ARS 308 레이더(15 Hz)가 중앙 융합 박스에 데이터를 공급하도록 구성한다.
• 정밀한 RTK 센서 데이터(위치 정밀도 0.02 m, 속도 정밀도 0.02 m/s)와 CAN 버스 오도메트리 데이터를 활용해 성능 평가를 위한 참값을 생성한다.
• 두 대의 자율주행 차량이 RTK 센서를 탑재하고 동기화되어, 차량 따라가기 실험 중 정확한 상대 상태 추정을 가능하게 한다.
• 처리 지연이 15 마이크로초 이내인 실시간 구현을 적용하여 임베디드 자동차 시스템에 적합함을 보장한다.

실험 결과

연구 질문

• RQ1 라이다와 레이더 데이터 융합이 상대 위치 및 속도 추정의 평균제곱오차(MSE) 측면에서 개별 센서 성능보다 어떻게 비교되는가?
• RQ2 센서 장애 또는 신호 손실 기간 동안 융합 알고리즘이 추적 강인성을 얼마나 향상시키는가?
• RQ3 실세계 고속도로 및 곡선 도로 주행 환경에서 융합 출력이 RTK 기반 참값과 어떻게 비교되는가?
• RQ4 융합 방법이 라이다의 높은 위치 정확도와 레이더의 뛰어난 속도 추정 능력 사이의 균형 잡힌 보상 조건을 달성할 수 있는가?
• RQ5 원시 라이다 및 레이더 측정값 대비 융합된 상태 추정의 시간적 매끄러움과 신뢰성은 어떠한가?

주요 결과

• 고속도로 주행 시 융합 방법은 상대 x-위치의 MSE를 0.39 m로 도출하여, 라이다(0.55 m)를 뛰어나며 레이더의 0.33 m에 가까워졌다. y-위치 MSE는 라이다의 0.16 m와 레이더의 0.43 m 대비 0.21 m로 감소시켰다.
• 고속도로에서 속도 추정 시, 융합은 vx의 MSE를 0.19 m/s로 줄여 라이다의 0.28 m/s와 레이더의 0.15 m/s를 초월했으며, vy의 MSE는 0.27 m/s로 라이다의 0.31 m/s와 레이더의 0.25 m/s를 각각 개선했다. 이는 균형 잡힌 향상을 보여주었다.
• 곡선 도로 주행 시, 융합은 x-위치 MSE를 0.65 m로 줄여 레이더의 0.8 m와 라이다의 0.61 m를 뛰어넘었고, y-위치 MSE는 0.19 m로 레이더의 0.5 m와 라이다의 0.15 m를 각각 개선했다. 이는 횡방향 정확도 향상의 일관성 있는 성과를 보였다.
• 융합 출력은 라이다가 급격한 점프와 조각별 일정성(piecewise constancy)을 보이는 데 비해, 레이더는 다수의 탐지 장애를 겪는 것과는 달리 vx 및 vy의 시간적 궤적을 훨씬 더 매끄럽게 보였다.
• 융합은 뛰어난 강인성을 보였다: 라이다나 레이더의 장애 기간 동안도 안정적인 추적을 유지했으며, 개별 센서는 완전한 추적 상실에 취약했다.
• 고속도로에서 레이더는 라이다보다 x-위치 추정에서 우월했다(0.33 m 대비 0.55 m MSE), 이는 이전 연구 결과와 일치하며, 융합 설계 시 센서 고유 특성의 중요성을 강조한다.