In general, a Simultaneous Localization And Mapping (SLAM) technique assumes a static environment with stationary landmarks throughout a robot's navigation. The detection and removal of dynamic objects from a scene is the most intuitive way to mitigate the degradation of a SLAM system in a highly dynamic environment. To identify dynamic objects, this thesis proposes a Light Detection And Ranging (LiDAR) based multi-object tracking technique employing an interacting multiple model Gaussian mixture probability hypothesis density (IMM-GMPHD) filter. First, ground-level scan points are removed, and the remaining points are clustered and represented by bounding boxes. The centers of the bounding boxes are tracked using an IMM-GMPHD filter and the mode probability of each bounding box is calculated. Lastly, after pruning and merging trackers, bounding boxes that correspond to trackers with high dynamic probability are discarded. While its time complexity is comparable to that of the state-of-the-art, the proposed method shows more than 80\% improvement in clustering performance, which is evaluated by newly-defined metrics. In addition, the tracking and SLAM performances are assessed in simulated traffic scenes, \textit{Highway} and \textit{City}, to demonstrate the effectiveness of the proposed algorithm in varying controlled environments. Last of all, dynamic object classification using the proposed method demonstrates the highest precision at the cost of a very slight decrease in recall in an extremely challenging real-world environment.
로봇 항법에서 동시간 위치 추정 및 지도 작성(Simultaneous localization and mapping, SLAM) 기술은 일반적으로 움직이지 않는 지형물만 있는 정적인 환경을 가정하여 적용된다. 따라서, 고도로 동적인 환경에서는 동적 물체를 인식하고 제거함으로써 해당 기술의 성능을 보장하는 것이 가장 직관적인 해결 방법이다. 본 논문은 동적 물체를 검출하기 위해 3차원 라이다(Light detection and ranging, LiDAR) 센서를 기반으로 가우스 혼합 확률 가설 밀도 상호 작용 다중 모델(Interacting multiple model Gaussian mixture probability hypothesis density, IMM-GMPHD) 필터를 사용한 다중 객체 추적 기술을 제안한다. 먼저, 지면에 해당하는 라이다 점들을 제거한 후에 남은 점들을 군집화(Clustering)하고 테두리 상자(Bounding box)로 표현한다. 제안한 필터를 통해 각 테두리 상자의 중심을 추적하고 모드 확률(Mode probability)을 계산한다. 마지막으로, 추적기(Tracker)들에 대해 가지치기(Pruning)와 병합(Merging)을 진행한 후, 높은 동적 확률을 갖는 추적기에 해당하는 테두리 상자는 버린다. 본 논문에서 제안한 군집화 방법의 시간 복잡도는 최신 알고리즘과 유사하지만, 새롭게 정의한 평가 항목에서 군집화 성능을 80\% 이상 향상시켰다. 또한, 다중 객체 추적 및 위치 추정의 효과성을 통제된 다양한 환경에서 입증하기 위해 이에 대한 성능을 교통 시뮬레이션 환경(고속도로와 도심)에서 평가하였다. 끝으로, 복잡한 실제 도로 환경에서 제안한 동적 물체 판별의 성능을 평가한 결과, 재현율(Recall)은 미미하게 감소하였으나, 최신 알고리즘들 중 가장 높은 정밀도(Precision)을 보였다.
