Ground segmentation is one of the essential techniques for perceiving the surroundings using 3D LiDAR (Light Detection and Ranging). It is usually utilized as a preprocessing stage for various tasks such as SLAM (Simultaneous Localization and Mapping), object detection and semantic segmentation. Therefore the following three conditions are generally considered important. First, it should guarantee high recall with little variance. It is because a ground segmentation failure, specifically an under-segmentation, may result in failures of subsequent algorithms. Second, it should be applicable to various environments. It is because the ground in the real world is not always flat, but it has a variety of shapes, such as bumpy roads, rough terrain, and steep slope. Finally, it should be fast enough to be used as a preprocessing stage in real-time applications. In this thesis, a fast, robust, and adaptive ground segmentation method, which is applicable to various environments while avoiding under-segmentation, is proposed. This method divides a point cloud into multiple regions using Concentric Zone Model, then estimates the ground plane based on Principal Component Analysis using points at low heights as inliers for each region. Moreover, it estimates the ground likelihood for the estimated ground plane using the previous ground information in an adaptive manner. Finally, it reverts the ground plane using neighborhood ground estimation results to avoid under-segmentation of ground with different characteristics from previous cases. The proposed method is evaluated quantitatively using publicly available datasets, SemanticKITTI and NuScenes, and qualitatively using real-world data acquired by a quadruped robot in an outdoor environment.
지면 추출 기법은 3차원 라이다를 통해 주변을 인식하고자 하는 중요한 기술들 중 하나이며 동시간 위치 추정 및 지도 작성(simultaneous localization and mapping, SLAM), 물체 인식(object detection), 의미적 분할(semantic segmentation) 등 다양한 기술들의 포인트 클라우드 전처리 과정으로 주로 활용된다. 지면 추출 기법은 주로 전처리 과정으로써 활용됨에 따라 다음과 같은 세 가지 조건이 일반적으로 중요시된다. 우선, 높은 재현율(recall)과 낮은 성능 편차가 보장되어야한다. 제대로 분할되지 못한 지면 또는 비지면 정보는 뒤이은 알고리즘의 성능 저하로 이어질 수 있기 때문이다. 특히 기존의 지면 추출 기법들은 지면을 제대로 추정하지 못하여 거짓 음성이 많이 나타나는 과소 분할이라는 문제를 주로 겪고는 한다. 또한, 지면 추출 기법은 다양한 환경에서도 적용할 수 있어야한다. 이는 실외 환경에서 관측할 수 있는 지면이 도로, 울퉁불퉁한 잔디밭, 경사면과 같은 다양한 형태로 존재하기 때문이다. 마지막으로, 지면 추출 기법이 전처리 과정으로써 활용되기 위해서 빠른 속도가 보장되어야한다. 본 논문에서는 다양한 환경에서 실시간으로 활용할 수 있으면서 과소 분할을 줄인 적응형 지면 추출 기법인 Patchwork++를 제안한다. 해당 기법은 주어진 포인트 클라우드를 동심원 구역 모델로 여러 지역으로 나눈 후, 각 지역마다 높이가 낮은 점들을 이용해 반복적으로 주성분 분석하여 평면을 추정한다. 그리고 추정된 평면의 기울기, 높이, 평평한 정도를 이전에 추정되었던 지면들의 정보에 기반하여 지면인지 아닌지 판단하게 된다. 또한 현재 추정된 지면 정보를 이용해 일시적으로 특성이 변화한 지면도 추정할 수 있도록 제안하였다. 본 논문에서 제안한 방법은 이전에 취득된 지면 정보를 이용하여 스스로 지면을 파악한다는 점에서 알고리즘의 용이성을 향상하였으며 다양한 환경에서도 알고리즘 스스로 적응할 수 있도록 하였다. 또한 본 논문에서 제안한 방법은 공개된 데이터셋인 SemanticKITTI와 NuScenes를 이용하여 정량적으로 평가하였고, 사족보행 로봇을 통해 취득된 실외환경 보행 데이터를 이용하여 정성적으로 평가하였다. 결과적으로 다양한 환경에서도 과소 분할을 줄여 재현율을 향상하였고 센서 높이가 불규칙하게 달라지는 플랫폼에서도 지면을 강인하게 추출하는 것을 확인하였다.
