Autonomous racing competitions, With the advancement of autonomous driving technology, have emerged highlights the importance of precision localization. The autonomous challenges have held in open-sky environments, where GPS-based approaches have powerful advantages. However, to enhance scalability across diverse conditions and ensure system reliability that is not compromised by single-sensor failures, heterogeneous sensor integration for global positioning is essential. LiDAR, in particular, is vital for its rich geometric information, contributing to the sophistication of autonomous driving systems. Nonetheless, adopting LiDAR comes with the challenge of processing vast amounts of data it generates. This research introduces a framework to elevate the scalability and reliability of high-speed autonomous systems by refining LiDAR map matching. Techniques like ground extraction significantly reduce computational load by approximately 40%, while addressing LiDAR sensor distortions and time-delay compensation, crucial in high-speed settings. Lastly, the research presents a graph optimization method to create georeferenced point cloud maps essential for map matching, combining LiDAR data with INS. The effectiveness of framework was validated using two distinct datasets acquired from real-world environments.
자율 주행 기술의 발전으로 인해 자율 주행 레이싱 대회가 생겨났다. 자율 주행 레이싱 분야에서는 위치 추정에 관한 연구의 중요성이 부각되어 왔다. 지금까지의 자율 주행 레이싱은 GPS 기반 접근 방식이 장점을 갖는 개방형 환경에서 개최되어왔다. 그러나 다양한 환경에서 적용 가능 하도록 확장성을 높이고 단일 센서 오류로 인해 실패하지 않도록 시스템의 신뢰성을 보장하려면 이기종 센서융합을 통한 위치 추정에 관한 연 구는 필수적이다. 특히 LiDAR기반의 방법론은 풍부한 기하학적 정보를 제공하는 데 필수적이며 자율주행 시스템의 완성도에 기여한다. 그럼에도 불구하고 LiDAR를 채택하면 생성되는 방대한 양의 데이터를 실시 간으로 처리해야 하는 과제가 따르게 된다. 이를 해결하기 위해 본 연구에서는 LiDAR 맵 매칭을 개선하여 고속 자율 시스템의 확장성과 신뢰성을 높이는 프레임워크를 소개한다. 본 연구에서 적용한 지면 추출과 같은 기술은 계산 부하를 약 40%까지 크게 줄일 수 있는 것을 확인하였으며, LiDAR 센서 왜곡 및 시간 지연 보상을 해결함으로써 정확도를 개선할 수 있다는 것을 확인했다. 마지막으로는, LiDAR 데이터와 INS를 결합하여 지도 매칭에 필수적인 지리참조 포인트 클라우드 지도를 생성하는 그래프 최적화 방법을 제시한다. 이 프레임워크의 효율성은 실제 환경에서 얻은 두 가지 개별 데이를 사용하여 검증하였다
