As the rapid development of sensing and mapping techniques, it becomes a well-known technology that a map of complex environment can be generated using a robot carrying sensors. However, representation of environments directly using the integration of sensor data tells only spatial existence. In order for a robot to have semantic knowledge of the environments, an automatic technique of converting low-level map representation into high-level one is important. This research investigates the design of a system for recognizing objects in 3D point clouds of urban environments. The proposed system is decomposed into five steps: sequential LiDAR scan, point classification, ground detection and elimination, segmentation, and object classification. This method could classify the various objects in urban environment, such as cars, trees, buildings, posts, etc. The simple methods minimizing time-consuming process are developed to guarantee real-time performance and to perform data classification on-the-fly as data is being acquired. To evaluate an ability of the proposed methods, computation time and recognition rate are analyzed. Experimental results demonstrate that the proposed algorithm has efficiency in fast understanding the semantic knowledge of a large dynamic urban environment.
센싱과 맵 생성 기술의 발전에 따라 센서가 설치된 로봇을 이용한 복잡한 환경의 맵 생성 기법은 활발히 연구되고 있는 분야이다. 하지만 센서로부터 측정된 데이터는 단순히 공간적인 점유 현상에 대한 정보만을 로봇에게 제공하게 된다. 따라서 로봇이 주변 환경에 대한 인식을 위해서는 공간적인 점유 현상을 넘어선 의미 있는 정보를 제공할 필요가 있다. 본 논문에서는 도시 환경에서 얻은 3차원 점군 데이터를 이용하여 물체를 인식할 수 있는 시스템을 제안한다. 본 논문에서 제안된 시스템은 연속적인 레이저 스캔, 점의 분류, 지면의 검출과 제거, 객체 분할, 객체 분류의 5가지 단계로 진행된다. 이러한 방법은 도시 환경에서 흔히 볼 수 있는 자동차, 나무, 건물, 기둥 등과 같은 다양한 물체의 분류를 가능하게 한다. 더불어 실시간의 성능을 확보하고 데이터의 획득과 동시에 객체 분류가 가능하도록 하기위해 시간의 소요가 큰 복잡한 알고리즘을 좀 더 간단하게 구현하였다. 제안된 알고리즘의 성능을 평가하기 위해 연산 시간과 인식률에 대하여 분석하였고, 관련 연구와 비교하여 우수성을 입증하였다. 실험 결과를 통해 제안된 알고리즘이 복잡한 도시 환경에서 주변 환경을 인식하는데 효과적임을 알 수 있다.
