Understanding a changing environment is one of the essential elements in autonomous robots and systems. A depth sensor or a LiDAR provides the geometric information of the surroundings as a point cloud. As a fundamental technique for robotics applications such as motion planning and collision avoidance, occupancy mapping techniques from sensor data have been studied for decades. However, updating robust representation with real-time processing speed remains a challenging problem of occupancy mapping in a dynamic environment, since the point cloud data of a single scan contains partial geometry observations of the environment.
This dissertation studies the occupancy mapping techniques that update their dense occupancy representations in real-time, exploiting spatial correlation of point cloud data.
Specifically, we propose a method for real-time occupancy updates in a dynamic environment; 1) an acceleration algorithm exploiting the geometric update patterns of an occupancy map. Furthermore, we propose two approaches to update the dense occupancy representation of the environment given sparse sensor data; 2) regression method using correlation among occupancy observations, and 3) deep-learning network embedding prior knowledge about the spatial correlation of measuring sensor data.
자율 로봇 및 자동화 시스템에서 변화하는 주변 환경을 이해하는 것이 필수요소이다. 이러한 주변 환경의 기하 정보는 깊이 센서나 라이다를 이용함으로써 점군 데이터 형태로 얻을 수 있다. 점군 데이터를 활용하여 주변 환경을 표현하는 점유 지도는 경로 생성이나 충돌 회피 등 로보틱스 응용 분야의 기반 기술로서 지난 수십 년 동안 여러 방면으로 연구되었다. 그러나, 한 시점에서 획득한 점군 데이터는 주변 공간의 부분적인 기하 정보만을 제공하기 때문에, 동적인 환경에서 실시간으로 정밀하게 점유 정보를 표현하는 기술은 여전히 도전적인 문제로 남아있다.
본 논문은 점군 데이터의 공간 상관성을 활용하여 실시간으로 점유 표현을 업데이트하는 정밀 점유 지도 생성 기술을 다룬다. 구체적으로, 변화하는 환경에서 실시간으로 점유 표현을 업데이트하기 위해서, 1) 점유 지도 업데이트 방식의 기하 분석을 통해 알고리즘을 가속하는 기법을 제안한다. 또한, 부분적인 공간 관측 정보로부터 정밀한 점유 지도 표현을 위해 2) 점유 관측값의 상관관계를 활용하는 회기 분석 및 3) 점군 데이터의 공간 상관성을 사전 지식으로 학습하는 딥러닝 기반의 점유 지도 생성 방법을 제안한다.
