Urban scene understanding is the ability to categorize ambient objects into several classes and it plays an important role in various urban robotic missions, such as surveillance, rescue, and SLAM. In spite of many previous works in urban scene understanding, it is still hard to apply it to urban robotic missions because point clouds scanned in urban environments are complex and massive. In this thesis, we address the difficulties and propose urban scene understanding algorithms which solve the difficulties.
To achieve this, the proposed algorithms in this thesis were designed based on Gaussian distribu-tions. Gaussian distribution is a useful tool to simply represent point clouds in terms of mean and covari-ance, instead of directly dealing with complex and massive point clouds. By doing so, we tried to derive useful properties for robotics applications from Gaussian distributions. In this thesis, we propose two kinds of urban scene understanding algorithms based on Gaussian distributions. The two proposed algorithms have respective advantages for robotic applications.
For the first algorithm, we propose an urban scene understanding algorithms based on Normal Dis-tribution Transform (NDT) grids for robots. In 3D NDT grids, point clouds are stored in the form of mean and covariance. The advantage of using 3D NDT grids is that massive 3D point clouds can be represented by simple the parameters in 3D grids, i.e mean and covariance. Moreover, NDT grids support incremental update of point clouds without increasing memory size. This strength is useful for storing dense or huge amounts of point clouds. Based on NDT grids, we design Geometric-Featured Voxel (GFV) to represent urban structures as a voxel model. The proposed method consists of three steps: GFV generation, segmentation, and classification. Experimental results prove that the proposed method is suitable for robotic applications in terms of memory requirement, computation time, and even classification accuracy.
In this thesis, we also pointed out several difficulties when previous studies on urban scene under-standing were adopted for urban robotic missions: offline-batch processing, deterministic results in classifi-cation, and necessity of many training examples. To overcome the difficulties, we secondly propose an ur-ban scene understanding algorithms based on Gaussian Mixture Model (GMM). The proposed method is designed to support the following useful properties: online processing, classification results with probabilis-tic outputs, and training with a few samples based on a generative model. To achieve this, the proposed method utilizes the consecutive point information (CPI) of a 2D LIDAR sensor. This additional infor-mation is useful for designing an online algorithm consisting of segmentation and classification. Experimental results show that the proposed method based on GMM using CPI enhances the applicability of urban scene understanding for various urban robotic missions.
In experimental results, the proposed algorithms are tested in real urban scenarios such as KAIST and Malaga datasets. By doing so, it is shown that the proposed algorithms based on Gaussian distributions enhance the applicability of urban scene understanding for various urban robotic missions.
본 논문은 레이저 스캐너로 획득한 3차원 점군을 이용하여 도시환경의 구조물들에 따라 3차원 점군을 분류함으로써 주변환경을 인지하는 방법에 대해 소개한다. 이러한 도시환경을 이해하는 기술은 다양한 로봇 관련 기술에 접목되어 로봇이 여러 가지 임무를 수행하는 데 중요한 역할을 한다. 그러나 도시환경에서 획득한 3차원 점군은 그 수가 대단히 많고 형상이 복잡하여 기존의 많은 연구들이 있음에도 불구하고 로봇에 접목하기가 어려웠다.
본 논문에서는 도시환경을 이해하는 기술을 로봇에 접목할 때 발생하는 문제점들을 지적한다. 또한 기존 문제점들을 해결하기 위해 3차원 점군의 기하학적 형상을 가우시안 분포 (정규 분포)로 모델링하고 그 형상을 단순화함으로써 효율적으로 접근한 방법들을 제안한다. 따라서 본 논문의 목표는 3차원 점군을 가우시안으로 형태로 모델링하여 다룸으로써 도시환경을 이해하는 기술을 로봇에 접목하는 데 유용한 속성들을 찾아내는 것이다.
첫째로 제안한 방법은 3차원 점군을 일정한 간격으로 나누고 각 간격 안에 있는 점군을 가우시안 분포로 모델링한다. 그 다음 가우시안 분포로 표현된 기하학적 형상을 분석하여 서로 조합하고 사전학습을 통한 분류기를 이용하여 해당 구조물의 종류를 파악한다. 이와 같이 거대한 점군을 직접 다루지 않음으로써 기존 연구의 문제점인 분류 속도 및 점군 저장 효율을 향상시킴을 실험을 통하여 검증하였다.
두 번째 방법으로는 기존 연구의 단점인 온라인 처리방식 및 확률적 결과를 제공하는 알고리즘을 가우시안 혼합 모델을 기반으로 하여 제안하였다. 이를 위해 3차원 점군 정보외에 추가적으로 점군의 스캔 순서 정보를 활용하였다. 이 스캔 순서 정보을 이용하여 점군을 먼저 분류하고 분류된 점군들을 가우시안 분포로 모델링하여 이를 조합한 다음 사전에 학습된 예시와 비교를 통해 분류 결과를 얻는 방식이다.
실제 도시환경에서의 실험을 위해 카이스트 캠퍼스 및 말라가 캠퍼스 환경을 대상으로 제안된 방법들을 검증하였으며 검증결과 기존의 알고리즘에 비해 속도, 효율성 측면에서 향상된 결과를 보였다. 또한 로봇의 기반 기술에 접목하는 데 있어서 유용한 속성들 즉 온라인 처리 방식 및 확률적 결과를 획득할 수 있었음을 증명하였다. 이렇게 함으로써 본 논문에서 제안된 가우시안 분포를 이용한 방법들은 로봇이 다양한 임무를 수행하는 데 유용한 속성들을 제공함을 보였다.
