지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김의명
- 발행연도
- 2022
- 저작권
- 남서울대학교 논문은 저작권에 의해 보호받습니다.
이용수34
이 논문의 연구 히스토리 (4)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
자율주행 차량의 기본 인프라로 활용되는 정밀도로지도의 중요성이 증대됨에 따라 국토지리정보원은 전국 도로에 대해 정밀도로지도를 구축?갱신하는 것을 목표로 하고 있다. 하지만 현재 정밀도로지도를 구축하기 위한 도화 및 구조화 작업은 주로 사람에 의해 수작업으로 수행되고 있으며, 이로 인해 전국 도로 구간의 구축과 도로 변화에 따른 즉각적인 갱신 및 유지보수에 한계가 있다. 또한, 수동적 구축과정으로 정밀도로지도 품질의 일관성을 확보하기 어려운 실정이다.
따라서, 현재의 수동적인 정밀도로지도 구축 체계를 자동화 구축 체계로 전환하고 정밀도로지도 품질의 일관성을 확보할 수 있는 효율적인 정밀도로지도 구축 기술 개발이 필요하다. 이에 본 연구에서는 정밀도로지도의 구축 대상 중 가장 많은 시간이 소요되는 도로 노면선 표시를 연구 대상으로 선정하였으며, 도로 노면선 표시의 레이어 생성을 자동화하기 위해 공간데이터와 인공지능을 연계하는 새로운 방법론을 제안하였다.
제안한 방법론은 도로 노면선 표시의 영역 추출, 도로 노면선 표시 유형 분류, 도로 노면선 표시의 도화로 구분하여 세 가지 단계로 이루어진다. 첫 번째 단계에서 원본 포인트 클라우드의 양이 방대하여 데이터 처리에 오랜 시간이 소요되는 문제를 해결하기 위해 지면점을 분류한 후 포인트 클라우드와 영상을 연계하여 도로 노면선 표시의 영역을 추출하였다. 이를 기반으로 두 번째 단계에서 포인트 클라우드를 입력 데이터로 활용하는 포인트넷 모델에 도로 노면선 표시에 해당하는 포인트 클라우드만을 적용하여 도로 노면선 표시의 유형을 분류하였다. 포인트넷 모델의 의미론적 분할 특성에 의해 하나의 객체에 대해 여러 항목으로 예측되는 문제를 해결하기 위해 세 번째 단계에서 대표 속성을 결정하여 벡터 데이터의 속성으로 입력함으로써 정확도를 향상시켰다. 또한, 도로 노면선 표시의 중심선을 확장하기 위해 기울기를 이용하는 방법을 제안하였으며, 방향성 설정을 위해 딥러닝 모델로 예측한 유형 정보와 위치 정보 등을 조합하여 도로 노면선 표시의 레이어를 생성하였다.
제안한 도로 노면선 표시의 구축 자동화 방법론이 다양한 도로 환경에서 적용되는지 검증하기 위해서 도심지 내 경사진 도로(실험지역A), 직선형 도로(실험지역B), 곡선형 도로(실험지역C)를 선정하여 실험을 수행하였다. 제안한 방법으로 지역별 도로 노면선 표시의 벡터 데이터를 생성하고 정밀도로지도의 품질검사 기준에 적합한지 판단하기 위해 위치정확도 검사, 객체 유효성 검사, 도형 무결성 검사, 그리고 벡터 구조화 검사를 수행하였다.
위치정확도 검사 결과 지역별 수평위치와 수직위치에 대한 RMSE는 모두 0.1m 이내로 나타나 제안한 방법론으로 생성한 벡터 데이터는 위치정확도 기준에 적합한 것을 확인하였다. 객체 유효성 검사 결과 일부 면형 객체가 도로 노면선 표시로 분류되어 기하유형 오류가 발생하였으며, 객체추출 검사에서 일부 도로 노면선 표시가 누락되었다. 실험을 통해 일반적으로 차도의 가장자리에 있는 청색 차선과 황색 차선의 객체 추출률이 낮은 것을 알 수 있었으나 전반적으로 양호한 결과를 나타냈다. 도형 무결성 검사 결과 벡터 데이터의 객체 유효 길이가 0.01m 미만인 객체는 없었으며, 멀티파트, 버텍스 중복, 자기교차 등 오류가 발생하지 않아 적합성을 검증하였다. 벡터 구조화 검사 결과 실험지역별 선표시 유형과 선규제 유형에 대한 구조화 정확도는 모두 85% 이상 나타났으며 기존 수작업으로 벡터 데이터의 속성을 입력하는 불편함을 해소할 수 있었다. 실험을 통해 도로 노면선 표시 유형은 모바일매핑시스템(MMS: Mobile Mapping System) 장비를 이용한 데이터 수집 시 주변 환경에 많은 영향을 받는 것을 알 수 있었으며, 일부 도색규정에 맞지 않은 차선은 오분류 되는 것을 알 수 있었다.
본 연구에서 제안한 도로 노면선 표시의 구축 방법론을 통해 기존에 수작업으로 이루어진 정밀도로지도 구축 방식을 일부 자동화할 수 있었으며. 전국 도로에 대한 정밀도로지도의 구축 및 갱신 작업에 도움을 줄 수 있을 것으로 판단된다. 향후 다양한 유형의 도로 노면선 표시에 대한 학습 데이터 구축을 통해 분류 정확도를 향상시킬 수 있을 것으로 판단되며, 오분류 객체에 대한 검수를 지원하기 위해 누락된 객체와 연결성이 끊어진 객체를 자동으로 검출하는 연구가 수행되어야 할 것으로 판단된다.
키워드 : 정밀도로지도, 모바일매핑시스템, 포인트 클라우드, 인공지능, 딥러닝, 도로 노면선 표시, 도화, 구조화, 품질검사
따라서, 현재의 수동적인 정밀도로지도 구축 체계를 자동화 구축 체계로 전환하고 정밀도로지도 품질의 일관성을 확보할 수 있는 효율적인 정밀도로지도 구축 기술 개발이 필요하다. 이에 본 연구에서는 정밀도로지도의 구축 대상 중 가장 많은 시간이 소요되는 도로 노면선 표시를 연구 대상으로 선정하였으며, 도로 노면선 표시의 레이어 생성을 자동화하기 위해 공간데이터와 인공지능을 연계하는 새로운 방법론을 제안하였다.
제안한 방법론은 도로 노면선 표시의 영역 추출, 도로 노면선 표시 유형 분류, 도로 노면선 표시의 도화로 구분하여 세 가지 단계로 이루어진다. 첫 번째 단계에서 원본 포인트 클라우드의 양이 방대하여 데이터 처리에 오랜 시간이 소요되는 문제를 해결하기 위해 지면점을 분류한 후 포인트 클라우드와 영상을 연계하여 도로 노면선 표시의 영역을 추출하였다. 이를 기반으로 두 번째 단계에서 포인트 클라우드를 입력 데이터로 활용하는 포인트넷 모델에 도로 노면선 표시에 해당하는 포인트 클라우드만을 적용하여 도로 노면선 표시의 유형을 분류하였다. 포인트넷 모델의 의미론적 분할 특성에 의해 하나의 객체에 대해 여러 항목으로 예측되는 문제를 해결하기 위해 세 번째 단계에서 대표 속성을 결정하여 벡터 데이터의 속성으로 입력함으로써 정확도를 향상시켰다. 또한, 도로 노면선 표시의 중심선을 확장하기 위해 기울기를 이용하는 방법을 제안하였으며, 방향성 설정을 위해 딥러닝 모델로 예측한 유형 정보와 위치 정보 등을 조합하여 도로 노면선 표시의 레이어를 생성하였다.
제안한 도로 노면선 표시의 구축 자동화 방법론이 다양한 도로 환경에서 적용되는지 검증하기 위해서 도심지 내 경사진 도로(실험지역A), 직선형 도로(실험지역B), 곡선형 도로(실험지역C)를 선정하여 실험을 수행하였다. 제안한 방법으로 지역별 도로 노면선 표시의 벡터 데이터를 생성하고 정밀도로지도의 품질검사 기준에 적합한지 판단하기 위해 위치정확도 검사, 객체 유효성 검사, 도형 무결성 검사, 그리고 벡터 구조화 검사를 수행하였다.
위치정확도 검사 결과 지역별 수평위치와 수직위치에 대한 RMSE는 모두 0.1m 이내로 나타나 제안한 방법론으로 생성한 벡터 데이터는 위치정확도 기준에 적합한 것을 확인하였다. 객체 유효성 검사 결과 일부 면형 객체가 도로 노면선 표시로 분류되어 기하유형 오류가 발생하였으며, 객체추출 검사에서 일부 도로 노면선 표시가 누락되었다. 실험을 통해 일반적으로 차도의 가장자리에 있는 청색 차선과 황색 차선의 객체 추출률이 낮은 것을 알 수 있었으나 전반적으로 양호한 결과를 나타냈다. 도형 무결성 검사 결과 벡터 데이터의 객체 유효 길이가 0.01m 미만인 객체는 없었으며, 멀티파트, 버텍스 중복, 자기교차 등 오류가 발생하지 않아 적합성을 검증하였다. 벡터 구조화 검사 결과 실험지역별 선표시 유형과 선규제 유형에 대한 구조화 정확도는 모두 85% 이상 나타났으며 기존 수작업으로 벡터 데이터의 속성을 입력하는 불편함을 해소할 수 있었다. 실험을 통해 도로 노면선 표시 유형은 모바일매핑시스템(MMS: Mobile Mapping System) 장비를 이용한 데이터 수집 시 주변 환경에 많은 영향을 받는 것을 알 수 있었으며, 일부 도색규정에 맞지 않은 차선은 오분류 되는 것을 알 수 있었다.
본 연구에서 제안한 도로 노면선 표시의 구축 방법론을 통해 기존에 수작업으로 이루어진 정밀도로지도 구축 방식을 일부 자동화할 수 있었으며. 전국 도로에 대한 정밀도로지도의 구축 및 갱신 작업에 도움을 줄 수 있을 것으로 판단된다. 향후 다양한 유형의 도로 노면선 표시에 대한 학습 데이터 구축을 통해 분류 정확도를 향상시킬 수 있을 것으로 판단되며, 오분류 객체에 대한 검수를 지원하기 위해 누락된 객체와 연결성이 끊어진 객체를 자동으로 검출하는 연구가 수행되어야 할 것으로 판단된다.
키워드 : 정밀도로지도, 모바일매핑시스템, 포인트 클라우드, 인공지능, 딥러닝, 도로 노면선 표시, 도화, 구조화, 품질검사
목차
1. 서론 11.1 연구 배경 11.2 연구 동향 21.3 연구 목적 41.4 연구방법 및 범위 52. 연구의 기본 이론 72.1 정밀도로지도 72.1.1 정밀도로지도 도화 및 구조화 대상 92.1.2 정밀도로지도 품질검사 122.2 딥러닝의 기본 이론 172.2.1 퍼셉트론과 신경망 182.2.2 활성화 함수와 손실함수 202.2.3 딥러닝 모델의 분류 성능 평가 223. 도로 노면선 표시 영역 추출 253.1 지면?비지면 분류 273.2 반사강도 영상 변환 및 정규화 283.3 영상 재분류를 이용한 도로 노면 표시?아스팔트 분류 313.4 도로 노면선 표시 영역 추출 323.4.1 외곽선 추출 323.4.2 다각형 단순화 333.4.3 다각형 형태 분류 354. 도로 노면선 표시 유형 분류 384.1 딥러닝 기반 도로 노면선 표시의 유형 분류 404.1.1 유형별 학습 데이터 구축 404.1.2 포인트넷 모델을 이용한 학습 424.2 3차원 좌표변환을 위한 절대표정 465. 도로 노면선 표시 도화 자동화 515.1 중심선 도화 535.1.1 영상 기반 중심선 도화 535.1.2 공간조인을 통한 속성 입력 545.1.3 3차원 벡터화 565.2 정밀도로지도 레이어 생성 575.2.1 중심선 확장 575.2.2 방향성 설정 626. 적용 및 분석 646.1 실험 대상 지역 선정 646.2 도로 노면선 표시 영역 추출 정확도 분석 666.2.1 지면?비지면 분류 정확도 분석 676.2.2 영역 추출 정확도 분석 706.3 도로 노면선 표시 유형 분류 정확도 866.3.1 딥러닝 기반 유형 분류 정확도 분석 866.3.2 3차원 좌표변환 정확도 분석 946.4 도로 노면선 표시 도화 정확도 분석 986.4.1 도화 정확도 분석 986.4.2 정밀도로지도 품질검사 기준 적합성 분석 1126.4.2.1 위치정확도 검사 1126.4.2.2 객체 유효성 검사 1156.4.2.3 도형 무결성 검사 1176.4.2.4 벡터 구조화 검사 1187. 결론 122참고 문헌 125국문 초록 129ABSTRACT 132
최근 본 자료
댓글(0)
0