3D 시맨틱 세그멘테이션을 통한 자율 주행 시스템의 객체 경계 정확도 향상

섹션별 상세

자율 주행 차량이나 농업용 로봇이 객체의 경계를 잘못 판단하면 충돌이나 작업 오류로 이어진다. 2D 카메라는 시각적 정보는 풍부하지만 깊이 정보가 부족하여 겹쳐진 객체나 거리 측정이 부정확하다는 한계가 존재한다. 3D 인식 데이터는 공간적 인지 능력을 제공하여 객체 간의 실제 물리적 거리를 명확히 구분하게 함으로써 안전한 경로 탐색을 가능하게 한다.

고속도로 위 차량들을 3D 바운딩 박스로 감싸 경계를 정의한 LiDAR 포인트 클라우드 시각화 이미지이다. — Screenshot3D 공간에서 객체의 물리적 범위를 어떻게 정의하는지 보여준다. 각 점의 좌표 데이터를 기반으로 차량의 정확한 위치와 크기를 파악하여 안전한 주행 경로를 계산하는 데 활용된다.

포인트 클라우드의 수백만 개 좌표 각각에 보행자, 차량, 도로 등의 라벨을 할당하는 과정을 거친다. 2D 픽셀 단위 분할과 달리 3D 방식은 절대적인 (X, Y, Z) 좌표를 사용하여 깊이와 물리적 규모를 왜곡 없이 측정하는 특징이 있다. 이를 통해 시스템은 추론에 의존하지 않고도 객체의 분리 및 폐색 상태를 직접적으로 판단하여 오분류 가능성을 낮춘다.

2D 카메라 이미지와 해당 이미지의 시맨틱 세그멘테이션 결과를 나란히 비교한 이미지이다. — Screenshot픽셀 단위로 보행자와 차량을 구분하여 시각적 경계를 생성하는 과정을 나타낸다. 2D 기반 분할의 결과물을 보여주며 3D 데이터와의 차이점을 설명하는 맥락에서 사용된다.

객체의 중심부와 달리 경계 지역은 포인트 밀도가 낮고 센서 노이즈가 발생하기 쉬워 모델링이 까다롭다. 특히 3D 데이터를 2D 거리 이미지로 투영할 때 인접한 픽셀이 실제로는 멀리 떨어진 배경일 수 있어 경계가 흐려지는 왜곡이 발생한다. 거리 인식 컨볼루션(Range-aware convolution) 기법은 실제 3D 거리에 따라 가중치를 조절하여 배경과 전경이 섞이는 현상을 방지한다.

경계 인식 어텐션 네트워크(Boundary-aware attention)를 통해 모델의 연산 자원을 객체의 테두리 영역에 집중시켜 정확도를 높인다. 또한 LiDAR의 정밀한 깊이 정보와 RGB 카메라의 풍부한 색상 정보를 결합하는 센서 퓨전 기술로 단일 센서의 한계를 극복한다. 멀티 스케일 특징 추출은 거시적 구조와 미세한 경계 디테일을 동시에 포착하여 복잡한 환경에서도 날카로운 객체 윤곽을 유지한다.

3D LiDAR 뷰와 2D 카메라 뷰를 동기화하여 작업하는 iMerit 포인트 클라우드 어노테이션 플랫폼 인터페이스이다. — Screenshot다양한 센서 데이터를 결합하여 정밀한 라벨링을 수행하는 도구를 보여준다. 카메라 영상과 포인트 클라우드를 중첩하여 객체 경계의 일관성을 확보하는 과정을 설명한다.

기술

LiDAR
RGB Camera
Radar
iMerit Ango Hub

활용 사례

자율 주행 차량
농업용 로봇
물류 로봇 암
측량용 드론

3D 시맨틱 세그멘테이션을 통한 자율 주행 시스템의 객체 경계 정확도 향상

섹션별 상세

기술

활용 사례

관련 토론

댓글

관련 피드

관련 토론

댓글

관련 피드