인프라 라이다 기반 배경 제거 및 군집화 알고리즘 개발 = Development of an Infrastructure LiDAR-Based Algorithm for Background Subtraction and Clustering

다국어 초록 (Multilingual Abstract)

Title : Development of an Infrastructure LiDAR-Based Algorithm for Background Subtraction and Clustering
This paper develops an infrastructure LiDAR-based background subtraction and clustering algorithm and evaluates its accuracy in real-world environments.
With the recent advancement of autonomous driving technology, road infrastructure-based sensor systems are gaining attention as an alternative to overcome the physical blind spots of vehicle-mounted sensors and the degradation of cognitive performance in adverse weather. Among these, infrastructure LiDAR provides precise 3D spatial information. However, it faces technical challenges, such as the need to remove vast amounts of background data collected from a fixed location in real time and accurately separate adjacent dynamic objects in complex urban environments. To address these issues, this paper proposes an efficient data processing framework that utilizes High-Definition (HD) map information as prior knowledge. First, a Region of Interest (ROI) is established based on the road geometry information from the HD map, and a spatial hashing technique is applied to dramatically reduce unnecessary computational load. In the background subtraction stage, a spherical voxel grid reflecting the sensor's scanning characteristics and statistical modeling are used to compensate for the sparsity of long-range data.
Furthermore, a dual-model strategy that alternates between an operational model and a learning model is introduced to maintain robust performance despite long-term environmental changes. In the subsequent clustering stage, to overcome the limitations of existing density-based algorithms, a distance-adaptive density threshold and an anisotropic weighted distance metric reflecting the road's driving direction vector are applied. This approach improves the detection performance for long-range objects and effectively resolves the under-clustering problem, where vehicles driving adjacent to each other in congested traffic are misidentified as a single cluster. To verify the performance of the proposed algorithm, experiments were conducted by collecting data at various times of the day— including daytime, nighttime, sunrise, and sunset—
from an infrastructure LiDAR system installed at an actual urban intersection. The experimental results showed that both the background subtraction and clustering algorithms achieved satisfactory performance. Additionally, the average processing time of the entire system was measured at approximately 19ms, demonstrating real-time capability that sufficiently satisfies the 10Hz input cycle of the LiDAR sensor.

국문 초록 (Abstract)

본 논문은 인프라 라이다 기반 배경 제거 및 군집화 알고리즘을 개발하고, 실제 환경에서 해당 알고리즘의 정확도를 평가하였다. 최근 자율주행 기술의 발전과 함께 차량 탑재 센서의 물리적 사각지 대와 악천후 시 인지 성능 저하 문제를 극복하기 위한 대안으로, 도로 인프라 기반 센서 시스템이 주목받고 있다. 그중 인프라 라이다는 정밀 한 3차원 공간 정보를 제공하지만, 고정된 위치에서 수집되는 방대한 양의 배경 데이터를 실시간으로 제거하고 복잡한 도심 환경에서 인접한 동적 객체를 정확히 분리해야 하는 기술적 과제를 안고 있다. 이를 해결하기 위해 본 논문에서는 정밀 지도 정보를 사전 지식으로 활용하는 효율적인 데이터 처리 프레임워크를 제안한다. 우선, 정밀 지 도의 도로 형상 정보를 기반으로 관심 영역을 설정하고 공간 해싱 기법 을 적용하여 불필요한 연산 부하를 획기적으로 줄였다. 배경 제거 단계 에서는 센서의 스캔 특성을 반영한 구면 복셀 그리드와 통계적 모델링 을 통해 원거리 데이터의 희소성 문제를 보완하였으며, 운용 모델과 학 습 모델을 교차하는 이중 모델 전략을 도입하여 장기적인 환경 변화에 도 강인한 성능을 유지하도록 설계하였다. 이어지는 군집화 단계에서는 기존 밀도 기반 알고리즘의 한계를 극복하기 위해, 거리 적응형 밀도 임계값과 도로의 주행 방향 벡터를 반영한 이방성 가중 거리 척도를 적 용하였다. 이를 통해 원거리 객체의 탐지 성능을 높이고, 혼잡한 교통 상황에서 인접하게 주행하는 차량들이 하나의 군집으로 오인되는 과소 군집화 문제를 효과적으로 해결하였다. 제안된 알고리즘의 성능 검증을 위해 실제 도심 교차로에 설치된 인 프라 라이다 시스템에서 주간, 야간, 일출, 일몰 등 다양한 시간대의 데 이터를 수집하여 실험을 수행하였다. 실험 결과, 배경 제거 및 군집화 알고리즘 모두 준수한 성능을 보였다. 또한 전체 시스템의 평균 처리 시간은 약 19ms로 측정되어, 10Hz의 라이다 센서 입력 주기를 충분히 만족하는 실시간성을 입증하였다.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1.1. 연구 배경, 목표 및 기여 1
• 1.2. 연구 동향 4
• 1.2.1 인프라 라이다 배경 제거 알고리즘 4
• 1.2.2 포인트 클라우드 군집화 알고리즘 5
• 1.3. 논문 구성 7
• Ⅱ. 연구 방법 8
• 2.1. 전처리 단계 8
• 2.1.1. 회전 보정 8
• 2.1.2. 관심 영역 필터링 11
• 2.1.3. 지면 분류 16
• 2.2. 배경 제거 알고리즘 19
• 2.2.1 구면 좌표계 기반 공간 이산화 19
• 2.2.2 통계적 배경 모델링 20
• 2.2.3 이중 모델 기반 배경 교체 전략 22
• 2.2.4 적응형 임계값 기반 실시간 분류 23
• 2.3. 군집화 알고리즘 26
• 2.3.1 거리 적응형 밀도 임계값 26
• 2.3.2 도로 구역 분할 및 주행 방향 정의 27
• 2.3.3 가중 거리 계산 27
• Ⅲ. 결과 및 분석 28
• 3.1. 실험 환경 28
• 3.2. 배경 제거 알고리즘 성능 평가 30
• 3.3 군집화 알고리즘 성능 평가 35
• 3.4 실시간 처리 성능 분석 41
• Ⅳ. 결 론 43