이동로봇의 자율주행을 위한 RGB- LiDAR 센서 융합 기반 실시간 주행 가능 영역 인식 및 맵핑 = Real-Time Drivable Area Recognition and Mapping Based on RGB-LiDAR Fusion for Mobile Robots

국문 초록 (Abstract)

이동로봇의 자율주행을 위한 RGB-LiDAR 센서 융합 기반 실시간 주행 가능 영역 인식 및 맵핑 자율주행 이동로봇의 안전한 주행을 위해서는 복잡하고 동적인 환경에서 주 행 가능 영역을 정확하게 탐지하고 분할하는 기술이 필수적이다. RGB 이미 지 기반 방법은 풍부한 의미 정보를 제공하지만 비정형 지형이나 조명 변화 에 취약하며, 라이다 기반 기법은 정밀한 공간 정보를 제공하나 고해상도 센서 의존성과 포인트 희소성 문제를 가진다. 또한 기존의 다중 센서 융합 방식은 고정된 센서 구성에 크게 의존하고, 하드웨어가 변경될 경우 재학습 이 필요한 한계가 있다. 본 논문에서는 이러한 문제를 해결하기 위해, 실시 간 동작이 가능한 모듈형 카메라–라이다 융합 기반 주행 가능 영역 인식 및 지도화 프레임워크를 제안한다. 제안된 방식은 RGB 카메라 이미지와 라이 다 전처리 단계를 분리하여 센서 비종속적 구조를 구성함으로써, 재학습 없 이 다양한 플랫폼에 유연하게 적용할 수 있다. RGB 이미지 세그멘테이션 결과와 라이다 기반 지면 추정치를 융합하여 신뢰도 높은 주행 가능 포인트 클라우드를 생성하며, 이를 SLAM 기반 누적 방식을 통해 전역 주행 가능 영역 지도로 통합한다. KITTI 데이터셋을 활용한 실험에서 IoU, Precision, FPS를 기준으로 성능을 평가한 결과, 제안된 프레임워크는 기존 방법들과 비교해 경쟁력 있는 정확도를 유지하면서도 가장 높은 추론 속도를 기록하 여 실시간 자율주행 환경에서의 적용 가능성을 입증하였다.

다국어 초록 (Multilingual Abstract)

Drivable area detection and segmentation are critical tasks for autonomous mobile robots in complex and dynamic environments. RGB-based methods offer rich semantic information but suffer in unstructured environments and under varying lighting, while LiDAR-based models provide precise spatial measurements but often require high-resolution sensors and are sensitive to sparsity. In addition, most fusion-based systems are constrained by fixed sensor setups and demand retraining when hardware configurations change. This paper presents a real-time, modular RGB–LiDAR fusion framework for robust drivable area recognition and mapping. Our method decouples RGB and LiDAR preprocessing to support sensor-agnostic adaptability without retraining, enabling seamless deployment across diverse platforms. By fusing RGB segmentation with LiDAR ground estimation, we generate high-confidence drivable area point clouds, which are incrementally integrated via SLAM into a global drivable area map. The proposed approach was evaluated on the KITTI dataset in terms of intersection over union (IoU), precision, and frames per second
(FPS). Experimental results demonstrate that the proposed framework achieves competitive accuracy and the highest inference speed among compared methods, confirming its suitability for real-time autonomous navigation.

목차 (Table of Contents)

• 표목차 ⅱ
• 그림목차 ⅲ
• 국문초록 ⅳ
• 제1장 서론 1
• 제1절 연구배경. 1
• 제2절 연구목표 4
• 제2장 연구방법. 6
• 제1절 시스템 개요. 6
• 제2절 카메라 기반 주행가능 영역 마스크 생성 8
• 제3절 라이다 기반 지면 포인트 클라우드 추출 9
• 제4절 카메라-라이다 융합. 11
• 제5절 전역 주행가능 영역 지도 생성 13
• 제3장 연구결과 16
• 제1절 자체 구축 데이터셋을 이용한 정성적 평가. 16
• 1. 센서구성 16
• 2. 도로 환경에서의 주행가능 영역 인식 및 지도 생성 17
• 3. 보행로 환경에서의 주행가능 영역 인식 및 지도 생성. 20
• 4. 장애물을 제외한 주행가능 영역 인식. 23
• 5. 실패 사례 분석 25
• 6. 보간이 전역 주행가능 영역 지도 연속성에 미치는 영향 26
• 제2절 KITTI 데이터셋에 대한 정량적 평가. 28
• 1. 평가방법 28
• 2. 평가지표 29
• 3. 라이다 기반 분할 모델과의 성능 비교 30
• 제3절 RGB 기반 세그멘테이션 모듈 비교. 31
• 제4절 라이다 채널 수 변화에 따른 성능 평가 33
• 제5절 주행가능 영역 지도의 주행가능성 평가 35
• 제4장 토론 37
• 제5장 결론 41
• 참고문헌 42
• ABSTRACT 47