Post

Grid Filter로 LiDAR 벽 오감지 방지하기

Posted
Preview Image
By Hangyo Cho
6 min read
Grid Filter로 LiDAR 벽 오감지 방지하기

설계 목표

  • 정적 지도(Static Map) 데이터를 기반으로 LiDAR 포인트 클라우드를 필터링하여 벽 오감지를 방지합니다.
  • Grid map Erosion을 통해 차량 주행 시 안전한 마진을 확보하고 인지 성능의 신뢰도를 높입니다.

사전 지식 및 설계 근거 (Prior Knowledge)

본 필터는 다음과 같은 설계 근거를 바탕으로 구축되었습니다:

  • High dependent on the performance of Localization result
  • Localization need to be robust on the rapidly movement
  • Tuning method, kernel size with Rect. kernel

관계식 (Equation)

Pixel Coordinate Conversion

픽셀 좌표 변환

글로벌 좌표 (x, y)를 맵 이미지 상의 픽셀 좌표 (u, v)로 매핑하는 식입니다.

\[u = \left\lfloor \frac{x - x_{origin}}{resolution} \right\rfloor\] \[v = \left\lfloor \frac{y - y_{origin}}{resolution} \right\rfloor\]
  • $(x, y)$: 현실 세계의 글로벌 좌표 (단위: $m$)
  • $(x_{origin}, y_{origin})$: 지도의 원점(Origin)이 위치한 실제 좌표 (단위: $m$)
  • $resolution$: 픽셀 한 칸당 물리적 크기 (단위: $m/pixel$)
  • $(u, v)$: 이미지 상의 픽셀 인덱스 ($Int$)

물리적 거리 감소량 계산

이 식은 이미지 처리(Erosion)로 깎인 픽셀의 개수를 리얼 월드의 미터($m$) 단위로 변환하는 식입니다.

\[d_{reduction} = \Delta \text{pixels} \times resolution\]

예시:

이미지 상에서 5픽셀을 깎았고($\Delta \text{pixels}$), 맵의 해상도가 0.05m($5\text{cm}$)일 때의 계산:

\[d_{reduction} = 5 \text{ pixels} \times 0.05 \text{ m/pixel} = 0.25 \text{ m}\]

파라미터 구성

Grid Filter의 핵심 설정값입니다.

  • Kernel: Rectangle Kernel (cv::getStructuringElement(cv::MORPH_RECT, size))
  • Resolution: 0.05m (5cm/pixel)
  • Tuning Variable: kernel_size (Erosion 강도 조절)

LUT 기반 포인트 필터링 (Core Logic)

  1. cv::erode를 통해 주행 불가 영역(Black)을 물리적으로 확장한 erodedImage 생성.
  2. 입력된 LiDAR 포인트를 픽셀 좌표 변환 수식을 통해 픽셀 인덱스로 변환.
  3. erodedImage에서 해당 픽셀 값이 255(White)인지 확인.
  4. 픽셀 값이 0인 포인트는 클러스터링 후보군에서 즉시 제거(Ignore).

주요 소스 코드

아래 코드는 각각 리얼 월드의 좌표를 지도 이미지의 픽셀 좌표로 변환 및 LiDAR로 부터 들어온 Scan Data가 Grid Map 상의 점유된 구역에 있는지 확인하는 역할을 합니다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

# grid_filter.py
# 74~91

def world_to_pixel(self, x, y):
    """Convert world coordinates to pixel coordinates."""
    px = int((x - self.origin[0]) / self.resolution)
    py = int((y - self.origin[1]) / self.resolution)
    return px, py

def is_point_inside(self, x, y):
    """Check if a world coordinate is inside an obstacle."""
    if self.eroded_image is None:
        # rospy.logwarn("Eroded map not available.")
        return False

    px, py = self.world_to_pixel(x, y)

    if px < 0 or py < 0 or px >= self.eroded_image.shape[1] or py >= self.eroded_image.shape[0]:
        return False

    return self.eroded_image[py, px] == 255

Eroded Map

아래 코드는 위 사진과 같이 Grid Map에서 벽 오감지 방지를 위하여 트랙을 일정 크기만큼 부풀려주는 역할을 합니다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

# grid_filter.py
# 61~72

def update_image(self):
    """Apply erosion to the map."""
    if self.image is None:
        rospy.logwarn("Map image not initialized.")
        return

    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (self.kernel_size, self.kernel_size))
    self.eroded_image = cv2.erode(self.image, kernel)

    if self.debug:
        cv2.imshow("Eroded Map", self.eroded_image)
        cv2.waitKey(0)

결과 (Results)

Case 1: Grid Filter (kernel size 1)

트랙 폭을 최대한 확보할 수 있으나, 급격한 움직임 시 벽 노이즈가 유입될 수 있습니다.

Kernel Size 1

Case 2: Grid Filter (kernel size 11)

벽으로부터 충분한 이격 거리를 확보하여 오감지 억제력이 우수합니다.

Kernel Size 11

  • 클러스터 생성 제한: Grid Filter가 false를 반환하는 영역(Erosion으로 처리된 검은색 영역)의 포인트들은 클러스터링 입력 단계에서 제외됩니다.
  • 결론: 커널 사이즈를 통해 확장된 벽 영역 안쪽으로 들어오는 모든 포인트는 클러스터 생성 자체가 무시되므로, 인지 신뢰도가 향상됩니다.

마무리

Grid Filter는 정적 지도를 활용하여 LiDAR 포인트 클라우드에서 벽 오감지를 방지하는 필터링 기법입니다.

주요 포인트를 요약하면:

  • Erosion 기반 필터링: OpenCV의 cv::erode를 사용하여 벽 영역을 확장합니다
  • 픽셀 좌표 변환: 글로벌 좌표를 맵 이미지의 픽셀 좌표로 변환하여 LUT 방식으로 빠르게 필터링합니다
  • 커널 사이즈 튜닝: kernel_size를 조절하여 안전 마진과 트랙 폭 간의 균형을 맞춥니다

이 기법은 Localization 성능에 의존적이므로, 안정적인 위치 추정이 선행되어야 합니다. 급격한 움직임에서도 강건한 Localization과 함께 사용하면 인지 신뢰도를 크게 향상시킬 수 있습니다.

racing stack, perception
detection lidar obstacle
This post is licensed under CC BY 4.0 by the author.