기계식 방식은 현재 가장 많이 사용하는 방법으로, 기계적인 모터를 사용하여 라이다의 전체 몸체나 부분을 기계식 회전하여 레이저 발사 각도를 변경하는 방식으로 주변 영역을 스캐닝한다. 360도 전방위 환경 데이터를 확보 할 수 있지만 진동 등에 의한 내구성이 약하고 센서 가격이 높은 단점이 있다. 기계식 회전형 라이다에서 채널 수는 수직으로 동시에 송신하는 레이저 빔의 수를 의미하며, 4채널, 16채널, 32채널, 64채널, 128채널 등이 있다. 채널의 개수가 높아지면 데이터의 해상도가 높아지며, 그에 따라 가격도 높아진다.
MEMS 방식은 반사 거울을 MEMS 전자식으로 제어하여 넓은 영역을 스캐닝할 수 있다. 이 방식은 라이다에서 발사되는 레이저가 장거리에 도달할 수 있다는 장점이 있지만, 진동과 저온 상태에 취약한 단점이 있다.
플래시 라이다 방식은 단일 레이저 빔을 광 시야각으로 확장하여 송신하는 방식이다. 반사되어 돌아오는 레이저 빔을 다중 배열 수신 소자를 통하여 수신하여 물체를 검출해낸다.
월드 좌표계, 카메라 좌표계, 2차원 픽셀 좌표계
핀홀 카메라 모델의 세 개의 좌표계는 월드 좌표계, 카메라 좌표계, 2차원 픽셀 좌표계이다. 월드 좌표계는 현실 세계에서 물체의 위치를 나타내는 좌표계이며, 카메라 좌표계는 카메라에서 물체를 표현하는 좌표계이다. 픽셀 좌표계는 3차원 물체를 2차원 평면로 투영한 것으로, 우리가 보는 이미지의 좌표계이다.
카메라 좌표계를 2차원 픽셀 좌표계로 변환할 때 사용되는 파라미터가 내부 파라미터이며, 월드 좌표계가 카메라 좌표계로 변환될 때 사용되는 파라미터가 외부 파라미터이다. 내부 파라미터 K는 카메라 자체의 셋업에 관련된 파라미터이며, 3X3 크기의 행렬로 초점거리(f_x, f_y), 렌즈 왜곡 계수 s, 카메라 영상의 중심좌표(c_x, c_y)로 구성된다. 이미지 센서 등외부 파라미터는 회전 이동, 평행 이동으로 구성되어있다. 외부 파라미터를 나타내는 행렬 R과 벡터 t는 각각 3X3 크기의 회전이동 행렬과 1X3 크기의 평행이동 벡터이다.
캘리브레이션 과정은 카메라 좌표계의 변환을 알기 위해 카메라 내부 파라미터값을 알아내고 카메라 렌즈에 의해 생긴 왜곡을 보정하는 과정이다. 서로 대응되는 3차원 월드 좌표계와 2차원 이미지 픽셀의 점들을 이용한다. 카메라 캘리브레이션 툴을 이용하여, 반복적인 패턴이 있는 체커보드를 카메라로 촬영하고, 촬영된 영상에서 체커보드의 코너점들을 검출한다. 이를 통해서 카메라의 내부 파라미터와 외부 파라미터를 계산하는 과정이 이루어진다. 자율주행차가 월드 좌표계에서의 물체 상태나 환경을 카메라 영상을 이용하여 이해하기 위해서는 카메라 캘리브레이션 과정은 반드시 수행되어야 한다.
딥러닝 모델이 학습 데이터에 과하게 최적화된 상태이다. 과적합 모델은 학습 데이터에 대해서는 높은 정확도를 갖지만 새로운 데이터 집합에 대한 정확도가 낮아 범용성이 없는 모델을 말한다. 이를 해결하기 위한 대표적인 방법에는 데이터의 추가적인 수집을 들을 수 있다. 그러나 새로운 데이터 셋을 수집하는데는 상당한 노력이 들기 때문에 데이터 Augmentation 기법을 통해서 데이터 개수를 늘릴 수 있다. 데이터 Augmentation 기법은 트레이닝 데이터를 인공적으로 가공하여 추가적인 데이터셋을 생성하는 방법으로 좌우 대칭, 확대 및 축소, 밝기 조절, 회전, 노이즈 추가 등의 변형을 통해서 데이터 수를 확대할 수 있다.
고정밀 지도는 cm 단위의 정확도를 갖는 지도이다. 자율주행차의 센서만으로 주변의 정적 주행 환경 및 도로, 교통 환경에 대한 정보를 수집하는 데에는 한계가 있다. 따라서 차량 주위의 정적 환경에 대한 정밀한 정보를 제공해 줄 수 있는 고정밀 지도는 자율주행의 안전성 향상을 위해 필요한 기술이다. 또한 환경에 많은 영향을 받는 센서의 기능을 보완하기 위해서도 필요하다. 센서를 통해 도로 인식이 불가능한 환경에서도 고정밀 지도의 차선, 도로 정보를 이용하여 주행이 가능하기 때문이다.
고정밀 지도 기반 측위는 고정밀 지도 정보와 차량 수집 정보를 이용해서 차량의 현재 위치를 알아내는 Localization 기술이다. 이를 위해서 두 가지 단계가 수행된다. 첫번째는 Odometry 기술이다. Odometry 기술이란 상대 움직임 변위를 이용하여 차량이 과거 위치로부터 얼마만큼 움직였는지 추정할 수 있는 기술이다. 이 기술은 시간이 갈수록 오차가 점점 누적되는 단점이 있어 두번째 단계인 맵매칭 기술을 통해 측위의 정확성을 향상시킬 수 있다. 맵매칭 기술은 Odometry 기술과 환경, GPS, IMU 센서 정보를 이용하여 맵매칭을 통해 고정밀 지도 위에서 차량의 정확한 위치를 추정해내는 기술이다. 이 두 단계의 과정을 반복 수행하면서 측위의 정확성을 높일 수 있다.
위와같은 측위 과정은 Odometry 과정에서 누적되는 오차와 부정확한 센서 데이터, 환경 변화등으로 맵매칭의 정확도가 떨어지는 단점이 있어 최근에는 딥러닝 기반의 측위 기술이 연구가 되고 있다.