적외선 카메라 편집하기
편집을 되돌릴 수 있습니다.
이 편집을 되돌리려면 아래의 바뀐 내용을 확인한 후 저장해주세요.
최신판 | 당신의 편집 | ||
11번째 줄: | 11번째 줄: | ||
가시광 카메라, 소나 및 레이더는 현재 SAE 자동화 레벨 2에서 생산 차량에 이미 사용되고 있다. SAE 자동화 레벨 3 및 4 테스트 플랫폼에는 LIDAR 센서 제품군이 추가되었다. 이러한 각 기술에는 장단점이 있다. 비극적으로 최근 Uber 및 Tesla 사고에서 볼 수 있듯이, SAE의 현재 센서 자동화 수준 2와 3은 자동차나 보행자를 적절하게 감지하지 못한다. | 가시광 카메라, 소나 및 레이더는 현재 SAE 자동화 레벨 2에서 생산 차량에 이미 사용되고 있다. SAE 자동화 레벨 3 및 4 테스트 플랫폼에는 LIDAR 센서 제품군이 추가되었다. 이러한 각 기술에는 장단점이 있다. 비극적으로 최근 Uber 및 Tesla 사고에서 볼 수 있듯이, SAE의 현재 센서 자동화 수준 2와 3은 자동차나 보행자를 적절하게 감지하지 못한다. | ||
− | |||
=== 자율주행용 센서별 장단점 === | === 자율주행용 센서별 장단점 === | ||
ADAS 및 AV 플랫폼은 여러 기술의 센서를 사용하며, 핵심적인 기술은 객체를 감지하고 분류하는 작업 과정이다. 예를 들어, 레이더 및 LIDAR 시스템은 수집된 반사 정보로부터 획득한 점 밀도 구름에서 물체를 분류하고, 물체의 위치와 차량의 정지 속도를 계산한다. 모든 주행 조건을 만족하면서 효율적인 비용과 신뢰할 수 있는 솔루션으로 물체를 분류하기에 필요한 양의 데이터를 획득하기 위해서는 레이더와 LIDAR 이외에 가시광선 및 열화상 카메라의 정보가 융합되어야 한다. | ADAS 및 AV 플랫폼은 여러 기술의 센서를 사용하며, 핵심적인 기술은 객체를 감지하고 분류하는 작업 과정이다. 예를 들어, 레이더 및 LIDAR 시스템은 수집된 반사 정보로부터 획득한 점 밀도 구름에서 물체를 분류하고, 물체의 위치와 차량의 정지 속도를 계산한다. 모든 주행 조건을 만족하면서 효율적인 비용과 신뢰할 수 있는 솔루션으로 물체를 분류하기에 필요한 양의 데이터를 획득하기 위해서는 레이더와 LIDAR 이외에 가시광선 및 열화상 카메라의 정보가 융합되어야 한다. | ||
− | + | [[파일:센서 종류별 적용이 가능한 응용 분야.jpg|썸네일|500픽셀|가운데|센서 종류별 적용이 가능한 응용 분야]] | |
− | [[파일:센서 종류별 적용이 가능한 응용 분야.jpg|썸네일|500픽셀|센서 종류별 적용이 가능한 응용 분야]] | ||
− | |||
조명이 약한 환경(예를 들면, 야간 운전, 햇빛에 의한 눈부심 및 악천후)에서는 일반적인 센서 제품군의 경우 물체의 분류가 어렵다. 적외선 센서는 이러한 문제를 극복할 수 있으며, 상기와 같은 환경에서도 일반적인 주행 조건과 같이 차량, 사람, 동물 및 기타 물체를 안정적으로 분류할 수 있다. 또한 적외선 센서를 사용하는 열화상 카메라는 주간 주행에서도 똑같이 잘 작동하며 가시광 카메라에 유사한 정보(흑백 정보이기 때문에 신호등의 상태는 파악이 어려움)를 제공할 수 있다. | 조명이 약한 환경(예를 들면, 야간 운전, 햇빛에 의한 눈부심 및 악천후)에서는 일반적인 센서 제품군의 경우 물체의 분류가 어렵다. 적외선 센서는 이러한 문제를 극복할 수 있으며, 상기와 같은 환경에서도 일반적인 주행 조건과 같이 차량, 사람, 동물 및 기타 물체를 안정적으로 분류할 수 있다. 또한 적외선 센서를 사용하는 열화상 카메라는 주간 주행에서도 똑같이 잘 작동하며 가시광 카메라에 유사한 정보(흑백 정보이기 때문에 신호등의 상태는 파악이 어려움)를 제공할 수 있다. | ||
22번째 줄: | 19번째 줄: | ||
애리조나 주 템피에서 발생한 Uber 사건에 대한 NTSB 보고서에 따르면, 보행자는 LIDAR, 레이더 및 가시광 센서를 사용하는 개발형 SAE 수준 3 자율 주행 자동차에 치명타를 입었다. 보행자가 처음에는 알 수 없는 물체로 분류 된 후 자동차 또는 자전거로 분류되었고, 최종적으로 사람으로 분류되었다. 그러나 열화상 카메라 시스템으로 시험을 해 보면, 약 280 피트 (85.4m)에서부터 보행자로 분류하였다. 이는 43mph (135 피트 또는 41m)에서 사람이 운전하는 데 필요한 "빠른 반응" 정지 거리의 두 배 이상의 거리를 확보할 수 있음을 의미한다. 만약 좁은 FOV 열화상 카메라를 사용한다면, 200 미터에서도 보행자 분류가 가능하며 이는 일반적인 헤드라이트 및 가시광 카메라가 볼 수 있는 거리보다 4배 더 먼 거리이다. | 애리조나 주 템피에서 발생한 Uber 사건에 대한 NTSB 보고서에 따르면, 보행자는 LIDAR, 레이더 및 가시광 센서를 사용하는 개발형 SAE 수준 3 자율 주행 자동차에 치명타를 입었다. 보행자가 처음에는 알 수 없는 물체로 분류 된 후 자동차 또는 자전거로 분류되었고, 최종적으로 사람으로 분류되었다. 그러나 열화상 카메라 시스템으로 시험을 해 보면, 약 280 피트 (85.4m)에서부터 보행자로 분류하였다. 이는 43mph (135 피트 또는 41m)에서 사람이 운전하는 데 필요한 "빠른 반응" 정지 거리의 두 배 이상의 거리를 확보할 수 있음을 의미한다. 만약 좁은 FOV 열화상 카메라를 사용한다면, 200 미터에서도 보행자 분류가 가능하며 이는 일반적인 헤드라이트 및 가시광 카메라가 볼 수 있는 거리보다 4배 더 먼 거리이다. | ||
− | + | [[파일:열화상 카메라는 헤드라이트 대비 식별 능력이 최대 4배 향상.jpg|썸네일|500픽셀|가운데|열화상 카메라는 헤드라이트 대비 식별 능력이 최대 4배 향상]] | |
− | [[파일:열화상 카메라는 헤드라이트 대비 식별 능력이 최대 4배 향상.jpg|썸네일|500픽셀|열화상 카메라는 헤드라이트 대비 식별 능력이 최대 4배 향상]] | + | [[파일:태양광으로 인한 눈부심 현상, 안개, 암흑 등 조광 상태가 어려운 상황에서도 정확하게 물체를 식별 가능.jpg|썸네일|500픽셀|가운데|태양광으로 인한 눈부심 현상, 안개, 암흑 등 조광 상태가 어려운 상황에서도 정확하게 물체를 식별 가능]] |
− | [[파일:태양광으로 인한 눈부심 현상, 안개, 암흑 등 조광 상태가 어려운 상황에서도 정확하게 물체를 식별 가능.jpg|썸네일|500픽셀|태양광으로 인한 눈부심 현상, 안개, 암흑 등 조광 상태가 어려운 상황에서도 정확하게 물체를 식별 가능]] | ||
− | |||
=== 원리 === | === 원리 === | ||
LWIR 열화상 카메라는 자체적으로 어떠한 에너지도 내 보내지 않으면서 물체에서 방사되는 열을 감지하기 때문에 완전한 수동적(passive) 방식이며, 이는 능동형(active) 방식인 가시광 카메라와 LIDAR 및 레이더에 비해 가장 큰 장점이다. 왜냐하면 물체의 반사율 및 대기 효과와 같은 조건들은 능동형 센서의 센서 성능에 영향을 끼칠 수 있기 떄문이다. | LWIR 열화상 카메라는 자체적으로 어떠한 에너지도 내 보내지 않으면서 물체에서 방사되는 열을 감지하기 때문에 완전한 수동적(passive) 방식이며, 이는 능동형(active) 방식인 가시광 카메라와 LIDAR 및 레이더에 비해 가장 큰 장점이다. 왜냐하면 물체의 반사율 및 대기 효과와 같은 조건들은 능동형 센서의 센서 성능에 영향을 끼칠 수 있기 떄문이다. | ||
33번째 줄: | 28번째 줄: | ||
열화상 이미지는 모든 물체가 열 에너지를 방출한다는 사실을 이용하므로 조명 소스에 대한 의존성이 없다. 아래 그림에서 보듯이 안개의 상황에 따라 열화상 카메라가 가시광 카메라 보다 최소 4배 더 멀리 볼 수 있다는 것을 보여준다. | 열화상 이미지는 모든 물체가 열 에너지를 방출한다는 사실을 이용하므로 조명 소스에 대한 의존성이 없다. 아래 그림에서 보듯이 안개의 상황에 따라 열화상 카메라가 가시광 카메라 보다 최소 4배 더 멀리 볼 수 있다는 것을 보여준다. | ||
− | + | [[파일:원리.jpg|썸네일|500픽셀|가운데|]] | |
− | [[파일:원리.jpg|썸네일|500픽셀| | ||
− | |||
최근 사건과 우리 자신의 운전 경험이 보여 주듯이 보행자를 밤낮으로 보는 것은 어려울 수 있다. 운전 조건과 다양한 환경에서의 열화상 카메라는 더욱 필요하다고 볼 수 있으며, 어찌보면 열화상 카메라가 유일한 대안 기술로 볼 수 있다. | 최근 사건과 우리 자신의 운전 경험이 보여 주듯이 보행자를 밤낮으로 보는 것은 어려울 수 있다. 운전 조건과 다양한 환경에서의 열화상 카메라는 더욱 필요하다고 볼 수 있으며, 어찌보면 열화상 카메라가 유일한 대안 기술로 볼 수 있다. | ||
보행자의 레이더 또는 LIDAR 신호는 근처 차량의 경쟁 신호에 의해 위장될 수도 있다. 보행자가 두 대의 자동차 사이를 건너고 있거나 일부가 나뭇잎에 의해 가려지면 보행자를 감지하는 반사 신호가 거의 또는 전혀 없을 수도 있다. 이러한 경우 수색 및 구조 또는 군사 분야에서 사용되는 열화상 카메라는 밝은 나뭇잎을 통해 볼 수 있다. 적외선 센서는 가시적인 모양이 아닌 열을 인식하기 때문에 부분적으로 분류할 때 가시광 카메라보다 유리하다. 나뭇잎 등에 가려진 사람과 동물의 열은 아래 그림과 같이 부분적으로 가려진 전경에서도 분류가 가능하다. | 보행자의 레이더 또는 LIDAR 신호는 근처 차량의 경쟁 신호에 의해 위장될 수도 있다. 보행자가 두 대의 자동차 사이를 건너고 있거나 일부가 나뭇잎에 의해 가려지면 보행자를 감지하는 반사 신호가 거의 또는 전혀 없을 수도 있다. 이러한 경우 수색 및 구조 또는 군사 분야에서 사용되는 열화상 카메라는 밝은 나뭇잎을 통해 볼 수 있다. 적외선 센서는 가시적인 모양이 아닌 열을 인식하기 때문에 부분적으로 분류할 때 가시광 카메라보다 유리하다. 나뭇잎 등에 가려진 사람과 동물의 열은 아래 그림과 같이 부분적으로 가려진 전경에서도 분류가 가능하다. | ||
− | + | [[파일:나뭇잎 등에 가려진 보행자도 열화상 카메라는 열을 감지하기 때문에 보행자로 분류가 가능.jpg|썸네일|500픽셀|가운데|나뭇잎 등에 가려진 보행자도 열화상 카메라는 열을 감지하기 때문에 보행자로 분류가 가능]] | |
− | [[파일:나뭇잎 등에 가려진 보행자도 열화상 카메라는 열을 감지하기 때문에 보행자로 분류가 가능.jpg|썸네일|500픽셀|나뭇잎 등에 가려진 보행자도 열화상 카메라는 열을 감지하기 때문에 보행자로 분류가 가능]] | ||
− | |||
=== 필요성 === | === 필요성 === | ||
ADAS 및 AV 플랫폼의 주요 과제는 모든 주행 조건에 대비하는 것이다. 도로는 복잡하고 예측할 수 없는 상황으로 가득차 있으며, 자동차에는 매번 올바른 결정을 내리기 위해 가능한 한 많은 정보를 수집 할 수있어야 하며, 이를 위해 비용대비 효율적인 센서 제품군이 장착되어야 한다. 현재 표준 센서 제품군으로는 SAE 레벨 3 이상에 대한 요구 사항을 완전히 충족할 수 없다. | ADAS 및 AV 플랫폼의 주요 과제는 모든 주행 조건에 대비하는 것이다. 도로는 복잡하고 예측할 수 없는 상황으로 가득차 있으며, 자동차에는 매번 올바른 결정을 내리기 위해 가능한 한 많은 정보를 수집 할 수있어야 하며, 이를 위해 비용대비 효율적인 센서 제품군이 장착되어야 한다. 현재 표준 센서 제품군으로는 SAE 레벨 3 이상에 대한 요구 사항을 완전히 충족할 수 없다. | ||
48번째 줄: | 39번째 줄: | ||
열 또는 LWIR 에너지는 도로 위 또는 모든 물체에서 자발적으로 방사 및 반사되고 있다. 열화상 카메라는 섭씨 0.05℃ 의 작은 온도 차이도 구분이 가능하다. VGA급 열화상 카메라 (640 x 512 픽셀)는 거의 모든 물체를 선명하게 나타낼 수 있다. 아래 그림은 (애리조나 주 템피에서 Uber 사고를 재현한 열화상 영상 화면 캡처) 운전자에게 필요한 "빠른 반응" 정지 거리의 두 배 이상에서 물체를 감지하고 보행자로 분류하였으며, 건물 벽에 있는 글자도 명확하게 볼 수 있다. | 열 또는 LWIR 에너지는 도로 위 또는 모든 물체에서 자발적으로 방사 및 반사되고 있다. 열화상 카메라는 섭씨 0.05℃ 의 작은 온도 차이도 구분이 가능하다. VGA급 열화상 카메라 (640 x 512 픽셀)는 거의 모든 물체를 선명하게 나타낼 수 있다. 아래 그림은 (애리조나 주 템피에서 Uber 사고를 재현한 열화상 영상 화면 캡처) 운전자에게 필요한 "빠른 반응" 정지 거리의 두 배 이상에서 물체를 감지하고 보행자로 분류하였으며, 건물 벽에 있는 글자도 명확하게 볼 수 있다. | ||
− | + | [[파일:건물벽 글자.jpg|썸네일|500픽셀|가운데|]] | |
− | [[파일:건물벽 글자.jpg|썸네일|500픽셀| | ||
− | |||
2016 AWARE (All Weather All Roads Enhanced) 비전 프로젝트에서 밤, 안개, 비, 눈과 같은 까다로운 가시성 조건에서 잠재적으로 시력을 향상시킬 수 있는 카메라 제품군을 테스트 했다. 최고의 전천후 비전을 제공하는 기술을 식별하기 위해 전자기 스펙트럼에서 가시광 RGB, 근적외선 (NIR), 단파 적외선 (SWIR) 및 LWIR 또는 열의 네 가지 대역에 대해 평가했다. 이 프로젝트는 다양한 안개 밀도에서 보행자 감지를 측정한 후 다음과 같은 세 가지 결론을 공식화했다. | 2016 AWARE (All Weather All Roads Enhanced) 비전 프로젝트에서 밤, 안개, 비, 눈과 같은 까다로운 가시성 조건에서 잠재적으로 시력을 향상시킬 수 있는 카메라 제품군을 테스트 했다. 최고의 전천후 비전을 제공하는 기술을 식별하기 위해 전자기 스펙트럼에서 가시광 RGB, 근적외선 (NIR), 단파 적외선 (SWIR) 및 LWIR 또는 열의 네 가지 대역에 대해 평가했다. 이 프로젝트는 다양한 안개 밀도에서 보행자 감지를 측정한 후 다음과 같은 세 가지 결론을 공식화했다. | ||