데이터 리뷰 : 데이터 대신 읽어드립니다!
#46 AIHUB(자율주행) - 특수환경 자율주행 3D 이미지 데이터
자율주행 기술이 많이 개발되면서 자율주행을 시행하는 국가가 늘어나고 있고, 또 우리나라에서는 자율주행 기능이 탑재된 차량이 출시되고 있습니다. 하지만 안전상의 이유로 운전자 없이 자율주행하는 것은 아직 법적으로 허가되지 않는데요, 아무래도 날씨, 도로환경 등 특수환경에서 자율주행하는 것에 대한 안정성 입증이 부족하기 때문입니다. 따라서 이러한 특수환경에 대한 학습도 이루어져야 하는데요, 여전히 전국 범위의 도로환경을 모두 반영한 융합형 데이터는 부족하다고 합니다.
이와 관련하여 AIHUB 플랫폼에서는 '특수환경 자율주행 3D 이미지' 데이터를 제공하고 있는데요, 특수환경에 대한 자율주행 데이터 구축을 통해 자율주행 개발의 동력을 확보하기 위한 목적으로 구축된 데이터입니다. 그렇다면, 오늘 데이터 리뷰기에서는 이 데이터가 어떻게 이루어져 있는지 살펴보고, 어떻게 분석 및 활용하면 좋을지 생각해보도록 하겠습니다!
특수환경 자율주행 3D 이미지 데이터
(1) 데이터 정보
- 제공기관 : 솔트룩스
- 데이터 개수 : 45만
- 데이터 형식 : jpg, json, pcd
- 데이터 구성 : 주행 경로 별 가각의 폴더로 구성, 주행 경로 폴더 하위에 이미지, LiDAR, Meta, calibration 파일로 구성
- 다운로드 : https://aihub.or.kr/aidata/34162
'특수환경 자율주행 3D 이미지' 데이터는 서울, 인천, 대전, 대구, 부산, 광주, 창원, 진천, 전주, 순천 10개 도시의 주변도로에서 수집한 주행영상으로 총 300시간의 영상으로 구축되어 있습니다. 주행영상은 이동형 객체의 2D/3D 데이터 셋으로 구축되어 있으며, 맑음, 흐림, 역광, 눈, 비, 안개 등 다양한 날씨 환경에 대해 구축되어 있습니다. 또한 일출, 낮, 밤, 일몰, 국도, 고속도로, 터널, 교차로, 고가도로 등 추가적인 조건에 따라 데이터가 구축되어 있고, 이동객체, 차선, 연석에 대한 가공이 되어 있어 서비스 개발을 위해 즉시 사용할 수 있도록 되어 있답니다.
그럼, 위에 다운로드 링크로 들어가면 회원가입 또는 로그인 후 데이터를 다운받을 수 있는데요, 데이터를 다운받아서 한번 데이터가 어떻게 이루어져 있는지 살펴보도록 하겠습니다~
(2) 데이터 리뷰
데이터를 다운받으면, 아래와 같은 구조로 데이터가 구성되어 있습니다.
주행 경로 별로 폴더가 있고, 그 아래 이미지 데이터(2D), Lidar 데이터(3D), 가공된 Meta 데이터 입니다.
그럼 한 경로 폴더를 선택하여 각 데이터를 살펴보겠습니다.
- Image data
위 이미지는 대구 지역 폴더에 있는 한 주행영상 데이터로, 551개의 이미지 중 4개의 이미지 입니다.
이미지를 살펴보면 동일한 도로에서 촬영된 영상임을 확인할 수 있는데요, 특정 시간 초 단위로 이미지화 되었음을 알 수 있습니다. 그밖에 이미지를 통해 낮, 흐림, 일반도로 등의 정보를 알 수 있습니다.
- Lidar data
한편, 위 주행영상에 대한 lidar data는 pcd 파일 형식으로 구축되어 있는데요, pcd 파일도 일종의 이미지 파일로 3D의 형태를 확인하는 데에 용이한데요, 아래와 같이 가공하여 나타낼 수 있습니다.
위 이미지를 보면 빨간 박스 안 초록색이 자동차의 형상을 나타내는 것을 알 수 있습니다.
- Meta data
마지막으로 meta data에는 말 그대로 각 이미지에 대한 정보가 담긴 데이터인데요, 위에 image data 중 한 이미지에 대한 meta data는 다음과 같습니다.
{
"IMAGE_INFO": {
"CAMETA_NAME": "front",
"DATA_COLLECTION_TIME": "20210128_175321",
"WEATHER": "6",
"TEMPERTATURE": 0.7,
"HUMIDITY": 71.8,
"DATA_COLLECTION_AREA": [
{
"LATITUDE": "35.764275",
"HARDNESS": "128.401964"
}
],
"ROAD_TYPE": "H",
"ROAD_TYPE_CLASSIFICATION": "E",
"ACQUISITION_TIME": "S",
"COLLECTION_ORGANIZATION": "mobiltech",
"DATA_SIZE": 1.6,
"TEMPERATURE": "Y, U",
"Vehicle Model": "KIA MORNING",
"IMAGE_PATH": "\\drive_0017\\image_0\\daegu_051_8_drive_0017_00000009.jpg",
"IMAGE_HEIGHT": 1200,
"IMAGE_WIDTH": 1920
},
"OBJECT_LIST": [
{
"2D_LIST": [
{ "CLASS": "curb",
"POLYGON": [0, 899, 0, 727, 953, 615, 955, 622, 903, 637, 725, 687 ] },
{ "CLASS": "LANE",
"POLYGON": [ 954, 622, 950, 622, 604, 726, 0, 919, 0, 929, 574, 741, 791, 672 ],
"TYPE": "SOLID",
"COLOR": "WHITE",
"COUNT": "1" },
{ "CLASS": "LANE",
"POLYGON": [ 974, 643, 970, 640, 881, 693, 220, 1200, 273, 1200, 894, 693 ],
"TYPE": "DASHED",
"COLOR": "WHITE",
"COUNT": "1" },
...
(생략)
...
"3D_LIST": [ { "BOX": [ 971, 616, 1024, 658 ],
"CLASS": "VEHICLE",
"TYPE": "SEDAN",
"ACCELERATION": "YES",
"DIMENSION": [ 1.5, 1.5, 4.11 ],
"DISTANCE": 13.78,
"INSTANCE_ID": 1,
"LOCATION": [ -10.13, -9.3, -0.93 ],
"YAW": 3.01
} ] } ] }
meta data에서는 이미지에서는 정확히 알 수 없는 정보들이 포함되어 있는데요, 먼저 데이터 상단에 보면 카메라 정보, 이미지 사이즈 등 이미지 정보에 대해 알 수 있습니다. 또한 이어서 촬영환경에 대한 정보를 얻을 수 있는데요, 촬영지역의 위도, 경도, 지역명, 그리고 날씨, 시간대, 도로 종류를 알 수 있습니다.
중간에는 object_list가 있는데요, 여기서는 도로, 차선 등 객체에 대한 정보를 class 태그를 통해 알 수 있고, 특정 객체에 대한 polygon 데이터는 polygon 태그를 통해 알 수 있습니다.
마지막으로 하단부분에는 3D_LIST 영역이 있는데요, 여기서는 움직이는 이동객체에 대한 정보를 알 수 있습니다. 특히 해당 이동객체의 bounding box 좌표, 차종, 가속 여부, 객체 크기, 객체 거리, 객체 위치 등에 대한 자세한 내용이 구축되어 있습니다. 따라서 이러한 정보를 2D 또는 3D 이미지에 매칭한다면 아래와 같이 나타낼 수 있답니다.
(3) 데이터 활용
'특수환경 자율주행 3D 이미지' 데이터에 대해 살펴봤는데요, 이 데이터는 일반적인 자율주행 2D 이미지뿐만 아니라 3D 이미지, meta 데이터가 포함되어 있는 데이터입니다. 자율주행 레벨4(고도자동화), 레벨5(완전 자동화)의 개발을 위해서는 Lidar 센서 데이터의 학습도 필수적인 요소로 대두되고 있지만 Lidar 장비가 아직 높은 비용으로 형성되어 있어 개인이 확보하기엔 어려운 데이터라는 점에서 현재 구축된 이 데이터는 매우 활용가치가 높다고 볼 수 있습니다. 그렇다면 이 '특수환경 자율주행 3D 이미지' 데이터를 이용하여 어떻게 활용할 수 있을까요?
우선, 이미지에 대해 이동객체, 차선, 연석에 대한 가공이 되어 있어 서비스 개발을 위해 즉시 사용할 수 있도록 구축되어있어, 개발 목적답게 바로 자율주행 시스템 개발에 활용할 수 있으며, 3D 객체 인식 기술 개발에 활용될 수 있습니다. 또한 2D 이미지를 통해서 이동객체의 크기나 위치, 거리 등을 인지하고 자동 추적 시스템 개발에 활용할 수 있지 않을까 싶습니다. 또한 여러 특수환경에 대해 구축된 데이터라는 점을 이용하여 날씨, 특정 장소를 인지하여 그에 따라 속도, 차선변경, 거리 유지 등 자율주행 기준을 다르게 할 수 있는 시스템을 개발할 수 있지 않을까 싶습니다!
# AIHUB
오늘 리뷰한 '특수환경 자율주행 3D 이미지' 데이터는 <AIHUB(AI 허브)>에서 다운로드 받은 '자율주행' 카테고리의 데이터로, AI 허브는 AI 기술 및 제품, 서비스 개발에 필요한 AI 인프라(AI데이터, AISWAPI, 컴퓨팅 자원)를 지원함으로써 누구나 활용하고 참여하는 AI통합 플랫폼입니다! 따라서 사용자를 위해 개발 및 활용을 위한 인프라 서비스와 AI 활성화를 위한 서비스를 제공하고 있는 것인데요, 현재 위와 같이 음성/자연어, 비전, 헬스케어, 자율주행 등 다양한 카테고리에 걸친 데이터들을 제공하고 있답니다.
한편, 오늘 살펴본 데이터는 '자율주행' 카테고리에 있는 데이터였는데요, 자율주행 카테고리는 도로, 교통, 건물, 인도 보행 등 자율주행과 관련된 데이터를 제공하는 카테고리입니다. 특히 개인이 구축하기엔 어려운 데이터들이 많고, 다른 빅데이터 플랫폼에서는 찾아보기 힘든 데이터들이 제공되고 있습니다. 또한 실제 우리나라에 있는 지역, 환경 등에서 구축된 데이터들로 이루어져 있기 때문에 우리나라에서 상용화하기 위한 서비스 개발에 활용하기에 매우 적합한 데이터이기도 하답니다.
또한 각 데이터 다운로드 페이지에 들어가면 위와 같이 데이터의 구축내용과 필요성, 데이터 구조, 활용예시 등의 정보를 파악할 수 있기 때문에 데이터를 다운로드하기 전에 어떠한 형태로 이루어져 있는지, 데이터를 어떻게 활용하면 좋을지 살펴볼 수 있답니다.
이렇게 오늘 데이터 리뷰기에서는 AIHUB의 '특수환경 자율주행 3D 이미지' 데이터를 리뷰해보았는데요, 다음 리뷰기에서도 동일한 카테고리의 다른 데이터를 리뷰해보도록 하겠습니다. 이전 데이터 리뷰기에서는 소방, 사회 범죄, 해양수산, 헬스케어, 농수산물 등 여러 플랫폼에서 제공하는 데이터 리뷰기가 있으니, 관심이 있으신 분들은 참조하시기 바랍니다! 그럼 다음 리뷰기에서 만나요! :D
'BLOG > 데이터 리뷰기' 카테고리의 다른 글
| [데이터 리뷰] AIHUB(자율주행) - 로봇 관점 주행 영상 데이터 (0) | 2021.10.06 |
|---|---|
| [데이터 리뷰] AIHUB(자율주행) - 신호등/도로표지판 인지 영상 데이터 (0) | 2021.10.05 |
| [데이터 리뷰] AIHUB(자율주행) - 자율주행버스 개발 노선 주행 이미지 데이터 (0) | 2021.10.03 |
| [데이터 리뷰] AIHUB(자율주행) - 드론 이동체 인지 영상 데이터 (0) | 2021.10.02 |
| [데이터 리뷰] AIHUB(안전) - 자동차 차종/연식/번호판 인식용 영상 데이터 (0) | 2021.10.01 |
