A Study on Localization Methods for Autonomous Vehicle based on Particle Filter Using 2D Laser Sensor Measurements and Road Features
8
0
0
전체 글
(2) 804. Kyung-Jae안Ahn Taekgyu and a 연Yeonsik Kan ng 이 택 Lee, 규, 강 경 ,재, 식. (Bayesian filterr)중 파티클 필터(Particle filterr)를 사용하여 위치 위 를 추정하였다 다. 베이지안 필터의 필 대표적인 인 기법으로는 칼만 칼 필터(Kalman filter)와 f 파티클 클 필터(Particle filter)가 f 있다. 칼만 칼 필터는 시스템 템이 선형이며 사후확률을 가우시안(Gaussian 가 an)으 로 가정한다. 따라서 위와 같은 가정을 만족한 만 환경에서 서는 정확도가 높지 지만 비선형이며 며 사후확률이 비 가우시안(N NonGaussian)인 환경에서는 환 위치 치 추정 성능이 이 떨어질 수 있다. 있 파티클 필터는 는 사후확률을 샘플(sample)로 샘 나타내어 비 가우 가 시안(Non-Gausssian)인 환경에 에서 나타나는 칼만필터의 칼 단점 점을 극복할 수 있다 다. 또한 모델의 의 선형화 과정을 을 하지 않아 보다 보 쉽게 시스템에 에 적용할 수 있다. 있 하지만 환경 경지도가 넓어짐 짐에 따라 계산 복잡 잡도가 높아지는 는 단점과 샘플 플의 수가 감소하 하는 문제가(degenerracy problem) 있다[11,12]. 있 본 연구에서 서는 센서의 가격 격문제와 정밀도 도 문제를 3D 레이 레 저 센서보다 저렴하며 저 비전 시스템보다 측정 측 신뢰도가 높은 높 2D 레이저 센서 서를 통하여 극복하고자 극 한다 다. 2D레이저 센서 서를 사용하였을 경우 경 거리 측정값이 부족하며 며 측정값이 불연 연속 적인 단점을 도로상의 존재 재하는 차선의 반사율을 반 이용하 하여 해결하였다. 도로환경에서 도 차 차량을 중심으로 로 측정되는 노면 면표 시와 도로환경 경 정보의 분포는 는 가우시안 분포를 분 따르지 않으 않 므로 기존의 칼만 칼 필터를 이용한 이 위치 추정 정기법을 적용하 하기 에는 어려움이 이 있다. 본 논문 문에서는 샘플을 을 이용하여 가우 우시 안 분포를 따르 르지 않는 사후 후확률을 계산하 하며 비선형 시스 스템 에 적용이 가능 능한 파티클 필터를 필 사용하여 추정치에 대한 한신 뢰성을 높였다 다. 파티클 필터를 이용하여 구축된 구 도로환경 경격 자지도와 레이 이저 센서 데이터 터의 비교를 통하여 통 차량의 위치 위 추정을 수행하 하였으며 실 도로에서 도 차량을 을 주행하여 위치 치추 정 성능을 평가 가하였다. 구 III. 하드웨어 및 센서 시스템 구성도 실험장비는 4륜 ATV (All Terrain T Vehicle)로 로 자율주행을 위해 위 조향부, 구동부 부, 제동부에 엑츄에이터를 엑 장 장착하였으며 차 차륜 에 장착된 엔코 코더 센서와 IM MU를 이용하여 여 차량의 이동거 거리 를 측정할 수 있다. 2차원레이저 센서를 이용하여 이 도로 환경 환 정보를 취득하 하기 위해 그림 1과 같이 지면 면에서 1.6m 높이 이에 2D 레이저 센서를 센 장착하여 전방 10m를 측정할 측 수 있게 게설 치하였다. 본 연구에서는 사용한 사 2D 레이저 센서는 SIC CK사 의 LMS-151모 모델로서 시간 간차 측정(TOF:: Time of Flight F measurement)에 에 의하여 거리 리를 인식하는 방식이다[13]. 방 시 시간 차 측정 방식은 은 지정된 방향 향으로 레이저가 가 발사된 후 목표 표에 반사되어 레이 이저가 센서로 돌아올 때까지 지에 시간을 측정 정하. 그림 1. 장비 구성과 구 2D 레이 이저센서. Fig. 1. Vehiclee configuration & 2D laser sensorr.. 그림 림 2. 시스템 개략도. 개 Fig g. 2. The system m schematic diagrram. 여 방향과 거리를 를 구한다. 또한 한 반사되어 오는 는 레이저의 에 너지 지를 측정하여 물체에 반사되는 는 반사율 측정 정이 가능하다. 실험 실 차량에 장착된 장 엔코더 센 센서와 Xsens사 사의 Mti-100 관 성측 측정센서(IMU : Inertial Measureement Unit)로 차량의 차 속도(ݒ ),, 각속 속도(ݓ ), 샘플링 시간(ܶ௦ ) 등 등을 측정하였다 다. 측정한 속도,, 각속 속도, 샘플링시 시간을 추측항 항법(Dead recko oning)기법 중 Run nge-Kutta integrration 방법을 통 통해 차량의 이동거리를 이 구하 하 였다 다[14]. 차량의 이동거리는 2D D 레이저 센서로 로 측정한 도로 로 정보 보와 함께 파티클 필터 기법으 으로 차량의 위치 치를 추정하는데 데 사용 용하였으며 전체 체적인 시스템의 의 개략도는 그림 림 2와 같다. III. 2D 레이저 레 센서를 이 이용한 도로정보 보 추출 도로 도 환경에는 연석, 신호등, 노면 표시, 중앙 앙분리대 등 다 양한 한 도로 환경정 정보가 존재하며 며 이러한 도로 환경정보를 이 용하 하여 차량의 정확한 정 위치를 추 추정할 수 있다 다. 도로 환경정 정 보를 를 취득하기 위해서는 측정 센 센서의 정보를 이용하여 이 각도 로 환경정보의 특징을 특 구분해야 야 한다. 본 연구 구에서는 2D 레 이저 저 센서로 측정 정한 거리와 반사 사율 값을 이용 용하여 도로영역 역 과 노면 환경정보 보를 추출하였다. 환경정보를 환 추출 출하기 위한 실험은 그림 3과 같은 3차선 도 로에 에서 실행하였다 다. 실험 장소에 에는 차량이 주행 행하는 도로 영 역을 을 구분하는 연석이 연 양끝에 존재하며 측정 지점에서는 4 개의 의 도료가 칠해진 노면(차선)이 이 있다.. 그림 림 3. 도로정보 추출 실험 환경 경. Fig g. 3. Experiment ntal environment ffor road informattion extraction..
(3) A Study on Lo ocalization Metho레이저센서와 Vehicle base on Particle 2D 차량 La aser Sensor Meas개발 surements and Road... R 2Dods for Autonom 도ous 로정보를 이용한 한ed Particle Filter Fi 기반 기lter Using 자율주행 량 위치추정기법. 그림 림 5. IEPF 기법 법의 개략도. Fig g. 5. The schemaatic diagram of Itterative End Poin nt Fit.. 그림 4. ABD 기법의 Threshoold circle. D. Fig. 4 Threshhold circle of ABD 표 1. Adaptiive Breakpoint Deetector 의사 코드. 코 Table 1. Pseudoo code of Adaptivve Breakpoint Deetector. Pseudo code : Adaptive A Breakpooint Detector n 2 to $ sin ∆)**
(4) ିଵ · 6 38 sin + ∆) )* ି , ௫ then - . /
(5) 01 ିଵ . /
(6) 011 . 21 본 논문에서 서는 2D 레이저 센서로 연석을 을 측정하여 직선 선추 출 알고리즘 중에서 중 연산속도 도가 빠른 Splitt & Merge 기법 법인 ABD (Adaptivee Breakpoint Dettector), IEPF (Iteerative End Pointt Fit) 알고리즘을 적용 적 하여 도로영 영역 환경정보를 를 취득하였다[115]. ABD 알고리 리즘을 개략적으 으로 설명하면 다음과 같다. ABD A 는 연속된 거리 리 데이터의 간격이 간 Threshold circle ( *보다 다큰 경우 데이터를 를 중단점(break point)으로 분류 류하는 기법이며 며그 림 4는 Thresho hold circle에 대한 한 그림이다. Thhreshold circle을 을구 하는 식은 (1)과 과 같다.
(7) ିଵ ·. sin n ∆)* 6 38 sin + + ∆)*. 805 5. (1). 레이저 센서 서로 측정된 지점( ଵ , … , )에 에서 원점까지의 의 거 리는
(8) 로 나타 타내며 식 (1)에 에 나타낸
(9) ିଵ 는 ; 1번째 측정 측 지점의 거리이 이다. ∆)는 두 점 과 ିଵ 의 사잇각이며 레이 레 저 센서의 초기 기설정에 따라 변경된다. 또한 한 +, 8 는 설정 정파 라미터로 Threeshold circle의 크기를 조절할 할 수 있다. 점 데이 데 터 간의 거리 3425 ିଵ *이 보다 보 큰 경우 두 점 분 데이터 터의 과 ିଵ 은 불연속하므로 중단점으로 분류한다. 중단 상태(flagg)를 위에서 언급한 언 방식에 따라 따 중단점은 flag 를 1(True), 연속 속된 데이터인 경우 0(false)으 으로 나타냈다. 분류 분 된 데이터의 중단점을 기준으로 거리 측정값들을 집단 집 (!ଵ , … , ! )으로 로 구축하였다. 표 1은 ABD 알고리즘의 알 의사 사코 드 이며 의사 코드에서 N은 측정 데이터의 수이다. ABD 방법으 으로 분류한 N개 개의 집단(!ଵ , … , !ே )을 위에서 서언. 표 2. Iterative Ennd Point Fit. 의사 사 코드. Tab ble 2. Pseudo codde of Iterative Endd Point Fit. Psseudo code : Iterat ative End Point Fiit => >??21 =0251
(10) ! L ଵ , . . , Q @A Find liine ଵ ଵ NNN ଵNNNN * Detectt Point with maximum distance / / , /௫ then G G !ଵଵ L ଵ , … , Q !ଵଶ L , … , Q ? ? 5? ;1R5 215 25 215 S When all sets in G have been n checked, YZ Z collinear segments 한 도로영역의 특징을 갖는 직 직선을 추출하기 기 위해 IEPF기 기 급한 법을 을 사용하였으며 며 그림 5는 IE EPF기법에 대한 한 개략도이다.. IEP PF는 첫 번째 집단 !ଵ !ଵ ଵ , . . , )의 끝점 끝 ଵ과 을 연결 결한 선분 ଵ )과 과 각 점에서 수 수직거리가 가장 장 긴 / 을 구한 한 다. / 이 설정 파라미터인 파 /௫௫ 보다 큰 경우 !ଵ 를 수직거리 리 의 좌표인 를 기준으로 분할 할하여 2개의 집단! 집 ଵଵ , !ଵଶ 으로 로 ଵ 나눈 눈다. 이후 분할 할된 집단 !ଵ 에서 앞서 언급한 한 분할 과정을 을 반복 복하며 수직거리 리가 /௫ 보다 다 작은 경우 다음 다 집단(!ଵଶ )에 에 서 분할과정을 시작한다. 시 이렇게 게 생성된 직선과 과 인접한 직선 선 의 각도 차이가 작은 작 경우에는 하나의 집단으 으로 병합하였으 으 며 표 2에 IEPF기 기법의 의사 코드 드를 나타내었다 다. IEPF기법을 을 나머 머지 집단(!ଶ , … , !ே *에서 시행 행하여 레이저 센서의 센 점 데이 이 터를 를 직선의 집단 단으로 나타내었 었다. 앞에서 언급한 언 도로상의 의 연석 석을 연속된 긴 직선과 방향이 이 급격하게 변하 하는 특징을 적 용하 하여 도로영역을 을 분류하였다. 그림 그 6은 거리측 측정 데이터를 앞에서 언급한 한 ABD와 IEPF F 를 적용하여 도로 로영역을 추출한 한 결과이다. 검은 은색 원은 거리 리 측정 정 데이터이며 붉은색 별표는 는 데이터 중단점 점이다. 푸른색 색 선은 은 직선추출 기법을 기 적용하여 여 추출한 도로영역이다. 실험 험 환경 경 도로 그림 3과 3 비교를 통해 해 도로상에서 차량이 주행할 할 수 있는 도로 영역 역정보를 추출한 한 것을 확인할 수 있다. 도로상의 도 노면 표시는 식별력 력을 높이기 위해 유리알갱이 이 (glaass bead)를 포함 함한 도료를 사 사용하며 이러한 한 노면 표시는 는.
(11) 806. 안 경 재, 이 택 규, 강 연 식. 그림 림 8. 도로 환경의 상태 분류. Fig g. 8. State classiffication of road eenvironment.. 그림 6. 도로영 영역 정보 추출 결과. Fig. 6. Result of Road Region Information.. 앞에서 앞 언급한 노면표시 측정 정 방법을 이용 용하여 그림 7과 과 같이 이 반사율 데이 이터를 분류하였 였다. 그림 7은 도로측정지점에 도 에 서의 의 반사율이며 경계 값보다 높 높은 반사율을 붉은색 별표로 로 낮은 은 반사율은 검은색 검 원으로 나 나타내었다. 반사율이 반 높은 4 개의 의 노면표시가 추출된 것을 확 확인할 수 있다. IV. 도로환경지도 작성 앞에서 앞 추출한 도로 환경 정보 보인 도로 영역 역과 노면표시정 정 보를 를 10 ] 10=^격 격자지도로 구축 축하였다. 추출 출한 도로환경정 정 보에 에 따라 그림 8과 8 같이 격자상 상태(grid state)를 를 분류하였다.. 도로 로 영역정보 지도의 지 격자 상태 태는 다음과 같이 같 3가지로 나 타냈 냈다. - 도로영역(Road 도 suurface) : 측정영역 역이며 도로 면인 면 공간 - 도로경계(Road 도 booundary) : 측정영 영역 중 도로 경계인 경 공간 - 측정되지 측 않는 공간(Unknown) 공 : 도로 경계 이후 후 공간. 그림 7. 노면표 표시 추출 결과. Fig. 7. Result of Road Markingg Extraction. 교통의 원활한 한 소통과 운전 전자가 안전하게 게 차량을 운전하 하기 위해 시각적인 인 교통 정보를 를 제공한다. 레이 이저가 유리알갱 갱이 가 있는 노면표 표시에 도달하면 면 재귀 반사하 하여 센서로 돌아 아가 게 되어 반사 사율은 도로보다 다 상대적으로 높게 높 측정된다 다[16]. 도로와 노면표 표시의 분류는 반사율 반 크기 차이가 차 나는 특징 징을 이용하여 일정 정 값을 경계 값(Threshold)으 으로 설정하여 경계 경 값 보다 높은 반사율 데이터를 노면표시로 분류한다[17].. 그림 9. 도로환 환경 격자 지도. Fig. 9. Road environment e Gridd map.. 도로영역에 도 노면 면의 존재여부에 에 따라 노면(w with marking)과 과 비노 노면(without maarking) 2가지 상 상태로 나타내었 었다. 또한 노면 면 표시 시는 붉은색으로 로 나타내었다. 그림 그 9는 실험 장소인 장 송도 극 극지연구소 주변 변도로 약 240m m 를 2D 레이저 센서 서로 측정하여 구축한 도로환 환경정보 격자지 지 도 이다. 구축한 지도에서 지 도로영 영역은 회색, 도로경계는 도 검은 은 색, 측정되지 않는 는 공간은 흰색 색으로 나타내었 었다. 그림 10은 은 실제 제 도로에 존재 재하는 노면표시 시와 레이저 센서로 센 측정하여 여 나타 타낸 노면표시를 를 비교하여 나 나타낸 그림이다 다. 이처럼 도로 로 상에 에 다양한 노면 면표시로 차량의 의 위치인식을 위한 부가정보 보 를 추출할 수 있는 는 것을 확인할 수 있다..
(12) 2D 레이저센서와 도로정보를 도 이용한 한 Particle Filter 기반 기 자율주행 차량 량 위치추정기법 개발. 807 7. 림 11. 중요도 표집 표 과정. 그림 Fig g. 11. Process off Importance sam mpling. 그림 10. 노면표 표시와 노면 격자 격 지도 비교. Fig. 10. Compparison of road marking m and markking grid map.. ሾሿ. 은 ܯ 파티클의 수를 나타낸다 다. 각 파티클은 은 ݔ௧. V. 위치추정 위 치추정 방법에는 는 베이지안 필터가 필 사용되며 며 위 확률적 위치 방법의 중요한 한 개념은 belieff 이다[18]. beliief 는 시간이 t 일 때 차량의 위치 치 에 대한 확률분포이며 확 식 (2)로 나타낼 낼수 있다. 시간 t까 까지의 센서로부 부터 측정된 정보를 정 : , 차량 량의 이동정보는 ݑ: 로 나타내었 었다. ଵ |: : . (2). 차량의 이동 동한 위치는 이전 이 위치인 ௧ିଵ , 와 이동량 ݑ 를 이용하여 식 (3)로 나타낼 낼 수 있다.. , . -- Initialization 위치 위 추정에 있어서 있 처음 차량 량 위치 및 방향 향을 알 수 없기 기 때문 문에 개의 파티클들을 임의의 위치 치에 배치한다.. Inittialization은 처음 음에만 수행하며 며 파티클들의 가중치는 모두 두 1 같으 으며 그 합은 1이 된다. ܾ݁ | . . 여 새로운 파티클 클들χ௧ 을 추출 출한다. തതതത ܾ݈݁ ሺχ௧ ሻ는 이동한 파 티클 클들χ௧ 의 분포 포로 나타낸다.. χ௧ ~ χ௧ | ௧ , χ௧ିଵ ሻ. (5). (6). (7). - Update ሾሿ. Prediction에서 P 이 이동한 파티클, ݔ௧ 의 importa ance factor를 구 ሾሿ. 한다 다. importance factor는 fa ௧. 본 연구에서 서는 실제 도로 환경에 존재하 하는 다양한 특징 징점 들을 고려하고 고자 한다. 이와 와 같은 특징점들의 분포는 매우 매 복잡한 비선형 형 시스템이며 사후 사 확률이 가우시안이 가 아닌 닌경 우가 많은 것으 으로 알려져 있다[18,19]. 있 따라 라서 본 논문에서 서는 비선형 시스템 템에 적합하며 샘플들을 이용 용하여 사후확률 률을 계산하는 파티 티클 필터(Particlle filter)를 이용 용하여 차량의 위치 위 추정을 하였다 다[11,12,20]. 파티 티클 필터에서 사후확률을 사 나타 타내 는 샘플들은 파티클들을 통해 표현하며 식 (6)과 같이 나타 나 낼 수 있다. χ , , , … . . 이전 이 시간 파티클들χ௧ିଵ 에 차량의 이동량 량ሺݑ௧ ሻ을 적용하 하. (4). , 정규화 상수 수 ߟ௧ 또한 t 에서의 측정값인 | 와 . 를 이용하여 구한 구 현재의 위치 확률 는 다음과 같다. 같. . 재귀 귀적으로 구해진 진다. 파티클 필 필터는 Initializaation, Prediction,, Upd date, Estimate, Resampling R 단계 계로 구성되어 있으며 있 그림 111 은 파티클 필터의 Importance sam mpling과정을 개략적으로 개 나타 타 내었 었다[21].. - Prediction. തതതത ൌ
(13) ,
(14) , , ܾ݈݁ ሺݔ௧ ሻ . . 터의 belief는 파티클들로 파 나타 타내므로 χ௧ 역시 시χ௧ିଵ 로부터 터 필터. (3). 차량의 이동 동위치와 이전 위치에서의 위 확률 률 을 을 이. 용하여 추정한 한 다음시간 t 에서의 에 확률분포 포, 는 다음 다 과 같이 나타낼 낼 수 있다.. . (1<݉ ൏. )ܯ )으로 나타낸다 다. 파티클 필터는 다른 베이지 지안 필터와 같 이 ௧ିଵ 로부 부터 재귀적으로 로 ܾ݈݁ሺݔ௧ ሻ 를 구한다. 구 파티클 클. 으 으로 나타내며 가중치(weight)라 가 라. 고 한다. 가중치는 는 센서로부터 측 측정된 정보와 Map에서의 측 정 정보를 이용하 하여 나타낸다. ሾሿ. ௧. ሾሿ.
(15) ௧ | ݔ௧ ሻ. (8). - Estimate ሾሿ. ܾ 규화 상수 ௧ , 가 가중치ݓ௧ ௧ 는 정규. , തതതത ܾ݈݁ത݈ ሺݔ௧ ሻ를 이용하 하. 여 차량의 위치인 인 belief를 구한다 다. 식은 다음과 과 같이 식 (3.8)) 로 나타낸다. ሾሿ. ௧
(16) ݓ௧. ሿ തതതത ሾ ሺݔ௧ ሻ ௧
(17) ௧ ௧ |௧ ሻܾ݈݁. (9).
(18) 808. Kyung-Jae안Ahn Taekgyu and a 연Yeonsik Kan ng 이 택 Lee, 규, 강 경 ,재, 식. 그림 림 13. 실험장소 소 위성사진. Fig g. 13. Satellite picture p of the Expperiment site.. 그림 12. 노면표 표시와 연석의 가중치. Fig. 12. Weigh ghting markings and a curbs.. 과 노면표시 가중 중치를 함께 사용 용하여 2D레이저 저 센서로 측정 정 한 데이터가 부족 족하여 위치인식의 문제점을 해결 해 하였다.. - Resamplingg 파티클의 가중치를 가 구하여 여 가중치가 높은 높 파티클은 복제 복. 험결과 VI. 실험 앞에 에서 언급한 2D D 레이저 센서와 와 도로정보를 이용한 파티클 클 필터 터기반 자율주행 행 차량 위치 추 추정기법을 실험 험을 통해 위치 치. 하고 낮은 파티 티클을 제거하여 여 새로운 파티 티클들의 집합을 을만 든다. 새로운 파티클들의 집합은 다음 시간 간(t+1) predictionn 과 정에 사용된다 다. 2D레이저 센서의 센 연석 추출 추 정보는 측정 정수가 부족하며 며불 연속적이기 때문에 때 연석정보 보로만 파티클의 의 가중치를 나타 타내 기에는 부족하 하다. 이러한 단점을 단 극복하기 위해 도로상의 의존 재하는 노면표 표시의 반사율 정보를 이용하 하여 추정값의 정확 정 도를 향상시켰 켰다. 그림 12와 와 같이 레이저 센서로부터 센 측정 정한 도로영역 정보 보와 노면표시정 정보를 사전에 구축한 구 도로환경 경지 도와 비교하여 여 파티클들의 가중치를 부여 여하였다. 도로영 영역 가중치는 차량 량의 위치에서 2D 2 레이저 센서 서로부터 측정되 되는 도로경계까지의 의 거리와 격자 자지도에 존재하 하는 파티클의 위치 위 에서 사전에 구축한 도로환 환경지도의 저장 장되어 있는 연석 석까 지의 거리를 비교하여 비 가중치 치를 주었다. 또한 또 노면표시 가중 가 치는 센서로부 부터 측정되는 노면표시와 도로환경지도에서 도 서의 노면표시의 일치율을 일 구하여 여 가중치를 부여 여하였다. 도로영 영역. 인식 식 오차를 검증 증하였다. 그림 13은 위성사진 진으로부터 얻은 은 240 0m 도로실험 장소이다. 장 도로 양 끝에는 도로 로와 비 도로 영 역을 을 구분하는 연석이 연 존재한다 다. 또한 150~20 00m 지점 진입 입 로 부분에서 연석 석이 없는 구간이 이 있다. 도로에 에는 진행방향을 을 구분 분하는 중앙선, 차선, 그리고 각 각종 방향지시를 를 나타내는 노 면표 표시가 있다. 그림 그 14는 파티 티클 필터 위치 치인식과 DGPS S (Diifferential Globall Positioning Sy ystem) 상의 차량 량의 위치를 비 교한 한 그림이다. x축 축은 차량의 진 진행방향인 종축 축이며 y축은 차 량의 의 횡축이다. 도로경계는 도 검은 은색, 도로영역은 은 회색 그리고 고 노면 면표시는 노랑색 색으로 나타내었 었다. 차량이 이동하면서 이 측정 정 한 DGPS 위치 정보를 정 붉은색으 으로 나타냈으며 며 파티클 필터 터 의 추정위치는 푸른색으로 푸 표시 시하였다. 측정오 오차가 0.1m 이 내인 인 DGPS를 차량 량의 실제 위치 치로 하여 파티클 클 필터의 추정 정 위치 치와 비교하여 오차 정밀도를 를 비교하였다. 그림 그 14를 통해 해 차량 량의 위치와 본 연구에서 제시 시한 파티클 필터 필 추정위치가 가 크게 게 차이가 나지 않는 것을 알 수 있다.. 그림 14. 차량의 의 이동경로 추정 추 위치와 DGP GPS 비교. Fig. 14. Compparison of estimat ated position and DGPS. D.
(19) A Study on Lo ocalization Metho레이저센서와 Vehicle base on Particle 2D 차량 La aser Sensor Meas개발 surements and Road... R 2Dods for Autonom 도ous 로정보를 이용한 한ed Particle Filter Fi 기반 기lter Using 자율주행 량 위치추정기법. 809 9. 는 위 목표를 달성 성하기에 다소 부족한 면이 보인다. 보 그러나 나 도로 로에서 차량의 위치를 제어하 하는데 있어서 종축 오차보다 다 는 정확한 횡방향 향 추정값이 중요 요하므로 차량 자율주행 제어 어 에 본 기법이 효율 율적으로 사용될 될 수 있을 것으 으로 기대된다.. 그림 15. 종축 위치 오차(0~10m). e Fig. 15. Longiitudinal position error.. 그림 16. 횡축 위치 오차(0~1m). Fig. 16. Lateraal position error (0~1m). ( 그림 15와 그림 그 16은 DGP PS로 측정한 위치와 위 본 논문에 에서 제안한 기법의 의 추정위치를 각각 각 종축(진행방 방향), 횡축 오차 차의 절대값을 나타 타낸 그래프이다 다. 그래프에서 x축은 x 실험 시간 간을 0.1sec 단위로 나타내었으며 y축은 각 방향 향의 오차로 나타 타냈 다. 종축오차인 인 그림 15는 Y축 간격을(0~ ~10m), 횡축오차 차를 나타내는 그림 림 16은 Y축을(00~1m)간격으로 조정한 그래프 프이 다. 종축과 횡축 오차 그래프 프를 비교하면 40초가 4 될 때 까지 까 는 종축 오차가 가 횡축오차보다 다 더 크게 발생 생한 것을 알 수 있 다. 횡축 오차 차의 RMS값은 0.125로 0 40초 전후에 전 횡축 오차 차는 RMS값에서 크게 크 벗어나지 않았다. 하지만 만 종축의 RM MS는 40초 전 까지의 의 종축 오차의 의 RMS는 1.79m m이며 40초 이후 후의 RMS는 0.178m m로 종축 오차 차의 차이가 크게 크 나타나는 것을 것 수치적으로 알 수 있었다. 그 이유는 차량 량의 진행 방향으 으로 측정할 수 있는 는 정보가 불충 충분하며 단일 2D 레이저 센서 서의 측정값이 연속 속하지 않아 추정 추 종 방향 위치가 위 실제 위치 치에 수렴하기에는 시간이 소요된 된 것으로 보인다 다. 본 연구에서 서 제안한 위치추 추정기법의 횡축 축오차는 정밀위 위치 인식의 목표에 에 근접하였다고 고 할 수 있다. 하지만 종축 오차 오. VII. 결 결론 본 논문에서는 자율주행자동차 차의 정밀위치인 인식을 위한 전 략으 으로 도로환경정 정보지도를 이용한 위치인식 식 기법을 연구 구 하였 였다. 기존 지도 도기반 위치인식 식기법은 고가의 의 3차원 레이저 저 센서 서를 사용해야 하는 한계가 있 있어 이를 극복 복하고자 2D 레 이저 저 센서를 이용 용한 위치인식 기법 개발을 진행하였다. 진 2D D 레이 이저 센서로 도로환경을 도 측정 정하여 이를 격자지도의 형태 태 로 저장하였다. 저장된 저 지도 정보 보를 효율적으로 로 사용하기 위 하여 여 파티클 필터 터 기법을 통해 차량의 위치정 정보를 효과적으 으 로 추정할 수 있었다. 있 위치추정 정성능 평가를 위해 도로에서 서 실험 험 차량을 실외 외환경에서 직선 선 주행실험을 하였으며 위치 치 인식 식기법과 DGPS S 측정 위치를 비교 오차 정밀도를 정 평가하 하 였다 다. 차량의 진행 행방향에 대해서 서는 특징점이 고르게 존재하 하 지 않는 도로 환경 경의 특성상 횡 방향오차에 비해 비 종 방향오 오 차가 가 크게 발생하 하는 것을 볼 수 있었으며 이는 이 2D 레이저 저 센서 서로 측정가능한 한 정보의 한계 계로 보인다. 그러나 그 실질적으 으 로 차량의 주행에 에 중요한 횡방향 향 정보는 횡방 방향 차량제어에 에 필요 요한 정밀도에 이를 수 있을 것으로 판단되 되며 기존 저가 가 GPS 센서와 비교 교하여 높은 정밀 밀도와 신뢰성을 을 가진 것으로 로 판단 단된다. 추후 제안한 제 기법과 저가형 GPS를 를 융합한 위치 치 인식 식 기법을 개발 발하고, 또한 도로 로상에 존재하는 는 다양한 특징 징 점 들을 활용하여 정밀도를 높일 일 수 있을 것으 으로 기대한다. REFERE ENCES [1] B. J. Clark annd D. M. Bevly, “GPS/INS Integrration with Faultt Detection andd Exclusion in S Shadowed Envirronments,” 20088 IEEE/ION Poosition, Location and Navigation Symposium, pp.. 1-8, May 20088. G J. Kim, Y. K.. Kim, and J. M. M Lee, “Outdoorr [2] S. H. Choi, G. positioning esttimation of multii-GPS / INS integ grated system by y EKF / UPF filter fi conversion,”” Journal of Insttitute of Control,, Robotics and Systems (in Korrean), vol. 20, no o. 12, pp. 1284-1289, Dec. 20114. W and K. Dieetmayer, “Featuree-based mappingg [3] M. Stubler, J. Wiest, and self-localiization for road vvehicles using a single grayscalee camera,” 20155 IEEE Intelligennt Vehicles Symp posium, pp. 267-272, Jun. 20155. moto, “Map baseed localization off [4] N. Suganumaa and D. Yamam autonomous veehicle and its pubblic urban road drriving evaluation,,” 2015 IEEE Intternational Sympposium on System m Integration, pp.. 467-471, Dec. 2015. L M. Schhreiber, C. G. Keeller, C. Knöppel,, [5] J. Ziegler, H. Lategahn, J. Hipp, M. Haaueis, and C. Stilller, “Video based d localization forr Bertha,” Proc. of the 2014 IEEE E Intelligent Vehiicles Symposium,, pp. 1231-12388, Jun. 2014. H. Ki, and M. Kiim, “Video basedd [6] J. Lim, J. Ahnn, X. Jin, J. Lee, H localization for fo Bertha,” Traansactions of Korea K Society off Automotive Enngineers, pp. 18544-1861, Nov. 201 10. o segmentation off [7] A. Harati and R. Siegwart, “A new approach to s into lineear regions,” 2007 2 IEEE/RSJJ 2D range scans.
(20) 810. [8]. [9]. [10]. [11]. [12]. [13]. [14]. [15]. [16]. [17]. [18] [19] [20]. [21]. 안 경 재, 이 택 규, 강 연 식. International Conference on Intelligent Robots and Systems, pp. 2083-2088, Oct. 2007. Y. Kang, C. Roh, S. B. Suh, and B. Song, “A lidar-based decision-making method for road boundary detection using multiple Kalman filters,” IEEE Transactions on Industrial Electronics, vol. 59, no. 11, pp. 4360-4368, Nov. 2012. J. K.Park and T. H. Park, “Autonomous navigation system of mobile robot using laser scanner for corridor environment,” Journal of Institute of Control, Robotics and Systems (in Korean), vol. 21, no. 11, pp. 1044-1049, Nov. 2015. V. Nguyen, A. Martinelli, N. Tomatis, and R. Siegwart, “A comparison of line extraction algorithms using 2D laser rangefinder for indoor mobile robotics,” 2005 IEEE/RSJ International Conference on Intelligent Robots and Systems, pp. 1929-1934, Aug. 2005. M. S. Arulampalam, S. Maskell, N. Gordon, and T. Clapp, “A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking,” IEEE Transactions on Signal Processing, vol. 50, no. 2 pp. 174-188, Feb. 2002. J. W. Park, C. K. Yang, and D. S. Shim, “Particle filter performance for ultra-tightly GPS/INS integration,” Journal of Institute of Control, Robotics and Systems (in Korean), vol. 14, no. 8, pp. 785-791, Aug. 2008. B. J. Jung, J. H. Park, T. Y. Kim, D. Y. Kim, and H. P. Moon, “Lane marking detection of mobile robot with single laser rangefinder,” Journal of Institute of Control, Robotics and Systems (in Korean), vol. 17, no. 6, pp. 521-525, Jun. 2011. S. W. Jang, J. S. Lee, K. J. Ahn, and Y. Kang, “A study on integration of particle filters and dead reckoning for efficient localization of automated guided vehicles,” 2015 IEEE International Symposium on Robotics and Intelligent Sensors, pp. 81-86, Oct. 2015. G. A. Borges and M. J. Aldon, “Line extraction in 2D range images for mobile robotics,” Journal of Intelligent and Robotic Systems, vol. 40, no. 3, pp. 267-297, Jul. 2004. F. Homm, N. Kaempchen, and D. Burschka, “Fusion of laserscannner and video based lanemarking detection for robust lateral vehicle control and lane change maneuvers,” 2011 IEEE Intelligent Vehicles Symposium, pp. 969-974, Jun. 2011. S. H. Im, J. H. Im, S. H. Yoo, and G. I. Jee, “Pedestrian safety road marking detection using LRF range and reflectivity,” Journal of Institute of Control, Robotics and Systems (in Korean), vol. 18, no. 1, pp. 62-68, Jan. 2012. S. Thrun, W. Burgard, and D. Fox, Probabilistic robotics, MIT press, 2005. S. Thrun, “Probabilistic robotics,” Proc. of the 17th Annual Conference on Uncertainty in AI, pp. 511-518, Jun. 2012. M. W. Khan, N. Salman, and A. Ali, “A comparative study of target tracking with Kalman filter, extended Kalman filter and particle filter using received signal strength measurements,” Proc. of the 2015 International Conference on Emerging Technologies (ICET), pp. 1-6, Dec. 2015. I. Rekleitis, G. Dudek, and E. Milios, “Probabilistic cooperative localization and mapping in practice,” Proc. of the 2003 IEEE International Conference on Robotics and Automation, vol. 2, pp. 1907-1912, Sep. 2003.. 안경재 2014년 국민대학교 자동차공학과 졸업. 2014년~현재 국민대학교 대학원 보안 스마트 전기자동차공학과 석사과정 재 학 중. 관심분야는 차량 추적, 자율주행, 레이저센서 인지기술, 위치인식.. 이택규 2014년 상명대학교 컴퓨터과학부 졸업. 2014년~현재 국민대학교 자동차공학전 문대학원 석박통합과정 재학중. 관심분 야는 자율주행, 모델예측제어, 최적화... 강연식 1999년 서울대학교 조선해양공학과 졸 업. 2001년 서울대학교 조선해양공학과 (공학석사). 2006년 University of California, Berkeley Mechanical Engineering Ph.D. 2007년~2010년 KIST 인지로봇센 터 선임연구원. 2010년~현재 국민대학 교 자동차공학과 부교수. 관심분야는 차량용 레이더 추적알 고리즘 개발, 능동안전시스템, 이동로봇 네비게이션, 모델 예 측제어, 장애물 회피..
(21)
관련 문서