선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구를 통하여 규격 및 성능 등의 기준을 고려하여 MEMS형의 센서를 선택하고 MEMS 센서의 성능을 평가하였다. 정지 상태에서는 General Mode에서 3차원 위치 차이의 평균은 약 5.
- 본 연구에서는 실시간 공중 자료획득 시스템의 B형 플랫폼에 맞는 GPS/MEMS IMU 센서를 선정하고 선정된 센서의 성능을 테스트하였다. 센서 성능 테스트는 자기장 정보를 사용하는 Aerospace Mode와 자기장 정보를 사용하지 않는 General Mode 각각에 대하여 정지 상태와 이동 상태에서의 실제 테스트를 수행하여 센서 성능을 평가하였다.
제안 방법
- 2절 까지는 실시간 공중 자료획득 시스템의 B형에 적합한 센서를 선정하여 센서의 성능을 검증하였다. 이번 절에서는 실시간 공중 자료획득 시스템의 A형과 관련하여 중급 성능의 IMU와 높은 정확도의 GPS를 사용한다는 것을 가정하여 실시간으로 자료를 처리 할 수 있는 방안에 대하여 연구하고 GPS와 INS(Inertial Navigation System) 통합 알고리즘을 구현하여 실험을 진행하였다.
- 실시간 공중 자료획득 시스템 A형은 GPS와 INS를 통합하기 위한 Kalman Filter가 필요하다. Kalman Filter에는 Simple Kalman Filter, Square Root Filter, Extended Kalman Filter, Unscented Kalman Filter 등 다양한 종류가 있으나 본 연구에서는 그 중 가장 널리 사용되는 EKF(Extended Kalman Filter)와 UKF(Unscented Kalman Filter)를 비교하였다. EKF는 비선형 모델을 테일러 시리즈를 이용하여 전개 시킨 후 첫째항만을 취하여 선형 모델로 근사화를 시켜 값을 추정하는 알고리즘이며 일반적으로 비선형 시스템의 경우 EKF가 UKF보다 시간이 적게 걸리는 것으로 알려져 있다 (Simon, 2006).
- 생성된 점의 위치를 입력하고 센서에서 나온 위치 데이터 값 중 생성된 점과 가장 가까운 점을 자동으로 찾아서 그 차이를 비교하였다. 또한 수치지형도 상의 실험 구간에 대한 위치를 찾아 총 길이를 계산하고 센서에서 획득된 위치 정보와 길이를 비교하였다.
- 또한 실시간 공중 자료획득 시스템 A형 기반의 중급 GPS/INS 통합 알고리즘 설계를 위하여 EKF와 UKF를 비교하였다. 분산점(Sigma-Points)을 선정하고 그 분산점을 비선형 모델에 그대로 적용시켜 나온 결과 값의 평균과 분산을 계산하여 추정하는 방법인 UT변환(Julier 등, 2000)이 소개된 이후 기존의 비선형 모델에 대한 추정방법인 EKF(Extended Kalman Filter)와 UKF(UnscentedKalman Filter)에 대하여 많은 연구가 진행되어 왔다 (김광진 등, 2006; 백정호, 2005; Martinelli,2008; 조영석, 2007).
- 본 연구의 후반부에서는 실시간 공중 자료획득 시스템 A형 기반의 중급 GPS/INS 통합을 위한 알고리즘 설계를 EKF와 UKF에 대하여 시뮬레이션 테스트를 수행하고 결과 비교를 통하여 실시간 공중 자료획득 시스템 A형에 기반한 GPS/INS 통합 알고리즘을 제시하였다.
- 수치지형도에서 실험 지역에 대하여 도로레이어만을 CAD 파일로 생성하고 실험 구간을 일정한 간격으로 2만개의 점을 만들었다. 생성된 점의 위치를 입력하고 센서에서 나온 위치 데이터 값 중 생성된 점과 가장 가까운 점을 자동으로 찾아서 그 차이를 비교하였다. 또한 수치지형도 상의 실험 구간에 대한 위치를 찾아 총 길이를 계산하고 센서에서 획득된 위치 정보와 길이를 비교하였다.
- 본 연구에서는 실시간 공중 자료획득 시스템의 B형 플랫폼에 맞는 GPS/MEMS IMU 센서를 선정하고 선정된 센서의 성능을 테스트하였다. 센서 성능 테스트는 자기장 정보를 사용하는 Aerospace Mode와 자기장 정보를 사용하지 않는 General Mode 각각에 대하여 정지 상태와 이동 상태에서의 실제 테스트를 수행하여 센서 성능을 평가하였다. 정지 상태 성능 테스트는 GPS 신호가 좋은 높은 건물 옥상에서 1시간 동안 센서 데이터를 취득하여 분석하였으며, 이동 상태 성능 테스트는 직선 경로 구간, 원 경로 구간, 직선과 회전이 섞여있는 트랙 경로 구간으로 나누어 수행하였다.
- 수치지형도와의 비교는 그림 9와 같은 순서로 진행을 하였다. 수치지형도에서 실험 지역에 대하여 도로레이어만을 CAD 파일로 생성하고 실험 구간을 일정한 간격으로 2만개의 점을 만들었다. 생성된 점의 위치를 입력하고 센서에서 나온 위치 데이터 값 중 생성된 점과 가장 가까운 점을 자동으로 찾아서 그 차이를 비교하였다.
- 실시간 공중 자료 획득 시스템 B형의 센서 선정은 시중에 나와 있는 MEMS형 센서를 대상으로 적합한 규격, GPS 성능, IMU 성능 세 가지를 기준으로 비교하였다. 규격은 실시간 모니터링 시스템의 플랫폼 자체가 소형 UAV이므로 크기와 무게 및 소비전력이 중요한 고려요소이다.
- 실시간 공중 자료획득 시스템은 빠른 공간정보 취득의 임무를 가지며 UAV에 탑재될 것을 고려하고 디지털카메라, Lidar, On-Board PC에서 요구되는 사항을 종합하여 최소 10Hz이상의 위치갱신 속도와 2.5미터 이내의 정확도를 가지며 사용전력 1000mW 미만, 무게 1kg 미만, 통신 포트 RS232 혹은 USB, 등의 센서 요구치를 기준으로 하여 표 1,2,3을 비교한 결과, 표 4와 같은 최종센서(A)를 선택 하였다.
- 이동 상태에서의 센서 성능 검증을 위하여 한강고수부지 이촌지구 일대에 대하여 직선 경로 구간과 원형 경로 구간, 트랙 경로 구간을 선정하여 General Mode와 Aerospace Mode로 나누어 실험을 수행하였다.
- 그러므로 이러한 특징을 이용하여 GPS와 INS를 통합 사용하면 좋은 성능과 안정성을 가지게 된다. 이러한 GPS와 INS를 통합하는 방법에는 약결합, 강결합, 초강결합등의 방식이 있으나 실시간 공중 획득 시스템의 빠른 처리 속도를 위하여 수신기에서 제공하는 항법해 자체를 이용하는 약결합 방식을 이용하여 GPS/INS 통합 알고리즘을 구성하였다.
- 2절 까지는 실시간 공중 자료획득 시스템의 B형에 적합한 센서를 선정하여 센서의 성능을 검증하였다. 이번 절에서는 실시간 공중 자료획득 시스템의 A형과 관련하여 중급 성능의 IMU와 높은 정확도의 GPS를 사용한다는 것을 가정하여 실시간으로 자료를 처리 할 수 있는 방안에 대하여 연구하고 GPS와 INS(Inertial Navigation System) 통합 알고리즘을 구현하여 실험을 진행하였다. GPS와 INS 통합 알고리즘 구현은 각 센서의 특징이 다르기 때문에 각 센서의 장점을 이용하여 더 좋은 정확도를 얻기 위함이다.
- 센서 성능 테스트는 자기장 정보를 사용하는 Aerospace Mode와 자기장 정보를 사용하지 않는 General Mode 각각에 대하여 정지 상태와 이동 상태에서의 실제 테스트를 수행하여 센서 성능을 평가하였다. 정지 상태 성능 테스트는 GPS 신호가 좋은 높은 건물 옥상에서 1시간 동안 센서 데이터를 취득하여 분석하였으며, 이동 상태 성능 테스트는 직선 경로 구간, 원 경로 구간, 직선과 회전이 섞여있는 트랙 경로 구간으로 나누어 수행하였다.
대상 데이터
- EKF와 UKF를 이용하여 시뮬레이션 테스트를 위한 IMU는 중급 이상의 성능을 갖는 IMU중 제일 많이 이용되고 있는 HG1700으로 선택하고 시뮬레이션을 진행하였으며 그 사양은 표 11과 같다. 그림 12는 시뮬레이션 테스트를 위한 과정으로 첫 번째 단계는 시뮬레이션 데이터를 생성하는 과정으로 실시간 공중 자료획득 시스템이 역할에 따라 일정한 경로를 가진다고 가정하고 가상의 위치와 속도 자세를 생성하는 것을 의미한다 (그림 13).
- 정지 상태 센서 실험 방법은 GPS의 신호가 양호한 높은 건물 옥상의 1점에 대해서 1시간 동안 데이터를 취득하였다. 그리고 정확도 비교를 위해서 같은 지점에 대하여 Trimble 5700 수신기, Zypher안테나를 사용하여 1시간의 데이터를 취득하였다. 그리고 GPSurvey 프로그램을 이용하여 수원, 원주, 서울의 고시좌표를 고정시켜 산출된 실험 지점의 위치와 센서에서 획득한 값과 비교를 하였다.
- 본 실험에서는 Automotive를 제외한 General Mode와 Aerospace Mode를 사용하여 정지 상태와 이동 상태(직선 경로, 원형 경로, 트랙 경로)에 대하여 지상에서 각각 실험을 수행하였으며 센서 성능에 대한 초기 테스트로 속도가 높지 않은 자전거에 탑재하여 실험을 하였다.
- 정지 상태 센서 실험 방법은 GPS의 신호가 양호한 높은 건물 옥상의 1점에 대해서 1시간 동안 데이터를 취득하였다. 그리고 정확도 비교를 위해서 같은 지점에 대하여 Trimble 5700 수신기, Zypher안테나를 사용하여 1시간의 데이터를 취득하였다.
- 직선 경로 실험은 한강 고수 부지 일대에 직선도로에서 수행 하였다. (그림 4)
데이터처리
- 그리고 정확도 비교를 위해서 같은 지점에 대하여 Trimble 5700 수신기, Zypher안테나를 사용하여 1시간의 데이터를 취득하였다. 그리고 GPSurvey 프로그램을 이용하여 수원, 원주, 서울의 고시좌표를 고정시켜 산출된 실험 지점의 위치와 센서에서 획득한 값과 비교를 하였다. 표 6은 정지 상태에서의 센서 자세에 대하여 표준편차를 표시한 것이다.
- 그리고 IMU도 표 11과 같은 오차를 가진다고 가정한 후 항법방정식에 의한 오차가 포함된 데이터를 생성한다. 마지막으로 GPS 오차가 포함된 경로와 IMU 오차가 포함된 데이터를 GPS/INS 통합 알고리즘을 이용하여 위치, 속도, 자세를 계산하고 오차가 포함되지 않은 데이터와 비교를 한다.
성능/효과
- 또한 실시간 공중 자료획득 시스템 A형의 GPS/INS 통합을 위하여 칼만필터의 성능을 비교한 결과 EKF와 UKF 결과 값은 큰 차이가 없었다. 또한 UKF에서 시그마 포인트를 추출하는 알고리즘에 따라 차이가 있지만 시뮬레이션 처리 시간을 확인하여 EKF가 UKF에 비하여 상대적으로 약 25배가 빠른 것으로 나타났다. 이것은 실시간 공중 자료획득 시스템이란 특징을 고려하였을 때 EKF가 더 유용한 것으로 판단이 되며 향후 실시간 공중 자료획득 시스템 A형을 구축할 경우 유용한 정보로 쓰일 것으로 사료된다.
- 또한 실시간 공중 자료획득 시스템 A형의 GPS/INS 통합을 위하여 칼만필터의 성능을 비교한 결과 EKF와 UKF 결과 값은 큰 차이가 없었다. 또한 UKF에서 시그마 포인트를 추출하는 알고리즘에 따라 차이가 있지만 시뮬레이션 처리 시간을 확인하여 EKF가 UKF에 비하여 상대적으로 약 25배가 빠른 것으로 나타났다.
- 7m로 계산되었으며 자기장 정보를 사용하지 않는 General Mode의 경우 Yaw의 값이 발산하는 것을 확인하였다. 또한 이동 상태 실험을 통하여 MEMS 센서의 성능을 테스트한 결과 약 2~3미터의 위치오차를 가지는 것을 나타났다. 전체적으로 위치에 관련된 정보는 자기장을 사용하지 않는 General Mode에서 더 좋은 결과를 보였고 자세와 관련된 정보는 자기장을 사용하는 Aerospace Mode에서 더 좋은 결과를 보였다.
- 위치에 관해서는 General Mode에서 평균과 표준편차 둘 다 더욱 정확한 값이 계산되었음을 확인 할 수 있다. 또한 표 10은 수치지형도에서의 전체 경로거리와 센서에서 획득된 위치정보의 전체 거리를 비교한 것으로 역시 이것 역시 General Mode에서 더 정확해짐을 확인 하였다. 전체적으로 자세에 대한 정보는 Aerospace Mode에서 더욱 정확해지며 위치에 관해서는 General Mode에서 더 정확해지는 것으로 판단이 된다.
- 실험 결과 전체적으로 EKF와 UKF의 성능 차이는 크지 않는 것을 확인하였다. 하지만 UKF의 경우 주기적으로 시그마 포인트를 만들어 주는 시간이 걸리므로 상대적으로 EKF가 UKF 보다 약 25배 빠른 것을 확인 하였다.
- 또한 이동 상태 실험을 통하여 MEMS 센서의 성능을 테스트한 결과 약 2~3미터의 위치오차를 가지는 것을 나타났다. 전체적으로 위치에 관련된 정보는 자기장을 사용하지 않는 General Mode에서 더 좋은 결과를 보였고 자세와 관련된 정보는 자기장을 사용하는 Aerospace Mode에서 더 좋은 결과를 보였다.
- 본 연구를 통하여 규격 및 성능 등의 기준을 고려하여 MEMS형의 센서를 선택하고 MEMS 센서의 성능을 평가하였다. 정지 상태에서는 General Mode에서 3차원 위치 차이의 평균은 약 5.58m 표준편차는 약 5.7m, Aerospace Mode에서는 3차원 위치 차이의 평균은 약 5.19m. 표준편차는 약 6.
- 표 8은 직선 경로 이동 상태에서의 센서 자세에 대한 표준편차를 보여준다. 정지 실험과 같은 결과로 Aerospace Mode일 때 자세에 대한 표준편차 값이 더 정확해지는 것을 확인 할 수 있다.
- 그림 11은 Yaw 값의 변화를 실선은 General Mode, 점섬은 Aerospace Mode로 표현한 것이다. 처음 점을 기준으로 경로를 돌고 출발점으로 다시 왔을 때 Yaw 차이는 General Mode에서는 -6.47도, Aerospace Mode에서는 0.26도의 값을 보이며 Aerospace Mode가 Yaw의 값이 정확해짐을 알 수 있다. 직선실험 결과와 같이 자세에 대한 정보는 Aerospace Mode에서 더욱 정확한 값이 획득되며 위치에 관해서는 General Mode에서 더 정확한 값을 획득하는 것으로 판단이 된다.
- 19m. 표준편차는 약 6.7m로 계산되었으며 자기장 정보를 사용하지 않는 General Mode의 경우 Yaw의 값이 발산하는 것을 확인하였다. 또한 이동 상태 실험을 통하여 MEMS 센서의 성능을 테스트한 결과 약 2~3미터의 위치오차를 가지는 것을 나타났다.
- 실험 결과 전체적으로 EKF와 UKF의 성능 차이는 크지 않는 것을 확인하였다. 하지만 UKF의 경우 주기적으로 시그마 포인트를 만들어 주는 시간이 걸리므로 상대적으로 EKF가 UKF 보다 약 25배 빠른 것을 확인 하였다. 그러므로 실시간 공중 자료획득 시스템의 특성상 이동 경로 자체가 직선인 경우가 많고 또한 빠른 처리 속도를 위해서 EKF를 사용할 것으로 판단이 된다.
후속연구
- 또한 UKF에서 시그마 포인트를 추출하는 알고리즘에 따라 차이가 있지만 시뮬레이션 처리 시간을 확인하여 EKF가 UKF에 비하여 상대적으로 약 25배가 빠른 것으로 나타났다. 이것은 실시간 공중 자료획득 시스템이란 특징을 고려하였을 때 EKF가 더 유용한 것으로 판단이 되며 향후 실시간 공중 자료획득 시스템 A형을 구축할 경우 유용한 정보로 쓰일 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.