[논문]가중화된 GPS 정보와 지도정보를 활용한 실외 이동로봇의 위치추정

배지훈; 송재복; 최지훈

doi:10.7746/jkros.2011.6.3.292

가중화된 GPS 정보와 지도정보를 활용한 실외 이동로봇의 위치추정
Outdoor Localization of a Mobile Robot Using Weighted GPS Data and Map Information 원문보기

로봇학회논문지 = The journal of Korea Robotics Society, v.6 no.3, 2011년, pp.292 - 300

배지훈 (고려대학교 메카트로닉스학과) , 송재복 (고려대학교 기계공학부) , 최지훈 (국방과학연구소)

Abstract ▼ AI-Helper

Global positioning system (GPS) is widely used to measure the position of a vehicle. However, the accuracy of the GPS can be severely affected by surrounding environmental conditions. To deal with this problem, the GPS and odometry data can be combined using an extended Kalman filter. For stable navigation of an outdoor mobile robot using the GPS, this paper proposes two methods to evaluate the reliability of the GPS data. The first method is to calculate the standard deviation of the GPS data and reflect it to deal with the uncertainty of the GPS data. The second method is to match the GPS data to the traversability map which can be obtained by classifying outdoor terrain data. By matching of the GPS data with the traversability map, we can determine whether to use the GPS data or not. The experimental results show that the proposed methods can enhance the performance of the GPS-based outdoor localization.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러나 DGPS나 레이저스캐너는 높은 비용 때문에 로봇에 적용하기 쉽지 않다는 단점이 있다. 따라서 본 논문에서는 연산부하가 크지 않고 1대의 GPS 수신기만을 사용하면서도 안정적인 위치추정을 수행하기 위한 2가지 방법을 제안한다. 첫 번째 방법은 GPS로 측정한 로봇의 위치들의 표준편차를 구하고, 이를 GPS 신호에 대한 가중치 조절을 위한 변수로 사용하는 것이다.
이런 경우에는 GPS로 측정한 위치들의 가중화만으로는 안정된 위치 추정을 수행할 수 없다. 따라서 이러한 문제점을 해결하기 위해 GPS로 측정한 위치와 지도를 정합하는 방법을 제안한다.
그러나 GPS로 측정한 로봇의 위치가 큰 오차를 가질 경우 위치추정 결과도 부정확해진다. 이 장에서는 GPS로 측정한 위치정보에 오차가 발생하는 이유를 설명하고, 환경에 따라 GPS의 정확도가 어떻게 달라지는지를 살펴본다. 또한, GPS로 측정한 위치의 정확성이 낮아질 경우, 그 값이 위치추정에 미치는 영향을 줄이기 위해 GPS 위치정보에 가중치를 부여하는 방법을 설명한다.

가설 설정

그림 2(a)의 경우 위치를 측정한 결과가 로봇이 실제로 움직인 경로와 거의 유사하지만, 그림 2(b)의 경우 측정된 위치가 실제로 주행한 경로로부터 상당히 벗어나 있다. 따라서 그림 2(b)와 같은 환경에서 GPS로 측정한 로봇의 위치를 위치추정에 활용하는 경우 위치추정의 안정성은 저하된다. 그림 3과 같이 실제 경로와 GPS로 측정한 위치와의 차이를 계산하여 환경에 따른 GPS로 측정한 위치의 정확도를 비교하였다.
34m였다. 로봇 바퀴의 엔코더 정보를 통해 생성되는 오도메트리의 잡음에 대한 분산의 크기는 좌우의 바퀴 모두 100 cm²으로 가정했다.

제안 방법

그림 7(b)의 환경에서 GPS로 측정한 위치와 주행 가능한 영역을 표시한 지도의 정합 기법을 사용하여 GPS 로 측정한 위치를 선별적으로 사용하여 위치추정 실험을 시행하였다. 건물이 많은 경우, 특히 좁은 도로의 양쪽으로 건물이 서 있는 경우 GPS 위성신호가 다중경로 현상의 영향을 받아 GPS로 측정한 위치에 대한 오차도 급격히 증가하므로 알고리즘의 성능을 평가하기에 적합하였다.
식 (12)에서, \(\bar{x}\)와 ȳ는 저장된 20개의 GPS 값들의 평균이며, σ_x와 σ_y는 20개의 GPS 값들의 표준편차이다. 누적된 20개의 GPS 값들과 이 위치들의 평균값과의 차를 구한 다음, 이를 토대로 분산을 구한다. 이렇게 구한 분산에 경험적으로 얻어진 비례상수 C를 곱하여, 그 결과를 GPS의 관측잡음을 나타내는 행렬 R의 요소로서 대입한다.
갱신단계에서는 시간 t+1에서 측정된 센서정보를 이용하여 예측단계에서 계산한 로봇의 위치와 불확실성을 보정한다. 본 연구에서는 GPS로 로봇의 위치를 관측하였으며, GPS로 획득한 위치 및 불확실성을 다음과 같이 표현한다.
본 연구에서는 GPS로 측정한 위치 및 로봇의 바퀴에 부착된 엔코더 값을 융합하기 위해 EKF를 사용하였다. EKF는 크게 이동모델에 의한 예측단계와 관측모델에 의한 갱신단계로 나누어진다.
\(\hat{Z}_t\)는 센서좌표계와 전역좌표계의 관계를 정의한 관측모델 h에 의해 시간 t+1에서 예측한 GPS 위치정보이다. 본 연구에서는 GPS의 센서좌표계와 전역좌표계 모두 UTM(Universal Transverse Mercator) 좌표계를 사용하므로, 예측단계에서 계산한 로봇의 위치를 그대로 사용한다. σ_x및 σ_y는 GPS로 측정한 로봇의 위치의 x와 y 값이 가지는 오차의 표준편차이다.
EKF는 크게 이동모델에 의한 예측단계와 관측모델에 의한 갱신단계로 나누어진다. 예측단계에서는 로봇의 엔코더 값과 관성장치의 방위 정보를 사용하여 로봇의 위치와 불확실성을 계산하고, 갱신단계는 센서정보를 활용하여 예측단계에서 생성된 위치와 불확실성에 대한 정보를 보정한다. EKF는 예측단계와 갱신단계를 반복함으로써 로봇의 위치를 추정한다.
위첨자 “‐”는 센서정보에 의해서 갱신되지 않은 예측된 상태임을 나타낸다. 이렇게 예측단계에서는 엔코더 신호로부터 받아들인 로봇의 이동량 및 프로세스 잡음을 사용해서 로봇의 위치를 및 불확실성의 크기를 계산한다.
GPS로 측정한 위치와 지도와의 정합을 위해서는 우선 환경에 대한 지도가 필요하다. 이를 위해서 본 연구에서는 레이저스캐너를 일정 각도만큼 기울인 채로 주어진 경로를 따라 로봇을 움직이면서 레이저 거리정보를 저장하여 지도를 작성하였다. 작성된 고도지도를 지형분류 알고리듬^[6]을 사용하여 로봇이 주행 가능한 영역과 주행이 어려운 영역을 나타내는 TM를 작성한다.
로봇이 주어진 경로를 따라 이동하는 동안 GPS로 측정한 로봇의 위치를 기록한다. 이후 GPS로 측정한 위치들이 실제 주행한 경로와 얼마나 떨어져 있는지를 계산하고, 그 차이들의 평균을 구해서 GPS로 측정한 위치의 오차를 계산하였다.
이를 위해서 본 연구에서는 레이저스캐너를 일정 각도만큼 기울인 채로 주어진 경로를 따라 로봇을 움직이면서 레이저 거리정보를 저장하여 지도를 작성하였다. 작성된 고도지도를 지형분류 알고리듬^[6]을 사용하여 로봇이 주행 가능한 영역과 주행이 어려운 영역을 나타내는 TM를 작성한다. 지형 분류 알고리즘은 2.
두 번째 방법은 환경에 대한 고도지도를 이용하는 것이다. 지형분류 알고리즘을 사용하여 로봇이 주행할 수 있는 영역과 주행할 수 없는 영역으로 분류한 지도를 작성하며, 이후에 GPS로 측정한 위치를 이 지도와 정합한다. GPS로 측정한 위치는 지도에서 로봇이 주행할 수 있는 영역에 정합될 때만 로봇의 위치를 갱신하는 데 사용된다.
5‐D 고도지도이다. 지형분류 알고리즘을 사용해서 이 지도에서 로봇이 주행할 수 있는 영역과 그렇지 못한 영역으로 나눈다. 이렇게 주행 가능 영역이 표시된 지도(traversability map, TM)에 GPS로 측정한 위치를 정합해서 주행이 가능한 지역과 정합이 되면 관측값으로 사용을 하지만, 주행이 불가능한 영역과 정합이 되면 관측값으로 사용하지 않고 EKF의 갱신단계를 건너뛴다.
따라서 본 논문에서는 연산부하가 크지 않고 1대의 GPS 수신기만을 사용하면서도 안정적인 위치추정을 수행하기 위한 2가지 방법을 제안한다. 첫 번째 방법은 GPS로 측정한 로봇의 위치들의 표준편차를 구하고, 이를 GPS 신호에 대한 가중치 조절을 위한 변수로 사용하는 것이다. 두 번째 방법은 환경에 대한 고도지도를 이용하는 것이다.

데이터처리

따라서 그림 2(b)와 같은 환경에서 GPS로 측정한 로봇의 위치를 위치추정에 활용하는 경우 위치추정의 안정성은 저하된다. 그림 3과 같이 실제 경로와 GPS로 측정한 위치와의 차이를 계산하여 환경에 따른 GPS로 측정한 위치의 정확도를 비교하였다. 그림 2(a)에서 측정한 오차들의 평균은 0.

성능/효과

그림 9(d)의 좌측에 나타낸 그래프는 GPS 신호 수신이 원활히 이루어지는 A 지역에서의 오차의 변화를 나타낸 그래프이며, 그림 9(d)의 우측의 그래프는 나무가 많아서 GPS 수신 환경이 좋지 않은 B 지역에서의 오차의 변화를 나타낸 그래프이다. A 지역에서 기존의 EKF 알고리즘과 제안된 알고리즘을 사용하였을 때의 오차의 평균은 각각 0.33m와 0.32m로서 큰 차이가 없었다. 반면에, B 지역에서의 평균 오차는 기존 EKF의경우 2.
하지만 제안한 알고리즘을 따라 GPS 위치의 가중치를 조절한 그림 9(c)의 경우에는 이러한 현상이 나타나지 않았다. 그 결과 정확도와 안정성이 향상되어 위치추정 오차도 감소시킬 수 있었다. 그림 9(d)의 좌측에 나타낸 그래프는 GPS 신호 수신이 원활히 이루어지는 A 지역에서의 오차의 변화를 나타낸 그래프이며, 그림 9(d)의 우측의 그래프는 나무가 많아서 GPS 수신 환경이 좋지 않은 B 지역에서의 오차의 변화를 나타낸 그래프이다.
그림 10(b)는 기존의 EKF를 사용한 경우와 제안된 알고리즘을 사용하여 위치추정을 수행한 경우의 오차의 변화를 나타낸다. 기존의 알고리즘을 사용한 경우의 평균오차는 7.93m인데 비해서, 제안된 알고리즘을 사용한 경우에는 3.12m의 평균 오차를 보였다. 이러한 결과로부터 해당 알고리즘을 사용하면 위치추정의 정확도를 높일 수 있음을 알 수 있다.
12m의 평균 오차를 보였다. 이러한 결과로부터 해당 알고리즘을 사용하면 위치추정의 정확도를 높일 수 있음을 알 수 있다. 하지만 GPS로 측정한 위치를 사용하지 않고 오도메트리만으로 위치추정을 시행한 일부 구간에서는 오차가 누적되어 정확도가 저하되었다.
기존의 EKF를 사용한 위치추정 알고리즘은 부정확한 GPS 정보까지 모두 사용함으로써 그에 따른 성능저하를 피할 수 없었다. 이를 개선하기 위해서 GPS 위치값의 표준 편차를 이용해서 가중치를 부여하는 방법과 TM을 이용해서 갱신 여부를 결정하는 방법을 사용해서 위치추정의 안정성을 향상 시킬 수 있었다. 그러나 GPS 정보에 대한 가중치가 낮거나 이를 사용하지 않는 상태에서 장시간 주행을 계속하게 되면 오도메트리에 의한 오차 누적을 피할 수 없게 된다.
GPS로 측정한 위치가 TM의 주행 가능 영역에 정합이 되지 않을 경우에는 오도메트리 정보만을 사용하였으며, 정합이 된 경우에는 GPS의 분산정보를 위치추정에 활용하였다. 이를 통해 5.2장에서 보인 TM과 GPS 위치 정보를 정합하는 방법만을 사용해서 위치추정을 수행한 결과에 비해 좀더 안정적인 결과를 얻을 수 있었다. 하지만 오차의 절대값의 평균을 계산한 결과는 3.

후속연구

즉 GPS 정보를 사용하지 않는 시간이 길어질수록 그 오차가 점점 커져서 위치추정 정확도가 떨어지게 되므로 이를 보완하기 위해서는 레이저스캐너를 사용하여 작성한 지도 정보와의 스캔매칭 등의 방법을 사용하여 GPS 정보를 사용하지 않을 때에도 로봇의 위치와 방위를 보정해야 할 것으로 생각된다. 따라서 추후 연구에서는 이러한 점을 고려하여 지속적으로 정확하고 안정적인 위치 추정을 수행할 수 있도록 할 예정이다.
그러나 GPS 정보에 대한 가중치가 낮거나 이를 사용하지 않는 상태에서 장시간 주행을 계속하게 되면 오도메트리에 의한 오차 누적을 피할 수 없게 된다. 즉 GPS 정보를 사용하지 않는 시간이 길어질수록 그 오차가 점점 커져서 위치추정 정확도가 떨어지게 되므로 이를 보완하기 위해서는 레이저스캐너를 사용하여 작성한 지도 정보와의 스캔매칭 등의 방법을 사용하여 GPS 정보를 사용하지 않을 때에도 로봇의 위치와 방위를 보정해야 할 것으로 생각된다. 따라서 추후 연구에서는 이러한 점을 고려하여 지속적으로 정확하고 안정적인 위치 추정을 수행할 수 있도록 할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	MCL은 어떻게 위치를 추정하는가?	이러한 EKF의 결점은 MCL (Monte Carlo Localization)기법에 의해서 보완될 수 있다[3,4]. MCL은 지도상에서 무작위로 다수의 샘플을 추출한 후 각종 센서정보를 활용하여 이 샘플들이 수렴하는 위치로 로봇의 위치를 추정한다. 하지만 MCL은 EKF에 비해 상대적으로 연산부하가 크다는 단점이 존재한다.
	로봇의 엔코 더와 관성센서를 사용하여 생성한 오도메트리의 단점은?	실외환경에서 로봇의 위치추정에 많이 사용되는 GPS (global positioning system)는 일정한 범위에서 무작위적인 오차를 가지며, 수신 상태가 좋지 못할 때에는 수십미터에 이르는 오차를 보이기도 한다. 한편, 로봇의 엔코 더와 관성센서를 사용하여 생성한 오도메트리는 GPS와 같은 급격한 오차를 보이지는 않지만, 시간이 지남에 따라 오차가 점점 누적되는 단점을 가지고 있다. 이러한 각 센서들의 단점을 보완하기 하여 확장칼만필터(EKF, extended Kalman filter)를 이용하여 센서들의 정보를 융합하는 기술이 제안되었다[1].
	연산부하가 크지 않고 1대의 GPS 수신기만을 사용하면서도 안정적인 위치추정을 수행하기 위한 두 가지 방법은?	따라서 본 논문에서는 연산부하가 크지 않고 1대의 GPS 수신기만을 사용하면서도 안정적인 위치추정을 수행하기 위한 2가지방법을 제안한다. 첫 번째 방법은 GPS로 측정한 로봇의 위치들의 표준편차를 구하고, 이를 GPS 신호에 대한 가중치 조절을 위한 변수로 사용하는 것이다. 두 번째 방법은 환경에 대한 고도지도를 이용하는 것이다. 지형분류 알고리즘을 사용하여 로봇이 주행할 수 있는 영역과 주행할 수 없는 영역으로 분류한 지도를 작성하며, 이후에 GPS로 측정한 위치를 이 지도와 정합한다.

참고문헌 (8)

Da, DIIa, Ren, "Investigation of a lowcost and highaccuracy GPS/IMU system", Proc. of the ION National Technical Meeting, Santa Monica, pp.955-963, 1997.
S. Sukkarieh, E. M. Nebot and H. F. Durrant Whyte, "A high integrity IMU/GPS navigation loop for autonomous land vehicle applications", IEEE Trans. Robotics and Automation, Vvol.15, No.3, pp.572-578, 1999.

상세보기
Rainer Kummerlem, Rudolph Triebel, Patrick Pfaff, Wolfram Burgard, "Monte Carlo localization in outdoor terrains using multilevel surface maps", Journal of Field Robotics, Vol.25, Issue6 7, pp.346-359, 2008.

상세보기
Keith Yu Kit Leung, Christopher M. Clark, Jan P. Huissoon, "Localization in urban environments by matching ground level video images with an aerial image," IEEE International Conference on Robotics and Automation, Pasadena, pp.551-556, 2008.
K. Ohno, T. Tsubouchi and B. Shigematsu, "Differential GPS and odometrybased outdoor navigation of a mobile robot," Advanced Robotics, Vol.18, No.6, pp.611-635, 2004.

상세보기
노치원, 김승훈, 김문준, 강성철, 홍석교, "DGPS와 연석추출을 이용한 순찰용 로봇의 개발," 제어자동화시스템공학 논문지, 13권, 2호, pp.140-146, 2007.

원문보기 상세보기
Luka Teslic, Igor Skrjanc and Gregor Klancar, "Using a LRF sensor in the Kalmanfilteringbased localization of a mobile robot," ISA Trans., Vol.49, No.1, pp.145-153, 2010.

상세보기
Luka Tesli？, Igor ？krjanc and Gregor Klan？ar, "Using a LRF sensor in the Kalmanfilteringbased localization of a mobile robot," ISA Trans., Vol.49, No.1, pp.145-153, 2010.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증