본 논문에서는 상용 차량에 많이 쓰이는 GNSS, 비전 센서, 레이더 센서를 이용한 협력 항법시스템을 제안하였다. 기존의 무선신호(예:UWB) 기반의 협력 항법시스템 (Hybrid-Sum Product Algorithm over Wireless Network, H-SPAWN)을 바탕으로 하여 무선신호 방식 대신 비전 센서와 레이더 센서를 모델링하여 알고리즘을 구성하였다. 모의실험을 통해, 사용하는 센서에 따른 성능을 비교분석하였으며, 특히 레이더 센서를 사용할 시 다른 두 센서(비전, UWB) 대비 최대 50%의 오차저감 효과를 보임을 확인하였다. 따라서 상용 차량에 쓰이는 센서 기반의 협력 항법시스템은 기존의 협력항법 시스템의 정확도를 향상시키면서 적용비용을 줄일 수 있는 기술이 될 수 있을 것이다.
본 논문에서는 상용 차량에 많이 쓰이는 GNSS, 비전 센서, 레이더 센서를 이용한 협력 항법시스템을 제안하였다. 기존의 무선신호(예:UWB) 기반의 협력 항법시스템 (Hybrid-Sum Product Algorithm over Wireless Network, H-SPAWN)을 바탕으로 하여 무선신호 방식 대신 비전 센서와 레이더 센서를 모델링하여 알고리즘을 구성하였다. 모의실험을 통해, 사용하는 센서에 따른 성능을 비교분석하였으며, 특히 레이더 센서를 사용할 시 다른 두 센서(비전, UWB) 대비 최대 50%의 오차저감 효과를 보임을 확인하였다. 따라서 상용 차량에 쓰이는 센서 기반의 협력 항법시스템은 기존의 협력항법 시스템의 정확도를 향상시키면서 적용비용을 줄일 수 있는 기술이 될 수 있을 것이다.
In this paper, we propose a vehicular cooperative navigation system using GNSS, vision sensor and radar sensor that are frequently used in mass-produced cars. The proposed cooperative vehicular navigation system is a variant of the Hybrid-Sum Product Algorithm over Wireless Network (H-SPAWN), where ...
In this paper, we propose a vehicular cooperative navigation system using GNSS, vision sensor and radar sensor that are frequently used in mass-produced cars. The proposed cooperative vehicular navigation system is a variant of the Hybrid-Sum Product Algorithm over Wireless Network (H-SPAWN), where we use vision and radar sensors instead of radio ranging(i.e.,UWB). The performance is compared and analyzed with respect to the sensors, especially the position estimation error decreased about fifty percent when using radar compared to vision and radio ranging. In conclusion, the proposed system with these popular sensors can improve position accuracy compared to conventional cooperative navigation system(i.e.,H-SPAWN) and decrease implementation costs.
In this paper, we propose a vehicular cooperative navigation system using GNSS, vision sensor and radar sensor that are frequently used in mass-produced cars. The proposed cooperative vehicular navigation system is a variant of the Hybrid-Sum Product Algorithm over Wireless Network (H-SPAWN), where we use vision and radar sensors instead of radio ranging(i.e.,UWB). The performance is compared and analyzed with respect to the sensors, especially the position estimation error decreased about fifty percent when using radar compared to vision and radio ranging. In conclusion, the proposed system with these popular sensors can improve position accuracy compared to conventional cooperative navigation system(i.e.,H-SPAWN) and decrease implementation costs.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 현재 양산되는 상용 차량에서 많이 사용되는 비전센서(카메라)와 레이더를 사용하여 신호음역지역에서의 위치정확도를 향상시키고, 차량집단 전체 위치정확도를 향상시킬 수 있는 H-SPAWN 기반의 협력 항법시스템을 소개할 것이다. Ⅱ장에서는 제안기술을 위한 기호(notation)을 정의하고 시스템 및 측정값 등의 관계식을 수식화 및 H-SPAWN 기반의 제안 기술을 설명한다.
본 논문에서는 GNSS, 비전 센서, 레이더 센서를 이용한 협력 항법시스템을 제안하였다. 기존의 협력 항법시스템인 H-SPAWN 알고리즘을 바탕으로 하여 무선신호 거리측정 방식 대신 비전 센서와 레이더 센서를 모델링하여 알고리즘을 구성하였다.
가설 설정
변수 vl는 상대거리의 측정치의 노이즈를 나타내며, 이 노이즈는 영 평균 가우시안 분포를 따른다고 가정하고, 표준편차 σl는 1m로 가정한다[10].
본 논문에서는 개활지 도로상황(예:고속도로)을 가정하여, 의사거리의 노이즈 오차 vg는 영 평균 가우시안 분포(zero-mean Gaussian distribution)를 따른다고 가정하며, vg의 표준편차 σg는 GNSS의 경우 7.5m, DGNSS의 경우 2.5m 로 가정한다[1,7].
차량들은 모두 평면상에 존재하며 개활지를 주행하는 것을 가정하였다. 차량 각각의 상태변수 초기값은 충분히 정확하게 알고 있다고 가정하며, 차량의 동적모델 정확도에 따라 예측오차(prediction error or time update error)를 두 가지 경우로 나누었다. 예측오차는 상태변수의 분산을 다음과 같은 두 가지 경우로 설정하여 계산하였다[13].
5m로 설정하였다[1]. 차량들은 모두 평면상에 존재하며 개활지를 주행하는 것을 가정하였다. 차량 각각의 상태변수 초기값은 충분히 정확하게 알고 있다고 가정하며, 차량의 동적모델 정확도에 따라 예측오차(prediction error or time update error)를 두 가지 경우로 나누었다.
제안 방법
7의 대형을 유지하며 일정속도로 주행하고 있다. i번째의 차량은 pi로 나타내며, 차량들이 수신하는 총 위성의 수는 5개로 각 차량에 수신되는 위성의 수는 Fig.7의 괄호와 같다, 위성들은 고도가 30도 이상으로 균등하게 분포되며 방위각은 Dilution of precision(DOP)를 고려하여 랜덤하게 설정하였다. 각 차량의 수신 위성은 4개가 되지 못해 기존의 위성 리시버로는 측위가 불가능하지만, 초기위치가 충분히 주어졌을 때 협력항법 시스템은 위성수가 4개 이하가 되더라도 비교적 정확한 측위 결과를 낼 수 있다.
차량간 무선통신은 두 줄의 화살표로 표시되며, 이를 통해 서로의 위치 정보를 주고받는다. 각 차량들은 사용하는 센서에 따라 차량간 상대거리, 상대각도, 혹은 그 모두를 측정한다. 관심 있는 차량의 상태변수는 아래와 같이 정의한다.
본 논문에서는 GNSS, 비전 센서, 레이더 센서를 이용한 협력 항법시스템을 제안하였다. 기존의 협력 항법시스템인 H-SPAWN 알고리즘을 바탕으로 하여 무선신호 거리측정 방식 대신 비전 센서와 레이더 센서를 모델링하여 알고리즘을 구성하였다. 모의실험을 통해 각 센서별 3차원 위치오차를 확인하여 그 성능을 비교 분석하였다.
GNSS와 무선 거리측정을 기반으로 한 기존의 협력항법 시스템 H-SPAWN은 정확도와 가용성에 대한 우수성에도 불구하고, 무선신호 거리측정 센서(UWB모듈)의 제약(현재 상용 차량에는 장착되지 않음, 거리측정 거리가 상대적으로 짧음 등)의 큰 단점이 존재한다. 따라서 이 절에서는 이러한 단점을 해결하기 위해 상용 차량에 이미 구비된 비전 센서(상대각도정보)와 레이더 센서(상대거리 및 각도정보)를 대신 이용하여 협력항법 시스템을 구현하고 Ⅲ장에서 그 성능을 분석할 것이다.
또한 요인노드 Rup는 레이더 센서의 상대각도 측정값과 상대거리 측정값의 가능도를 계산한다. 앞서 Ⅱ-1에서 모델링한 비전 및 레이더 센서를 H-SPAWN알고리즘에 적용하여 각 센서의 요인노드에서 메시지를 계산하도록 한 것이다. 따라서 기존 H-SPAWN에서의 무선 신호 바탕의 상대거리 측정값 가능도 메시지 ωNupi→Xu는 비전 센서 메시지 ωVupi→Xu혹은 레이더 센서 메시지 ωRupi→Xu로 대체된다.
11 상황에 대한 각 차량의 오차 결과이다. 예측치가 정확할 경우는 각 차량간의 위치 오차결과가 크지 않으므로 예측치가 부정확 할 경우를 살펴보도록 하겠다. 비전 센서를 사용한 1, 6, 7번 차량의 오차가 큰 것을 확인 할 수 있고, 3번 차량의 경우 연결된 이웃 차량이 상대적으로 작아 오차가 큰 것을 알 수 있다.
11은 각 차량들이 서로 다른 센서를 사용할 경우의 대형을 나타낸다. 이때 5번 차량노드를 제외한 모든 차량은 위성을 4개씩 동일하게 수신한다고 가정하여 사용하는 센서의 종류에 따른 위치 정확도를 비교해 보도록 한다. Fig.
이 단원에서는 모의실험을 통해 앞 절에서 제안한 각 센서 별 알고리즘의 성능을 3차원 위치의 평균 제곱근오차(RMSE)를 통해 확인해 보도록 한다. 첫 번째 모의실험은 Fig.7의 위성신호 환경과 차량 네트워크 환경에서 진행되었으며 1000번의 몬테칼로 반복실험을 수행하였다. 모의실험에서는 아홉 대의 차량이 왼쪽방향으로 Fig.
데이터처리
기존의 협력 항법시스템인 H-SPAWN 알고리즘을 바탕으로 하여 무선신호 거리측정 방식 대신 비전 센서와 레이더 센서를 모델링하여 알고리즘을 구성하였다. 모의실험을 통해 각 센서별 3차원 위치오차를 확인하여 그 성능을 비교 분석하였다. 차량 동적 모델이 정확하여 예측오차가 정확할 경우 무선, 비전, 레이더 센서를 사용했을 때의 측위 성능은 거의 비슷하였다.
이 단원에서는 모의실험을 통해 앞 절에서 제안한 각 센서 별 알고리즘의 성능을 3차원 위치의 평균 제곱근오차(RMSE)를 통해 확인해 보도록 한다. 첫 번째 모의실험은 Fig.
이론/모형
특히 H-SPAWN의 항법해는 베이시안 근사해이기 때문에 확장칼만필터기반의 협력항법시스템보다 정확한해를 도출하며, 파티클 필터 기반의 협력항법 시스템보다 계산량이 적은 장점이 있다. 이 알고리즘은 정밀측위가 필요한 자율주행 대상의 측위 시스템에서 핵심적인 기술로 예상되므로 본 논문에서 제안하는 알고리즘은 이 H-SPAWN 알고리즘을 바탕으로 한다.
성능/효과
7의 괄호와 같다, 위성들은 고도가 30도 이상으로 균등하게 분포되며 방위각은 Dilution of precision(DOP)를 고려하여 랜덤하게 설정하였다. 각 차량의 수신 위성은 4개가 되지 못해 기존의 위성 리시버로는 측위가 불가능하지만, 초기위치가 충분히 주어졌을 때 협력항법 시스템은 위성수가 4개 이하가 되더라도 비교적 정확한 측위 결과를 낼 수 있다. 의사거리 노이즈 vg의 크기는 GNSS일 경우 7.
비전 센서를 사용한 1, 6, 7번 차량의 오차가 큰 것을 확인 할 수 있고, 3번 차량의 경우 연결된 이웃 차량이 상대적으로 작아 오차가 큰 것을 알 수 있다. 레이더를 사용하는 2, 4, 9번 차량들은 오차값이 작았으며, 무선신호를 사용하는 5번 8번 차량들은 연결된 차량이 3개 이상씩으로 정확한 결과를 내는 것을 확인 할 수 있다.
차량 동적 모델이 정확하여 예측오차가 정확할 경우 무선, 비전, 레이더 센서를 사용했을 때의 측위 성능은 거의 비슷하였다. 반대의 경우, 비전 센서만을 이용한 측위결과가 기존의 무선 신호 바탕의 상대거리 측정 기술을 이용했을 때보다 조금 더 큰 오차가 발생하는 것을 확인하였고, 레이더 센서는 상대각도와 상대거리 정보를 모두 사용하기 때문에 위 두 결과보다 약 50% 더 정확한 결과를 내는 것을 확인하였다. 비전, 레이더 센서가 양산되는 상용 차량에 많이 사용되는 센서들인 점을 고려할 때, 본 논문은 미래기술로 생각되었던 기존의 협력 항법시스템을 상용수준의 차량에 적용할 수 있도록 접근법을 제시하였으며, 더 나아가 측위 정확도를 향상시킬 수 있는 것을 확인하였다.
예측치가 정확할 경우는 각 차량간의 위치 오차결과가 크지 않으므로 예측치가 부정확 할 경우를 살펴보도록 하겠다. 비전 센서를 사용한 1, 6, 7번 차량의 오차가 큰 것을 확인 할 수 있고, 3번 차량의 경우 연결된 이웃 차량이 상대적으로 작아 오차가 큰 것을 알 수 있다. 레이더를 사용하는 2, 4, 9번 차량들은 오차값이 작았으며, 무선신호를 사용하는 5번 8번 차량들은 연결된 차량이 3개 이상씩으로 정확한 결과를 내는 것을 확인 할 수 있다.
반대의 경우, 비전 센서만을 이용한 측위결과가 기존의 무선 신호 바탕의 상대거리 측정 기술을 이용했을 때보다 조금 더 큰 오차가 발생하는 것을 확인하였고, 레이더 센서는 상대각도와 상대거리 정보를 모두 사용하기 때문에 위 두 결과보다 약 50% 더 정확한 결과를 내는 것을 확인하였다. 비전, 레이더 센서가 양산되는 상용 차량에 많이 사용되는 센서들인 점을 고려할 때, 본 논문은 미래기술로 생각되었던 기존의 협력 항법시스템을 상용수준의 차량에 적용할 수 있도록 접근법을 제시하였으며, 더 나아가 측위 정확도를 향상시킬 수 있는 것을 확인하였다. 그러나 본 논문은 개활지를 가정한 이상적인 상황을 대상으로 하고 모의실험만으로 알고리즘 성능을 검증하였으므로, 차기 연구에서는 도심에서의 다중경로환경 및 도로 장애물 환경과 같은 실제 상황에 대한 연구와 이를 뒷받침 할 수 있는 실제 실험이 함께 이루어질 것이다.
2m정도로 비전 센서를 사용한 것과 비슷하다. 예측오차가 부정확 할 경우, 오차가 약 3.2m~6m 수준으로 비전 센서만 사용할 경우보다 약 50%정도 측위 결과가 향상된 것을 확인하였다. 이것은 레이더 센서는 거리정보와 각도정보를 모두 사용하는 반면에 비전 센서는 각도정보만을 사용하기 때문이다.
10은 무선 신호를 이용한 상대거리 측정을 바탕으로 한 기존의 H-SPAWN 기술의 결과이다. 예측치가 정확할 경우는 기존 H-SPAWN 결과가 비전 센서를 사용했을 때와 레이더 센서를 사용했을 때와 거의 비슷하다. 예측치가 부정확 할 경우, 기존 H-SPAWN 기술이 Fig.
이 세 가지 그래프를 비교하여 보면, 세 그래프 모두 예측오차가 정확할 경우(그래프에서 [σ∆ σb]=[11]로 표시)에는 DGNSS의 결과값과 GNSS의 결과값이 큰 차이가 없었으나, 예측오차가 부정확할 경우(그래프에서 [σ∆ σb]=[55]로 표시)에는 DGNSS의 오차값이 GNSS의 오차값보다 작은 것을 확인할 수 있다.
이 알고리즘은 협력적 측위방식이기 때문에 정확도 향상뿐만 아니라 가시위성이 부족한 경우에도 측위가 가능한 장점이 있다[6]. 특히 H-SPAWN의 항법해는 베이시안 근사해이기 때문에 확장칼만필터기반의 협력항법시스템보다 정확한해를 도출하며, 파티클 필터 기반의 협력항법 시스템보다 계산량이 적은 장점이 있다. 이 알고리즘은 정밀측위가 필요한 자율주행 대상의 측위 시스템에서 핵심적인 기술로 예상되므로 본 논문에서 제안하는 알고리즘은 이 H-SPAWN 알고리즘을 바탕으로 한다.
후속연구
비전, 레이더 센서가 양산되는 상용 차량에 많이 사용되는 센서들인 점을 고려할 때, 본 논문은 미래기술로 생각되었던 기존의 협력 항법시스템을 상용수준의 차량에 적용할 수 있도록 접근법을 제시하였으며, 더 나아가 측위 정확도를 향상시킬 수 있는 것을 확인하였다. 그러나 본 논문은 개활지를 가정한 이상적인 상황을 대상으로 하고 모의실험만으로 알고리즘 성능을 검증하였으므로, 차기 연구에서는 도심에서의 다중경로환경 및 도로 장애물 환경과 같은 실제 상황에 대한 연구와 이를 뒷받침 할 수 있는 실제 실험이 함께 이루어질 것이다.
이 단원에서는 제안하는 기술을 설명하기 위한 기본적인 기호를 정의하고 도심환경에서의 GNSS 및 차량 네트워크에서의 관계식을 수식화 할 것이다. Fig.
질의응답
핵심어
질문
논문에서 추출한 답변
협력 항법시스템 H-SPAWN 알고리즘의 장점은?
기존의 H-SPAWN 알고리즘은 GNSS의 의사거리와 센서 네트워크의 상대거리를 측정치로 사용하고, 위치 정보를 서로 주고받는 협력측위(cooperative positioning) 알고리즘이다. 이 알고리즘은 협력적 측위방식이기 때문에 정확도 향상뿐만 아니라 가시위성이 부족한 경우에도 측위가 가능한 장점이 있다[6]. 특히 H-SPAWN의 항법해는 베이시안 근사해이기 때문에 확장칼만필터기반의 협력항법시스템보다 정확한해를 도출하며, 파티클 필터 기반의 협력항법 시스템보다 계산량이 적은 장점이 있다. 이 알고리즘은 정밀측위가 필요한 자율주행 대상의 측위 시스템에서 핵심적인 기술로 예상되므로 본 논문에서 제안하는 알고리즘은 이 H-SPAWN 알고리즘을 바탕으로 한다.
GNSS는 무엇인가?
Global Navigation Satellite System (GNSS) 은 위성에서 송신하는 신호들을 지상의 수신기에서 삼각측량 방식을 통해 위치를 계산하는 항법 시스템으로, 차량 및 항공기를 비롯한 다양한 분야에서 널리 사용되고 있다. 이동수단 발전할수록 정밀측위에 대한 필요성이 강조되었는데, 특히 자동차 기술 부분에서 각광받고 있는 자율주행시스템은 차로구분이 가능할 정도(약 50cm 이하)의 정밀측위 기술을 필요로 한다.
GNSS의 측위 정확도를 향상하는 방법으로 무엇을 사용하고 있는가?
그러나 GNSS 만으로는 다양한 오차요소들 (시각오차, 이온층·전리층 오차, 잡음, 신호 음영지역 오차, 다중경로 오차 등)[1]로 인해 정확한 위치 측위 정확도를 보장하기 어렵기 때문에, 과거부터 현재까지 측위 정확도를 향상시키기 위한 많은 기술들이 연구·개발되어 왔다. Differential GNSS (DGNSS)를 통해 구조적 측정오차 (시각오차, 이온층·전리층 오차 등)를 제거하는 방식이 널리 사용되고 있고, GNSS에 다양한 센서들을 융합함으로써 측위 정확도를 향상시키려는 방식 (관성 항법 시스템(Inertial Navigation System, INS)[2], 차량속도계, 카메라, 레이더 등)[3] 또한 많이 사용되고 있다.
참고문헌 (13)
P. Misra and P. Enge, Global Positioning System: Signals, Measurements, and Performance, 2nd Ed., Ganga-Jamuna Press, Lincoln, MA, 2001.
D. H. Titterton and J. L. Weston, Strapdown Inertial Navigation Technology, 2nd Ed., Inst. Eng. Technol., London, U.K., 2004.
S. Son, T. Kim, Y. Jeon, and Y. Baek, "Smart camera technology to support high speed video processing in vehicular network," J. KICS, vol. 40, no, 1, pp. 152-164, 2012.
Y. H. Shim and Y. H. Kim, "Data dissemination in LTE-D2D based vehicular network," J. KICS, vol. 40, no. 3, pp. 602-612, 2015.
P. K. Enge, R. M. Kalafus, and M. F. Ruane, "Differential operation of the global positioning system," IEEE Commun. Mag., vol. 26, pp. 48-60, Jul. 1988.
B. Barrois, et al., "3D pose estimation of vehicles using a stereo camera," IEEE Intell. Veh. Symp. 2009, pp. 267-272, China, Jun. 2009.
L. Danielsson, "Tracking and radar sensor modelling for automotive safety systems," Ph.D. Dissertation, Chalmers university of technology, 2010.
J. T. Park, "Waveform design and performance analysis of automotive radar for collision avoidance," M.S. Thesis, Korea Aerospace University, 2011.
F. R. Kschischang, B. J. Frey, and H. A. Loeliger, "Factor graphs and the sum-product algorithm," IEEE Trans. Inf. Theory, vol. 47, no. 2, pp. 498-519, Feb. 2001.
B. Ristic and S. Arulampalam, Beyond the Kalman Filter: Particle Filters for Tracking Applications, Artech House, 2004.
R. Schubert, C. Adam, M. Obst, N. Mattern, V. Leonhardt, and G. Wanielik, "Empirical evaluation of vehicular models for ego motion estimation," in Proc. IEEE Intell. Veh. Symp., pp. 534-539, Germany, Jun. 2011.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.