도심지환경에서 정확한 차량 위치를 추정하기 위해서는 종방향 속도가 필요하다. 이러한 종방향 속도는 노면경사, 즉 차량의 피치각(Pitch) 산출을 통해서 가능하다. 하지만 단일 센서와 알고리즘을 이용한 피치각 추정에는 정확한 값을 기대할 수 없다. 본 논문에서는 정확한 피치각 추정을 위해 AKF(Adaptive Kalman Filter)와 CF(Complementary Filter)로 구성된 ACF(Adaptive Complementary Filter)를 이용하여 IMU(Inertial Measurement Unit)의 프로세스 노이즈와 측정에러를 주행환경에 맞게 조절하고, 이에 GPS(Global Positioning System)와 OBD(Onboard Equipment) 데이터를 융합한다. 그리고 노면 경사 모델에 따른 필터에 시스템 모델최적화를 위해 IMMKF(Interactive Multiple Model Kalman Filter)를 사용하여 주행환경에 적합한 최종 피치각을 추정한다.
도심지환경에서 정확한 차량 위치를 추정하기 위해서는 종방향 속도가 필요하다. 이러한 종방향 속도는 노면경사, 즉 차량의 피치각(Pitch) 산출을 통해서 가능하다. 하지만 단일 센서와 알고리즘을 이용한 피치각 추정에는 정확한 값을 기대할 수 없다. 본 논문에서는 정확한 피치각 추정을 위해 AKF(Adaptive Kalman Filter)와 CF(Complementary Filter)로 구성된 ACF(Adaptive Complementary Filter)를 이용하여 IMU(Inertial Measurement Unit)의 프로세스 노이즈와 측정에러를 주행환경에 맞게 조절하고, 이에 GPS(Global Positioning System)와 OBD(Onboard Equipment) 데이터를 융합한다. 그리고 노면 경사 모델에 따른 필터에 시스템 모델 최적화를 위해 IMMKF(Interactive Multiple Model Kalman Filter)를 사용하여 주행환경에 적합한 최종 피치각을 추정한다.
The longitudinal velocity is necessary for accurate vehicular positioning in urban environment. The pitch angle, which is a road slope, should be calculated to acquire the longitudinal velocity. However, it is impossible to consider very accurate pitch, when using a sensor and an algorithm. That's w...
The longitudinal velocity is necessary for accurate vehicular positioning in urban environment. The pitch angle, which is a road slope, should be calculated to acquire the longitudinal velocity. However, it is impossible to consider very accurate pitch, when using a sensor and an algorithm. That's why process noise and positioning stimation error of IMU should be adjusted to the driving environment and fuse GPS, OBD data with ACF which consist of AKF, CF in this paper. Then, final pitch angle which is appropriate for driving environment is estimated by IMMKF in order to optimize the system model according to road slope models.
The longitudinal velocity is necessary for accurate vehicular positioning in urban environment. The pitch angle, which is a road slope, should be calculated to acquire the longitudinal velocity. However, it is impossible to consider very accurate pitch, when using a sensor and an algorithm. That's why process noise and positioning stimation error of IMU should be adjusted to the driving environment and fuse GPS, OBD data with ACF which consist of AKF, CF in this paper. Then, final pitch angle which is appropriate for driving environment is estimated by IMMKF in order to optimize the system model according to road slope models.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 단일 센서의 피치각 추정 방법에서 발생 할 수 있는 문제를 해결하기 위하여 IMU와 GPS, OBD를 사용한 피치각을 추정한다. 3개의 센서의 데이터를 이용하여 AKF와 CF를 결합하여 최종 피치를 추정하는 ACF(Adaptive Com plementary Filter)을 제안한다.
본 논문에서는 차량 위치 추정을 위해 피치각의 중요성을 언급하고 단일 GPS와 IMU만을 가지고 추정하는 피치각의 문제점을 제시하였다. 이를 극복하기 위해 AKF의 종류인 IAE/AFKF를 이용하여 가속도, 자이로 데이터를 적절히 융합하고 이를 GPS와 OBD로 산출한 피치각과 CF를 이용하여 결합한다.
제안 방법
본 논문에서는 단일 센서의 피치각 추정 방법에서 발생 할 수 있는 문제를 해결하기 위하여 IMU와 GPS, OBD를 사용한 피치각을 추정한다. 3개의 센서의 데이터를 이용하여 AKF와 CF를 결합하여 최종 피치를 추정하는 ACF(Adaptive Com plementary Filter)을 제안한다.
이들을 차량의 피치각과 같은 미세변화에 민감한 파트에 사용되면 큰 효과를 볼 수 있다. 그렇기 때문에 본 논문에서는 복수의 필터를 통해 IMU를 이용하여 차량 종방향 속도 추정을 위한 피치를 추정한다. 논문의 구성은 2장에서는 단일 측정기기의 피치를 추정의 한계를 보여주고 3장에서 IMU 데이터를 이용한 피치 추정 알고리즘인 ACF를 소개한다.
단원 3에서 제안한 ACF알고리즘을 통해 GPS, OBD IMU 데이터를 융합하여 피치각을 추정하고 이를 경사면의 상태를 고려한 IMMKF 알고리즘을 적용하여 주행환경에 적응하는 융합된 피치각을 산출한다. 이러한 두 개의 피치 추정 알고리즘을 융합한 알고리즘을 본 논문에서 제안하며 이를 최종 알고리즘을 ACF/IMMKF 알고리즘라고 정의한다.
그리고 경사 모델링에 입각한 IMMKF를 사용했다. 또한 신뢰도를 더욱 향상시키기 위해 복수의 측정값을 이용한 알고리즘을 접목하면서도 실시간에 적합하도록 했고 계산량과 딜레이가 크지 않도록 고려하여 전체 알고리즘에 부합하도록 설계했다. 테스트 결과 언덕길이 많은 장소에서의 KF만을 사용한 방법보다 향상된 성능을 확인할 수 있었다.
본 논문에서 제안한 ACF/IMMKF 알고리즘 성능을 검증하기 위해 저가형 Mysen-M IMU와 Ublox GPS를 사용하였고 그 스펙은 아래 표 1과 같다.
위의 기존 KF과정을 거쳐 다음 과정으로 빨간색 블록인 IAE알고리즘 그리고 파란색 블록인 AFKF알고리즘을 거친다. IAE 알고리즘과 각 변수인 vk[Innovation sequence], Cvk[Covariance mat rix of IS], #[Statistical sample estimate of CM_IS]는 아래의 식 (4)과 같으며 N은 윈도우 사이즈이다.
본 논문에서는 차량 위치 추정을 위해 피치각의 중요성을 언급하고 단일 GPS와 IMU만을 가지고 추정하는 피치각의 문제점을 제시하였다. 이를 극복하기 위해 AKF의 종류인 IAE/AFKF를 이용하여 가속도, 자이로 데이터를 적절히 융합하고 이를 GPS와 OBD로 산출한 피치각과 CF를 이용하여 결합한다. 그리고 경사 모델링에 입각한 IMMKF를 사용했다.
는 OBD에서 측정된 차량 속도데이터는 3차원에서 고려된 속도이다. 이를 역사인을 취해 GPS와 OBD를 통한 피치각으로 산출한다. 각 측정데이터의 특성에 맞게 긴 측정시간에 있어 다소 부족한 면을 보이는 θLMU는 고역통과필터를 사용하고 면, 긴 측정시간에는 보다 유리하고 빠른 시간동안의 변화에 부적합한 θGPS,OBD는 저역통과필터를 사용한다.
그럼으로써 실제와 더욱 근접한 추정값을 획득할 수 있다. 이를 위해 IMMKF를 이용하여 차량 피치의 복수 모델을 정의하고 각 모델의 확률을 마르코프 모델에 의거하여 계산하여 차량 주행 상황에 맞는 알고리즘이 가중치에 맞게 적용되도록 한다. IMMKF에 사용되는 2가지 경사 모델링과 IMMKF의 알고리즘은 다음 파트에서 제시한다.
제안된 알고리즘은 IMU의 X축 가속도, Y축 각속도를 AKF로 피치각을 추정하고, 이를 GPS와 OBD의 데이터를 사용한 피치각에 CF를 통해 융합시키는 ACF알고리즘 블록 다이어그램은 그림 4과 같다.
대상 데이터
실차테스트에 사용된 차량은 기아 뉴쏘렌토이며, 레퍼런스로 Oxford의 초고가의 DGPS+DR 장비인 RT3002을 이용하여 서울시내에서 실험하였다. 첫 번째 환경은 그림 11의 한양대학교 교내, 두 번째 환경은 광나루역 근방이다.
이론/모형
IMMKF에서 차량의 피치각을 추정하기 위해 본 논문에서는 2개의 경사모델을 이용한다. 하나는 피치각의 변화율이 0인 경사모델, 다른 하나는 변화율이 일정한 상수인 경사모델이다.
칼만필터에서 시스템, 측정모델의 가중치를 결정하는 시스템 모델과 측정모델의 잡음 공분산인 Q, R의 역할은 중요하다. Q, R를 조절하기 위한 AKF 중에서 본 논문에서는 IAE/AFKF Hybrid 알고리즘을 적용하였고, 그 구성은 그림 6과 같다.
이를 극복하기 위해 AKF의 종류인 IAE/AFKF를 이용하여 가속도, 자이로 데이터를 적절히 융합하고 이를 GPS와 OBD로 산출한 피치각과 CF를 이용하여 결합한다. 그리고 경사 모델링에 입각한 IMMKF를 사용했다. 또한 신뢰도를 더욱 향상시키기 위해 복수의 측정값을 이용한 알고리즘을 접목하면서도 실시간에 적합하도록 했고 계산량과 딜레이가 크지 않도록 고려하여 전체 알고리즘에 부합하도록 설계했다.
성능/효과
레퍼런스와 각 필터들을 RMS ( ° )를 구한 것으로 제안한 알고리즘인 ACF/IMMKF의 결과가 가장RMS 에러가 작다.
테스트 결과 언덕길이 많은 장소에서의 KF만을 사용한 방법보다 향상된 성능을 확인할 수 있었다. 최종 결과 값은 약 1.4~1.7° 정도이므로 이는 차량 종방향 속도 추정을 위해 요구되는 피치각의 정확도에 어느 정도 적합하다고 판단된다. 추후에는 센서의 신뢰도를 판별하여 가중치를 설정하여 차량 속도를 추정하고 이를 통해 위치를 산출하는 위치추정 알고리즘으로 구성해야할 것이다.
또한 신뢰도를 더욱 향상시키기 위해 복수의 측정값을 이용한 알고리즘을 접목하면서도 실시간에 적합하도록 했고 계산량과 딜레이가 크지 않도록 고려하여 전체 알고리즘에 부합하도록 설계했다. 테스트 결과 언덕길이 많은 장소에서의 KF만을 사용한 방법보다 향상된 성능을 확인할 수 있었다. 최종 결과 값은 약 1.
후속연구
7° 정도이므로 이는 차량 종방향 속도 추정을 위해 요구되는 피치각의 정확도에 어느 정도 적합하다고 판단된다. 추후에는 센서의 신뢰도를 판별하여 가중치를 설정하여 차량 속도를 추정하고 이를 통해 위치를 산출하는 위치추정 알고리즘으로 구성해야할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
종방향 속도를 구하는 방법은?
도심지환경에서 정확한 차량 위치를 추정하기 위해서는 종방향 속도가 필요하다. 이러한 종방향 속도는 노면경사, 즉 차량의 피치각(Pitch) 산출을 통해서 가능하다. 하지만 단일 센서와 알고리즘을 이용한 피치각 추정에는 정확한 값을 기대할 수 없다.
도심지환경에서 정확한 차량 위치 추정을 위해 필요한 것은?
도심지환경에서 정확한 차량 위치를 추정하기 위해서는 종방향 속도가 필요하다. 이러한 종방향 속도는 노면경사, 즉 차량의 피치각(Pitch) 산출을 통해서 가능하다.
논문에서는 정확한 피치각(Pitch) 산출을 위해 무엇을 이용했는가?
하지만 단일 센서와 알고리즘을 이용한 피치각 추정에는 정확한 값을 기대할 수 없다. 본 논문에서는 정확한 피치각 추정을 위해 AKF(Adaptive Kalman Filter)와 CF(Complementary Filter)로 구성된 ACF(Adaptive Complementary Filter)를 이용하여 IMU(Inertial Measurement Unit)의 프로세스 노이즈와 측정에러를 주행환경에 맞게 조절하고, 이에 GPS(Global Positioning System)와 OBD(Onboard Equipment) 데이터를 융합한다. 그리고 노면 경사 모델에 따른 필터에 시스템 모델 최적화를 위해 IMMKF(Interactive Multiple Model Kalman Filter)를 사용하여 주행환경에 적합한 최종 피치각을 추정한다.
참고문헌 (12)
D. Huang and H. Leung, "EMIMM based land vehicel navigation with GPS/INS," IEE Intell. Transportation Syst. Conf., pp. 624-629, Washington D.C, USA, Oct. 2004.
Y. Kwon and B. Song, "A study on the GPS /IMU-based healthcare device," in Proc. KICS Int. Conf. Commun. 2013, pp. 161-162, Seoul, Korea, Nov. 2013.
J. W. Kim, D. G. Lee, and S. S. Lee, "A study distributed algorithm of vehicle localization on the based on low cost GPS/IMU," in Proc. KICS Int. Conf. Commun. 2015, pp. 685-686, Busan, Korea, Jan. 2015.
A. Fakharian, T. Gustafsson, and M. Mehrfam, "Adaptive kalman kiltering based navigation: an IMU/GPS integration approach," Int. Conf. Netw. Sensing Control, pp. 11-13, Delft, Netherlands, Apr. 2011.
A. Bhawiyuga, H. H. Nhuyen, and H.-Y. Jeong, "A fusion of vehicle sensors and inter-vehicle communications for vehicular localizations," J. KICS, vol. 37, no. 07, pp. 544-553, Jul. 2012.
C. Hu, W. Chen, Y. Chen, and D. Liu, "Adaptive kalman filtering for vehicle navigation," J. Global Positioning Syst., vol. 2, no. 1, pp. 42-47, Jun. 2003.
J. Wang, M. Stewart, and M. Tsakiri, "Online stochastic modelling for INS/GPS integration," in Proc. ION GPS-1999, pp. 1887-1896, Nashville, TN, Sept. 1999.
Q. Xia, M. Rao, Y. Ying, and X. Shen, "Adaptive fading kalman filter with an application," Automatica, vol. 30, no. 8, pp. 1333-1338, Aug. 1994.
H. Park, "State-space representation of complementary filter and design of GPS/INS vertical channel damping loop," J. Inst. Control Robotics Syst., vol. 14, no. 8, pp. 727- 732, Aug. 2008.
S. Julier, J. Uhlmann, and H. F. Durrant- Whyte, "A new method for the nonlinear transformation of means and covariances in filters and estimators," IEEE Trans. Automatic Control, vol. 45, no. 3, pp. 477-482, Mar. 2000.
K. C. Jo, J. S. Kim, and M. H. Sunwoo, "Real-time road-slope estimation based on integration of onboard sensors with GPS using an IMMPDA filter," IEEE Trans. Intell. Transpotation Syst., vol. 14, no. 4, pp. 1718-1732, Dec. 2013.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.