[논문]차량 횡방향 운동 방정식을 고려한 차대도로간 트래킹 기법

신동호

doi:10.12815/kits.2017.16.6.219

차량 횡방향 운동 방정식을 고려한 차대도로간 트래킹 기법
A Study on Vehicle to Road Tracking Methodology with Consideration of vehicle lateral dynamics 원문보기

韓國ITS學會論文誌 = The journal of the Korea Institute of Intelligent Transportation Systems, v.16 no.6, 2017년, pp.219 - 230

초록
AI-Helper

본 논문에서는 확장형 칼만필터를 적용하여 영상센서 기반 차대도로간 트래킹 알고리즘을 제안한다. 일반적으로 횡방향 오프셋, 차선대비 상대경로각, 전방도로 곡률은 차선유지지원시스템의 경로추종 횡방향 제어기 구성 또는 차선이탈경보시스템의 경보 로직을 위한 중요 입력값으로 활용되는데 이를 위해 본 연구에서는 영상센서 차선인식 결과값인 이미지 상의 차선 추출점의 좌표값과 더불어 요레이트, 조향각, 차속 센서 측정값, 그리고 차량의 횡방향 운동방정식을 고려한 확장형 칼만필터를 적용하여 차대도로간 트래킹 정보를 추출한다. 제안된 차대도로간 트래킹 알고리즘의 유효성을 증명하기 위해 주행 테스트 도로 상에서 DGPS-RTK 장비를 이용하여 비교 검증하여 그 유효성을 보였다.

Abstract ▼ AI-Helper

This paper proposes a vehicle to road tracking algorithm based on vision sensor by using EKF(Extended Kalman Filter). The lateral offset, heading angle, and curvature which are obtained from vehicle to road tracking might be used as inputs to steering controller of LKAS(Lane Keeping Assist System) or for the warning decision logic of LDWS(Lane Departure Warning System). To the end, in this paper, the yaw rate, steering angle, and vehicle speed as well as lane raw points together with considering of vehicle lateral dynamics are utilized to improve the exactness and convergence of the vehicle to road tracking. The proposed algorithm has been tested at a proving ground that consists of straight and curve sections and compared with GPS datum using DGPS-RTK equipment to show the feasibility of the proposed algorithm.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 차선유지지원시스템의 조향 제어기에 입력 파라미터로 사용될 차대도로간 트래킹 파라미터를 추출하기 위한 개선된 알고리즘을 제안하였다. 기존 랜덤워크 기반의 차대도로간 트래킹 칼만필터 대비 상태공간방정식에 차대 도로간 운동학을 반영하였으며 곡률 모델링의 경우 곡률 변화율을 고려한 클로소이드 모델을 적용하였다.
안정적인 차선 유지 지원 시스템의 구현을 위해서는 정확한 차선 인식과 차선 정보를 이용한 차로 내 차량의 위치인 횡방향 오프셋, 차선 대비 차량의 상대 경로각, 그리고 도로의 곡률을 추정하는 것이 매우 중요하다. 본 연구에서는 효과적인 차선 인식이 되었다고 가정한 상태에서 개선된 차대도로간 트래킹 알고리즘을 제안한다.
본 연구의 목적은 차대도로간 트래킹 파라미터(횡방향 오프셋, 상대경로각, 곡률, 곡률 변화율, 도로 폭, 카메라 틸트각)를 추정하는 칼만필터를 설계하는 것으로 본 장에서는 기존 방식인 랜덤 워크 기반의 칼만필터와 본 연구에서 새롭게 제안하는 차대도로간 트래킹 알고리즘에 대해 설명한다.

가설 설정

본 연구에서 도로의 곡률은 클로소이드 도로 모델(clothoid road model)에 기반함을 가정하였으며, 이 때의곡률은 식 (4)와 같다(Parent et al., 2001).
본 연구에서 적용된 횡방향 차량 모델은 이륜 자전거 모델(two wheel bicycle model)로 가정하였다.
, 2006). 이는 추정하고자 하는 파라미터의 변화가 작다는 가정을 기반으로 한다. 이러한 기존 알고리즘의 개략도는 [Fig.
횡방향 운동방정식 기반 칼만필터의 시스템 모델식은 도로 모델링에서 유도한 식 (2)~(4)를 이용하면 다음식 (15)와 같은 상태공간방정식으로 나타낼 수 있다. 이때 도로 폭과 카메라 틸트각의 경우 값의 급격한 변화가 없고 서서히 변한다는 가정 하에 랜덤워크로 모델링하였다.

제안 방법

따라서 본 논문에서는 고속 주행 시 추정 성능을 확보하기 위해 차량 횡방향 동역학을 고려해 칼만필터의 상태공간방정식의 시스템 모델을 구성하였고, 차량 위치 정보인 횡방향 오프과 차선 대비 상대경로각, 그리고 주행도로의 곡률 정보뿐만 아니라, 도로 폭과 카메라 틸트각을 포함한 상태변수를 추정하였다. 추가적으로 곡률 추정을 위한 곡률 모델의 경우 곡률 변화율까지 고려하여 천이 구간에서의 곡률 추정 성능의 향상및 시간지연 개선을 꾀하였다.
기존 랜덤워크 기반의 차대도로간 트래킹 칼만필터 대비 상태공간방정식에 차대 도로간 운동학을 반영하였으며 곡률 모델링의 경우 곡률 변화율을 고려한 클로소이드 모델을 적용하였다. 또한 차량의 요레이트, 속도, 그리고 추정된 횡미끄러짐각을 반영하였다. 제안한 알고리즘의 성능을 검증하기 위해 주행 시험장에서 주행 데이터를 취득하여 기존 랜덤워크 기반 차대도로간 트래킹 칼만필터의 추정값과 차량 횡방향 운동방정식 기반 차대도로간 트래킹 칼만필터의 추정값을 DGPS-RTK 데이터와 각각 비교하여 제안한 알고리즘의 적용 시 차대도로간 트래킹 파라미터의 정확성 및차선 오인식에 대한 강건성이 향상됨을 확인할 수 있었다.
본 장에서는 Ⅲ장에서 제안한 차대도로간 트래킹 파라미터 추정 알고리즘의 신뢰성 및 성능을 검증하기 위해, 시험 주행장의 실시간 주행 데이터를 취득하여 차량용 제어기인 dSPACE사의 AutoBox에 제안한 차대 도로간 트래킹 알고리즘을 탑재 후 후처리로 시뮬레이션을 수행하였다. 이때 취득하는 실시간 주행 데이터로는 차선인지 센서부에서 추출한 차선 좌표정보, 차량 센서로부터 얻은 주행정보(차속, 조향각, 요레이트), 그리고 DGPS-RTK 장비를 이용해 취득한 차량 위치 정보가 있다.
본 장에서는 횡방향 오프셋, 상대경로각, 곡률, 도로폭, 카메라 틸트각, 그리고 곡률을 추출하기 위해 사용된 차대도로간 운동기하학과 차량 횡방향 운동방정식을 기술한다.
이를 수치적으로 확인하기 위해 [Table 2]에 DGPS-RTK 기준 데이터와 랜덤워크 기반 차대도로간 트래킹 알고리즘을 통한 추정값과의 RMS 오차, 그리고 차량 횡방향 운동방정식 기반 차대도로간 트래킹 알고리즘 칼만필터 추정값과의 RMS 오차를 각각 계산하여 비교하였다. 제안한 알고리즘의 적용으로 차대도로간 트래킹 파라미터의 정확도가 그렇지 않은 경우 대비 횡방향 오프셋의 경우 51%, 곡률의 경우 86%, 상대경로각의 경우 52%, 그리고 도로폭의 경우 74% 향상되었음을 확인 할 수 있다.
주행 시 로깅한 실시간 DGPS-RTK 데이터로부터 횡방향 오프셋과 상대경로각, 곡률을 계산하여, 이를 기준 데이터(reference data)로 설정하였으며 랜덤워크 기반 차대도로간 트래킹 칼만필터와 제안한 차량 횡방향 운동방정식 기반 차대도로간 트래킹 칼만필터를 AutoBox에 탑재하여 후처리 시뮬레이션을 수행하였다.[Fig.
상태변수 추정기를 설계하기 위해서는 기본적으로 차량의 주요 파라미터 값을 알아야 한다. 차량 파라미터 중 실측이 용이한 차량 중량을 제외하고 측정하기 어려운 타이어 선회 강성치(tire cornering stiffness), 관성모멘트(Moment of inertia) 등과 같은 차량 파라미터의 경우 상용 프로그램인 MATLAB의 Parameter Estimation Toolbox를 이용해 파라미터 추정을 하였으며 본 연구에서 사용된 차량파라미터는 [Table 1]과 같다. 이를 통한 상태변수 추정기의 설계 방법 및 검증 결과는 본 연구의 이전 연구를 참조 바란다(Shin and Joo, 2010).
차선인지 센서부와 칼만필터로 이루어져있던 랜덤 워크 기반 알고리즘과 달리 차량 센서부와 횡미끄러짐각(β)을 추정하는 관측기가 추가되었다. 차선인지 센서부에서 추출한 차선 추출점 좌표와 관측기에서 추정한 횡미끄러짐각과 요레이트, 차량 센서에서 측정한 차속 데이터를 입력으로 하는 횡방향 운동방정식 기반 차대도로간 트래킹 칼만필터를 설계한다. 이렇게 설계된 칼만필터는 차대도로간 트래킹 파라미터 즉, 횡방향 오프셋 d_s 와 상대경로각 Δψ, 초기 곡률 c₀ , 곡률 변화율 c₁ , 도로 폭 W_r, 그리고 카메라 틸트각 α을 추정 한다.

대상 데이터

주행 시험로 곡선구간의 반경은 360m이고 도로 폭은 4m이다. 시험 주행에서 차량은 실제 주행과 유사한 60~100km/h의 속도로 직선과 곡선 구간을 주행하였다. [Fig.
주행 시험로는 총 5040m의 타원형(일반 육상트랙과 유사)으로 직선(967m)-완화구간(411m)-곡선(731m)-완화 구간(411m)-선(967m)-완화구간(411m)-곡선(731m)-완화구간(411m)으로 이루어져있다. 주행 시험로 곡선구간의 반경은 360m이고 도로 폭은 4m이다.

이론/모형

본 논문에서는 차선유지지원시스템의 조향 제어기에 입력 파라미터로 사용될 차대도로간 트래킹 파라미터를 추출하기 위한 개선된 알고리즘을 제안하였다. 기존 랜덤워크 기반의 차대도로간 트래킹 칼만필터 대비 상태공간방정식에 차대 도로간 운동학을 반영하였으며 곡률 모델링의 경우 곡률 변화율을 고려한 클로소이드 모델을 적용하였다. 또한 차량의 요레이트, 속도, 그리고 추정된 횡미끄러짐각을 반영하였다.
차대도로간 트래킹 파라미터를 추정하기 위해 기존에는 칼만필터의 시스템 방정식을 랜덤 워크로 모델링하였다(Mineta et al., 2003; Nishida et al., 2006). 이는 추정하고자 하는 파라미터의 변화가 작다는 가정을 기반으로 한다.

성능/효과

[Fig. 8]을 살펴보면 기준 데이터(점선)와 비교하면 차대도로간 트래킹 파라미터의 추정 성능은 랜덤워크 기반 알고리즘 대비 횡방향 동역학 기반 차대도로간 트래킹 칼만필터가 우수함을 확인할 수 있다. 횡방향 오프셋의 경우 직선 구간에서는 유사한 성능을 보이지만 곡선 구간에서 정확도의 차이를 보인다.
횡방향 운동 방정식 기반 알고리즘의 경우 차대 도로간 운동기하학을 반영하여 곡선 구간에서의 정확도가 향상됨을 확인할 수 있다. 곡률의 경우 곡률 모델을 단순히 랜덤워크로 모델링한 경우 직선 구간에서의 다소간의 바이어스가 보이며 곡선 구간에서 출렁거림이 있는데 반해 곡률변화율을 반영한 클로소이드 모델을 적용한 차량 횡방향 운동방정식 기반 알고리즘의 경우 전 구간에서 곡률 정확도가 매우 높았으며 시간지연도 개선됐음을 확인할 수 있다. 상대경로각의 경우 직선 구간에서의 정확도는 상당히 개선되었으며 곡선 구간에서도 랜덤워크 기반 대비 기준 데이터에 근접한 결과를 보였다.
상대경로각의 경우 직선 구간에서의 정확도는 상당히 개선되었으며 곡선 구간에서도 랜덤워크 기반 대비 기준 데이터에 근접한 결과를 보였다. 또한 도로 폭의 경우도 제안한 알고리즘을 적용 시 정확도가 향상되었음을 확인 할 수 있다. 카메라 틸트각의 경우 초기 세팅은 0^o 로 장착하였으며 차량의 가감속에 따른 틸트각 변화(의미적으로는 차량 피치각 변화)가 있음을 확인 할 수 있다.
곡률의 경우 곡률 모델을 단순히 랜덤워크로 모델링한 경우 직선 구간에서의 다소간의 바이어스가 보이며 곡선 구간에서 출렁거림이 있는데 반해 곡률변화율을 반영한 클로소이드 모델을 적용한 차량 횡방향 운동방정식 기반 알고리즘의 경우 전 구간에서 곡률 정확도가 매우 높았으며 시간지연도 개선됐음을 확인할 수 있다. 상대경로각의 경우 직선 구간에서의 정확도는 상당히 개선되었으며 곡선 구간에서도 랜덤워크 기반 대비 기준 데이터에 근접한 결과를 보였다. 또한 도로 폭의 경우도 제안한 알고리즘을 적용 시 정확도가 향상되었음을 확인 할 수 있다.
또한 차량의 요레이트, 속도, 그리고 추정된 횡미끄러짐각을 반영하였다. 제안한 알고리즘의 성능을 검증하기 위해 주행 시험장에서 주행 데이터를 취득하여 기존 랜덤워크 기반 차대도로간 트래킹 칼만필터의 추정값과 차량 횡방향 운동방정식 기반 차대도로간 트래킹 칼만필터의 추정값을 DGPS-RTK 데이터와 각각 비교하여 제안한 알고리즘의 적용 시 차대도로간 트래킹 파라미터의 정확성 및차선 오인식에 대한 강건성이 향상됨을 확인할 수 있었다.
이를 수치적으로 확인하기 위해 [Table 2]에 DGPS-RTK 기준 데이터와 랜덤워크 기반 차대도로간 트래킹 알고리즘을 통한 추정값과의 RMS 오차, 그리고 차량 횡방향 운동방정식 기반 차대도로간 트래킹 알고리즘 칼만필터 추정값과의 RMS 오차를 각각 계산하여 비교하였다. 제안한 알고리즘의 적용으로 차대도로간 트래킹 파라미터의 정확도가 그렇지 않은 경우 대비 횡방향 오프셋의 경우 51%, 곡률의 경우 86%, 상대경로각의 경우 52%, 그리고 도로폭의 경우 74% 향상되었음을 확인 할 수 있다.

후속연구

따라서 본 논문에서는 고속 주행 시 추정 성능을 확보하기 위해 차량 횡방향 동역학을 고려해 칼만필터의 상태공간방정식의 시스템 모델을 구성하였고, 차량 위치 정보인 횡방향 오프과 차선 대비 상대경로각, 그리고 주행도로의 곡률 정보뿐만 아니라, 도로 폭과 카메라 틸트각을 포함한 상태변수를 추정하였다. 추가적으로 곡률 추정을 위한 곡률 모델의 경우 곡률 변화율까지 고려하여 천이 구간에서의 곡률 추정 성능의 향상및 시간지연 개선을 꾀하였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	차선 유지 지원 시스템은 무엇으로 이루어져 있는가?	일반적으로 차선 유지 지원 시스템은 차량의 윈드실드에 장착된 영상센서를 이용한 차선 인식부, 차선 인식 결과, 즉 차선 추출점 정보를 이용하여 차선 내 차량 위치 정보를 추출하는 차대도로간 트래킹 연산부, 그리고 계산된 차대도로간 정보를 입력으로 명령조향각 계산부, 그리고 명령 조향각을 추종 할 수 있도록 제어하는 역할을 수행하는 조향 액츄에이터부(조향제어기 포함)로 이루어져 있다. 대부분의 경우 차선 인식은 차량 내 윈드쉴드에 장착된 영상 카메라를 통해 획득한 영상을 바탕으로 이루어지며 이로부터 획득한 차선 정보와 차량 내 센서에서 측정된 차속, 조향각, 그리고 요레이트(yaw rate) 정보를 얻어 차선 내 차량 위치 정보(횡방향 오프셋, 상대 경로각) 그리고 곡률을 계산한다.
	운전자 보조 시스템 연구가 활발하게 이루어지는 이유는 무엇인가?	운전 미숙과 부주의로 인한 교통사고를 줄이고, 운전자의 운전 부담을 줄이기 위한 노력으로 다양한 운전자 보조 시스템(ADAS : Advanced Driver Assistance System)에 대한 연구가 활발히 이루어지고 있다. 이에 더 나아가 최근에는 자율 주행 자동차에 대한 관심으로 완성차 업계 및 자동차 부품 회사뿐만 아니라 IT 업계까지 해당 기술 개발 및 상용화에 노력하고 있다.
	칼만필터 기반의 차대도로간 알고리즘 접근 방식에서는 어떠한 경향이 나타나는가?	, 2006). 이러한 접근 방식의 경우 고속 및동적 횡방향 주행 시 추정 성능의 저하가 발생하는 경향이 있다. 이러한 문제를 해결하기 위해 차량의 횡방향 운동방정식을 고려하여 칼만필터의 빠른 수렴을 가능하게 하였으며 고속 주행 시에도 추정 성능을 담보할 수 있도록 하였다(Dickmanns et al.

참고문헌 (8)

Dickmanns, Ernst Dieter, and Alfred Zapp.(1987), "A curvature-based scheme for improving road vehicle guidance by computer vision," Cambridge Symposium on Intelligent Robotics Systems, International Society for Optics and Photonics.
McCall Joel C. and Mohan M. Trivedi.(2006), "Video-based lane estimation and tracking for driver assistance: survey, system, and evaluation," IEEE Intelligent Transportation Systems, pp.20-37.
Mineta, Kenichi, Kiyozumi Unoura, and Tetsuo Ikeda.(2003), "Development of a lane mark recognition system for a lane keeping assist system," SAE Technical Paper, No. 2003-01-0281.
Nishida, Makoto, Seiji Kawakami, and Akihiro Watanabe.(2006), "Development of lane recognition algorithm for steering assistance system," SAE Technical Paper, No. 2005-01-1606.
Parent, Michel, Ljubo Vlacic, and Fumio Harashima.(2001), Intelligent Vehicle Technologies, Butterworth-Heinemann, pp.132-141.
Rajesh Rajamani.(2006), Vehicle Dynamics and Control, Springer, pp.14-48.
Shin D. H. and Joo B. H.(2010), "Design of a vision-based autonomous path-tracking control system and experimental validation," Proc. IMechE, Part D: Journal of Automobile Engineering, Vol. 224, pp.849-864.

상세보기
Sivaraman, Sayanan, and Mohan Manubhai Trivedi.(2013), "Integrated lane and vehicle detection, localization, and tracking: A synergistic approach," IEEE Intelligent Transportation Systems, pp.906-917.

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