[논문]기준영상을 이용한 차량 측위 알고리즘 개발

김호준; 이임평

doi:10.7780/kjrs.2018.34.6.1.22

기준영상을 이용한 차량 측위 알고리즘 개발
Development of a Vehicle Positioning Algorithm Using Reference Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.34 no.6 pt.1, 2018년, pp.1131 - 1142

김호준 (서울시립대학교 공간정보공학과) , 이임평 (서울시립대학교 공간정보공학과)

초록
AI-Helper

자율주행차는 교통사고로 인한 인명피해나, 운전으로 인해 발생하는 시간 및 비용을 줄일 수 있는 장점 때문에 개발 및 운용이 확대되고 있다. 이러한 자율주행차의 운행을 위해서는 정밀한 측위가 필수적이다. 본 연구에서는 고가의 센서를 사용하지 않고 차량 내장센서, 위성센서, 영상센서와 사전에 구축해둔 기준영상 정보를 통합하여 차량의 위치를 정밀하게 추정하는 알고리즘을 개발하였다. 기준영상 정보는 센서 정보만 사용하였을 경우 발생하는 측위 정밀도 한계를 극복할 수 있으며, 위성신호 단절과 같은 문제 발생시에도 안정적으로 취득이 가능한 장점이 있다. 센서 및 기준영상 정보를 결합하기 위한 필터는 개별 센서의 다양한 확률 밀도 분포를 반영할 수 있는 파티클 필터를 사용하였다. 알고리즘의 성능평가를 위해 데이터 취득 시스템을 구축하고 이를 이용한 주행 데이터 및 기준영상 정보를 취득하였다. 위성센서에 의한 오차가 비교적 큰 주행 경로에 대해서도 주행영상 및 기준영상 정보를 함께 결합할 경우 약 0.7 m 이내의 정확도로 차량 측위가 가능함을 확인하였다.

Abstract ▼ AI-Helper

The autonomous vehicles are being developed and operated widely because of the advantages of reducing the traffic accident and saving time and cost for driving. The vehicle localization is an essential component for autonomous vehicle operation. In this paper, localization algorithm based on sensor fusion is developed for cost-effective localization using in-vehicle sensors, GNSS, an image sensor and reference images that made in advance. Information of the reference images can overcome the limitation of the low positioning accuracy that occurs when only the sensor information is used. And it also can acquire estimated result of stable position even if the car is located in the satellite signal blockage area. The particle filter is used for sensor fusion that can reflect various probability density distributions of individual sensors. For evaluating the performance of the algorithm, a data acquisition system was built and the driving data and the reference image data were acquired. Finally, we can verify that the vehicle positioning can be performed with an accuracy of about 0.7 m when the route image and the reference image information are integrated with the route path having a relatively large error by the satellite sensor.

주제어

표/그림 (14)

그림 Fig. 1. Process of vehicle localization using Particle Filter.
그림 Fig. 2. Car position and driving direction prediction.
그림 Fig. 3. Process of localization using Reference Image.
그림 Fig. 4. Data acquisition system.
그림 Fig. 5. Distance difference from each georeferenced result.
표 Table 1. Camera specification
그림 Fig. 6. Test site and reference trajectory (a red line).
그림 Fig. 7. Sample image from front view camera on the roof of the car.
그림 Fig. 8. Sample data from in-vehicle sensor data.
그림 Fig. 9. Distance difference from visual odometry result.
그림 Fig. 10. Comparison of estimated distance difference with reference trajectory.
그림 Fig. 11. Sample images in bad GNSS signal area.
그림 Fig. 12. Distance difference according to Reference image interval.
표 Table 2. The error statistics of the estimated results with reference image interval

AI 본문요약
AI-Helper

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

문제 정의

위성신호는 차량의 위치를 효율적으로 결정할 수 있는 수단이지만, 주행상황에 따라 정확도가 떨어지는 단점이 있다. 그래서 이를 극복하기 위한 연구들이 이루어지고 있으며 본 연구에서는 그 방안으로 차량 내장 센서, 위성정보, 주행영상과 같은 센서 정보를 이용하여 이와 함께 기준영상 정보를 이용하여 차량 위치 추정 정밀도를 향상시키고자 하였다. 센서 결합을 위해서 파티클 필터를 사용하였으며, 알고리즘 검증을 위한 시스템 구축 및 정확도 평가를 수행하였다.
하지만 고가의 센서를 사용하는 경우 상용화가 어려운 단점이 있으며, 정밀도로지도를 활용하는 경우 정밀도로지도 제작을 위한 비용이 많이 소모되는 단점이 존재한다. 본 논문에서는 상용화를 고려하여 고가의 장비 및 정밀도로지도 정보를 사용하지 않고, 저가의 센서 및 영상정보를 이용하여 차량의 위치를 추정하는 연구를 수행하였다. 영상정보의 경우 주행영상만 사용할 경우 정밀도를 만족시킬 수 없으므로, 주행영역에 대한 영상 및 위치 정보를 함께 담고 있는 기준영상 정보를 함께 사용하였다.

가설 설정

연속된 주행 영상과 카메라의 내부표정요소를 입력으로 하며 알고리즘 수행 결과로 직전 영상과 비교했을 때 현재 영상이 X, Y 방향으로 얼마나 이동했는지에 대한 정보를 얻을 수 있다. 이 정보를 이용하여 현재 차량의 위치를 결정하고 해당 위치로부터 개별 파티클의 위치가 얼마나 떨어져 있는지에 따라 파티클의 가중치를 정하도록 하였으며, 영상 주행기록계의 확률밀도분포는 다변수 정규분포로 가정하였다. 해당 과정을 통해 얻어진 위치 값과 개별 파티클의 위치차이를 이용한 가중치 계산 방법은 식 (4)와 같다.

제안 방법

GNSS 수신기로부터 얻어지는 위성기반 위치 정보를 이용하여 파티클의 가중치를 계산한다. GNSS로부터 얻어지는 위치 값을 이용한 가중치 계산은 확률밀도분포를 다변수 정규분포(multivariate normal distribution)로 정의하고 이를 이용하여 계산하였다.
기존의 위성신호 의존적이거나 고가의 센서를 사용하는 측위 시스템의 한계를 극복하고자 GNSS, 차량내장센서, 영상센서, 기준영상 정보를 통합하여 차량의 위치를 추정하는 알고리즘을 개발하였다. 개발된 통합 알고리즘은 위성센서에서 취득한 위치정보, 차량내장센서로부터 속력 및 각속도 정보, 영상센서로부터 취득되는 주행영상정보를 영상 주행기록계 계산을 통해 차량 이동정보, 기준영상정보와 주행영상 정보 결합을 통한 위치 정보를 각각 얻으며, 해당 정보를 파티클 필터(particle filter)를 이용하여 결합하였다. 파티클 필터는 연산량이 확장칼만필터(extended Kalman filter)나 무향 칼만필터(Unscented Kalman filter)에 비해 많은 단점이 있지만 별도의 선형화 과정이 없으며 구현이 쉬운 장점이 있다.
기존의 위성신호 의존적이거나 고가의 센서를 사용하는 측위 시스템의 한계를 극복하고자 GNSS, 차량내장센서, 영상센서, 기준영상 정보를 통합하여 차량의 위치를 추정하는 알고리즘을 개발하였다. 개발된 통합 알고리즘은 위성센서에서 취득한 위치정보, 차량내장센서로부터 속력 및 각속도 정보, 영상센서로부터 취득되는 주행영상정보를 영상 주행기록계 계산을 통해 차량 이동정보, 기준영상정보와 주행영상 정보 결합을 통한 위치 정보를 각각 얻으며, 해당 정보를 파티클 필터(particle filter)를 이용하여 결합하였다.
또한 센서 정보 이외에도 기준영상 정보를 함께 사용하였으며 기준영상정보 구축은 상용 소프트웨어인 Photoscan을 이용하여 구축하였다. 기준영상 구축은 주행 예정 영역에 대해 사전에 주행하면서 전방 카메라를 이용해 영상을 취득하고, 정밀측량장비를 이용하여 각 영상의 외부표정요소를 함께 취득한다.
이처럼 위성센서, 차량내장센서, 영상센서, 기준영상 정보를 통합하여 차량의 위치를 정밀하게 결정할 수 있는 알고리즘을 제안하고 구현하였다. 또한 실현 가능성 확인을 위해 센서 데이터 및 실제 주행경로를 취득할 수 있는 데이터 취득 시스템을 구축하였으며 이를 이용하여 데이터 취득 및 기준영상을 구축하였다. 취득된 데이터를 제안한 알고리즘에 적용하여 주행경로를 추정하고 이에 대한 정확도 평가를 수행하였다.
본 논문에서 제안한 센서 및 기준영상 정보 융합을 통한 차량 측위 알고리즘의 적합성 확인을 위해 차량 주행 데이터 취득 시스템을 구성하였다. 차량내장센서,GNSS,전방카메라로부터 데이터 취득 및 저장을 할 수 있도록 구성하였으며, 정밀측량장비(Applanix, POSLV210)를 이용한 주행경로 참 값 또한 함께 취득하여 정확도 검증을 할 수 있도록 구성하였다.
본 논문에서 제안한 알고리즘의 성능 평가를 위해 추정한 위치 결과를 정밀측량장비로부터 얻어진 실제 주행경로와 비교하였으며, 기준영상 배치 간격에 따른 경로 추정 정밀도 확인 또한 진행하였다. 데이터 획득 지역은 경기 성남시 분당구 판교역 부근으로 고층 건물이 다수 분포하고 있어 위성 신호가 안정적으로 수신되지 않아 위성신호만을 이용한 측위에는 한계가 있으며, 교통 흐름이 원활하여 해당 측위 실험에 적합하다고 판단되어 실험지역으로 선정하였다.
본 논문에서는 상용화를 고려하여 고가의 장비 및 정밀도로지도 정보를 사용하지 않고, 저가의 센서 및 영상정보를 이용하여 차량의 위치를 추정하는 연구를 수행하였다. 영상정보의 경우 주행영상만 사용할 경우 정밀도를 만족시킬 수 없으므로, 주행영역에 대한 영상 및 위치 정보를 함께 담고 있는 기준영상 정보를 함께 사용하였다. 기준영상은 정밀도로지도와 비교하였을 때 적은 비용으로 구축이 가능한 장점이 있으며, 관리 및 갱신 또한 용이하다.
기준영상은 정밀도로지도와 비교하였을 때 적은 비용으로 구축이 가능한 장점이 있으며, 관리 및 갱신 또한 용이하다. 이처럼 위성센서, 차량내장센서, 영상센서, 기준영상 정보를 통합하여 차량의 위치를 정밀하게 결정할 수 있는 알고리즘을 제안하고 구현하였다. 또한 실현 가능성 확인을 위해 센서 데이터 및 실제 주행경로를 취득할 수 있는 데이터 취득 시스템을 구축하였으며 이를 이용하여 데이터 취득 및 기준영상을 구축하였다.
제안한 알고리즘을 이용한 차량 위치 추정에는 차량내장 센서 중 속력 및 각속도 정보를 사용하였으며, GNSS센서, 전방카메라를 추가로 탑재하고 이용하였다. 시스템에서 사용한 카메라는 FLIR사의 CM3-U3-13Y3C 모델, 렌즈는 Moritex사의 H0514-mp 렌즈를 사용하였으며 해당 센서의 세부 정보는 Table 1과 같다.
본 논문에서 제안한 센서 및 기준영상 정보 융합을 통한 차량 측위 알고리즘의 적합성 확인을 위해 차량 주행 데이터 취득 시스템을 구성하였다. 차량내장센서,GNSS,전방카메라로부터 데이터 취득 및 저장을 할 수 있도록 구성하였으며, 정밀측량장비(Applanix, POSLV210)를 이용한 주행경로 참 값 또한 함께 취득하여 정확도 검증을 할 수 있도록 구성하였다. Fig.
취득된 주행영상은 영상 주행기록계 알고리즘에 적용하여 직전 영상으로부터 현재 영상까지의 이동거리와 방향을 계산하였다. Fig.
측정된 정보를 바탕으로 갱신된 개별 파티클의 가중치를 이용하여 해당 시각의 차량의 위치와 주행 방향을 결정한다. 그리고 이후에 일부 파티클에 정보가 집중되는 것을 방지하기 위해 리샘플링(resampling) 과정을 거친다.
그리고 이렇게 취득된 영상과 각 영상의 외부표정요소를 입력 값으로 한 영상지오레퍼런싱을 수행하고, 그 결과로 주행 영역에 대한 기준영상정보를 구축할 수 있다. 해당 실험에서는 측위 알고리즘 실험을 진행할 영여겡 대해 사전에 주행하면서 기준영상정보 구축을 위한 주행을 먼저 진행하였다. 주행영상을 취득하는 카메라와 동일한 카메라를 이용하여 기준영상정보를 구축하였으며, 기준영상 구축에 사용된 영상은 약 7500장이다.

대상 데이터

7은 실제 취득했던 주행영상의 일부 샘플을 나타낸 것으로 보이는 것처럼 차량 전방에 하나의 영상센서를 탑재하고 주행하면서 영상을 취득하였다. 그리고 Fig. 8은 주행하면서 얻어지는 차량 내장 센서 정보 중 일부를 나타낸 것으로 차량에서 얻을 수 있는 센서 정보를 CAN(Controller Area Network)를 통해 취득하며, 해당 실험에서는 Kvaser사의 USBcan professional 제품을 이용해서 차량 센서 정보를 얻어 노트북에 저장하는 형태로 데이터를 수집하였다. 각 행은 개별 센서 데이터 정보를 의미하며 첫 열에서 의미하는 정보는 취득된 센서의 ID를 뜻하며 이후의 정보들은 각 센서에 따라 취득되는 값들의 세부항목을 의미한다.
본 논문에서 제안한 알고리즘의 성능 평가를 위해 추정한 위치 결과를 정밀측량장비로부터 얻어진 실제 주행경로와 비교하였으며, 기준영상 배치 간격에 따른 경로 추정 정밀도 확인 또한 진행하였다. 데이터 획득 지역은 경기 성남시 분당구 판교역 부근으로 고층 건물이 다수 분포하고 있어 위성 신호가 안정적으로 수신되지 않아 위성신호만을 이용한 측위에는 한계가 있으며, 교통 흐름이 원활하여 해당 측위 실험에 적합하다고 판단되어 실험지역으로 선정하였다. 그리고 주행경로는 직선/곡선경로를 포함할 수 있도록 구성하였다.
주행영상 정보를 이용한 갱신의 경우 주행영상으로부터 차량의 이동거리 및 방향 정보를 얻고 이를 이용하여 파티클의 가중치를 계산한다. 본 연구에서는 영상주행기록계 알고리즘을 이용하여 영상으로부터 차량 이동 정보를 계산했으며 이때 사용한 라이브러리는 LIBVISO2(Library for Visual Odometry)로 공개된 라이브러리이며(Geiger et al., 2011) 차량용 공개 데이터인 KITTI를 이용한 영상 주행기록계 벤치마킹 순위에서 단일 카메라로 적용이 가능한 알고리즘 중 상위권에 위치하고 있는 라이브러리이다. 단일 카메라를 이용할 경우 존재하는 스케일(scale) 문제는 지면으로부터 카메라까지의 높이와 장착된 카메라가 지면을 바라보는 각도인 pitch 값을 고정하는 방법으로 해결하였다.
센서 정보 및 기준영상 정보를 결합한 차량 위치 추정 알고리즘의 정확도 개선 효과를 확인하기 위해 위성 센서 단독 측위 결과 및 결합 측위 결과를 기준 주행경로와 비교하였으며 해당 실험에서 사용한 파티클의 개수는 300개이다.
제안한 알고리즘을 이용한 차량 위치 추정에는 차량내장 센서 중 속력 및 각속도 정보를 사용하였으며, GNSS센서, 전방카메라를 추가로 탑재하고 이용하였다. 시스템에서 사용한 카메라는 FLIR사의 CM3-U3-13Y3C 모델, 렌즈는 Moritex사의 H0514-mp 렌즈를 사용하였으며 해당 센서의 세부 정보는 Table 1과 같다. 해당 실험에서는 저가의 카메라를 사용하였기 때문에 카메라 왜곡이 일정하게 유지되지 않을 수 있다.
해당 실험에서는 측위 알고리즘 실험을 진행할 영여겡 대해 사전에 주행하면서 기준영상정보 구축을 위한 주행을 먼저 진행하였다. 주행영상을 취득하는 카메라와 동일한 카메라를 이용하여 기준영상정보를 구축하였으며, 기준영상 구축에 사용된 영상은 약 7500장이다. 구축된 기준영상의 지오레퍼런싱 정밀도는 위치의 경우 약 0.

데이터처리

그래서 이를 극복하기 위한 연구들이 이루어지고 있으며 본 연구에서는 그 방안으로 차량 내장 센서, 위성정보, 주행영상과 같은 센서 정보를 이용하여 이와 함께 기준영상 정보를 이용하여 차량 위치 추정 정밀도를 향상시키고자 하였다. 센서 결합을 위해서 파티클 필터를 사용하였으며, 알고리즘 검증을 위한 시스템 구축 및 정확도 평가를 수행하였다. 제안하는 알고리즘을 이용하여 차량 측위를 수행할 경우 기준영상 정보 이용 간격을 10 m로 설정하였을 때 약 0.
예측단계에서 얻어진 각 파티클이 가지는 상태변수 값과 보정 단계에서 얻어진 최종 가중치 정보를 이용하여 대푯값을 계산한다. 그리고 그렇게 계산된 값이 해당 시스템을 이용해 추정한 현재 시각의 차량위치 및 주행방향이 된다.
또한 실현 가능성 확인을 위해 센서 데이터 및 실제 주행경로를 취득할 수 있는 데이터 취득 시스템을 구축하였으며 이를 이용하여 데이터 취득 및 기준영상을 구축하였다. 취득된 데이터를 제안한 알고리즘에 적용하여 주행경로를 추정하고 이에 대한 정확도 평가를 수행하였다.
그리고 그렇게 계산된 값이 해당 시스템을 이용해 추정한 현재 시각의 차량위치 및 주행방향이 된다. 해당 논문에서는 파티클 필터의 최종 추정 값으로 최소평균 제곱오차(MMSE: Minimum Mean Square Error) 를 이용하였으며 해당 값은 파티클이 분포에 대한 가중평균으로 볼 수 있다. 식 (7)은 해당 단계의 계산 과정이다.

이론/모형

GNSS 수신기로부터 얻어지는 위성기반 위치 정보를 이용하여 파티클의 가중치를 계산한다. GNSS로부터 얻어지는 위치 값을 이용한 가중치 계산은 확률밀도분포를 다변수 정규분포(multivariate normal distribution)로 정의하고 이를 이용하여 계산하였다. 계산과정은 아래 식 (3)과 같다.
해당 단계에서는 갱신되는 센서정보 값이 없을 경우 시각의 변화에 따라 지속해서 시스템의 상태를 예측하게 되며, 예측 후 새로운 측정값이 존재하는 경우 보정 단계로 넘어가게 된다. 해당 논문에서는 예측 단계에서 차량에 내장되어 있는 센서 데이터를 이용하여 추측항법을 수행하며 이때 사용한 차량 운동 모델은 kinematic vehicle model이다. 측위에 사용한 내장 센서는 속력과 각속도 정보로 이를 이용한 차량 위치 예측 과정은 식 (1)과 같다.

성능/효과

단일 카메라를 이용할 경우 존재하는 스케일(scale) 문제는 지면으로부터 카메라까지의 높이와 장착된 카메라가 지면을 바라보는 각도인 pitch 값을 고정하는 방법으로 해결하였다. 연속된 주행 영상과 카메라의 내부표정요소를 입력으로 하며 알고리즘 수행 결과로 직전 영상과 비교했을 때 현재 영상이 X, Y 방향으로 얼마나 이동했는지에 대한 정보를 얻을 수 있다. 이 정보를 이용하여 현재 차량의 위치를 결정하고 해당 위치로부터 개별 파티클의 위치가 얼마나 떨어져 있는지에 따라 파티클의 가중치를 정하도록 하였으며, 영상 주행기록계의 확률밀도분포는 다변수 정규분포로 가정하였다.
센서 결합을 위해서 파티클 필터를 사용하였으며, 알고리즘 검증을 위한 시스템 구축 및 정확도 평가를 수행하였다. 제안하는 알고리즘을 이용하여 차량 측위를 수행할 경우 기준영상 정보 이용 간격을 10 m로 설정하였을 때 약 0.7 m 이내로 추정이 가능함을 확인하였다. 이는 위성정보만 사용하는 경우에 비해 정확도가 크게 향상된 결과이다.
(2015)는 차량에 다수의 카메라를 탑재하고 이로부터 얻어진 주행 영상과 사전에 구축해둔 도로 노면 표시 정보를 결합하여 차량 위치를 결정하는 연구를 수행하였다. 차량 주행에 따른 영상의 오차 분포를 함께 고려하여 자율주행 요구수준에 부합하는 높은 정밀도 측위 시스템 구현하였다. 하지만 도로위의 차선 및 노면 정보가 안정적으로 추출되는 경우에만 정밀 측위가 가능하며 해당 정보가 존재하지 않거나 잘못 측위 될 경우 오차가 커질 수 있는 단점이 존재하였다.
5 m정도로 큰 오차가 발생하였다. 하지만 기준영상 정보를 이용할 경우 그 오차가 줄어드는 것을 확인할 수 있었으며, 10 m 간격으로 기준영상 정보를 이용할 경우에는 위치 오차의 RMS가 약 0.77 m까지 줄어드는 것을 확인할 수 있었다.

후속연구

이는 위성정보만 사용하는 경우에 비해 정확도가 크게 향상된 결과이다. 하지만 기준영상 간격이 조밀해야 자율주행에서 요구하는 측위 정밀도를 만족할 수 있으므로, 추가 정보 결합이나 필터 개선을 통해 이를 보완할 수 있는 연구를 진행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	차량 측위에 센서정보만 이용할 경우의 단점은?	이처럼 센서정보만 이용할 경우 고가의 센서를 사용해야 하거나, 저가의 센서를 사용할 경우 낮은 정밀도를 보이는 단점이 존재한다. 그래서 이를 보완하기 위한 방안으로 센서 정보 이외에 주행하는 영역에 대한 지도 정보를 이용하는 연구가 최근 활발하게 진행되고 있다(Ziegler et al.
	본 연구에서 측위 시스템의 한계를 극복하기 위해 개발한 것은?	기존의 위성신호 의존적이거나 고가의 센서를 사용하는 측위 시스템의 한계를 극복하고자 GNSS, 차량내장센서, 영상센서, 기준영상 정보를 통합하여 차량의 위치를 추정하는 알고리즘을 개발하였다. 개발된 통합 알고리즘은 위성센서에서 취득한 위치정보, 차량내장센서로부터 속력 및 각속도 정보, 영상센서로부터 취득되는 주행영상정보를 영상 주행기록계 계산을 통해 차량 이동정보, 기준영상정보와 주행영상 정보 결합을 통한 위치 정보를 각각 얻으며, 해당 정보를 파티클 필터(particle filter)를 이용하여 결합하였다.
	차량 측위에 사용되는 방법인 GNSS는 어떤 특징을 가지고 있나요?	차량 측위에 가장 많이 사용되는 방법은 GNSS(Global Navigation Satellite System)를 이용한 방법이다. 위성으로부터 비교적 쉽고 정확하게 차량의 절대좌표를 얻을 수 있으며, 수신기의 가격 또한 낮기 때문에 차량 측위에 필수적으로 사용되고 있다. 하지만 위성에서 수신된 신호를 이용하기 때문에 수신환경이 나쁘거나 음영지역에 있을 경우 정확도가 크게 낮아지는 단점이 있다. 그래서 위성신호만으로는 안정적인 측위가 어렵기 때문에 이를 보완하기 위한 방법으로 IMU(Inertial Measurement Unit)를 함께 이용하는 측위가 존재한다.

참고문헌 (12)

Franke, U., D. Pfeiffer, C. Rabe, C. Rabe, C. Knoeppel, M. Enzweiler, F. Stein, and R. G. Herrtwich, 2013. Making bertha see, Proc. of the Institute of Electrical and Electronics Engineers International Conference on Computer Vision Workshops, Sydney, Dec. 1-8 pp. 214-221.
Geiger, A., J. Ziegler, and C. Stiller, 2011. StereoScan: Dense 3d reconstruction in real-time, Proc. of 2011 Institute of Electrical and Electronics Engineers Intelligent Vehicles Symposium, Baden-Baden, Jun. 5-9, pp. 963-968.
Gustafsson, F., 2010. Particle filter theory and practice with positioning applications, IEEE Aerospace and Electronic Systems Magazine, 25(7): 53-81.

상세보기
Gwak, M., K. Jo, and M. Sunwoo, 2013. Neural network based multiple-model filter using a GPS with in-vehicle sensors for autonomous vehicle positioning, International Journal of Automotive Technology, 14(2): 265-274.
Jo, K., K. Chu, and M. Sunwoo, 2012. Interacting Multiple Model Filter-Based Sensor Fusion of GPS With In-Vehicle Sensors for Real-Time Vehicle Positioning, Institute of Electrical and Electronics Engineers Transactions on Intelligent Transportation Systems, 13(1): 329-343.

상세보기
Jo, K., Y. Jo, J.K. Suhr, H.G. Jung, and M. Sunwoo, 2015. Precise Localization of an Autonomous Car Based on Probabilistic Noise Models of Road Surface Marker Features Using Multiple Cameras, Institute of Electrical and Electronics Engineers Transactions on Intelligent Transportation Systems, 16(6): 3377-3392.

상세보기
Kim, H. and I. Lee, 2018. Localization of a Car based on Multi-sensor Fusion, Proc. of ISPRSInternational Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Karlsruhe, Oct. 10-12, pp. 247-250.
Kim, S.B., J.C. Bazin, H.K. Lee, K.H. Choi, and S.Y. Park, 2011. Ground vehicle navigation in harsh urban conditions by integrating inertial navigation system, global positioning system, odometer and vision data, Institution of Engineering and Technology Radar, Sonar & Navigation, 5(8): 814-823.
Nister, D., O. Naroditsky, and J. Bergen, 2004. Visual odometry, Proc. of the 2004 Institute of Electrical and Electronics Engineers International Conference on Computer Vision and Pattern Recognition, Washington, D.C., Jun. 27-Jul. 2, vol. 1, pp. 652-659.
Scaramuzza, D. and F. Fraundorfer, 2011. Tutorial: Visual odometry, Institute of Electrical and Electronics Engineers Robotics and Automation Magazine, 18(4): 80-92.
Suhr, J.K., J. Jang, D. Min, and H.G. Jung, 2017. Sensor Fusion-Based Low-Cost Vehicle Localization System for Complex Urban Environments, Institute of Electrical and Electronics Engineers Transactions on Intelligent Transportation Systems, 18(5): 1078-1086.

상세보기
Ziegler, J., H. Lategahn, M. Schreiber, C.G. Keller, C. Knoppel, J. Hipp, M. Haueis, and C. Stiller, 2014. Video Based Localization for BERTHA, Proc. of 2014 IEEE Intelligent Vehicles Symposium, Dearborn, Jun. 8-11, pp. 1231-1238.

저자의 다른 논문 :

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