[논문]기계학습을 통한 예측 DGPS 항법 알고리즘

김홍표; 장진혁; 구상훈; 안종선; 허문범; 성상경; 이영재

doi:10.12673/jant.2018.22.6.602

초록
AI-Helper

DGPS (differential GPS) 방식의 위치해 계산 방식은 기준국 수신기와 동적 수신기와의 의사거리 보정정보 (PRC; pseudo-range correction) 실시간 통신을 통해서 위치해를 계산하는 방식을 말한다. 실제 동적으로 움직이는 수신기에서는 기준국 수신기와의 통신이 단절되어 PRC 실시간 통신이 단절되는 상황이 발생한다. 논문에서는 DGPS 방식의 위치해 계산방식에서 PRC를 받는 실시간 상황 중간에서수신기에 의사거리보정 정보전송이 끊긴 상황을 가정하여, 수신기에서 기존에 수신했던 PRC 정보를 사용하여 가상의 PRC 모델을 기계학습 알고리즘을 통해 실시간 생성하는 predict DGPS를 제안한다. predict DGPS 방식을 검증하기 위해 고정되어있는 기준국의 수신기에서 실제 PRC와 본 논문에서 제안 한가상의 PRC를 적용하여 위치해를 비교, 분석하였다. 또한 실제 도로에서 PRC 통신이 단절된 시나리오를 가정하여, predict DGPS 방식을 적용한 위치해 계산 방식이 기존 방식의 위치해 계산과 비교하여 향상된 위치해를 보여 줄수 있음을 보였다.

Abstract ▼ AI-Helper

Differential GPS (DGPS) is known as a positioning method using pseudo range correction (PRC) which is communicating between a refence receiver and moving receivers. In real world, a moving receiver loses communication with the reference receiver, resulting in loss of PRC real-time communication. In ...

Differential GPS (DGPS) is known as a positioning method using pseudo range correction (PRC) which is communicating between a refence receiver and moving receivers. In real world, a moving receiver loses communication with the reference receiver, resulting in loss of PRC real-time communication. In this paper, we assume that the transmission of the pseudo range correction isinterrupted in the middle of real-time positioning situations, in which calibration information is received in the DGPS method. Under the disconnected communication, we propose 'predict DGPS' that real-time virtual PRC model which is modeled by a machine learning algorithm with previously acquired PRC data from a reference receiver. To verify predict DGPS method, we compared and analyzed positioning solutions acquired from real PRC and the virtual PRC. In addition, we show that positioning using the DGPS prediction method on a real road can provide an improved positioning solution assuming a scenario in which PRC communication was cut off.

주제어

표/그림 (16)

그림 그림 1. 15시간의 GPS 데이터로 생성한 PRC 모델 [4] Fig. 1. PRC model generated from 15 hours of data [4].
그림 그림 2. DGPS 기본 개념도 Fig. 2. Basic conceptual of DGPS.
그림 그림 3. 실험 장소 및 환경 Fig. 3. Experiment location and environment.
그림 그림 4. 샘플링 된 PRC와 머신러닝 알고리즘을 통해 모델화된 PRC 함수 (샘플링 시간: 10초) Fig. 4. Sampled PRC and modelized PRC by machine learning algorightm (sampling time: 10sec).
그림 그림 5. 샘플링 된 PRC와 머신러닝 알고리즘을 통해 모델화된 PRC 함수 (샘플링 시간: 60초) Fig. 5. Sampled PRC and modelized PRC by machine learning algorightm (sampling time: 60sec).
그림 그림 6. 샘플링 된 PRC와 머신러닝 알고리즘을 통해 모델화된 PRC 함수 (샘플링 시간: 300초) Fig. 6. Sampled PRC and modelized PRC by machine learning algorightm (sampling time: 300sec).
그림 그림 7. 샘플링 된 PRC와 머신러닝 알고리즘을 통해 모델화된 PRC 함수 (샘플링 시간: 600초) Fig. 7. Sampled PRC and modelized PRC by machine learning algorightm (sampling time: 600sec).
그림 그림 8. 잔차 히스토그램, 쿡의 거리 그래프 (샘플링 시간: 10초) Fig. 8. Residual histogram, Cook’s distance (sampling time: 10sec).
그림 그림 9. 잔차 히스토그램, 쿡의 거리 그래프 (샘플링 시간: 60초) Fig. 9. Residual histogram, Cook’s distance (sampling time: 60sec).
그림 그림 10. 잔차 히스토그램, 쿡의 거리 그래프 (샘플링 시간: 300초) Fig. 10. Residual histogram, Cook’s distance (sampling time: 300sec).
그림 그림 11. 잔차 히스토그램, 쿡의 거리 그래프 (샘플링 시간: 600초) Fig. 11. Residual histogram, Cook’s distance (sampling time: 600sec).
표 표. 1. 실제 데이터와 모델 PRC를 적용한 위치해 비교 Table 1. Comparison of horizontal mean error with real data modeled PRC
그림 그림 12. SPAN 데이터의 위치 해 Fig. 12. Positioning plot from SPAN data.
그림 그림 13. Predict DGPS의 위치해 Fig. 13. Positioning plot from predict DGPS data.
그림 그림 14. 단독측위의 위치해 Fig. 14. Positioning plot from stand-alone data.
표 표 2. 수평 평균 오차 비교 Table. 2. Comparison of horizontal mean error

AI 본문요약
AI-Helper

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

가설 설정

이를 극복하는 방식으로 수신기 자체에서 누적된 데이터를 통해 PRC를 추정하는 predict DGPS 방식을 제안하였다. 본 논문에서는 PRC의 모델 함수를 2차 지수함수 모델로 가정한 후, 기준 수신기에서 측정된 데이터의 누적 시간을 각각 달리 조정하여 누적된 데이터의 시간의 길이에 따른 추정 함수를 검증하였다. 추정 함수를 검증한 결과 함수 추정을 위한 데이터가 너무 적으면 모델 함수에 대한 데이터의 잔차가 고르게 분포되었다.
본 논문에서의 의사거리 측정오차는 위성의 앙각이 낮아짐에 따라 오차는 증가하는 것으로 가정하였다. 그 경향성은 지수 함수 꼴로 나타나게 되며 본 논문에서는 2차 지수함수 모델로 설정하였다 [3],[4].
본 논문은 위성항법시스템에서 흔히 사용하는 위치해 계산방식인 DGPS에서 수신기 간 통신 상황이 단절된 상황을 가정하였다. 이를 극복하는 방식으로 수신기 자체에서 누적된 데이터를 통해 PRC를 추정하는 predict DGPS 방식을 제안하였다.

제안 방법

또한, 본 논문에서는 predict DGPS 방식의 위치해 계산 방식을 검증하기 위하여 실제 데이터와 가장의 PRC를 적용한 데이터와의 위치해를 비교하였다. 기준 수신기에서는 수평오차와 RMS에서 예측된 PRC를 적용한위치해 계산방식이 위치 오차가 적음을 보였다.
머신러닝 알고리즘을 통해 얻은PRC를 검증하기 위하여 위치를 알고 있는 기준국에서 위치해 검증을 시행하였다. 데이터수집은 2018년7월 24일에 20분간 3시간 간격으로 이루어졌다.
본 논문에서는 DGPS 방식의 위치해 계산 방식에서 보정 정보를 받는 실시간 상황 중간에수신기에서 PRC 전송이 끊긴상황을 가정, 종래에 수신했던 PRC 정보를 사용하여 가상의 PRC 모델을 기계학습 알고리즘을 통해 생성하는 것을 제안하여, 실시간 PRC 모델을 생성한다. 본 논문에서는 이러한 가상의 PRC를 머신러닝 기법을 통해 생성하여 위치해를 계산하는 방식을 predict DGPS라 한다.
실제 야외 실험 데이터를 통해서 제안하는 방식을 검증하였다. 제안하는 predict DGPS의 경우 종래의 DGPS 방식보다는 위치해 구간에서 좋은 성능을 내지 못 하였지만, 단독측위방식보다는 좋은 성능을 보여주었다.
본 논문은 위성항법시스템에서 흔히 사용하는 위치해 계산방식인 DGPS에서 수신기 간 통신 상황이 단절된 상황을 가정하였다. 이를 극복하는 방식으로 수신기 자체에서 누적된 데이터를 통해 PRC를 추정하는 predict DGPS 방식을 제안하였다. 본 논문에서는 PRC의 모델 함수를 2차 지수함수 모델로 가정한 후, 기준 수신기에서 측정된 데이터의 누적 시간을 각각 달리 조정하여 누적된 데이터의 시간의 길이에 따른 추정 함수를 검증하였다.

대상 데이터

데이터수집은 2018년7월 24일에 20분간 3시간 간격으로 이루어졌다. 데이터 수집에 사용된 기기로는 Novatel FLEX6-G1S-000-000 수신기와 Novatel GNSS-750 안테나를 이용하여 수집하였다. 데이터의 샘플링 간격은 1초로 설정하였고, 데이터 수집 장소는 대한민국 서울 건국대학교이다.
데이터 수집에 사용된 기기로는 Novatel FLEX6-G1S-000-000 수신기와 Novatel GNSS-750 안테나를 이용하여 수집하였다. 데이터의 샘플링 간격은 1초로 설정하였고, 데이터 수집 장소는 대한민국 서울 건국대학교이다. 데이터 처리와 curve fitting을 위한 프로그램은 MATLAB 2018a를 사용하였다.
표1은 앞서 연구된 데이터를 실제 위치해 계산 시 적용하였으며, 수평과 수직을 구분하여 RMS (root mean square)를 비교하였다. 모델링 검증에 사용된 데이터는 600초의 GPS 데이터를 사용하였다. 모델링 된 PRC는 각각 10초, 60초, 300초, 600초의 샘플링 시간으로부터 얻은 추정 회귀 모델함수를 적용하였다.
본 논문에서는 모델링된 PRC 함수에 사용된 데이터의 아웃라이어를 파악하기 위해 쿡의 거리를 사용했다. 쿡의 거리는 추정된 회귀 식에 대해서 데이터의 타당성을 검증하는 통계량으로, 0.
실제 위치해에 모델링 된 PRC를 적용해 보기 위하여 야외실험 데이터를 사용하였다. 야외 실험은 2014년 7월 1일에 1Hz로 얻은 GPS 데이터를 사용하였다.
실제 위치해에 모델링 된 PRC를 적용해 보기 위하여 야외실험 데이터를 사용하였다. 야외 실험은 2014년 7월 1일에 1Hz로 얻은 GPS 데이터를 사용하였다. SPAN 데이터를 기준으로 하여 DGPS를 통해 얻은 위치해와 가상의 PRC를 적용한 predict DGPS를 비교하였다.

데이터처리

야외 실험은 2014년 7월 1일에 1Hz로 얻은 GPS 데이터를 사용하였다. SPAN 데이터를 기준으로 하여 DGPS를 통해 얻은 위치해와 가상의 PRC를 적용한 predict DGPS를 비교하였다.
그 후 모델링 된 PRC 함수가 실제 데이터를 잘 추정함을 검증한다. 그리고 기준 수신기에서 샘플 데이터 구간을 달리 적용한 가상의 PRC를 사용하여 위치해를 계산, 실제 PRC 데이터를 사용한 위치해와 비교한다. 4절은 실제 도로에서 GPS와 관성항법시스템을 결합한 Novatel 사의 SPAN 데이터를 기준으로 하여, 단독측위, predict DGPS, DGPS와의 위치해를 비교한다.
본 논문에서는 모델링 된 2차 지수함수 모델을 검증하기 위하여 실제 데이터와 추정 회귀 모델함수 간의 평균 제곱근 오차를 계산하였다. 또한,
표1은 앞서 연구된 데이터를 실제 위치해 계산 시 적용하였으며, 수평과 수직을 구분하여 RMS (root mean square)를 비교하였다. 모델링 검증에 사용된 데이터는 600초의 GPS 데이터를 사용하였다.

이론/모형

데이터의 샘플링 간격은 1초로 설정하였고, 데이터 수집 장소는 대한민국 서울 건국대학교이다. 데이터 처리와 curve fitting을 위한 프로그램은 MATLAB 2018a를 사용하였다. 그림 3은 데이터수집 장소의 위치와 환경을 보여준다.

성능/효과

비교군은 DGPS, predict DGPS, 단독측위 방식의 총 3가지 방법이다. 위치해는 DGPS 방식이 가장 좋음을 보였으며, predict DGPS가 수평오차를 판단했을 때 단독측위보다는 향상된 것을 확인하였다. 단독측위에 비해 predict DGPS에서 아웃라이어가 생기지 않음을 가시적으로 확인하였다.
실제 야외 실험 데이터를 통해서 제안하는 방식을 검증하였다. 제안하는 predict DGPS의 경우 종래의 DGPS 방식보다는 위치해 구간에서 좋은 성능을 내지 못 하였지만, 단독측위방식보다는 좋은 성능을 보여주었다. 특히 위치해를 지도에 출력하였을 때, 위치해가 레퍼런스 값 (SPAN 데이터)과 많이 벗어나는 현상을 제거해 주는 현상을 보였다.

후속연구

predict DGPS 방식은 기계학습 분야가 많이 연구됨에 따라 모델 함수의 정확도가 향상될 것이며, 특히 저가형 수신기에서 소프트웨어 알고리즘을 통해 DGPS을 모사할 수 있을 것이라 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	DGPS (differential GPS) 방식의 위치해 계산 방식이란 무엇인가?	DGPS (differential GPS) 방식의 위치해 계산 방식은 기준국 수신기와 동적 수신기와의 의사거리 보정정보 (PRC; pseudo-range correction) 실시간 통신을 통해서 위치해를 계산하는 방식을 말한다. 실제 동적으로 움직이는 수신기에서는 기준국 수신기와의 통신이 단절되어 PRC 실시간 통신이 단절되는 상황이 발생한다.
	위성 신호를 통한 수신기의 위치해 계산 방식에는 무엇이 있는가?	위성 신호를 통한 수신기의 위치해 계산 방식은 단독 측위,DGPS (differential GPS), RTK (real time kinematic) 방식 등이 존재한다. 본 논문에서는 단독 측위 방식과 DGPS 방식에 대해서만 논한다.
	predict DGPS는 어떠한 상황을 극복하기 위해 제안되었는가?	본 논문은 위성항법시스템에서 흔히 사용하는 위치해 계산방식인 DGPS에서 수신기 간 통신 상황이 단절된 상황을 가정하였다. 이를 극복하는 방식으로 수신기 자체에서 누적된 데이터를 통해 PRC를 추정하는 predict DGPS 방식을 제안하였다.

참고문헌 (7)

B. Hoffmann-Wellenhof, H. Lichtenegger, and E. Wasle, GNSS: GPS, GLONASS, Galileo & More, 1st ed. Morlenbach, Austria: Springer Wien New York, 2008.
G Xu, GPS Theory, Algorithms and Applications, 2nd ed. Meppel, Germany: Springer-Verlag Berlin Heidelberg, 2007.
D. H. Won, J. Ahn, S. W. Lee, J. Lee, S. Sung, H. W. Park, J. P. Park, and Y. J. Lee 2012, "Weighted DOP with consideration on elevation-dependent range errors of GNSS satellites," IEEE Transactions on Instrumentation and Measurement, Vol 61, No. 12, pp. 3241-3249, Dec. 2012.

상세보기
H. Kim, J. Jang, J. P. Park, G. I. Jee, and Y. J. Lee, "Satellite selection method according to signal levels of multi-constellation GNSS," in Proceedings of the 31st International Technical Meeting of The Satellite Division of the Institute of Navigation (ION GNSS+ 2018), Miami: FL, pp. 3746-3752, 2018.
P.W. Holland, and R.E. Welsch, "Robust regression using iteratively reweighted least-squares," Communications in Statistics: Theory and Methods, Vol. A6, No. 9, pp. 813-827, Jan. 1977.
H. Lichtenegger, DGPS fundamentals, Reports on Geodesy, Warsaw University of Technology, Vol. 11, No. 41, pp. 7-19, 1998.
R. Dennis Cook, "Detection of influential observation in linear regression," Technometrics, Vol. 19, No. 1, pp. 15-18, Feb. 1977

상세보기

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

기계학습을 통한 예측 DGPS 항법 알고리즘
Predict DGPS Algorithm using Machine Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (16)

표/그림 (16)

AI 본문요약
AI-Helper

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

기계학습을 통한 예측 DGPS 항법 알고리즘 Predict DGPS Algorithm using Machine Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (16) 모든 표/그림 보기

표/그림 (16) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

저자의 다른 논문 :

김홍표 (1) 장진혁 (4) 안종선 (16) 허문범 (83) 성상경 (51) 이영재 (78)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

기계학습을 통한 예측 DGPS 항법 알고리즘
Predict DGPS Algorithm using Machine Learning 원문보기

초록
AI-Helper

표/그림 (16)

표/그림 (16)

AI 본문요약
AI-Helper