[논문]도심 주행을 위한 AVM 영상과 RTK GPS를 이용한 차량의 정밀 위치 추정

곽기성; 김동규; 황성호

doi:10.7839/ksfc.2020.17.4.072

도심 주행을 위한 AVM 영상과 RTK GPS를 이용한 차량의 정밀 위치 추정
Precision Localization of Vehicle using AVM Image and RTK GPS for Urban Driving 원문보기

드라이브ㆍ컨트롤 = Journal of drive and control, v.17 no.4, 2020년, pp.72 - 79

곽기성 (Department of Mechanical Engineering, Sungkyunkwan University) , 김동규 (Department of Mechanical Engineering, Sungkyunkwan University) , 황성호 (Department of Mechanical Engineering, Sungkyunkwan University)

Abstract ▼ AI-Helper

To ensure the safety of Advanced Driver Assistance Systems (ADAS) or autonomous vehicles, it is important to recognize the vehicle position, and specifically, the increased accuracy of the lateral position of the vehicle is required. In recent years, the quality of GPS signals has improved a lot and the price has decreased significantly, but extreme urban environments such as tunnels still pose a critical challenge. In this study, we proposed stable and precise lane recognition and tracking methods to solve these two issues via fusion of AVM images and vehicle sensor data using an extended Kalman filter. In addition, the vehicle's lateral position recognition and the abnormal state of RTK GPS were determined using this approach. The proposed method was validated via actual vehicle experiments in urban areas reporting multipath and signal disconnections.

주제어

표/그림 (11)

그림 Fig. 1 Chess board image
그림 Fig. 2 AVM image
그림 Fig. 3 Lane detection on vehicle coordinate system
그림 Fig. 4 Lane tracking on vehicle coordinate system
그림 Fig. 5 Flow chart of proposed algorithm
그림 Fig. 6 Experimental vehicle
표 Table 1 Honeywell n580 specifications
그림 Fig. 7 Test area - Alphacity, Daegu
그림 Fig. 8 Results of lane detection and tracking
그림 Fig. 9 Lateral error when driving in a tunnel
표 Table 2 Lateral error with reference position

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 AVM의 부족한 영상 범위의 한계를 극복하기 위해 AVM 영상과 차량 내부 센서 데이터를 칼만 필터에 융합하여 안정적이고 지속적인 차선 인식 및 추적을 수행한다. 그 후 정밀지도의 차선정보를 활용하여 도심이나 터널과 같이 GPS 신호의 단절 및 보정 복구 과정에서 이상 상태를 판단하여 차량의 위치를 추정하는 방법을 제안한다.

가설 설정

초기화 조건은 정밀 지도에서 도로 곡률의 정보를 활용하여 직선 도로의 경우 연속으로 측정값이 30 step (1초) 이상 실패하는 경우로 설정하여 차선 추적을 지속하였다. 반대로 곡선도로의 경우 차선 인식에서 가정한 차선의 직선화 조건으로 차선 추적을 지속하는 경우 실제 곡선 차선을 추적하지 못하기 때문에 초기화 조건을 3 step (0.1초)로 설정하였다.

제안 방법

또한, 차량에 설치된 각 카메라의 좌표계와 차량 좌표계 사이의 변환을 위해 Fig. 1(b)와 같이 차량 주위에 대형 체스보드를 설치하였으며, 취득한 이미지들을 OpenCV 라이브러리를 활용하여 내외부 파라미터 캘리브레이션을 진행하였다. 최종적으로 4개 카메라 영상의 왜곡 보정, 탑뷰 변환과 영상 정합을 통해 Fig.
최종 차선 모델을 인식하기 위해 전처리 과정을 통해 도출된 차선 중앙 후보 점들을 이용하여 이상치에 강인한 RANSAC (Random Sample Consensus) 알고리즘을 사용하였다.²⁶⁾ 좌우 차선 후보 모델을 구하고 최종의 차선 판단 기준으로 정밀 지도의 정보 중 현재 주행 차선의 헤딩과 차로 폭 데이터를 사용하였으며, 이것이 실차 테스트로 얻어진 임계 범위 안에 포함되면 두 개의 선형 차선 모델을 인식의 결과로 확정한다.
5는 제안한 알고리즘의 전체 순서도를 나타낸다. AVM 영상, 차량 내부 CAN 데이터, RTK GPS 정보, 정밀 지도 정보 데이터들을 활용하여 차선 인식 및 추적, GPS 데이터의 상태 판단 및 차량의 위치와 헤딩을 추정한다. 최종적으로 추정 된 차량의 위치와 헤딩 정보는 판단 및 제어 등의 상위 어플레케이션에서 활용한다.
AVM 영상을 생성하기 위해 차량의 전후좌우 4곳에 640x480 pixel의 아날로그 어안 카메라를 설치하였으며, Euresys사의 4채널 실시간 이미지 그래버 Picolo Alert PCIe을 사용하여 30 FPS로 영상을 취득하였다. 각 어안 카메라의 공정 시 제작 공차 및 렌즈에 의해 발생되는 내부 파라미터 캘리브레이션을 위해 Fig.
AVM 영상을 이용한 차선 인식을 위해 4개 카메라의 캘리브레이션을 수행하였으며 생성한 AVM 영상의 특성을 반영하여 차선을 인식 하였다.
AVM 영상의 인식 범위 한계로 인한 불안정한 차선 인식 문제를 해결하기 위해 확장 칼만필터를²⁷⁾ 사용하였으며, 차량 CAN 데이터의 속도, yawrate와 차선 인식 결과를 융합하여 안정적이고 지속적인 차선추적을 수행하였다.
AVM 원본 영상에서 차선의 후보점들을 도출하기 위해 엣지 검출 필터인 Sobel Filter를²⁵⁾ 적용 후 도로교통법에 명시되어 있는 차선 폭 정보를 활용하여 노이즈 성분을 제거하였다.최종 차선 모델을 인식하기 위해 전처리 과정을 통해 도출된 차선 중앙 후보 점들을 이용하여 이상치에 강인한 RANSAC (Random Sample Consensus) 알고리즘을 사용하였다.
인식 및 추적을 수행한다. 그 후 정밀지도의 차선정보를 활용하여 도심이나 터널과 같이 GPS 신호의 단절 및 보정 복구 과정에서 이상 상태를 판단하여 차량의 위치를 추정하는 방법을 제안한다. 제안된 알고리즘의 성능 검증을 위해 실차 시험을 진행하였으며, 이를 통해 실도로 주행 데이터 기반의 위치추정정확도 검증을 수행하였다.
윈도우즈 OS 환경에서 카메라 이미지를 빠른 속도로 처리하기 위해 OpenCV 라이브러리를 사용하였다. 나머지 센서 데이터들은 LabVIEW 프로그램을 활용하였으며, 이미지 관련 데이터들은 TCP/IP 통신을 통해 LabVIEW 로깅 프로그램으로 데이터 및 타임 스탬프 정보를 전달함으로써 전체 센서들의 동기화를 수행하였다.
데이터와 융합하였다. 두 센서를 융합한 확장 칼만 필터를 통해 처리 부하를 줄이고 안정적인 차선추적을 수행하였다. 차선의 인식부터 추적까지 10ms 이하의 처리 속도를 확보하였다.
^23-24)차량 양 옆의 약 10m 이하 범위에서 영상이 취득되는 AVM 영상의 경우, 회전반경이 매우 작은 선회와 같이 주행 중 발생 빈도가 낮거나 주행 지속시간이 짧은 경우를 제외하면 대부분은 직선 차선으로 간주할 수 있다. 또한 정상 주행 시 차량 좌표계에서 차선의 기울기는 수직에 가깝기 때문에 시스템의 안정화를 위해 x축을 공역, y축을 정의역으로 설정하였다. 따라서 차선 인식의 안전성과 추후 차선 추적 모델의 단순화를 위해 선형 모델식 (1)을 차선 피팅에 사용하였다.
본 논문에서는 AVM 영상을 이용하여 선형화된 차선 모델을 인식하고 확장 칼만 필터를 이용하여 차선 데이터와 융합하였다. 두 센서를 융합한 확장 칼만 필터를 통해 처리 부하를 줄이고 안정적인 차선추적을 수행하였다.
6과 같이 자율주행 차량으로 개조된 아반떼 차량을 이용하였다. 안정적인 차선 인식을 위해 전후좌우에 어안렌즈 카메라를 장착하여 AVM 이미지 영상을 생성하였다. 실험에 사용할 정밀 위치 정보를 취득하기 위해서 Synerex사의 L1/L2 RTK 수신기 제품과 차량 루프에 낮은 정밀도의 GPS 안테나를 설치하였다.
예측 과정의 경우 100Hz의 빠른 속도로 데이터가 들어오는 차량 데이터의 주기에 맞춰 갱신하였으며, 업데이트의 경우 카메라 데이터(30Hz)의 주기를 주기에 맞춰 측정값을 반영하는 멀티 레이트 칼만 필터 구조를 사용하였다. 초기화 조건은 정밀 지도에서 도로 곡률의 정보를 활용하여 직선 도로의 경우 연속으로 측정값이 30 step (1초) 이상 실패하는 경우로 설정하여 차선 추적을 지속하였다.
장비인 n580을 활용하였다. 위치 및 자세 정밀도의 향상을 위해 차량 루프에 2개의 GPS 안테나를 설치하고 정밀위치 보정을 위해 국토지리정보원의 VRS 보정정보를 이용하여 cm급의 정밀도를 확보하였다. Table 1에는 사용된 레퍼런스 장비의 사양을 기술하였다.
과정에서 신뢰도를 보장하기 어렵다. 이러한 문제를 해결하기 위해 AVM을 이용한 주행 차로 인식 결과와 정밀지도의 정보를 이용하여 현재 차량의 위치와 헤딩을 인식하고 실험으로 도출한 차선 인식 최대 허용 오차 20cm와 헤딩 최대 허용오차 7°를 임계 값으로 설정하여 RTK GPS의 신뢰도를 추가로 판단한다. AVM 영상의 판단 조건을 만족하지 못하면 RTK GPS를 이상 상태라고 판단하고 영상 인식의 결과를 측정 상태 변수로 업데이트 한다.
제안된 방법의 성능을 검증하기 위해 대구 수성 알파 시티의 실차 주행 실험을 진행하였다. 터널 구간주행 시 RTK GPS의 신호 단절 상황에서 차량의 횡 방향 최대 오차 0.
제안한 차선 인식 및 추적 알고리즘의 성능을 테스트하기 위해 Fig. 8과 같이 실차 주행을 통해 AVM 영상에서 차선을 인식하고 추적하였다. 파란색 선이 영상 인식을 통한 왼쪽, 오른쪽 차선의 최종 측정값이며 빨간색 선은 확장 칼만 필터를 이용한 차선의 추적 결과 값을 나타낸다.
(c)와 (d)의 경우는 차선 인식 결과 값이 초기화 기준에 도달하기 전까지 연속적으로 실패한 경우에도 차선 유지와 변경 시 지속적으로 추적하는 것을 보여준다. 제안한 차선 인식 및 추적 알고리즘의 인식률을 측정하기 위해 알파시티를 주행하며 10Hz 속도로 저장한 AVM 이미지 2000장에 대해서 차선 인식의 성공 여부를 판단하였다.
차선 인식 결과 값을 모델의 측정값으로 사용하였다. 차량의 위치 추정을 위해서 좌, 우 두 개 차선의 중앙 차선 모델 값을 추적에 사용하였다. 또한 차량은 차선을 넘지 않도록 주행해야 하기 때문에 중앙 추적값을 양쪽 차선의 정보로 되돌리기 위해 차로 폭도 측정 값에 포함하였다.
구조를 사용하였다. 초기화 조건은 정밀 지도에서 도로 곡률의 정보를 활용하여 직선 도로의 경우 연속으로 측정값이 30 step (1초) 이상 실패하는 경우로 설정하여 차선 추적을 지속하였다. 반대로 곡선도로의 경우 차선 인식에서 가정한 차선의 직선화 조건으로 차선 추적을 지속하는 경우 실제 곡선 차선을 추적하지 못하기 때문에 초기화 조건을 3 step (0.

대상 데이터

2의 AVM 영상을 생성하였다. 4.8x1.2 m 크기의 대형 체스 보드를 IPM(Inverse Perspective Mapping)을통해 240x60 pixel의 탑뷰 영상으로 변환 하였다. 생성한 AVM 영상의 분해능은 2cm/pixel로 최대 2cm급 수준의 차선 인식 정밀도를 확보하였다.
중앙 위치 정보가 필요하다. 국토지리 정보원에서 제공하는 알파시티의 벡터 맵 데이터 중 차선 중앙 위치 정보인 Link 데이터와 실험 차량의 레퍼런스 장비를 이용한 차선 인식 결과를 비교해 가며 지도의 차선 중앙 위치 정밀도를 개선하고 테스트에 사용하였다.
7은 테스트 구간으로 선정한 대구 수성 구의 알파 시티의 위성지도를 보여준다. 본 논문에서 제안한 알고리즘의 성능 검증을 위해 GPS 신호의 단절이 발생하는 터널 구간을 특정하였으며, 지도에서 빨간색 점선으로 표시된 세 곳에서 데이터 취득을 수행하였다. 테스트 구간은 터널 구간에서 발생하는 GPS 신호의 단절로 인해 위치를 인식함에 있어 문제가발생되는 구간이다.
실차 검증을 위해 Fig. 6과 같이 자율주행 차량으로 개조된 아반떼 차량을 이용하였다. 안정적인 차선 인식을 위해 전후좌우에 어안렌즈 카메라를 장착하여 AVM 이미지 영상을 생성하였다.
안정적인 차선 인식을 위해 전후좌우에 어안렌즈 카메라를 장착하여 AVM 이미지 영상을 생성하였다. 실험에 사용할 정밀 위치 정보를 취득하기 위해서 Synerex사의 L1/L2 RTK 수신기 제품과 차량 루프에 낮은 정밀도의 GPS 안테나를 설치하였다.
7 GHz) 제품을 사용하였다. 윈도우즈 OS 환경에서 카메라 이미지를 빠른 속도로 처리하기 위해 OpenCV 라이브러리를 사용하였다. 나머지 센서 데이터들은 LabVIEW 프로그램을 활용하였으며, 이미지 관련 데이터들은 TCP/IP 통신을 통해 LabVIEW 로깅 프로그램으로 데이터 및 타임 스탬프 정보를 전달함으로써 전체 센서들의 동기화를 수행하였다.
차량에서 취득되는 CAN, GPS, 카메라 등의 정보로깅하기 위해 차량용 Fanless PC Nuvo-8108 (Intel Xeon CPU, 3.7 GHz) 제품을 사용하였다. 윈도우즈 OS 환경에서 카메라 이미지를 빠른 속도로 처리하기 위해 OpenCV 라이브러리를 사용하였다.
2%의 높은 성능을 확인하였다. 차선 인식을 이용한 차량 횡방향 위치 추정의 성능을 검증하기 위해 알파 시티의 터널 세곳을 주행하여 실차 데이터를 취득하였다. Fig.
1(b)와 같이 차량 주위에 대형 체스보드를 설치하였으며, 취득한 이미지들을 OpenCV 라이브러리를 활용하여 내외부 파라미터 캘리브레이션을 진행하였다. 최종적으로 4개 카메라 영상의 왜곡 보정, 탑뷰 변환과 영상 정합을 통해 Fig. 2의 AVM 영상을 생성하였다. 4.

데이터처리

그 후 정밀지도의 차선정보를 활용하여 도심이나 터널과 같이 GPS 신호의 단절 및 보정 복구 과정에서 이상 상태를 판단하여 차량의 위치를 추정하는 방법을 제안한다. 제안된 알고리즘의 성능 검증을 위해 실차 시험을 진행하였으며, 이를 통해 실도로 주행 데이터 기반의 위치추정정확도 검증을 수행하였다.

이론/모형

또한 정상 주행 시 차량 좌표계에서 차선의 기울기는 수직에 가깝기 때문에 시스템의 안정화를 위해 x축을 공역, y축을 정의역으로 설정하였다. 따라서 차선 인식의 안전성과 추후 차선 추적 모델의 단순화를 위해 선형 모델식 (1)을 차선 피팅에 사용하였다.
차량의 위치를 추정하기 위해 식 (3)에서 활용한 2nd order Runge-Kutta integration 모델을 확장 칼만 필터의 Process model로 사용하였다. State variablee _{}___^로, 차량 후륜 중앙 위치의 UTM 좌표계 x, y, 헤딩을 의미한다.
최종 차선 모델을 인식하기 위해 전처리 과정을 통해 도출된 차선 중앙 후보 점들을 이용하여 이상치에 강인한 RANSAC (Random Sample Consensus) 알고리즘을 사용하였다.²⁶⁾ 좌우 차선 후보 모델을 구하고 최종의 차선 판단 기준으로 정밀 지도의 정보 중 현재 주행 차선의 헤딩과 차로 폭 데이터를 사용하였으며, 이것이 실차 테스트로 얻어진 임계 범위 안에 포함되면 두 개의 선형 차선 모델을 인식의 결과로 확정한다.

성능/효과

차선의 인식부터 추적까지 10ms 이하의 처리 속도를 확보하였다. 또한 차선 추적 결과를 활용하여 터널과 같이 RTK GPS 신호의 급격한 성능 저하와 복구가 발생하는 곳에서도 안정적인 횡 방향 위치 보정을 수행하였다.
실차 주행 실험을 진행하였다. 터널 구간주행 시 RTK GPS의 신호 단절 상황에서 차량의 횡 방향 최대 오차 0.19m 수준의 위치 추정 성능을 확인하였으며 자율주행 제어에서 매우 중요한 지속적인 차선 수준의 횡방향 위치 추정 성능을 확보하였다. 교차로에서의 좌회전 및 우회전과 같이 회전 반경이 매우 작은 구간에서 GPS 신호의 이상 상태가 발생할 경우, 이는 앞서 가정한 조건들의 예외 상황으로 제안한 알고리즘이 한계가 발생한다.
8의 차선 추적결과인 빨간색 실선의 두께는 10 pixel로 20cm에 해당하는데 이미지 상에 주행 중인차선이 존재하는 경우 빨간색 실선이 차선에 완전히 벗어나는 경우 차선 인식 실패로 판단하였다. 판단 결과 차선 인식률 98.2%의 높은 성능을 확인하였다. 차선 인식을 이용한 차량 횡방향 위치 추정의 성능을 검증하기 위해 알파 시티의 터널 세곳을 주행하여 실차 데이터를 취득하였다.

후속연구

19m 수준의 위치 추정 성능을 확인하였으며 자율주행 제어에서 매우 중요한 지속적인 차선 수준의 횡방향 위치 추정 성능을 확보하였다. 교차로에서의 좌회전 및 우회전과 같이 회전 반경이 매우 작은 구간에서 GPS 신호의 이상 상태가 발생할 경우, 이는 앞서 가정한 조건들의 예외 상황으로 제안한 알고리즘이 한계가 발생한다. 추후 성능개선을 통해 이에 대한 문제 해결을 진행할 예정이다.
교차로에서의 좌회전 및 우회전과 같이 회전 반경이 매우 작은 구간에서 GPS 신호의 이상 상태가 발생할 경우, 이는 앞서 가정한 조건들의 예외 상황으로 제안한 알고리즘이 한계가 발생한다. 추후 성능개선을 통해 이에 대한 문제 해결을 진행할 예정이다.

참고문헌 (27)

J. Levinson, M, Montemerlo and S. Thrun, "Map-based precision vehicle localization in urban environments," Robotics: science and systems, Vol.4, No.Citeseer, 2007.
A. Y. Hata and D. F. Wolf, "Feature detection for vehicle localization in urban environments using a multilayer LIDAR," IEEE Transactions on Intelligent Transportation Systems, Vol.17, No.2, pp.420-429, 2015.

상세보기
S. Moon et al., "Detecting Lane Departure Based on GIS Using DGPS," Transactions of KSAE, Vol.20, No.4, pp.16-24, 2012.

원문보기 상세보기
T. U. Kim, S. Cheon and S. Y. Yang, "A Study on the Development of a Real Time Simulator for the ESP (Electronic Stability Program)," Journal of Drive and Control, Vol.16, No.4, pp.48-55, 2019.

원문보기 상세보기
W. Burgard, O. Brock, and C. Stachniss, "Map-Based Precision Vehicle Localization in Urban Environments," Robotics: Science and Systems III, MIT Press, pp.121-128, 2008.
A. Georgiev and P. K. Allen, "Localization methods for a mobile robot in urban environments," IEEE Transactions on Robotics, Vol.20, No.5, pp.851-864, 2004.

상세보기
K. Yoneda et al., "Lidar scan feature for localization with highly precise 3-D map," 2014 IEEE Intelligent Vehicles Symposium Proceedings, pp.1345-1350, 2014.
M. Schreiber, C. Knoppel, U. Franke, "Laneloc: lane marking based localization using highly accurate maps," Proceedings of the IEEE Intelligent Vehicles Symposium, pp.449-454, 2013.
N. Mattern and G. Wanielik, "Camera-based vehicle localization at intersections using detailed digital maps," Proceedings of the 2010 IEEE/ION Position Location and Navigation Symposium, pp.1100-1107, 2010.
Y. Seo and R. Rajkumar, "Tracking and estimation of ego-vehicle's state for lateral localization," Proceeding of the 17th International Conference on Intelligent Transportation Systems, pp.1251-1257, 2014.
K. Jo et al., "Precise localization of an autonomous car based on probabilistic noise models of road surface marker features using multiple cameras", IEEE Transactions on Intelligent Transportation Systems, Vol.16, No.6, pp.3377-3392, 2015.

상세보기
K. B. Kim, C. K. Lee and S. An, "Evaluation of Network-RTK Survey Accuracy for Applying to Ground Control Points Survey," Journal of the Korean Society for Geospatial Information System, Vol.22, No.4, pp.127-133, 2014.

원문보기 상세보기
Y. Kim, "Analysis on the Position Accuracy through the Improvement of the VRS-GPS Controller System," Journal of the Korean Society of Hazard Mitigation, Vol.18, No.4, pp.353-362, 2018.

상세보기
C. Mekik and M. Arslanoglu, "Investigation on accuracies of real time kinematic GPS for GIS applications," Remote Sensing, Vol.1, No.1, pp.22-35, 2009.

상세보기
D. M. Bevly and B. Parkinson, "Cascaded Kalman Filters for Accurate Estimation of Multiple Biases, Dead-reckoning Navigation, and Full State Feedback Control of Ground Vehicles," IEEE Transactions on Control Systems Technology, Vol.15, pp.199-208, 2007.

상세보기
M. F. Abdel-Hafez, K. Saadeddin and M. Amin Jarrah, "Constrained Low-cost GPS/INS Filter with Encoder bias Estimation for Ground Vehicles Applications," Mechanical Systems and Signal Processing, Vol.58, pp.285-297, 2015.

상세보기
P. Bonnifait et al., "Data Fusion of Four ABS Sensors and GPS for an Enhanced Localization of Car-like Vehicles," Proceedings 2001 ICRA, pp.1597-1602, 2001.
Z. Tao et al., "Lane marking aided vehicle localization." 16th International IEEE Conference on Intelligent Transportation Systems, pp.1509-1515, 2013.
J. Gao, M. G. Petovello and M. E. Cannon, "Development of Precise GPS/INS/Wheel Speed Sensor/Yaw Rate Sensor Integrated Vehicular Positioning System," Proceedings of the 2006 National Technical Meeting of the Institute of Navigation, Vol.2, pp.780-792, 2006.
L. Chang, K. Li and B. Hu, "Huber's M-estimation-based Process Uncertainty Robust Filter for Integrated INS/GPS," IEEE Sensors Journal, Vol.15, No.6, pp.3367-3374, 2015.

상세보기
C. Kim and K. Huh, "Development of a Pose and Position Estimation Algorithm with Considering the Error and Latency from the GPS and In-vehicle Sensors," Transactions of the Korean Society of Automotive Engineers, Vol.26, No.5, pp.620-629, 2018.

상세보기
J. Yee, T. Kim and H. Kim, "Vehicle Position Estimation Using Low-cost RTK Module, Wheelpulse, and IMU Sensor," Transactions of KSAE, Vol.26, No.3, pp.407-415, 2018.

상세보기
K. Zhao et al., "A novel multi-lane detection and tracking system," IEEE Intelligent Vehicles Symposium, pp.1084-1089, 2012.
J. C. McCall and M. M. Trivedi, "Video-based lane estimation and tracking for driver assistance: Survey, system, and evaluation," IEEE Transactions on Intelligent Transportation Systems, Vol.7, No.1, pp.20-37, 2006.

상세보기
N. Kanopoulos, N. Vasanthavada and R. L. Baker, "Design of an image edge detection filter using the Sobel operator," IEEE Journal of solid-state circuits, Vol.23, No.2, pp.358-367, 1988.

상세보기
M. A. Fischler and R. C. Bolles, "Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography," Communications of the ACM, Vol.24, No.6, pp.381-395, 1981.

상세보기
T. Song, H. Lee and K. Oh, "A Model Predictive Tracking Control Algorithm of Autonomous Truck Based on Object State Estimation Using Extended Kalman Filter," Journal of Drive and Control, Vol.16, No.2, pp.22-29, 2019.

원문보기 상세보기

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