7주차 자율주행자동차 현재 기술 현황 및 향후 발전 동향 기계항공공학부 202010751 박승우 [Localization] What is Localization - 지도에서 차량의 정확한 위치를 파악하는 것을 ‘Localization’이라고 합니다. 차량은 스스로 위치를 파악함으써 지도의 모든 요소와의 정확한 관계를 파악할 수 있습니다. 차량이 중앙 차선에 있나요, 아니면 오른쪽 차선에 있나요? 연석은 얼마나 떨어져 있나요? 다음 교차로 는 어떨까요? 등과 같은 것들을 고려해야하기 때문에 Localization은 까다롭습니다. 차량이 어디에 있는지 정확하게 파악하려면 엄격한 수학적 알고리즘과 확률 계산이 필요합니다. - 위와 같은 높은 수준의 자율주행을 위해서는 다음과 같은 한계가 존재합니다 - Limited FoV(시야 영역의 한계), Occlusion(다른 물체로 의한 시야 방해), Bad environment(환경적 영향에 의한 성능 좌우), Limited computing(고비용) Sensor fusion for Location 1. Localization Types 1.1 Dead reckoning(추측항법) - 추측항법은 초기 위치 정보로부터 항체의 속도 및 방향 측정치를 이용하여 현재의 위치를 계산한다. 추측항법은 위부로부터의 신호교란이나 감지를 피할 수 있고 시간과 날씨 등에 구애받지 않으며 외부의 도움없이 독자적으로 자신의 위치를 찾을 수 있다는 장점을 가지고 있다. - Odometry란 로봇공학에서 위치 속성에 관한 변화 값을 의미한다. 따라서 2차원 평면상에 서 거동하는 자율주행차량의 odometry는 두 시점 사이의 위치와 방향의 차이로 나타내어 진다. 자율주행 차량의 odmetry정보는 GPS를 이용한 측정값의 변화 또는 LiDAR sensor 를 통한 SLAM(Simultaneous Localization And Mapping)의 방법으로 획득할 수 있으며, 주로 자차량을 원점으로 하는 자율주행차량의 좌표계에서는 GPS의 미 수신상태에서 odometry로부터 획득한 차량의 동적상태(속도 및 각속도)에 기반한 Dead reckoning을 수 행한다. - Inertial Measurement Unit, IMU, 관성 측정 장치(IMU)는 부착된 물체의 비중과 각속도를 측정하고 보고할 수 있는 장치입니다. IMU는 일반적으로 다음으로 구성됩니다. · 자이로스코프: 각속도 측정 제공 · 가속도계: 특정 힘/가속도 측정 제공 · 자력계(옵션): 시스템 주변의 자기장 측정 개별 관성 센서는 단일 축을 따라 측정값만 감지할 수 있습니다. 3차원 솔루션을 제공하려면 3개의 개별 관성 센서를 트라이어드로 알려진 직교 클러스터에 함께 장착해야 합니다. 트라이 어드에 장착된 관성 센서 세트는 센서가 3개의 축 각각을 따라 하나의 측정값을 제공할 수 있으므로 일반적으로 3축 관성 센서라고 합니다. 마찬가지로, 3축 가속도계와 3축 자이로스코 프로 구성된 관성 시스템은 총 6개의 측정에 대해 3개의 축 각각을 따라 2개의 서로 다른 측 정값을 제공하므로 6축 시스템이라고 합니다. 관성 측정 장치(IMU)는 부착된 물체의 원시 또는 필터링된 각속도와 특정 힘/가속도 경험을 측정하고 보고합니다. 가속도계 관성 가속도 또는 시간에 따른 속도 변화를 측정하는 주요 센서이며 기계식 가속도계, 석영 가속도계, MEMS 가속도계 등 다양한 유형에서 찾아볼 수 있습니다. MEMS 가속도계는 기본 적으로 그림 2에 표시된 것처럼 스프링에 매달려 있는 질량입니다. 질량은 검증 질량으로 알 려져 있으며 질량이 이동할 수 있는 방향은 감도 축으로 알려져 있습니다. 가속도계가 민감도 축을 따라 선형 가속을 받는 경우, 가속으로 인해 검정 질량이 한쪽으로 이동하고 편향량은 가속도에 비례합니다. 자이로스코프 자이로스코프는 관성 기준 프레임을 기준으로 물체의 각속도를 측정하는 관성 센서입니다. 시중에는 다양한 성능 수준에 걸쳐 기계식 자이로스코프, 광섬유 자이로스코프(FOG), 링 레이 저 자이로스코프(RLG), 석영/MEMS 자이로스코프 등 다양한 유형의 자이로스코프가 있습니 다. 석영 및 MEMS 자이로스코프는 일반적으로 소비자 등급, 산업 등급 및 전술 등급 시장에 서 사용되는 반면, 광섬유 자이로스코프는 네 가지 성능 범주 모두에 걸쳐 사용됩니다. 링 레 이저 자이로스코프는 일반적으로 전술 및 항법 등급을 포함하여 1°/시간부터 0.001°/시간 미 만까지의 실행 중 바이어스 안정성으로 구성됩니다. 자기계 자력계는 자기장의 강도와 방향을 측정하는 센서 유형입니다. 다양한 유형의 자력계가 있지 만 대부분의 MEMS 자력계는 자기 저항을 사용하여 주변 자기장을 측정합니다. 자기 저항 자 력계는 자기장의 변화로 인해 저항이 변하는 퍼멀로이로 구성됩니다. 일반적으로 MEMS 자력 계는 지구 자기장과 근처 물체에 의해 생성되는 자기장의 조합으로 구성된 국부 자기장을 측 정하는 데 사용됩니다. [Filtering techniques for Localization] 1. Bayes’ Tehorem(베이지 정리)는 두 확률 변수의 사전 확률과 사후 확률 사이의 관계를 나타내는 정리다. · P(A|B): 사후확률(posterior). 사건 B가 발생한 후 갱신된 사건 A의 확률 · P(A): 사전확률(prior). 사건 B가 발생하기 전에 가지고 있던 사건 A의 확률 · P(B|A): 가능도(likelihood). 사건 A가 발생한 경우 사건 B의 확률 · P(B): 정규화 상수(normalizing constant) 또는 증거(evidence). 확률의 크기 조정 2. Kalman Filter는 1960년대 초 루돌프 칼만이 개발한 알고리즘으로 NASA의 아폴로 프로 젝트에서 네비게이션 개발 시에 사용되었습니다. 현재는 GPS, 날씨 예측, 주식 예측 등 다양 한 예제에서 널리 사용되고 있습니다. - 칼만 필터는 상태 예측(state prediction)과 측정 업데이트(measurement update)를 반복 적으로 수행하며 물체의 현재 위치를 계산합니다. Prediction 예측 단계에서는 이전 시간(T-1)에 측정된 데이터를 이용해 다음 시간(T)의 위치추정값을 예 측하고 이전 시간(T-1)의 추정값이 얼마만큼 현재(T)의 추정값에 영향을 미칠 것인가를 나타 내는 오차공분산을 예측한다. 행렬 A는 노이즈가 없을 때 위치추정값이 얼마만큼 T의 위치추정 결과값에 영향을 미칠것인 가를 나타내는 공분산 행렬이다. 행렬 B는 사용자 입력에 의한 상태변화와 영향에 대한 보정 값이다. 예측한 값이 평균을 기준으로 어느 정도 분포되어 있는지 이전시간(T-1)의 오차공분산을 통 해 다음시간(T)의 오차공분산 P를 예측한다. Measurement update 측정 업데이트 단계에서는 사전 추정값(예측값)과 오차 공분산, 칼만 이득 추정값을 바탕으로 추정값을 계산한 후 출력하며 오차 공분산을 업데이트 한다. 측정값과 예측값의 차이를 보상하기 위해 칼만 이득을 계산하는데 측정값이 노이즈에 수렴하 면 칼만 이득의 계산식에 의해 칼만 이득은 커지게 되며 상태 추정 값의 계산에 칼만 이득 값 이 많은 영향을 미치게 된다. 칼만 필터를 통해 측정 업데이트과정에서 구한 추정값과 오차공분산은 칼만 필터의 재귀적인 알고리즘에 의해 다시 실행될 때 다음 시간에 대한 위치 추정값을 구하는데 사용된다. 참고문헌: [1] 자율주행자동차 7주차 강의자료 [2] in “How Localization Works for Seof-Driving Cars” https://www.linkedin.com/pulse/how-localization-works-self-driving-cars-david-silve r [3] 논문 “INS/GPS 결합 항법 시스템” 박찬국, 진 용 [4] KASA “LiDAR Static Obstacle Map based Vehicle Dynamic State Estimation Algorithm for Urban Autonomous Driving”도심자율주행을 위한 라이다 정지 장애물 지도 기반 차량 동적 상채 추정 알고리즘 김 호종 외 2명 https://journal.kasa.kr/articles/xml/5bxD/ [5] 데이터 사이언스 스쿨 “6.6 베이즈 정리” https://datascienceschool.net/02%20mathematics/06.06%20%EB%B2%A0%EC%9D%B4 %EC%A6%88%20%EC%A0%95%EB%A6%AC.html [6] 위키백과 “베이즈 정리” https://ko.wikipedia.org/wiki/%EB%B2%A0%EC%9D%B4%EC%A6%88_%EC%A0%95%EB %A6%AC [7] Medium “Kalman filter 소개” https://medium.com/@celinachild/kalman-filter-%EC%86%8C%EA%B0%9C-395c2016b 4d6 [8] Jbground “[SLAM] 칼만 필터(Kalman Filter)란?” https://jbground.tistory.com/82