저가 GPS/IMU 센서 기반 차량 위치 추정의 강건성 향상을 위한 딥 앙상블 알고리즘 성능 연구

Abstract

자동차는 운전자의 개입이 없이 자동차 스스로 운행이 가능한 자율 주행의 단계로 점차 발전하고 있다. 이 가운데, 차량의 위치를 정확하게 추정하는 기술은 매우 중요하며 차량의 위치 정보는 인지, 판단, 제어 등 다양한 분야에서 사용되고 있다. 그러나 고정밀 측위 센서는 현재 대부분 고가이므로 차량에 장착하기에는 한계가 있다. 따라서 본 논문에서는 저가의 GPS 센서와 IMU 센서를 사용하면서도 고정밀 위치 추정이 가능한 기법을 제안하고자 한다. 본 연구에서 제안하는 알고리즘은 GPS와 IMU 센서의 융합 방식으로 자주 사용하는 확장 칼만 필터를 채택하였다. 주요 차이점은 확장 칼만 필터의 측정 잡음 공분산에 딥 앙상블 기법으로 학습시킨 표준편차 값을 적용하여 데이터의 불확실성을 개선한다. 왜냐하면 딥 앙상블은 데이터의 추정값뿐만 아니라 표준편차도 학습시킬 수 있기 때문이다. 이를 위해, 5개의 심층 신경망을 병렬로 구성하여 GPS 센서로부터 얻은 차량의 위치 추정값과 표준 편차를 각각 계산하였고, 개발된 모델들의 결과를 종합하여 얻은 최종 결과를 확장 칼만 필터의 가상 측정값으로 사용한다. 제안한 기법은 딥러닝 기반 추정기의 단점으로 흔히 언급되는 출력값의 근거를 알 수 없다는 문제에 타당성을 부여함과 동시에, 저가 센서의 사용으로 훈련 데이터의 품질이 낮은 상황에서도 강건한 추정을 가능하게 한다. 제안한 알고리즘의 성능 검증을 위하여 대표적인 GPS 음영 지역인 다리 아래, 지하 주차장, 터널이 포함된 세 가지 시나리오에서 자동차를 주행하고 자체적으로 데이터를 수집하였다. 절대적인 지도 정보를 참값으로 채택하였다. 본 연구의 알고리즘을 적용한 결과, 세 시나리오 모두에서 GPS로만 취득한 결과보다 우수한 성능을 보였다. 시나리오 1은 72.46%, 시나리오 2는 60.1%, 시나리오 3은 66.46%로 오차가 감소하였다. 따라서, 저가의 센서를 사용했음에도, 적절한 필터 설계와 알고리즘으로 차량 위치 추정 성능을 향상시켰으며 이는 차후 큰 경제적 이점으로 이어지길 기대한다. | Vehicles are gradually developing into the stage of autonomous driving in which the vehicle can drive itself without the intervention of the driver. Among them, a technology for accurately estimating the position of a vehicle is very important, and vehicle position information is used in various fields such as recognition, judgment, and control. However, since most high-precision positioning sensors are currently expensive, there is a limit to installing them in a vehicle. Therefore, in this paper, we propose a method that enables high-precision position estimation while using low-cost GPS and IMU sensors. The algorithm proposed in this study adopted the extended Kalman filter, which is often used as a fusion method of GPS and IMU sensors. The main difference is that the standard deviation value learned by the deep ensemble method is applied to the measured noise covariance of the extended Kalman filter to improve data uncertainty. This is because deep ensembles can learn not only the estimated value of the data but also the standard deviation. To this end, five deep neural networks are constructed in parallel to calculate the vehicle position estimate and standard deviation obtained from the GPS sensor, respectively, and the final result obtained by synthesizing the results of the developed models is used as a virtual measurement value of the extended Kalman filter. The proposed method gives validity to the problem of not knowing the basis of the output value, which is often referred to as a disadvantage of deep learning-based estimators, and at the same time enables robust estimation even in the situation of low quality of training data by using a low-cost sensor. To verify the performance of the proposed algorithm, the vehicle was driven in three scenarios including under the bridge, underground parking lot, and tunnel, which are typical GPS shaded areas, and data were collected by itself. Absolute map information was adopted as the true value. As a result of applying the algorithm of this study, it showed better performance than the result obtained only with GPS in all three scenarios. The error decreased to 72.46% for Scenario 1, 60.1% for Scenario 2, and 66.46% for Scenario 3. Therefore, even though low-cost sensors were used, the vehicle position estimation performance was improved with an appropriate filter design and algorithm, which is expected to lead to great economic benefits in the future.