Ⅰ. 서 론
1. 개요
자율주행 자동차(Autonomous Vehicle, AV)는 운전자의 개입 없이 주변 환경을 인식하고 주행 상황을 판단 하여 스스로 목적지까지 운행이 가능한 자동차로서, 차량이 사람 대신하여 인지, 판단, 제어 기능을 대체하 여 운전을 수행한다(KAICA, 2020). 미국 자동차 공학회 SAE International(Society of Automotive Engineers International)에서 정의한 자율주행 기술 단계별 분류가 되어있는데, 레벨 0부터 레벨 2까지는 사람이 제어의 주체와 주행 책임에 포함이 된다면, 레벨 3부터 레벨 5까지는 시스템이 모든 것을 담당한다. 특정 환경에서 시스템이 운전을 수행하되 긴급 상황에서는 운전자의 개입이 필요하다. AV가 운전자의 개입 없이 안전하게 주행하기 위해서는 다양한 센서를 활용한 정밀한 환경 인식이 필수적이다. 주요 센서로는 LiDAR1), 카메라, 레이더(Radar), GNSS2) 등이 있다.
그 중 GNSS은 차량의 위치를 실시간으로 파악하고 경로를 계획하는 데 필수적인 역할을 한다. 7)(National Maritime PNT Office)GNSS는 삼각측량 원리를 이용해 위치를 결정하는데, 수신기에서 발생하는 오차나 대기 권의 전파 지연, 위성 궤도의 오차 등으로 인해 약 5~10m의 거리 오차가 발생할 수 있고, 위성 배치가 불안 정하거나 음영지역에서는 (Son et al, 2020)오차가 약 15m 이상으로 증가할 수 있다.
정확한 차량 위치 추정은 자율주행 및 ADAS3)의 핵심 요소이다. 차량의 위치가 부정확할 경우, 주행 경로 를 제대로 설정하지 못해 안전에 큰 위협이 될 수 있다. 현재 GNSS 기술에는 몇 가지 문제점이 존재한다. 고층 건물이나 악천후 등 환경에서는 신호 오류 및 방해 문제가 발생할 수 있으며, 정밀도 한계로 인해 일반 적인 GNSS는 오차 범위가 수 미터에 달해 복잡한 도심 환경에서 정확한 차선 유지를 어렵게 만든다. 또한, GNSS 스푸핑(Spoofing)으로 인한 위치 조작이 발생할 가능성이 있으며, 이는 자율주행 시스템의 안정성과 신 뢰성을 저해하는 주요 요인이 된다(Hong et al., 2023). 이러한 환경에서는 차량의 위치의 정확도를 증가시키 기 위한 다양한 연구가 진행되고 있다. (Seoul City Network RTK System)대중적으로 사용되는 실시간 이동 측량 RTK4)는 기준점에서 설치한 GPS 수신지로부터 취득 계산된 데이터를 실시간으로 계산 및 보정하여 이 동 점의 최대 센티미터(cm) 수준의 위치 정밀도를 제공하는 고정밀 위치 추적 기술이다. 일반적인 GPS는 대 기 영향, 위성 위치, 다중경로(Multi Path) 등 다양한 요인으로 인해 오차가 발생할 수 있는데, RTK는 이러한 오차를 실시간으로 보정하여 매우 높은 정확도를 제공한다. GNSS의 한계 보완하기 위해 GNSS는 다른 센서 (예 : 카메라, INS5) 등)와의 결합, 도로시스템 및 LDM6)과 같은 외부 데이터를 이용하여 더욱 정밀한 내비게 이션을 가능하게 한다(Kim et al., 2017).
가장 널리 사용되는 센서 융합 방식 중 하나는 GNSS와 INS의 결합이다. INS는 가속도계와 자이로스코프 를 이용하여 이동 경로를 추정하며, GNSS 신호가 불안정한 환경에서도 연속적인 위치 데이터를 제공할 수 있다. GNSS와 INS를 결합하면 GNSS의 장점인 장기적인 절대 위치 정확성과 INS의 장점인 단기적인 연속성 및 안정성이 보완되어 보다 정밀한 위치 추정이 가능하다.
또한, 카메라 기반의 비전 센서도 GNSS와 융합하는 중요한 기술 중 하나이다. 카메라는 도로 차선, 표지 판, 건물 등의 주변 환경을 인식하여 상대적인 위치를 측정하는 데 활용된다. 특히, HD7) Map와 결합하여 차 량의 위치를 정밀하게 보정할 수 있다. 예를 들어, GNSS 데이터가 부정확한 경우 카메라를 통해 감지한 차 선 정보를 활용하여 차량의 위치를 보정하는 방식이 있다. 이는 자율주행 차량에서 필수적으로 사용되는 기 술 중 하나이다.
LiDAR나 Radar와 같은 센서도 GNSS의 한계를 보완하는 데 유용하게 사용된다. LiDAR는 레이저를 이용 하여 주변 환경의 3D 지도를 생성할 수 있어 정밀한 위치 추정이 가능하다. 이는 GNSS 신호가 불안정한 도 심이나 터널에서도 유용하게 활용될 수 있다. 레이더는 날씨 영향을 적게 받으며 장거리 감지가 가능하다는 장점이 있어 GNSS의 보완 센서로 적합하다.
이동하는 차량에 적용하기 위해서는 고도의 정밀한 위치 측위가 필요하며, 작은 오차도 치명적인 문제를 발생할 수 있다(Lee et al., 2020). 다양한 센서 융합 기술를 이용하면 GNSS 단독 사용보다 더욱 정밀하고 안 정적인 내비게이션을 가능하게 하며, 특히 자율주행, 드론, 로봇 내비게이션 등 정밀한 위치 정보가 필요한 분야에서 필수적인 역할을 한다. 앞으로는 인공지능과 딥러닝을 활용한 데이터 융합 기법이 더욱 발전하여, GNSS와 다양한 센서의 결합이 더욱 정교해질 것으로 기대된다.(Choi et al., 2019)
2. 선행 연구
차량의 위치를 추정하는 연구는 지속적으로 다양한 방법으로 진행되어 왔다.
1) 다중 GNSS 기반
다중 GNSS 기반은 GNSS 수신기를 여러 개 사용하여 위치 오차를 보정하는 방법이다(Choi et al., 2013). 다중 GNSS를 사용하면 수신기의 개수에 따라 오차 범위가 달라지며, 수신기의 무게 중심이 중앙에 위치하 였을 경우가 오차 범위가 가장 작게 나타난다. 반면, 단일 GPS 경우는 외부 요인으로 인해 발생하는 오차를 그대로 받아들여 위치 오차 범위가 넓고 순간 오차가 크게 나타났다. 하지만 다중 GPS 기반은 서로의 각 GPS가 서로의 오차 요인을 상쇄하여 오차 범위와 순간 오차가 감소하는 효과를 보였다. 하지만 다중 GPS를 이용할 경우 비용적인 문제와 데이터의 복잡성이 증가하는 문제점이 있다.
2) GNSS-INS 융합 기반
GNSS는 장거리 이동 시 위치 추정이 가능하지만, 도심 환경이나 신호 장애 지역에서는 오차가 커지는 문 제가 발생한다(Choi et al., 2013). 이를 보완하기 위해 INS 센서를 활용하여 차량의 가속도와 각속도를 측정 하고, 이를 GNSS 데이터와 결합하여 보다 정확한 위치를 추정하는 연구가 진행되었다. INS는 Newton 역학 을 기반으로 가속도를 적분하여 위치와 자세 정보를 얻는 자체 내장된 항법 시스템이다 (Yu, 2015). GNSS-INS 융합 기술은 신호가 약해지거나 일시적으로 끊기더라도 차량의 움직임을 바탕으로 지속적인 위치 추정을 가능하게 하며, 위치 추정 정확도를 향상시킬 수 있는 중요한 역할을 한다. 하지만 INS의 위치 정보 는 누적오차가 발생하여 예측값 또한 누적 오차가 발생한다. 그러나, 가격에 따른 정확도 차이가 매우 커 자 율주행 차량에서는 이용하기 어렵다는 문제점이 있다.
3) 도로 특징점 기반
도로 표면의 특징점(표지판, 차선, 방지턱 등)을 기반으로 차량의 상대적인 위치를 보정하는 방법이 있다. 이러한 기법은 GNSS 신호가 약한 터널이나 밀폐된 공간에서도 차량의 위치를 지속적으로 추정할 수 있는 장점이 있다. 카메라나 LiDAR를 이용하여 차선을 인식하고, 차량이 차선 내에서 어떤 위치에 있는지를 추정 하는 방식도 연구되었다. 인식된 차선 정보와 지도상에 기록되어 있는 차선 정보와 정합하여 GPS의 오차를 극복할 수 있다(Ji et al., 2012). 또한 EKF를 통해 추정한 위치가 도로 영역을 벗어난다 하더라도 안정적인 추 가 위치 보정을 가능하도록 한다. 하지만 곡선 구간에서는 강인하게 차선을 인식할 수 없어 GPS 오차를 극 복하지 못한다는 한계점이 있다.
4) 맵매칭 기반
맵 매칭(Map Matching)은 GNSS로 측정된 차량의 궤적을 지도 데이터와 비교하여 차량의 정확한 위치를 추정하는 기술이다. 이 과정에서 지도상의 노드 및 링크 정보를 활용하여 GNSS 오차를 보정하며, 자율주행 차량의 위치 추적과 내비게이션에 중요한 역할을 한다. 특히, HD Map와 다양한 센서를 결합하면 위치 정확 도를 더욱 향상시킬 수 있다. 하지만 도심이나 터널 안에서는 정상적인 위성신호를 수신하기 어렵기 때문에 추측 기반으로 위치를 알아낸다(Kim et al, 2018). 이 방법의 경우, 추측에 의한 오차가 종 · 횡방향으로 누적 되므로 주기적인 오차 보정을 병행해야한다.
Kang et al.(2020)은 GPS와 카메라 기반 차선 인식 데이터 그리고 정밀지도 정보를 결합하여 차량의 위치 를 보정하는 방법을 제안하였다. 이 방법에서는 GPS 궤적과 지도상의 차선 링크를 ICP8) 기반 정밀지도와의 매칭을 통해 차량의 위치를 추정하였다. LiDAR 기반의 LeGO-LOAM과 비교한 결과 제안된 방법의 평균 오 차는 0.892m, LeGO-LOAM은 0.781m로 LeGO-LOAM이 성능이 더 좋음을 확인하였으나, 시간이 지남에 따라 오차가 점점 커지는 LeGO-LOAM과 달리 제안된 방법은 복잡한 환경에서도 안정적으로 차량 위치 추정이 가능함을 확인하였다. 그러나 평균 오차 0.892m는 자율주행을 하기 위한 정밀 위치 기준에는 다소 부족하다.
Ⅱ. 본 론
1. 관련 이론
1) 정밀지도
정밀지도(HD Map)는 기존의 일반적인 디지털 지도보다 훨씬 높은 해상도와 정밀도를 제공하는 지도 데이 터베이스이다. 이는 자율주행 차량이 도로 환경을 보다 정확하게 인식하고 주행 경로를 계획하는 데 중요한 역할을 한다. 정밀지도는 주행 경로, 차선, 신호등, 도로 표지판, 도로 경계선, 3D 지형 정보 등 다양한 고정 밀 데이터를 포함하고 있다.
2) EKF(Extended Kalman Filter)
확장 칼만 필터(EKF, Extended Kalman Filter)는 비선형 시스템의 상태 추정에 널리 사용되는 방법으로, 비 선형 시스템을 다룰 때, 시스템의 동적 모델과 측정 모델을 선형화하여 칼만 필터의 수식을 적용한다. EKF 는 자율주행, 로봇 공학 등에서 차량의 위치 추정, 센서 퓨전(Sensor Fusion) 등 다양한 분야에 널리 사용된다.
(1) System Models
상태 벡터 χk는 현재 차량의 위치 xk, yk, 진행 방향 θk, 속도 υk를 포함한다. 입력 벡터 uk는 차량이 시점 k에서 어떻게 조향()하고 감가속(ak) 하는지 나타낸다. 이러한 모델을 이용하여 차량의 이전 위치와 방향 (heading), 속도를 이용하여 다음 시점의 위치, 진행 방향, 속도를 예측할 수 있다.
(2) Measurement Models
관측 행렬 zk는 상태 벡터에서 위치(xk, yk)와 진행 방향 θk만을 포함하며, υk는 센서 측정 잡음을 의미한 다. 따라서 속도 성분은 직접적으로 관측되지 않고, 예측 과정에서만 활용된다.
2. 연구 범위
위치 정밀도을 나타내기 위하여 RTK-GPS와 저성능 GPS의 알고리즘을 사용한 보정 GPS의 위치를 비교하 려고 한다. 이를 통해 정밀한 위치 추정이 저성능 GPS 대비 어느 정도 향상되는지를 분석한다. 또한, 차량의 카메라를 이용한 차선 인식은 차량에 기존에 탑재된 차선 인식 알고리즘을 활용하여 데이터를 수집하고, 이 를 다항식 계산을 통해 위치 추정의 정확도를 향상시키는 방식으로 활용할 계획이다. 이러한 연구 범위를 바 탕으로 다양한 도심 환경에서 실험을 진행하고, 결과를 분석하여 최적의 센서 융합 기법을 도출하고자 한다.
3. 아키텍처
4. 정밀지도 전처리
정밀지도에는 주행 경로, 노면 표시, 방지턱 등의 정보가 포함되어 있으며, 이 중 노면 표시와 주행 경로 링크를 활용하여 데이터 전처리를 수행하였다. 우선, <Fig. 2>와 같이 정밀지도 속성에는 주행 노드인 A2_ LINK의 ID가 노면선 정보인 B2_SURFACEMARKLINE의 좌측(L_linkID)에 존재하는 것을 확인할 수 있다. 이 는 주행 경로에서의 우측에 위치한 차선 정보를 확인할 수 있고, 이 특징을 이용하여 차량의 주행 방향의 좌·우를 구분하였으며, 실시간 주행시 경로를 기반으로 차선 정보를 주행 경로 속성에 추가하여 처리 시간을 단축하도록 하였다.
그러나 일부 구간에서는 한쪽 차선 정보가 존재하지 않거나, 멀리 떨어진 차선 정보를 참조하는 문제가 발생하였다. 이를 보완하기 위해, 차량 위치별로 유효한 차선 정보의 유·무를 확인할 수 있는 정보를 추가하 였다. 또한, 교차로 구간에서는 실제와는 다른 부정확한 정보일 가능성이 있기 때문에 별도의 처리가 필요하 였다. 이를 위해 <Fig. 4>과 같이 교차로 구간을 식별할 수 있는 정밀지도 데이터를 구축하였다. 이 구간에서 차량의 진행 방향(Heading angle)이 특정 범위 내에 있는 경우, 실험 장소에서는 이전 구간의 차선 정보와 큰 차이가 없다는 특성을 고려하여, 이전 구간에서 계산된 차선 오차 데이터를 재활용하여 카메라 인식 결과와 비교하였다. 이를 통해 교차로 구간에서도 신뢰할 수 있는 횡방향 오차를 계산할 수 있도록 하였다.
1) 차량 위치 기반 차선 데이터 탐색
안정적인 차선 인식 시스템 구현을 위해서는 정확한 차선 정보를 이용하여 횡방향 오프셋, 차선 대비 차 량의 상대 경로각, 도로의 곡률을 추정하는 것이 매우 중요하다(Shin, 2017). 그러므로 정밀지도를 이용하여 정확한 차선 정보를 가져오는 것이 중요하다. 차선 탐색을 위해 차량의 현재 위치와 모든 Waypoint 데이터를 동일한 UTM52N 좌표계로 변환한다. 이후, 차량 위치를 기준으로 반경 10미터 이내에 있는 Waypoint들만 선 택하여, 실제 주행 경로와 가까운 정보만을 활용한다. 선택된 Waypoint 중 차량과 가장 가까운 기준점(경로 점)을 찾고, 해당 포인트에 연결된 좌측 차선 ID와 우측 차선 ID를 가져온다. 이 차선 ID 들을 기반으로 정밀 지도에서 각 차선(좌 · 우)을 구성하는 점들의 좌표를 추출한다. 마지막으로, 추출된 차선 점들의 좌표를 차 량 중심 기준 좌표계로 변환함으로써, 차량과 차선 간의 상대적인 위치 정보를 계산할 수 있다. 만약 차량의 위치가 교차로 구간 내에 있을 경우는 차선 정보를 반환하지 않는다.
2) 차선 데이터 상대 좌표 변환
주행 차량의 위치 기반 차선 데이터를 수집하여 식(3)과 같이 차량 중심을 기준으로 한 상대 좌표계로 변 환하고, <Fig. 5>와 같이 차량의 진행 방향에 정렬된 9)BEV형태로 표현하였다. 이때 차량에 장착된 카메라가 인식하는 차선의 x, y좌표는 카메라의 FOV10)와 동일하게 설정한다. <Fig. 4>에 나타낸 차량의 위치와 차선 정보는 저정밀 GPS 기반으로 나타낸 정밀지도의 차선 데이터이다.
5. 차선 기반 오차 제거
GNSS 정확도는 전처리된 HD Map 데이터를 차량 주행 중 실시간으로 수신하고, 이를 카메라로 인식한 차 선 데이터와 비교한다.
차량 위치 기준으로 좌측을 x축의 양의 방향, 전방을 y축의 양의 방향으로 정의하였다. 차선 데이터는 차 량의 진행 방향에 맞춰 회전 변환을 적용하여 좌표계를 정렬한 후, 식(4) 최소제곱법(Least Squares Method)을 이용해 3차 다항 회귀를 수행하여 근사한다. 이후 차량 전방이 y = 0일 때의 x값을 계산하여 차량 기준선 상 에서의 횡방향 거리를 추정할 수 있다. 저성능 GPS 기반 정밀지도의 차선 데이터와 카메라 센서를 이용하여 얻은 차선 데이터를 이용하여 횡방향 오차를 저성능 GPS를 이용하여 얻은 차량 위치 데이터에 오차를 제거 한다.
또한, GPS 신호의 특성상 차량이 Y축 방향으로 진행할 경우 X축 방향의 위치 오차가 크게 나타나며, 반 대로 X축 방향으로 진행할 경우 Y축 방향의 오차가 증가하는 경향이 있다. 이러한 특성을 고려하여, 본 연 구에서는 차량의 진행 각도에 따라 오프셋(Offset) 계산 방식을 차등 적용함으로써 위치 추정의 정확도를 향 상시키고자 하였다.
제안된 방식은 횡방향 오차가 주로 발생하는 방향을 정밀하게 분석할 수 있으며, 산출된 보정 값을 저정 밀 GPS 데이터에 반영하여 차량 위치 추정의 정확도를 향상시킬 수 있다. 결과적으로, 실제 주행 경로와 HD Map 상의 차선 정보 간의 불일치를 효과적으로 줄이는 데 기여한다.
6. EKF 모델 구축
카메라와 정밀 지도를 이용해 계산된 오프셋(Offset) 데이터는 차량 진행 방향의 횡방향 오차를 보정에는 효과적이었지만, 종방향 오차를 직접 추정할 수 없다는 한계가 존재하였다. 또한 이 방식은 차선 인식의 정확 도에 민감하게 영향을 받기 때문에, 차선 검출 성능 저하 시 위치 추정 정확도 또한 떨어지는 단점이 있다.
이러한 문제를 보완하기 위해, Extended Kalman Filter (EKF) 기반의 센서 융합 방법을 도입하여 실제 차량 주행 데이터를 바탕으로 더욱 정밀한 차량 위치를 추정하였다. EKF 모델의 초기 상태 벡터는 차량의 GPS로 부터 획득한 위치 정보를 기반으로 하며, 상태 벡터는 다음과 같이 구성된다: [x, y, Δθ, v]. 여기서 x, y는 차 량의 위치, Δθ는 헤딩 각 변화량, υ [m/s]는 차량의 속도를 의미한다.
속도는 차량의 Wheel Speed Sensor로부터 수신되며, 헤딩 변화량 Δθ는 IMU 센서로부터 얻는다. EKF는 이 들 센서 데이터를 이용해 시간에 따라 차량의 위치를 예측하고 업데이트하며, 위치(x, y) 만을 예측 대상으로 하고, Δθ 및 v는 외부 센서 데이터를 그대로 사용하는 구조이다.
이 방식은 횡방향 오차 및 종방향 오차 모두에 대해 안정적인 위치 추정이 가능해졌으며, 저정밀 GPS 데 이터를 보정하는 데 효과적인 접근이 가능해진다.
Ⅲ. 시험 결과
1. 시나리오
본 실험은 경기도 화성시에 위치한 자율주행 테스트베드 K-City에서 수행되었다. 실제 도로 환경에서의 차선 인식 및 위치 보정 성능을 검증하기 위해 제네시스 G70 차량을 이용하였다. 실험 차량에는 카메라 1대, RTK-GPS(Synerex MRP-2000) 1대, 그리고 저성능 GPS(Ublox C94-M8P-2) 1대가 장착되어 주행 데이터를 수집 하였다. 센서의 데이터를 동시에 획득하여, 차량의 실시간 위치 정보를 기반으로 카메라로 인식된 차선 데이 터와의 비교를 수행하였다.
수집된 데이터는 ROS1 (Ubuntu, ROS melodic 18.04 환경)에서 10ms 주기로 기록되었으며, 도심로 구간(평 균 속도 30km/h)과 고속도로 구간(평균 속도 약 50km/h)에서 각각 실험을 진행하였다. 실험은 정밀지도 (EPSG:32652 기준)와 Waypoint 기반 경로 추종 방식으로 수행되었다. 이후 획득한 데이터를 대상으로 EKF를 적용하여 RTK-GPS 대비 제안된 방법의 위치 추정 오차의 정밀도를 분석하였다.
1) 테스트 차량 및 주행 경로
2) GPS 성능 지표
2. 시험 결과 분석 및 평가
평가는 차량의 주행한 위치를 바탕으로 RTK-GPS를 기반으로 각각 평균 오차와 식(5) RMSE11) 오차를 나 타내었다.
1) 도심로 구간 시험
도심로 구간은 직선, 곡선, 교차로 구간으로 나누어 테스트를 진행하였다. <Fig. 13-18>는 그래프를 RTK (RTK-GPS), LOW(저성능 GPS), OFF(차선 기반 오차 제거 기준 차량의 위치), EKF(차선 기반 오차 제거 및 EKF 적용)로 구분하여 나타내었다.
<Fig.12> 직선 구간은 차선 인식이 정상적으로 이루어질 경우, 오차가 뚜렷하게 감소함을 확인하였다. 횡 방향 오차가 기존 평균 약 3.18m에서 평균 약 0.51m로 약 2.67m가 감소하였다. <Fig.13> 곡선 구간은 EKF 기 반 추정이 단순 오프셋 제거 기반보다는 작은 오차를 보였으나, 곡선 구간에서 yaw rate가 급격히 변하기 때 문에 일부 작은 오차가 발생하였다. <Fig.14> 교차로 구간의 경우, 교차로 내에서도 직선과 곡선으로 구분할 수 있으나 본 연구에서는 곡선 구간을 기준으로 판단하였다. 해당 구간에서는 차선 인식이 불분명하며, 곡선 구간에서의 yaw rate가 급격한 변화로 인해 오프셋 기반의 오차가 크지 않으나, 직진 구간에 비해 일부 흔들 림이 관찰되었다. EKF 기반 추정 또한 이러한 곡선 구간에서 안정성을 유지하면서도 작은 오차가 발생함을 확인하였다.
전체적인 코스의 주행 결과로는 평균 3.1726m의 절대 위치 오차가 나타났다. 특히 차량의 진행 방향 기준 y축(좌·우) 오차가 x축(전·후) 오차에 비해 현저히 크게 나타났으며, x축 방향의 경우 최대 4.24m의 RMSE를 보였다.
저성능 GPS(Low-GPS)에 EKF를 적용한 결과, 평균 오차는 3.1726m에서 2.8953m로 감소하여 약 8.73%의 개선 효과를 보였다. 이는 속도와 가속도를 이용한 상태 예측이 GPS 단독 위치 추정보다 안정적으로 작동함 을 의미한다.
차선 기반 오프셋 제거 기법을 적용한 경우, 전체적인 위치 오차가 감소하였다. 평균 오차는 0.4550m로, 기존보다 2.717m 감소하였으며 이는 GPS 단독 사용에 비해 약 85.66%의 정확도 향상 효과를 보였다.
최종적으로 EKF 기반 필터링과 차선 기반 오프셋 제거 기법을 함께 적용한 경우, 가장 높은 성능 향상을 확인할 수 있었다. 필터 적용 초기에는 오프셋 제거 방법보다 오차가 다소 크게 나타났지만, 시간이 지남에 따라 오차가 감소하는 것을 확인할 수 있었다. 평균 오차는 0.3779m로 2.7947m가 감소되었으며, 전체적인 위 치 정확도가 평균 88.09% 개선됨을 확인하였다.
<Fig 11-15>의 결과에서 제안된 보정 기법의 효과를 시각적으로 확인할 수 있었다. 보정 전에는 궤적이 실 제 차선으로부터 큰 편차를 보였으나, 보정 후에는 궤적이 차선과 거의 근접하여 위치 정확도의 향상이 명확 히 드러났다.
곡선 구간에서는 급격한 곡선부에서 직접적인 차선이 아닌 이전 구간의 누적된 x, y 방향의 오차가 반영 되므로 직진 구간보다 평균 오차가 다소 증가하였다. 그러나 전체적인 오차 수준은 큰 차이를 보이지 않았 다. 교차로 실험 또한 이전의 오프셋을 기반으로 오차를 보정한 경우, 별다른 문제 없이 안정적인 추정 결과 를 얻을 수 있었다. 단, 오차가 차량이 주행 중인 차선을 초과하여 다른 차선을 인식하는 경우에는 위치 추 정 정확도가 저하될 수 있다.
<Fig. 16>와 같이 도로의 분기점이나 합류점과 같이 차선이 복잡하게 분기되는 구간에서는 차선 인식 정 확도가 저하되어 오차가 증가함을 확인하였다. 이 구간에서는 실제 차선보다 좁게 인식되는 현상이 발생하 여, 오차 증가 요인 중 하나로 판단하였다.
<Table 1>과 <Table 2>는 각각 절대 위치 오차와 RTK-GPS 대비 정밀도 정리한 표이며, 이를 통해 EKF 기 반 차선 보정 방식이 GPS 오차 보정에 효과적임을 확인할 수 있었다. 특히 직선 도로 및 명확한 차선이 존 재하는 구간에서 높은 정확도를 보였다.
<Table 1>
Specification of GPS Used in This Study
| Product | Ublox C94-M8P-2 | Synerex MRP-2000 |
|---|---|---|
| Channel | 72 | 184 |
| Time-to-first-fix | Cold start: <40s Aided start: <2s |
Cold start: 29s Hot start: 1s Aided starts: 2s |
| RTK Convergence time | <3.5min | <10s |
| Static Accuracy | Horizontal: Vertical: |
Horizontal: ±1.5m CEP Vertical: ±1.5m CEP |
| SBAS Accuracy | - | Horizontal: ±1.0m CEP Vertical: ±1.0m CEP |
| RTK Accuracy | Horizontal: Vertical: 0.025m+1ppmCEP | Horizontal: ±(10+1×10-6D)mm Vertical: ±(10+1×10-6D)mm |
| Accuracy of time pulse signal | RMS: 30ns 99%: 60ns |
30ns |
| Nav. Update Rate | 8Hz (RTK) 4Hz (Moving baseline RTK) |
up to 8Hz (Full GNSS) up to 20Hz (GPS only) |
<Table 2>
Absolute Position Error and Improvement Rate
| Item | Absolute Position Error [m] | Improvement Rate[%] | ||||
|---|---|---|---|---|---|---|
| X | Y | Z (Avg) | Z (RMSE) | Z (Avg) | Z (RMSE) | |
| Original(Low-GPS) | 3.1634 | 0.2404 | 3.1726 | 3.1730 | - | - |
| EKF(Low-GPS) | 2.8850 | 0.2439 | 2.8953 | 2.9006 | 8.73 | 8.50 |
| Lane-based Offset Removal | 0.1796 | 0.2352 | 0.4550 | 0.4626 | 85.66 | 85.42 |
| EKF + Lane-based | 0.0373 | 0.2518 | 0.3779 | 0.3936 | 88.09 | 87.60 |
<Table 3>
Downtown Driving Section-wise Absolute Position and Improvement Rate
| Item | Original (Low-GPS) [m] | EKF [m] | Improvement Rate [%] |
|---|---|---|---|
| Straight | 3.1965 | 0.3379 | 89.43 |
| Curve | 3.1316 | 0.4332 | 86.16 |
| Intersection | 3.1722 | 0.3863 | 89.43 |
<Table 4>은 도심로 구간 측정된 위치 오차의 95% 구간과 임계 오차 초과 실패율(>1 m, >2 m)을 정리한 지표이다. 저성능 GPS(Low-GPS) 데이터의 경우, 95% 범위에서 최대 3.2367m의 오차가 발생하였으며, 1m 및 2m 이상의 오차가 각각 100%로 나타나 모든 구간에서 위치 추정이 신뢰할 수 없는 수준으로 저성능 GPS 단독으로는 안정적인 자율주행이 불가함을 확인할 수 있다.
<Table 4>
Downtown Driving Section : 95th Percentile and Failure Rate
| Item | 95% Percentile [m] | > 1m [%] | > 2m [%] |
|---|---|---|---|
| Original(Low-GPS) | 3.2367 | 100 | 100 |
| Lane-based Offset Removal | 0.5910 | 0 | 0 |
| EKF + Lane-based | 0.6360 | 0 | 0 |
차선 기반 오프셋 제거 기법을 적용한 경우, 95% 구간 오차가 0.5910m로 감소하였고, 1 m 및 2 m 이상 오 차 구간이 0%로 나타나 위치 추정의 안정성이 크게 향상됨을 보여준다. EKF를 추가적으로 적용한 경우 95% 구간 오차는 0.6360m로 약간 증가하였으나 여전히 1m, 2m 초과 실패율은 0%로, EKF 기반 종방향 보정 과 차선 기반 오프셋 제거가 함께 적용될 때도 높은 안정성을 유지함을 확인할 수 있다.
이 결과는 고속도로 직선 구간과 같이 도로 구조가 단순하고 차선 인식 신뢰도가 높은 환경에서, 차선 기 반 보정과 EKF 필터링을 결합하면 위치 추정의 극단 오차를 효과적으로 억제할 수 있음을 의미한다. 특히 주행 속도가 높은 환경에서도 1 m 이상의 실패 구간이 없다는 점은, 제안된 방법이 실용적인 수준의 위치 정확도를 제공함을 뒷받침한다.
2) 고속도로 구간 시험
본 실험은 고속도로의 직선 구간(약 550m)에서 수행되었으며, 자율주행 차량의 속도는 평균 50km/h이다. 차선 기반 오차 보정에 대한 사전 누적된 종방향 오차가 존재하지 않으며 주로 횡방향 오차를 중심으로 진 행하였다.
<Table 5>
Absolute Position Error [m]
| Item | X(Avg) | X(RMSE) | Y(Avg) | Y(RMSE) | Z (Avg) | Z (RMSE) |
|---|---|---|---|---|---|---|
| Original(Low-GPS) | 2.0371 | 2.0377 | 2.7878 | 2.7890 | 3.4536 | 3.4541 |
| EKF(Low-GPS) | 1.9860 | 2.0122 | 2.7181 | 2.70 | 3.3663 | 3.3674 |
| Lane-based Offset Removal | 0.2087 | 0.2361 | 2.7878 | 2.7890 | 2.7977 | 2.7989 |
| EKF + Lane-based | 0.1924 | 0.2916 | 1.8399 | 1.8417 | 1.8627 | 1.8647 |
<Table 6>
Absolute Position Error - Improvement Rate [%]
| Item | X(lateral Avg) | Y(Avg) | Z(Avg) | Z(RMSE) |
|---|---|---|---|---|
| EKF(Low-GPS) | 2.50 | 21.67 | 2.53 | 2.51 |
| Lane-based Offset Removal | 89.75 | - | 18.99 | 18.97 |
| EKF + Lane-based | 90.55 | 34.00 | 46.06 | 46.01 |
고속도로는 도심로와 달리 곡선, 교차, 정지 상황이 거의 없고 주행 속도가 높아, 동일한 센서와 필터의 구성이라도 EKF의 성능 특성이 달라진다. 따라서 도심 환경 결과와 고속도로의 결과는 거리 뿐만 아니라 주 행 속도에 따른 동적 특성을 함께 고려해 해석해야 한다. 차선 기반 오프셋 제거 방법에서 누적된 Y축 데이 터가 없는 경우, X축(횡방향) 오차만을 이용하여 오프셋이 제거된다. 테스트 결과 기존 평균 X축 오차는 2.0471m로 나타났으나, 차선 기반 오프셋 제거 방법으로는 0.2087m로 감소하여 총 1.8384m의 오차가 줄었으 며, 약 89.75%의 개선 효과를 보였다.
횡방향 오차가 도심로의 직진 구간보다 낮게 나타난 원인은, 본 테스트 경로의 고속도로 구간에서는 합류 및 분기점이 존재하지 않고 차선 폭이 비교적 일정하여 차선 인식 신뢰도가 상대적으로 높았기 때문이다. 차 선 기반 오프셋 제거 방법의 단점으로는 누적된 데이터가 없을 경우에는 종방향 오차를 측정할 수 없다. EKF를 이용하여 차량의 속도와 가속도를 기반으로 종방향 오차를 추정한 결과, 평균 2.7878m의 종방향 오차 가 1.8399m로 34.0% 감소하였다.
그러나 고속도로 구간에서는 도심로에 비해 횡방향 오차의 개선 폭이 크게 나타난 반면, 종방향 오차의 경우 상대적으로 성능이 저하되었다. 이는 누적된 종방향 데이터의 부재와 더불어, 고속도로 구간의 주행 속 도가 도심로보다 평균 약 20 km/h 높아 속도 예측의 불확실성이 증가했기 때문으로 판단된다.
Ⅳ. 결 론
본 연구는 자율주행 도로 환경에서 카메라 기반 도로 노면 표시 인식 데이터와 정밀지도 도로 노면 데이 터를 활용하여 차량의 횡방향 위치 오차를 개선하고, EKF(Extended Kalman Filter)를 적용하여 전체적인 위치 추정 정확도를 향상시키는 방법을 제안한다.
제안된 방법의 효과를 검증하기 위해, 서로 다른 성능을 지닌 두 종류의 GPS 센서를 이용하여 데이터를 수집하고, 각 방법의 오차 개선 성능을 비교 분석하였다. 실험 결과, 카메라와 정밀지도를 이용한 보정 기법 은 기존 GPS 단독 측정 대비 평균 유클리드 거리 오차가 0.4550m으로 85.66% 개선되는 효과를 보였다. 또 한, EKF 기반의 융합 기법을 적용한 경우, 오차는 0.3779m, 정밀도은 88.09%로 오차가 더욱 감소하며 초기 위치 대비 위치 정확도가 크게 향상됨을 확인하였다. 제안된 방법은 (Kang et al., 2020)에서 제안한 카메라 기반 차선 인식 데이터와 정밀지도 데이터를 이용한 위치 추정 방법의 오차 0.892m와 비교할 때, 절반 이상 오차가 감소함을 보여주었다. 제안된 오차는 자율주행을 하기 위한 차량의 정확도 요구 수준을 만족하며 복 잡한 도심 환경에서도 안정적인 위치 추정이 가능함을 확인하였다.
본 연구는 자율주행 시스템에서 카메라와 GPS 센서를 융합하여 차량의 위치 추정 오차를 효과적으로 줄 일 수 있는 방향을 제시하였다. 제안한 센서 융합 기반 위치 보정 기법은 자율주행 시스템의 Fail-Operational 관점에서도 중요한 의미를 갖는다. RTK-GPS의 고장이나 신호 장애와 같은 비정상 상황에서도, 카메라 기반 차선 인식 및 정밀지도 정보를 이용하여 저성능 GPS만으로도 안정적인 위치 추정이 가능함을 실험적으로 확인하였다. 이는 자율주행 차량이 핵심 센서 일부가 고장 나더라도 안전하고 지속적인 주행이 가능한 시스 템 구조를 구현하는 데 기여할 수 있음을 입증하였다. 향후 연구에서는 다양한 도로 환경 및 기상 조건에서 의 실험뿐 아니라, 다른 센서와의 결합 등을 이용하여 추가적인 검증과 실시간 적용 가능성에 대한 연구를 수행할 예정이다.
