3.4 위치 추정(Localization) 하위 시스템

3.4 위치 추정(Localization) 하위 시스템

1. 개요

위치 추정(Localization) 하위 시스템은 차량의 현재 위치(Position)와 자세(Orientation)를 전역 좌표계에서 정밀하게 추정하는 기능 모듈이다. 자율주행에서 요구되는 위치 추정 정확도는 일반적으로 횡방향 10cm 이내, 종방향 수십 cm 이내이며, 이는 차선 수준의 정밀한 위치 결정을 의미한다.

2. 위치 추정 방법론

2.1 GNSS/INS 결합

GNSS 수신기와 관성 측정 장치(IMU)를 확장 칼만 필터(Extended Kalman Filter, EKF) 또는 무향 칼만 필터(Unscented Kalman Filter, UKF) 등으로 결합하여 위치와 자세를 추정하는 방법이다. GNSS는 전역 위치의 절대적 기준을 제공하고, IMU는 GNSS 신호 차단 시에도 단기적 위치 추정을 유지한다.

RTK(Real-Time Kinematic) GNSS는 기준국(Base Station)으로부터의 보정 정보를 이용하여 센티미터 수준의 위치 정확도를 달성한다. PPP(Precise Point Positioning) 방식은 별도의 기준국 없이 위성 궤도·시계 보정 정보를 이용하여 정밀 측위를 수행한다.

2.2 라이다 기반 위치 추정

실시간으로 수집된 라이다 포인트 클라우드를 사전 구축된 3D 포인트 클라우드 지도와 정합(Matching)하여 차량의 위치를 추정하는 방법이다.

  • ICP(Iterative Closest Point): 두 포인트 클라우드 간의 대응점 거리를 반복적으로 최소화하여 최적의 변환(회전 + 병진)을 추정한다(Besl & McKay, 1992).
  • NDT(Normal Distributions Transform): 포인트 클라우드를 복셀(Voxel)로 분할하고 각 복셀 내 점 분포를 정규 분포로 모델링하여 정합하는 방법이다(Biber & Straßer, 2003). ICP 대비 계산 효율이 높고 초기 정합 오차에 대한 강건성이 우수하다.

2.3 시각 기반 위치 추정

카메라 영상으로부터 차량의 운동을 추정하는 방법이다.

  • 시각적 주행 거리 측정(Visual Odometry, VO): 연속 프레임 간의 특징점 이동으로부터 카메라(차량)의 상대적 이동을 추정한다.
  • 시각적 SLAM(Visual SLAM): 주행 거리 측정과 동시에 환경의 지도를 구축한다. ORB-SLAM(Mur-Artal et al., 2015) 등이 대표적이다.
  • 지도 기반 시각 위치 추정: 영상에서 추출된 특징을 사전 구축된 시각 지도와 대조하여 위치를 추정한다.

2.4 다중 센서 융합 위치 추정

실제 자율주행 시스템에서는 GNSS/INS, 라이다 기반 정합, 시각 기반 추정, 휠 주행 거리 측정 등 다수의 위치 추정 소스를 융합하여 정확도와 강건성을 동시에 확보한다. 그래프 기반 최적화(Graph-Based Optimization)나 인자 그래프(Factor Graph) 프레임워크가 다중 소스 융합에 널리 사용된다.

3. 위치 추정의 기술적 과제

  • GNSS 음영 환경: 터널, 고가도로 하부, 도심 고층 빌딩 사이 등에서 GNSS 신호가 차단되거나 다중 경로(Multipath) 효과로 정확도가 저하된다.
  • 동적 환경의 영향: 주차된 차량, 공사 장비 등 지도 구축 시점과 현재 시점에서 변화한 환경 요소가 라이다 정합의 정확도에 영향을 미친다.
  • 악천후 영향: 강우, 강설 시 라이다 포인트 클라우드의 잡음 증가와 카메라 영상 품질 저하가 위치 추정 성능에 영향을 미친다.

4. 참고 문헌

  • Besl, P. J., & McKay, N. D. (1992). A method for registration of 3-D shapes. IEEE Transactions on Pattern Analysis and Machine Intelligence, 14(2), 239–256.
  • Biber, P., & Straßer, W. (2003). The normal distributions transform: A new approach to laser scan matching. Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2743–2748.
  • Mur-Artal, R., Montiel, J. M. M., & Tardós, J. D. (2015). ORB-SLAM: A versatile and accurate monocular SLAM system. IEEE Transactions on Robotics, 31(5), 1147–1163.

v1.0