농업 및 자율 주행 차량 - 소프트웨어 융합

GNSS의 농업 분야 응용

농업 분야에서 GNSS(Global Navigation Satellite System)의 활용은 농업 생산성과 효율성을 크게 향상시켜 왔다. 이를 통해 정밀 농업(Precision Agriculture)이라는 개념이 탄생하게 되었으며, GNSS는 주요한 기술적 기반을 제공하고 있다.

정밀 농업의 개념

정밀 농업은 토지, 작물, 그리고 기계의 상태를 세밀하게 모니터링하고 관리하는 방식으로, 기존의 농업 방식보다 더 높은 효율을 달성할 수 있다. GNSS 기반의 위치 추적 시스템은 농기계의 정확한 위치를 제공하며, 이를 통해 기계는 정밀하게 농업 작업을 수행할 수 있다. 이 과정에서 사용하는 주요 요소는 다음과 같다.

자동 조향 시스템: GNSS를 통해 농기계는 자동으로 경로를 따라갈 수 있으며, 이를 통해 인적 오류를 최소화할 수 있다.
정밀 살포 시스템: 농약이나 비료 등을 정확한 위치에 살포할 수 있도록 GNSS 기반 시스템이 도와준다. 이는 자원을 절약하면서도 환경적 영향을 최소화할 수 있다.

GNSS의 주요 기능

농업에서 GNSS가 담당하는 주요 기능 중 하나는 RTK(Real-Time Kinematic) 기술을 활용한 높은 정확도의 위치 추적이다. 이 기술은 농기계가 센티미터 단위의 정밀도로 위치를 파악할 수 있도록 하며, 다음과 같은 방식으로 운영된다.

RTK 시스템의 구성 요소

기준국(Base Station): 기준국은 고정된 위치에 있는 GNSS 수신기로, 자체 위치를 정확히 알고 있으며 위성으로부터 수신한 정보를 바탕으로 위치 보정을 수행한다.
이동국(Rover): 이동국은 농기계에 설치된 GNSS 수신기로, 기준국으로부터 보정된 위치 데이터를 수신하여 매우 정확한 위치 추적이 가능하다.

이때 두 GNSS 수신기의 거리와 시간 차이를 고려하여 오차를 보정하는 방법은 다음과 같다.

$\Delta \mathbf{r} = \mathbf{r}_\text{rover} - \mathbf{r}_\text{base}$

여기서 $\mathbf{r}_\text{rover}$ 는 이동국의 위치, $\mathbf{r}_\text{base}$ 는 기준국의 위치를 나타낸다.

정밀 농업에서의 비선형 문제와 확장 칼만 필터(EKF)

농업 기계의 궤적 추적이나 위치 제어는 종종 비선형적인 특성을 보인다. 예를 들어, 농기계가 다양한 지형에서 움직일 때는 농업용 장비의 물리적 움직임과 GNSS 신호 사이에 복잡한 상관관계가 발생할 수 있다. 이러한 비선형 문제를 해결하기 위해 확장 칼만 필터(EKF)를 적용할 수 있다.

확장 칼만 필터에서 상태 예측 및 업데이트는 다음과 같은 수식을 통해 이뤄진다.

상태 예측:

$\hat{\mathbf{x}}_k^- = f(\hat{\mathbf{x}}_{k-1}, \mathbf{u}_{k-1}) + \mathbf{w}_{k-1}$

상태 업데이트:

$\hat{\mathbf{x}}_k = \hat{\mathbf{x}}_k^- + \mathbf{K}_k (\mathbf{z}_k - h(\hat{\mathbf{x}}_k^-))$

여기서: - $\hat{\mathbf{x}}_k$ 는 상태 추정 벡터, - $\mathbf{u}_k$ 는 제어 입력, - $\mathbf{z}_k$ 는 측정값, - $\mathbf{K}_k$ 는 칼만 이득(Kalman gain), - $f(\cdot)$ 와 $h(\cdot)$ 는 비선형 함수.

이러한 비선형 필터링 기법을 통해 농기계의 정확한 위치를 예측하고, 측정값과의 차이를 보정할 수 있다. 특히 농업용 기계의 경우, GNSS 신호의 잡음과 측정 불확실성을 보정하는 데 있어 EKF는 강력한 성능을 발휘한다.

자율 주행 차량에서의 GNSS 활용

자율 주행 차량에서 GNSS는 핵심적인 위치 정보 제공 시스템으로, 차량의 위치 추적과 경로 계획을 지원한다. GNSS 신호는 일반적으로 도심지에서는 신호 차단이나 다중 경로 문제가 발생할 수 있지만, 이를 보완하는 다양한 기술이 적용된다.

GNSS와 센서 융합

자율 주행 차량에서는 GNSS 외에도 IMU(Inertial Measurement Unit), LiDAR, 카메라 등의 센서와 GNSS 데이터를 융합하여 보다 정확한 위치 정보를 얻는다. 이를 통해 자율 주행 시스템은 실시간으로 차량의 위치를 추정하고, 주변 환경에 대한 정보를 수집한다.

센서 융합에서 중요한 역할을 하는 것은 확장 칼만 필터(EKF)로, 다양한 센서로부터 얻은 비선형 데이터를 실시간으로 처리하여 차량의 위치와 상태를 추정한다.

확장 칼만 필터를 이용한 센서 융합

자율 주행 차량의 상태 추정은 다음과 같은 확장 칼만 필터 수식을 사용하여 처리된다.

상태 예측:

$\hat{\mathbf{x}}_k^- = f(\hat{\mathbf{x}}_{k-1}, \mathbf{u}_{k-1}) + \mathbf{w}_{k-1}$

상태 업데이트:

$\hat{\mathbf{x}}_k = \hat{\mathbf{x}}_k^- + \mathbf{K}_k (\mathbf{z}_k - h(\hat{\mathbf{x}}_k^-))$

$\hat{\mathbf{x}}_k$ 는 차량의 상태를 나타내며, 여기에는 차량의 위치, 속도, 가속도 등이 포함된다. 또한 $\mathbf{u}_k$ 는 차량의 제어 입력, $\mathbf{z}_k$ 는 센서에서 측정된 값으로, LiDAR나 카메라 등에서 수집된 정보가 이에 해당한다. EKF는 이러한 비선형적인 관계를 처리할 수 있어, 차량의 상태를 지속적으로 갱신하고 정확한 위치 추정을 가능하게 한다.

GNSS와 RTK 기술의 자율 주행 차량 응용

자율 주행 차량에서 GNSS를 통해 높은 정확도를 달성하기 위해 RTK(Real-Time Kinematic) 기술이 많이 사용된다. RTK는 주로 농업과 유사하게 기준국과 이동국 사이의 상대적 위치를 측정하여 차량의 위치를 고정밀도로 추정하는 데 사용된다. RTK의 정확도는 일반적으로 수 센티미터 내외로, 이는 자율 주행 차량이 도심 환경에서도 정밀한 경로를 추적하는 데 도움을 준다.

RTK 기반 자율 주행 차량 시스템의 구조

기준국(Base Station): 자율 주행 차량이 이동하는 지역에 설치된 고정된 GNSS 수신기로, 차량의 위치를 보정하기 위한 정보를 제공한다.
이동국(Rover): 자율 주행 차량에 장착된 GNSS 수신기로, 기준국으로부터 위치 보정 데이터를 수신하여 정확한 위치를 추정한다.

RTK 시스템에서 차량의 위치는 다음과 같은 수식을 통해 보정된다.

$\Delta \mathbf{r} = \mathbf{r}_\text{rover} - \mathbf{r}_\text{base}$

여기서 $\mathbf{r}_\text{rover}$ 는 이동 중인 자율 주행 차량의 위치, $\mathbf{r}_\text{base}$ 는 고정된 기준국의 위치를 나타낸다. 이 차이를 기반으로 이동국의 위치는 실시간으로 보정된다.

도심 환경에서의 다중 경로 문제 해결

도심 환경에서는 건물이나 기타 구조물에 의해 GNSS 신호가 차단되거나 반사되는 다중 경로(Multipath) 문제가 발생할 수 있다. 이러한 문제는 자율 주행 차량의 위치 추정 정확도를 크게 떨어뜨릴 수 있다. 이를 해결하기 위한 방법으로는 다음과 같은 기술들이 있다.

다중 경로 신호 필터링: 차량의 GNSS 수신기가 다중 경로 신호를 감지하고, 이를 필터링하여 신호의 왜곡을 줄이는 방식이다.
센서 융합 기술: GNSS 외에도 IMU, LiDAR, 카메라 등 다양한 센서를 이용해 다중 경로 문제를 보완할 수 있다. 확장 칼만 필터(EKF)는 이러한 센서 데이터를 융합하여 보다 정확한 위치를 추정한다.

자율 주행에서의 GNSS 오차 보정

자율 주행 차량에서 GNSS 신호의 오차를 보정하기 위해 RTK 외에도 여러 가지 보정 기법이 사용된다. 가장 일반적인 보정 기법으로는 다음과 같은 것들이 있다.

SBAS(위성 기반 보정 시스템): GNSS 신호의 오차를 위성에서 직접 보정하는 방식으로, 대표적으로 EGNOS, WAAS 등이 있다.
GBAS(지상 기반 보정 시스템): 지상에서 GNSS 신호의 오차를 보정하는 시스템으로, RTK 기술이 대표적이다.

자율 주행 차량의 경로 계획과 GNSS의 역할

자율 주행 차량은 GNSS를 통해 차량의 현재 위치를 정확히 추정하며, 이를 기반으로 경로 계획(Path Planning)을 수행한다. 경로 계획은 차량이 목표 지점까지의 최적 경로를 계산하는 과정을 포함하며, GNSS는 실시간으로 차량의 위치를 업데이트하면서 경로 계획을 실시간으로 수정할 수 있도록 도와준다.

경로 계획 알고리즘

자율 주행 차량에서 흔히 사용되는 경로 계획 알고리즘에는 다음과 같은 것들이 있다.

A* 알고리즘: 최단 경로를 탐색하는 알고리즘으로, 차량이 장애물을 피하면서 목표 지점에 도달하는 경로를 계산할 수 있다.
D* 알고리즘: 실시간 환경 변화에 대응하여 경로를 수정할 수 있는 알고리즘으로, GNSS를 통한 실시간 위치 업데이트와 결합하여 차량의 이동 경로를 지속적으로 최적화한다.

확장 칼만 필터(EKF)를 이용한 자율 주행 차량의 경로 추정

자율 주행 차량에서 경로 추정(Path Estimation)은 차량의 실시간 위치와 속도를 기반으로 차량의 이동 궤적을 추적하는 과정이다. 이 과정은 일반적으로 확장 칼만 필터(EKF)를 사용하여 처리되며, EKF는 차량의 비선형 움직임과 GNSS 신호의 비선형 오차를 보정하는 데 효과적이다.

확장 칼만 필터는 다음과 같은 수식을 사용하여 자율 주행 차량의 경로를 추정한다.

상태 예측:

$\hat{\mathbf{x}}_k^- = f(\hat{\mathbf{x}}_{k-1}, \mathbf{u}_{k-1}) + \mathbf{w}_{k-1}$

여기서 $\hat{\mathbf{x}}_k^-$ 는 시간 $k$ 에서의 차량 상태 예측치, $\mathbf{u}_{k-1}$ 는 차량의 제어 입력(속도, 방향 등), $\mathbf{w}_{k-1}$ 는 시스템 노이즈을 나타낸다.

상태 업데이트:

$\hat{\mathbf{x}}_k = \hat{\mathbf{x}}_k^- + \mathbf{K}_k (\mathbf{z}_k - h(\hat{\mathbf{x}}_k^-))$

여기서 $\mathbf{K}_k$ 는 칼만 이득(Kalman gain), $\mathbf{z}_k$ 는 GNSS 및 기타 센서에서 측정한 값, $h(\cdot)$ 는 측정 모델을 나타낸다.

확장 칼만 필터는 이러한 예측과 업데이트 과정을 반복하여 자율 주행 차량의 경로를 지속적으로 추정하고 보정할 수 있다. 이 과정에서 GNSS 신호의 오차가 반영되며, 센서 융합을 통해 경로 추정의 정확도가 개선된다.

자율 주행 차량에서의 GNSS 및 IMU 통합

자율 주행 차량은 GNSS뿐만 아니라 관성측정장치(IMU)를 함께 사용하여 보다 정확한 위치 및 자세를 추정한다. IMU는 차량의 가속도와 각속도를 측정하며, GNSS의 신호 손실이 발생할 경우에도 IMU 데이터를 통해 차량의 이동 궤적을 추적할 수 있다. IMU는 특히 GNSS가 신뢰할 수 없는 환경(터널, 도심 고층 건물 사이)에서 매우 유용하다.

IMU와 GNSS의 데이터 융합

IMU 데이터는 GNSS와 서로 다른 특성을 가지고 있기 때문에, 두 데이터 소스를 결합하여 최적의 위치 추정을 수행해야 한다. 이를 위해 확장 칼만 필터(EKF)가 널리 사용되며, 각 센서로부터 얻은 정보를 기반으로 상태를 예측하고 업데이트한다.

IMU와 GNSS 융합에서 확장 칼만 필터의 동작 과정은 다음과 같다.

상태 예측: IMU 데이터를 이용하여 차량의 가속도와 각속도를 기반으로 다음 상태를 예측한다. 이때, IMU 데이터는 다음과 같이 차량의 가속도와 각속도를 사용하여 상태를 갱신한다.

$\hat{\mathbf{x}}_k^- = f(\hat{\mathbf{x}}_{k-1}, \mathbf{u}_{k-1}) + \mathbf{w}_{k-1}$

여기서:
- $\mathbf{x}_k$는 차량의 상태(위치, 속도, 가속도 등) 벡터,
- $\mathbf{u}_k$는 IMU로부터 측정된 가속도 및 각속도,
- $\mathbf{w}_k$는 시스템 노이즈을 나타낸다.

상태 업데이트: GNSS로부터 측정된 위치 데이터를 사용하여 예측된 상태를 보정한다. 이때 상태 보정은 다음과 같은 수식을 따른다.

$\hat{\mathbf{x}}_k = \hat{\mathbf{x}}_k^- + \mathbf{K}_k (\mathbf{z}_k - h(\hat{\mathbf{x}}_k^-))$

여기서:
- $\mathbf{z}_k$는 GNSS로부터 얻은 측정값,
- $\mathbf{K}_k$는 칼만 이득으로, 이는 GNSS와 IMU 간의 신뢰도를 반영하여 상태 갱신에 가중치를 부여한다.

IMU는 고주파수(일반적으로 100Hz 이상의 샘플링 속도)로 데이터를 제공하지만 GNSS는 저주파수(1Hz~10Hz 사이)로 동작한다. 이러한 속도 차이를 보정하기 위해, IMU는 짧은 시간 간격의 상태 예측을 수행하고, GNSS는 주기적으로 상태 보정에 사용된다.

자율 주행 차량의 고정밀 위치 추정

자율 주행 차량은 GNSS와 IMU의 통합을 통해 실시간으로 고정밀 위치 추정을 수행할 수 있으며, 특히 도심지나 교외 지역에서의 주행 시 매우 높은 정확도를 보인다. 이 과정에서 확장 칼만 필터는 IMU의 고주파수 데이터를 이용해 차량의 빠른 동작 변화를 추적하고, GNSS로부터 얻은 저주파수 데이터를 통해 장기적인 위치 오차를 보정한다.

GNSS 신호의 재밍 및 스푸핑 방어

자율 주행 차량에서 GNSS는 매우 중요한 역할을 하지만, GNSS 신호는 취약한 측면도 있다. 특히, GNSS 신호는 재밍(Jamming) 및 스푸핑(Spoofing) 공격에 취약할 수 있으며, 이는 차량의 위치 추정에 심각한 영향을 미칠 수 있다.

재밍(Jamming)

재밍은 GNSS 신호의 주파수를 방해하는 전파를 발산하여 GNSS 수신기가 정상적으로 신호를 수신하지 못하게 만드는 공격이다. 자율 주행 차량에서 재밍 공격을 받게 되면, GNSS를 통한 위치 추정이 불가능해질 수 있다. 이를 방어하기 위한 방법은 다음과 같다.

다중 안테나 시스템: 여러 안테나를 사용하여 재밍 신호를 감지하고 이를 회피할 수 있는 기술을 적용한다.
필터링 기술: 특정 주파수 대역의 신호만을 선택적으로 수신할 수 있는 필터링 기술을 적용하여 재밍 신호를 차단한다.

스푸핑(Spoofing)

스푸핑은 위조된 GNSS 신호를 차량에 전달하여 차량이 잘못된 위치 정보를 기반으로 경로를 추적하게 만드는 공격이다. 자율 주행 차량에서 스푸핑 공격은 차량을 잘못된 경로로 유도하거나 위치를 왜곡시킬 수 있기 때문에 매우 위험하다. 이를 방어하기 위한 기술은 다음과 같다.

다중 GNSS 수신기: 자율 주행 차량에 여러 개의 GNSS 수신기를 설치하여 스푸핑 신호를 탐지하고, 여러 신호 간의 불일치를 통해 스푸핑을 방지한다.
GNSS와 IMU의 융합: 스푸핑 신호로 인해 GNSS가 왜곡되더라도 IMU 데이터를 통해 실시간으로 위치를 추정하고 GNSS 데이터를 보완할 수 있다.

GNSS와 통신 기술의 융합

자율 주행 차량은 GNSS 뿐만 아니라 통신 기술과도 결합되어 차량 간 정보 공유를 통해 보다 안전한 주행을 실현할 수 있다. 이를 V2X(Vehicle to Everything)라고 하며, 차량 간 통신(V2V), 차량과 인프라 간 통신(V2I), 차량과 사람 간 통신(V2P)이 포함된다.

V2X와 GNSS의 결합

V2X 시스템에서 차량 간 위치 정보는 GNSS를 기반으로 하며, 차량은 서로의 위치를 정확히 파악하고, 이를 통해 충돌 방지 및 교통 흐름 제어를 할 수 있다. GNSS를 통해 실시간 위치를 제공하고, 통신을 통해 이 정보를 주고받음으로써 차량 간 협력 주행이 가능해진다.