The Korean Society Of Automotive Engineers
[ Article ]
Transactions of the Korean Society of Automotive Engineers - Vol. 27, No. 5, pp.369-378
ISSN: 1225-6382 (Print) 2234-0149 (Online)
Print publication date 01 May 2019
Received 24 Oct 2018 Revised 14 Jan 2019 Accepted 12 Feb 2019
DOI: https://doi.org/10.7467/KSAE.2019.27.5.369

지도의 차로 개수를 활용한 파티클 필터링 퇴화 경감 방법

최미진1) ; 정호기*, 2) ; 서재규1)
1)세종대학교 지능기전공학부
2)한국교통대학교 전자공학과
Reduction of Particle Filtering Degeneracy Exploiting Lane Number from Digital Map
Mi Jin Choi1) ; Ho Gi Jung*, 2) ; Jae Kyu Suhr1)
1)School of Intelligent Mechatronics Engineering, Sejong University, Seoul 05006, Korea
2)Department of Electronic Engineering, Korea National University of Transportation, Chungbuk 27469, Korea

Correspondence to: *E-mail: hogijung@ut.ac.kr

Copyright Ⓒ 2019 KSAE / 162-05
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License(http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium provided the original work is properly cited.

Abstract

Particle filtering is widely used as a sensor fusion engine for vehicle localization. One of the major issues of particle filtering-based localization affecting the estimation accuracy is the inaccurate particle distribution-induced degeneracy. Various approaches have been suggested in order to minimize the effect of particle degeneracy. However, the approaches are not applicable for mass-production vehicles because they often require complex calculations. This paper proposes a method for reducing particle degeneracy by using the lane number obtained from the digital map when particle filtering is applied to highway localization via digital map. If the driving lane is not determined and the number of detected particle clusters is equal to that of the lanes on the driving road, the proposed method performs a separate resampling for each particle cluster. The proposed algorithm is validated via simulations in a virtual highway environment. The results show that the proposed method successfully maintains all possibilities until the driving lane is absolutely determined.

Keywords:

Particle degeneracy, Particle filtering, Sensor fusion-based precise localization, Particle clustering, Digital map-based localization

키워드:

파티클 퇴화, 파티클 필터링, 센서 융합 기반 정밀 측위, 파티클 클러스터링, 지도 기반 측위

1. 서 론

차량의 정확한 위치 추정은 첨단 운전자 지원 시스템(Advanced Driver Assistance System, ADAS)이나 자율 주행 분야에서 요구되고 있는 중요한 요소이다.1-4) 최근에는 차량의 위치를 추정하기 위해 기존에 사용하였던 GPS(Global Position System)나 INS(Inertial Navigation System)뿐만 아니라 카메라나 LIDAR와 같은 환경 인식 센서 등의 다양한 센서 정보를 융합하여 사용하는 방법들이 개발되고 있다.4-7)

다양한 센서 정보를 융합하는 필터링 기법 중에 하나인 파티클 필터링(Particle filtering)은 비선형과 비가우시안 시스템에 적용할 수 있는 장점 때문에 다양한 분야에서 활용되고 있다. 특히 차량이나 로봇과 같은 이동체의 위치 추정을 위해 많이 사용되고 있다.8-10) 더욱이 파티클 필터링은 센서 데이터로부터 직접적으로 상태 변수를 추정하지 않아도 되기 때문에, 상태 변수의 정보를 직접적으로 출력하는 센서뿐 아니라 다양한 센서를 활용할 수 있다.

환경 인식 센서 기반 위치 추정 방법은 환경 인식 센서로부터 정적인 특징점(차선, 차선 끝점, 도로 표지판 등)을 검출하고, 검출된 특징점을 정밀 지도 정보와 매칭하여 위치를 추정한다.8) 다양한 유형의 특징점이 빈번히 존재하는 일반 도로와 다르게, 고속도로에서는 특징점의 유형 및 빈도수가 일반 도로에 비해 현저히 작다.11) 특징점이 적은 고속도로에서는 비슷한 주행 환경이 반복되기 때문에, 상당 기간 동안 주행 차로를 확정하지 못하는 경우가 빈번히 발생한다. 예를 들어, 영동고속도로의 호법 JC에서 서울 TG 사이에는 최대 7.7 km 동안 주행 차로를 확정시킬 수 있는 노면표시(Road Surface Marker, RSM)가 나타나지 않는 구간이 있다. Fig. 1은 노면표시가 없는 구간의 예를 보여준다. 주행 차로를 확정할 수 없을 경우에는 주행한다고 생각할 수 있는 모든 차로에 대한 가능성을 유지하여야 한다. 파티클 필터링에서는 이러한 가능성을 파티클(Particle)을 통해 표현하는데, 이것은 가능성 있는 모든 차로에 파티클이 계속 유지되어야 한다는 것을 의미한다.

Fig. 1

Examples when we cannot determine the driving lane with RSM

그러나 파티클 필터링은 유한한 개수의 파티클을 사용하기 때문에, 고차원의 확률 분포를 정확하게 표현하는데 한계를 가지고 있다. 파티클들의 부정확한 확률 분포 묘사로부터 발생하는 문제를 파티클 퇴화(Degeneracy)라고 하며,12-16) 고속도로 상황에서 가능성 있는 모든 차로에 파티클이 유지되지 못하는 문제를 발생시킨다. Fig. 2는 파티클 퇴화 때문에 가능성 있는 차로(좌우 차선이 모두 점선인 2, 3, 4 차로) 모두에 파티클이 유지되지 못하는 상황을 보여준다. 초기 위치에서 파티클들은 가능성 있는 차로 모두에 존재하였으나, 주행하는 동안 2와 3차로에 있는 파티클들이 점차 소멸하였다. 결과적으로, 약 70 m를 주행한 상태에서 주행 가능 차로인 2와 3차로의 파티클들이 모두 소멸하였다. 실제 주행 차로가 2차로나 3차로인 경우, 이러한 결과는 주행 차로를 잘못 인식하는 오인식 문제를 야기한다.

Fig. 2

Example when particles in some candidate lanes disappear because of particle degeneracy(blue: particles)

이러한 파티클 필터링의 퇴화 문제를 해결하기 위한 대표적인 방법으로 상태천이 및 측정 과정의 노이즈 범위를 넓게 설정하는 Jittering12)과 파티클에 랜덤 노이즈를 더해주는 Roughening13)이 있으며, 이들은 파티클들의 분포를 변경하는 방법에 해당한다. 또한 Metropolis resampling, Optimal resampling,14) Reallocation resampling15) 등과 같이 다양한 Resampling 기법들도 제안되었다. 참고문헌16)에서는 파티클 퇴화 문제를 해결하기 위해 제안된 Resampling 기법들을 비교/분석하였다. 기존 Resampling 기법들은 퇴화 문제를 개선하는 효과는 있지만 완벽한 해결책은 되지 못했으며, 양산 차량에 적용하기에 부담스러운 알고리즘의 복잡성과 많은 연산량을 필요로 하는 문제를 보였다.

본 논문에서는 환경 인식 센서를 통해 검출된 주행 환경 정보와 정밀 지도 정보를 매칭하여 위치를 추정하는 파티클 필터링에 도로 표지판을 활용하는 새로운 방법을 제안한다. 또한 이를 고속도로에 적용할 때, 지도로부터 얻을 수 있는 차로 개수를 활용하여 간단한 방법으로 파티클 퇴화 문제를 경감시킬 수 있는 새로운 방법을 제안한다. 고속도로 환경에서 수행한 다양한 시뮬레이션을 통해 제안된 방법의 성능을 검증하였다.


2. 파티클 필터 기반 위치 추정

파티클 필터링은 측정된 정보로부터 상태 변수들의 현재 확률 분포를 추정한다. 여기서 확률 분포는 가중치(Weight)를 가지는 M개의 파티클 집합으로 표현된다. Fig. 3에서 보듯이, 파티클 필터링은 상태천이 모델과 파티클의 이전 상태를 이용하여 파티클의 현재 상태 x^tt-1n를 예측하는 Time update 단계와 측정된 정보로부터 파티클의 가중치 wtn를 갱신하는 Measurement update 단계, 가중치를 기반으로 현재 파티클 x^ttn을 분배하는 Resampling 단계를 반복함으로써 최적의 상태 변수를 추정한다.

Fig. 3

Flowchart of the conventional particle filtering

본 논문에서는 차량의 위치 및 자세를 추정하기 위해 시간 t에 대한 n번째 파티클 xtn을 다음과 같이 설정하였다.

xtn=xtn ytn θtnT(1) 

여기서 xy는 차량의 2차원 위치이며, θ는 차량의 자세를 나타내는 헤딩(Heading)을 의미한다. 또한, 초기 파티클 x1n은 주행 위치 근처의 모든 차로에 파티클이 위치되도록 랜덤하게 설정한다.

2.1 Time Update

현재 차량의 위치와 자세 추정치는 CTRV(Constant Turn Rate and Velocity) 상태천이 모델과 거동 센서를 통해 얻어진 차량의 속도 ν와 Yaw rate ω를 이용하여 아래와 같이 계산된다.

x^tt-1n=x^tt-1ny^tt-1nθ^tt-1n=x^t-1t-1n-υ~/ω~sinθ^t-1t-1n+υ~/ω~sinθ^t-1t-1n+ω~Δty^t-1t-1n-υ~/ω~cosθ^t-1t-1n+υ~/ω~cosθ^t-1t-1n+ω~Δtθ^t-1t-1n+ω~Δtυ~=υ+sampleσυ2,ω~=ω+sampleσω2(2) 

여기서 sample( ) 함수는 불확실성을 생성하는 함수이며, σνσω는 각각 속도와 Yaw rate 센서의 신호 잡음의 표준편차를 의미한다.

2.2 Measurement Update

Measurement update 단계에서는 환경 인식 센서를 통해 검출된 주행 환경 정보와 정밀 지도 정보를 매칭하여 파티클의 가중치를 갱신한다. 위치 추정에 활용되는 대표적인 주행 환경 정보인 차선의 경우, 전방 카메라로 차선을 검출하면 자차에 대한 횡방향 오프셋을 검출할 수 있는데, 이를 지도 상에서 파티클 위치에 자차가 있다고 가정했을 때 관찰되는 차선 정보로 구한 횡방향 오프셋과 비교한다. 그러나 일반적으로 차선이 주행방향과 평행하게 그려져 있기 때문에 차선 오프셋만을 사용하는 경우, 자차에 대한 종방향 위치 불확실성이 존재한다. 따라서 본 논문에서는 종방향 위치 불확실성을 보완하기 위해, 차선 끝점,5) 노면표시,8) 도로 표지판7)을 사용한다. 전방 카메라 영상을 활용하여 차선 끝점과 노면표시의 3차원 정보를 추정할 수 있기 때문에,5,8) 이를 지도 상에서 파티클 위치에 자차가 있다고 가정했을 때 관찰되는 차선 끝점과 노면표시의 상대 위치와 비교한다. 하지만 도로 표지판은 3차원 복원에서 발생하는 오류가 크기 때문에 상대 위치를 매칭 정보로 활용하기 어렵다. 대신, 본 논문에서는 Fig. 4에서와 같이 차량의 주행 방향에 대한 도로 표지판의 방향(Φ)을 매칭 정보로 활용하였다.

Fig. 4

Direction(Φ) of the road sign relative to the driving direction of the vehicle

파티클 x^tt-1n의 가중치 ωtn는 다음과 같다.

wtn=wL,tn wE,tn wR,tn wS,tn(3) 

여기서 wL,tn,wE,tn, wR,tn,wS,tn은 각각 차선 오프셋, 차선 끝점의 상대 위치, 노면표시의 상대 위치, 도로 표지판의 방향으로부터 계산된 가중치를 의미하며, 가우시안 확률 분포를 활용하여 다음 식 (4)와 같이 표현된다.

wL,tn=12πσL2exp-ltn-lm,t22σL2wE,tn=12πdetΣEexp-PE,tn-PE,m,tΣE-1PE,tn-PE,m,tT2wR,tn=12πdetΣRexp-PR,tn-PR,m,tΣR-1PR,tn-PR,m,tT2wS,tn=12πσS2exp-Φtn-Φm,t22σS2(4) 

여기서 ltn,PE,tn,PR,tn,Φtn는 각각 파티클과 정밀 지도 정보를 통해 얻은 차선 오프셋, 차선 끝점의 상대 위치, 노면표시의 상대 위치, 도로 표지판의 방향을 의미하며, lm,t,PE,m,t,PR,m,t,Φm,t는 각각의 환경 인식 센서로부터 측정된 차선 오프셋, 차선 끝점의 상대 위치, 노면표시의 상대 위치, 도로 표지판의 방향을 의미한다. 또한, σLσS는 각각 환경 인식 센서로부터 측정된 차선 오프셋과 도로 표지판의 방향 검출 잡음에 대한 표준편차이며, ΣEΣR는 각각 차선 끝점의 상대 위치와 노면표시의 상대 위치 검출 공분산 행렬을 의미한다. 모든 파티클의 가중치가 구해지면 파티클의 가중치를 정규화(Normalization)하여, 가중치 합이 1이 되도록 한다.

2.3 Resampling

한정된 개수의 파티클을 사용하여 좀 더 정확하게 상태를 추정하기 위해서는 유의미한 파티클을 위주로 재분배하는 Resampling 단계가 필요하다. Resampling 단계에서는 파티클의 가중치에 비례하여 새로운 파티클들을 생성한다. 다시 말해, 가중치가 작은 파티클은 사라지며, 가중치가 클수록 더 많은 새로운 파티클들을 생성하게 된다. 본 논문에서는 Low variance sampling 방법17)을 적용하여 Resampling을 수행하였다. 여기서 Low variance sampling은 가중치에 비례하여 파티클을 나열하고, 고정 간격의 파티클들을 선택하는 샘플링 기법으로 적은 연산량을 필요로 한다.


3. 파티클 클러스터링 기법

본 논문에서는 파티클 퇴화 문제를 경감시키기 위해, 주행 차로를 확정하지 못한 상황에서 파티클 클러스터링(Particle clustering) 결과와 지도의 차로 개수를 활용하는 방법을 제안한다.

제안 방법은 Fig. 5와 같이, 차로를 확정할 수 있는 특징점이 센서의 검출영역 내에 존재하지 않을 경우, 파티클 클러스터를 검출한다. 검출된 파티클 클러스터의 개수 c가 지도로부터 얻을 수 있는 주행 도로의 주행 가능 차로 개수 m과 동일한 경우에는 각각의 클러스터 별로 Resampling을 수행하고, 동일하지 않을 경우에는 기존 방법과 동일한 방법으로 전체 파티클에 대해서 Resampling을 수행한다. 여기서 파티클 클러스터링은 데이터의 밀도분포를 기반으로 데이터 분포의 중심과 클러스터를 검출하는 Mean-shift 알고리즘18)을 사용한다.

Fig. 5

Flowchart of the proposed method(c: the number of particle clusters detected, m: the number of clusters predicted through lane number from digital map)

파티클 필터링에서는 위치 추정 결과를 자율 주행 어플리케이션에 적용하기 위해 하나의 대푯값을 선정해야한다. 파티클의 분포가 단일 모달인 경우에는 최소 평균 제곱 오차(Minimum Mean Square Error, MMSE) 추정치를 적용하여 대푯값을 계산한다. 그러나 파티클의 분포가 멀티 모달인 경우(즉, 파티클 클러스터가 다수인 경우)에는 평균으로 전체 확률 분포를 묘사할 수 없으며, 이러한 경우 최대 사후 확률(Maximum a posteriori, MAP) 추정치를 적용하여 대푯값을 계산한다.8,10) 최대 사후 확률 추정치는 반복적으로 최대 사후 확률을 근사화하는 Mean-shift 알고리즘을 통해 계산할 수 있다.8) 따라서 제안 방법은 파티클 클러스터가 다수인 경우에 대푯값 선정을 위해 사용되는 Mean-shift 알고리즘의 결과를 활용하는 방식이기 때문에, 파티클 클러스터링 결과를 도출하기 위해 별도의 추가적인 계산시간이 소요되지 않는다.

제안 방법은 주행 차로를 확정시킬 수 있는 특징점이 나타나기 전까지 검출된 파티클 클러스터 수를 주행 가능 차로 개수와 동일하게 유지시키며, 주행 차로를 확정시킬 수 있는 특징점이 검출되는 구간에서는 파티클 클러스터링을 수행하지 않고 전체 파티클에 대한 Resampling을 수행하여 주행 차로를 확정시킨다. 여기서 특징점이 검출되는 구간은 지도를 통해 얻을 수 있는 정보이다.

Fig. 6은 3차로로 주행하는 상황에서 시간에 따른 파티클 클러스터링 과정을 보여준다. Fig. 6(a), (b)(c)에서의 첫 번째 그림은 Time update 단계 이후의 파티클 분포를 나타내며, 두 번째 그림은 파티클 클러스터링의 결과를 클러스터 별로 다른 색으로 보여준다. 세 번째 그림은 Resampling 단계 이후 파티클의 분포를 나타낸다.

Fig. 6

The changes in particle cluster processing over time

Fig. 6(a)는 초기 위치에서의 파티클 분포를 보여준다. 파티클 클러스터링 결과, 검출된 파티클 클러스터 수가 13개로 주행 도로의 주행 가능 차로 개수(3개)와 동일하지 않기 때문에 전체 파티클에 대한 Resampling을 수행하였다.

Fig. 6(b)는 검출된 파티클 클러스터 수가 3개로 주행 도로의 주행 가능 차로 개수와 동일한 경우를 보여준다. 각각의 클러스터 별로 독립적인 Resampling을 수행하였으며, 그 결과 Resampling 단계 이후에도 Resampling 이전과 동일하게 주행 가능 차로 모두에 파티클들이 유지되었다.

Fig. 6(c)는 주행 차로를 확정시킬 수 있는 특징점이 검출되는 구간의 파티클 분포를 보여준다. 주행 차로를 확정지을 수 있는 특징점이 검출되는 구간에서는 파티클 클러스터링을 수행하지 않고 전체 파티클에 대한 Resampling을 수행하게 되며, 이를 통해 Resampling 단계에서 주행 차로를 확정짓게 된다.


4. 시뮬레이션 결과

제안 방법의 성능을 검증하기 위해 고속도로 환경에서 다양한 조건의 시뮬레이션을 수행하고, 그 성능을 지도의 차로 개수를 활용하지 않는 기존 방법과 비교하였다.

4.1 시뮬레이션 조건 및 설정

시뮬레이션은 아래와 같은 다양한 조건에서 수행하였으며, 각각의 시뮬레이션 조건별로 20번 반복하였다. 모든 Test는 최외곽 차선을 제외한 모든 차선이 점선이고, 차로 폭이 4 m인 도로에서 직진 주행하는 상황을 가정하였다.

∙Test 1: 4차로 직선 도로, 1000 m 주행
∙Test 2: 5차로 직선 도로, 1000 m 주행
∙Test 3: 5차로 곡선 도로, 500 m 주행
∙Test 4: 5차로 직선 도로, 450 m 주행, 305 m 지점 3차로에 노면표시 존재
∙Test 5: 5차로 직선 도로, 450 m 주행, 305 m 지점 2, 3차로와 390 m 지점 3, 4차로에 노면표시 존재
∙Test 6: 5차로 직선 도로, 450 m 주행, 305 m 지점 도로 우측에 도로 표지판 존재
∙Test 7: 5차로 곡선 도로, 500 m 주행, 400 m 지점 4차로에 노면표시 존재(Fig. 7(a) 참조)
∙Test 8: 5차로 곡선 도로, 500 m 주행, 400 m 지점 도로 좌측에 도로 표지판 존재(Fig. 7(b) 참조)
Fig. 7

Environment of curve road simulation for (a) Test 7 and (b) Test 8 (red: RSM, magenta: road sign)

속도와 Yaw rate 값은 차량에 장착된 거동 센서의 사양10)을 고려하여 생성하였으며, Sampling rate는 50 Hz로 설정하였다. 또한 환경 인식 센서로부터 검출되는 차선, 차선 끝점, 노면표시, 도로 표지판의 측정 Sampling rate는 25 Hz로 설정하였으며, 카메라 기반 검출 거리11)를 고려하여 진행방향으로 6~19 m이내 특징점만 매칭 정보로 사용하였다. 기존 방법과 제안 방법 모두에 Jittering 방법을 적용하였으며, 파티클 개수는 2000개로 설정하였다. 또한, 초기 파티클은 저가형 GPS의 오차를 고려하여 실제 주행 초기 위치를 기준으로 종방향으로 ±3 m 랜덤하게 설정하였으며, 횡방향으로는 모든 차로에 파티클이 위치되도록 랜덤하게 설정하였다.

4.2 결과 및 고찰

Test 1-3의 경우 차로를 확정시킬 수 있는 특징점이 존재하지 않기 때문에 주행 가능 차로(Test 1에서는 2, 3차로, Test 2와 3에서는 2, 3, 4 차로) 모두에 파티클이 유지되어야 한다. Table 1에서 차로 유지율(Lane retention rate)은 각각의 Test 조건 별로 시뮬레이션을 20번 수행하는 동안 마지막 지점까지 주행 가능 차로 모두에 파티클이 유지된 확률이며, 평균 및 최대 유지 거리(Average or max retention distance)는 주행 가능 차로 모두에 파티클이 유지된 거리의 평균과 최대 거리를 의미한다. 마지막 지점까지 주행 가능 차로 모두에 파티클이 유지되면, 유지 거리는 전체 주행 거리로 하였다. 제안 방법의 시뮬레이션 결과에선 세 가지 실험에 대하여 20번의 수행 결과에서 모두 마지막까지 주행 가능 차로 모두에 파티클이 유지되었으며, 평균 및 최대 유지 거리는 전체 주행 거리로 측정되었다. 그러나 기존 방법은 Jittering 방법을 적용했음에도 불구하고, 파티클 퇴화 문제 때문에 Test 2와 3에서는 주행 가능 차로 모두에 파티클을 유지되는 경우가 한 번도 없었다. 기존 방법은 직선 도로(Test 1과 2)보다 곡선 도로(Test 3)에서 더 낮은 차로 유지 성능을 보였다. 이러한 이유는 곡선 도로에서는 차로별로 변별력을 가지기 때문에 직선 도로 대비 파티클이 하나의 차로로 확정되는 확률이 높으며, 이로부터 낮은 유지 성능을 보인다. 또한, 기존 방법은 Test 2보다 차로 수가 적은 Test 1에서 더 나은 결과를 가졌지만, 평균 유지 거리가 334.1 m 밖에 되지 않기 때문에 고속도로 상황을 고려한다면, 기존 방법의 결과는 매우 낮은 결과라 할 수 있다.

Results of Test 1, 2 and 3

Fig. 8은 Test 2의 조건에서 기존 방법(파란색)과 제안 방법(빨간색)의 파티클 분포를 보여준다. 초기 위치에서는 기존 방법 및 제안 방법 모두에서 주행 가능 차로(2, 3, 4 차로) 모두에 파티클이 분포하였다. 그러나 시간이 지남에 따라 기존 방법은 약 15 m부근에서 2차로의 파티클이 소멸되었고, 약 175 m부근에서 3차로의 파티클이 소멸되어 최종적으로 4차로에만 파티클이 존재하였다. 반면에, 제안 방법은 마지막까지 주행 가능 차로 모두에 파티클이 유지된 것을 확인할 수 있었다.

Fig. 8

This figure illustrates the particle distributions of the conventional(blue) method and the proposed(red) method in Test 2

Test 4-8의 경우 주행 차로를 확정지을 수 있는 특징점인 노면표시나 도로 표지판이 존재한다. 따라서 마지막 지점에는 실제 주행 차로에만 파티클이 존재해야한다. 따라서 각각의 Test 조건 별로 시뮬레이션을 20번 수행하여 마지막 지점에서 실제 주행 차로에만 파티클이 존재하는 주행 차로 인식율(Driving lane recognition rate)을 구하였으며, Table 2는 이에 대한 결과를 보여준다. 시뮬레이션 결과, 도로의 곡률에 상관없이 제안 방법은 5 가지 Test 모두에서 주행 차로를 정확하게 확정지었다. 그러나 기존 방법은 차로를 확정시킬 수 있는 특징점이 나타나기 전에 파티클 퇴화 문제로 실제 주행 차로에 파티클이 유지되지 못하고 소멸되었으며, 이로 인해 직선 도로인 Test 4와 5에서 45 %, Test 6에서는 60 %, 곡선 도로인 Test 7과 8에서는 각각 55 %와 70 %의 확률로 주행 차로를 확정지었다. 직선 도로인 Test 4, 5, 6은 주행거리가 450 m 밖에 되지 않았기 때문에 고속도로 상황을 고려한다면, 기존 방법의 결과는 매우 낮은 확률이라 할 수 있다. 또한 앞서 언급하였듯이 곡선 도로에서는 차로별로 변별력을 가지기 때문에, 기존 방법은 직선 도로 대비 곡선 도로에서 더 높은 차로 인식율을 보였다.

Results of Test 4-8

Fig. 9는 노면표시가 존재하는 Test 4의 조건에서 주행하는 동안 기존 방법(파란색)과 제안 방법(빨간색)의 파티클 분포와 실제 주행 위치(노란색)의 변화를 보여준다. 초기 위치에서는 기존 방법과 제안 방법 모두 주행 가능 차로(2, 3, 4 차로) 모두에 파티클이 존재하였다. 그러나 기존 방법은 파티클 퇴화 문제로 약 170 m 부근에서 4차로뿐만 아니라 실제 주행 차로인 3차로에서도 파티클이 유지되지 못하고 소멸되는 문제가 발생하였다. 기존 방법은 차로를 확정지을 수 있는 노면표시(자홍색 X표시)가 나타났음에도 불구하고, 주행 차로인 3차로에 파티클이 모두 소멸되었기 때문에 주행 차로를 2차로로 오인식하는 문제가 발생되었다. 반면에, 제안 방법은 노면표시가 나타나기 전까지 모든 주행 가능 차로에 파티클을 유지시켰으며, 노면표시가 검출되는 구간에서 주행 차로인 3차로로 차로를 확정시킴으로써 정확하게 주행 차로를 인식하는 모습을 보였다.

Fig. 9

This figure illustrates the particle distributions of the conventional(blue) method and the proposed(red) method in Test 3(yellow: ground truth, magenta: RSM)

Test 6과 8의 결과에서 보듯이, 본 논문에서 제안한 도로 표지판의 방향 정보를 활용하면 주행 차로를 확정할 수 있음을 확인하였다. 또한, 차선 끝점을 사용하지 않고 차선 오프셋 정보만 사용할 경우에 발생하는 종방향 위치 불확실성도 도로 표지판의 방향 정보를 통해 개선할 수 있다.

Fig. 10은 도로 표지판이 존재하는 곡선 도로인 Test 8의 조건에서 주행하는 동안 기존 방법(파란색)과 제안 방법(빨간색)의 파티클 분포와 실제 주행 위치(노란색)의 변화를 보여준다. 초기 위치에서는 기존 방법과 제안 방법 모두 주행 가능 차로(2, 3, 4 차로)모두에 파티클이 분포하였다. 그러나 기존 방법은 파티클 퇴화 문제로 약 35 m 주행한 지점에서 4차로뿐만 아니라 실제 주행 차로인 2차로에서도 파티클이 모두 소멸되는 문제가 발생하였다. 기존 방법은 주행 차로를 확정지을 수 있는 도로 표지판(자홍색 다이아몬드표시)이 나타났음에도 불구하고, 실제 주행 차로인 2차로에 파티클이 모두 소멸되었기 때문에 주행 차로를 3차로로 오인식하는 문제가 발생하였다. 반면에, 제안 방법은 도로 표지판이 나타나기 전까지 주행 가능 차로 모두에 파티클을 유지시켰으며, 도로 표지판이 검출되는 구간에서 실제 주행 차로인 2차로로 차로를 확정시킴으로써 정확하게 주행 차로를 인식하는 것을 확인할 수 있다.

Fig. 10

This figure illustrates the particle distributions of the conventional(blue) method and the proposed(red) method in Test 8(yellow: ground truth, magenta: road sign)

고속도로 환경에서 수행한 다양한 조건의 시뮬레이션 결과에서 보듯이, 제안 방법은 지도의 차로 개수를 활용함으로써 기존 방법에서 나타난 파티클 필터링의 퇴화 문제를 경감시킬 수 있었으며, 이를 통해 차로 유지율 및 주행 차로 인식율 면에서 안정적이고 우수한 성능을 보였다.


5. 결 론

본 논문은 위치 추정 파티클 필터링에 도로 표지판의 방향을 매칭 정보로 활용하는 새로운 방법을 제안하고, 파티클 퇴화 문제를 경감시키기 위하여 지도의 차로 개수를 활용하는 방법을 제안하였다.

제안 방법은 고속도로 환경에서 수행한 8가지 시뮬레이션을 통해 그 성능을 검증하였다. 시뮬레이션 결과, 모든 Test에서 제안 방법은 지도의 차로 개수를 활용함으로써 파티클 퇴화 문제를 경감시킬 수 있었고, 기존 방법 대비 월등히 개선된 성능을 보였다. 특히, 제안 방법의 차로 유지율(Test 1-3) 및 주행 차로 인식율(Test 4-8)이 모두 100 %로 측정되었다.

제안하는 도로 표지판의 방향을 매칭 정보로 활용하는 방법과 지도의 차로 개수를 활용하여 파티클 퇴화 문제를 경감시키는 방법은 자율주행용 정밀 측위에 효과적으로 적용될 수 있을 것으로 기대된다. 향후, 실제 고속도로 주행 데이터에 제안 방법을 적용하여 그 성능을 검증할 계획이다.

Acknowledgments

A part of this paper was presented at the KSAE 2018 Fall Conference and Exhibition

본 논문은 국토교통부 ‘자율협력주행을 위한 LDM 및 V2X 기반 도로시스템 개발’ 연구개발사업의 연구비지원(과제번호 19TLRP-B101406-05)에 의해 수행되었습니다.

References

  • M. J. Choi, H. G. Jung, and J. K. Suhr, “Improvement of Particle Filtering Degeneracy Exploiting Lane Number from Digital Map”, KSAE Fall Conference Proceedings, p584-585, (2018).
  • C. S. Kim, and K. S. Huh, “Development of a Pose and Position Estimation Algorithm with Considering the Error and Latency from the GPS and In-vehicle Sensors”, Transactions of KSAE, 26(5), p620-629, (2018). [https://doi.org/10.7467/ksae.2018.26.5.620]
  • X. Qu, B. Soheilian, and N. Paparoditis, “Landmark based Localization in Urban Environment”, ISPRS Journal of Photogrammetry and Remote Sensing, 140, p90-90, (130).
  • T. Marita, M. Negru, R. Danescu, and S. Nedevschi, “Stop-line Detection and Localization Method for Intersection Scenarios”, IEEE 7th International Conference on Intelligent Computer Communication and Processing, p293-298, (2011). [https://doi.org/10.1109/iccp.2011.6047883]
  • E. S. Jang, J. K. Suhr, and H. G. Jung, “Automated Performance Evaluation of Lane-end-point Detection for Positioning on the Highway”, KSAE Spring Conference Proceedings, p750-755, (2018).
  • N. Mattern, and G. Wanielik, “Camera-based Vehicle Localization at Intersections using Detailed Digital Maps”, IEEE/ION Position, Location and Navigation Symposium, p1100-1107, (2010). [https://doi.org/10.1109/plans.2010.5507195]
  • S. J. Lee, J. K. Suhr, and H. G. Jung, “Corner Detection-based Road Sign Detection for Low-cost Sensor Fusion-based Precise Localization System”, Transactions of KSAE, 26(1), p20-31, (2018). [https://doi.org/10.7467/ksae.2018.26.1.020]
  • J. K. Suhr, J. Jang, E. Min, and H. G. Jung, “Sensor Fusion-based Low-cost Vehicle Localization System for Complex Urban Environments”, IIEEE Transactions on Intelligent Transportation Systems, 18(5), p1078-1086, (2017). [https://doi.org/10.1109/tits.2016.2595618]
  • J. Y. Jeong, and H. S. Kim, “A Study on the GPS/INS Integration and GPS Compensation Algorithm Based on the Particle Filter”, Journal of The Institute of Electronics Engineers of Korea, 50(6), p267-275, (2013). [https://doi.org/10.5573/ieek.2013.50.6.267]
  • K. Jo, Y. Jo, J. K. Suhr, H. G. Jung, and M. Sunwoo, “Precise Localization of an Autonomous Car Based on Probabilistic Noise Models of Road Surface Marker Features Using Multiple Cameras”, IEEE Transactions on Intelligent Transportation Systems, 16(6), p3377-3392, (2015). [https://doi.org/10.1109/tits.2015.2450738]
  • E. S. Jang, J. K. Suhr, and H. G. Jung, “Improving Real-time Constraint of Lane-end-point Detection for Positioning on the Highway”, KSAE Spring Conference Proceedings, p743-749, (2018).
  • F. Gustafsson, “Particle Filter Theory and Practice with Positioning Applications”, IEEE Aerospace and Electronic Systems Magazine, 25(7), p53-82, (2010). [https://doi.org/10.1109/maes.2010.5546308]
  • T. Li, S. Sun, T. P. Sattar, and J. M. Corchado, “Fight Sample Degeneracy and Impoverishment in Particle Filters: A Review of Intelligent Approaches”, Expert Systems with Applications, 41(8), p3944-3954, (2014). [https://doi.org/10.1016/j.eswa.2013.12.031]
  • P. Fearnhead, and P. Clifford, “On-line Inference for Hidden Markov Models Via Particle Filters”, Journal of the Royal Statistical Society. Series B (Statistical Methodology), 65(4), p887-899, (2003). [https://doi.org/10.1111/1467-9868.00421]
  • J. S. Liu, R. Chen, and T. Logvinenko, “A Theoretical Framework for Sequential Importance Sampling and Resampling”, Sequential Monte Carlo Methods in Practice, A. Doucet, N. de Freitas, and N. Gordon Eds., New York, Springer, p225-246, (2001).
  • T. Li, M. Bolic, and P. M. Djuric, “Resampling Methods for Particle Filtering: Classification, Implementation, and Strategies”, IEEE Signal Processing Magazine, 32(3), p70-86, (2015). [https://doi.org/10.1109/msp.2014.2330626]
  • S. Thrun, W. Burgard, and D. Fox, Probabilistic Robotics, MIT Press, Cambridge, (2005).
  • K. Fukunaga, and L. D. Hostetler, “The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition”, IEEE Transactions on Information Theory, 21(1), p32-40, (1975). [https://doi.org/10.1109/tit.1975.1055330]

Fig. 1

Fig. 1
Examples when we cannot determine the driving lane with RSM

Fig. 2

Fig. 2
Example when particles in some candidate lanes disappear because of particle degeneracy(blue: particles)

Fig. 3

Fig. 3
Flowchart of the conventional particle filtering

Fig. 4

Fig. 4
Direction(Φ) of the road sign relative to the driving direction of the vehicle

Fig. 5

Fig. 5
Flowchart of the proposed method(c: the number of particle clusters detected, m: the number of clusters predicted through lane number from digital map)

Fig. 6

Fig. 6
The changes in particle cluster processing over time

Fig. 7

Fig. 7
Environment of curve road simulation for (a) Test 7 and (b) Test 8 (red: RSM, magenta: road sign)

Fig. 8

Fig. 8
This figure illustrates the particle distributions of the conventional(blue) method and the proposed(red) method in Test 2

Fig. 9

Fig. 9
This figure illustrates the particle distributions of the conventional(blue) method and the proposed(red) method in Test 3(yellow: ground truth, magenta: RSM)

Fig. 10

Fig. 10
This figure illustrates the particle distributions of the conventional(blue) method and the proposed(red) method in Test 8(yellow: ground truth, magenta: road sign)

Table 1

Results of Test 1, 2 and 3

Test Conventional Proposed
Lane retention rate (%) Test 1 5 100
Test 2 0 100
Test 3 0 100
Average retention distance (m) Test 1 334.1 1000
Test 2 35.4 1000
Test 3 12.0 500
Max retention distance (m) Test 1 1000 1000
Test 2 223.9 1000
Test 3 15.3 500

Table 2

Results of Test 4-8

Driving lane recognition rate (%) Conventional Proposed
Test 4 45 100
Test 5 45 100
Test 6 60 100
Test 7 55 100
Test 8 70 100