노이즈 공분산의 동적 조정에 의한 무인 자율주행 자동차의 방향각 정확도 향상

Abstract

무인 자율주행 자동차가 주변 장애물의 위치를 인식하거나 주행경로를 생성, 추종하기 위해서는 차량의 방향각에 대한 정확한 추정이 필요하다. 차량의 방향각 추정은 GPS와 차량 센서 데이터의 퓨전을 통해 이루어지며 데이터 퓨전을 위한 알고리즘으로 확장 칼만 필터가 널리 사용된다. 확장 칼만 필터에서는 센서 데이터의 잡음이 측정 잡음 공분산으로 표현된다. 따라서 GPS 센서 데이터 잡음과 연관된 수평 측위 정확도(HDOP, Horizontal Dilution of Precision)와 위성 개수에 따라 측정 잡음 공분산을 동적으로 결정하여 차량의 방향각 오차를 줄이는 기법에 대한 연구가 진행된 바 있다. 그러나 차량이 저속 또는 단 곡률 반경으로 주행하여 GPS 센서 데이터의 잡음이 증가되는 상황에서는 차량의 방향각 추정 오차가 증가한다. 본 논문에서는 차량의 주행 속도와 요각속도를 확장 칼만 필터의 측정 잡음 공분산을 결정하는 변인으로 고려한다. 낮은 속도나 높은 요각속도로 주행하는 상황에서는 측정 잡음 공분산을 증가시키며, 높은 속도나 낮은 요각속도로 주행하는 상황에서는 측정 잡음 공분산을 감소시킨다. 이 기법을 이용하면 저속이나 단 곡률 반경으로 주행하는 상황에서 방향각 추정 오차가 감소된다. 제안한 기법을 Spirit1 무인자율주행 자동차에 적용하여 유용성을 검증하였다. 실험 결과에 따르면 상수 측정 잡음 공분산을 사용하는 기법에 비해 속도 가변 상황에서 방향각 오차가 18.6%, 주행 곡률 반경 가변 상황에서는 방향각 오차가 8.8%로 감소하였다.

The accurate estimation of vehicles heading angle has large influence on generating paths, tracking the paths, and positioning the locations of surrounding objects properly in autonomous driving vehicles. It is generally known that algorithms mostly based on extended Kalman filter have to essentially conduct the data fusion of vehicle sensors and GPS to accurately estimate the vehicles heading angle. With respect to adopting extended Kalman filter, the known works consider dynamically determining the measurement noise covariance by the HDOP, Horizontal Dilution of Precision, and the number of satellites, which are related to the GPS data noise, to reduce the heading angle error since the noise of sensors is represented as the covariance in extended Kalman filter. However, the existing studies unfortunately does not care about that the error of heading angle can highly increase when GPS data noise increases in the case of low speed driving or driving with the radius of low curvature. In the paper, the mechanism, which considers yaw rate and vehicle speed as variance determining the measurement noise covariance in extended Kalman filter, proposes the method of reducing heading angle estimation error not taken into account in the known works. The mechanism increases the covariance in low speed or high yaw rate situations to reduce the error. On the other hand, it reduces the covariance in high speed or low yaw rate. The proposed mechanism is implemented on the autonomous vehicle, named Spirit1, used for the autonomous driving competition. As the result, the proposed mechanism reduces 18.6% of the error in variable speed driving, and 8.8% in driving with the variable radius of curvature.