고정밀 지도 : MMS 기술을 통해 사전 제작
- 지형 지도 : 센서 데이터를 이용하여 주변 지형을 3차원 형태로 구성
- 시맨틱 지도 : 측위와 관련된 특정 지형, 도로 정보, 랜드마크 등을 지형 지도에 추가한 지도
자율주행 시 측위기술을 수행해야함
측위기술 : 고정밀 지도 위에서 자신의 위치를 알아내는 것
- Odometry : 차량의 이전위치에서 상대적 움직임
- Map matching : 센서데이터와 지도 정보를 매칭해 자신의 위치를 파악함
고정밀 지도 구성
-
도로의 구조 및 공간적 구성
주행차로, 교차로, 차로분기점, 차로합류점 -
차량 주행 공간에 대한 정보
-
도로 내부 및 주변에 존재하는 다양한 형태의 표시
-
표지 및 시설물
고정밀 지도 표준화
- ISO TC 204 : 지능형 교통체계(ITS) 분야에 요구되는 아키텍처, 통신, 서비스에 대한 표준화 논의 기구, 자율주행과 협력주행을 위한 지도에 대한 표준화 진행
- OGC (Open Geospatial Consortium) : 정밀 지도에 대한 표준화
- NDA (Navigation Data Standard) : 차량 OEM회사와 지도 공급자, 내비게이션 서비스 업체들이 모인 그룹, ADASIS (자율주행 지도 표준안) 발표
- 현대엠엔소프트, SKT : 자체 모델 구축
- 국토지리정보원 : 고정밀 지도 표준화 진행
고정밀 지도 관리 기술 : LDM (Local Dynamic Map)
: 동적 정보 시스템
LDM 데이터베이스 정보 구축 -> LDM을 자율주행차들과 공유 -> 협력인지, 협력 주행 가능
: 클라우드 기반 지도 관리 플랫폼 필요
시맨틱 지도 관리
측위를 위한 지형, 도로 정보들을 임베딩 데이터 형태로 고정밀 지도 위에 표현
맵매칭 기술 발전으로 시맨틱 지도 형태 진화 -> AI 기술이 측위에 적용 -> 딥러닝의 출력(Neural representation)을 시맨틱 지도의 임베딩 데이터로 활용하는 연구 진행
고정밀 지도 기반 측위를 위한 딥러닝 기술
측위기술
: 고정밀 지도 정보, 차량 수집 정보 -> 차량 현재 위치를 알아내는 localization 기술
-
기존 모델 기반 방법의 한계
이상적인 환경을 가정하여 부정확한 센서 측정값, 실제와 맞지 않는 시스템 모델, 복잡한 환경의 다이내믹스, 제약 상황 등의 실제 환경에서 측위 기술 성능의 정확도 하락이 생김 -
Odometry 추정
- 저가 관성항법장치 사용 - 오차가 큼, 오차의 누적 문제
- Visual odometry의 고전적 기법 (카메라를 이용한 odometry 기술) : 카메라 성능에 따라 정확도 낮음
-
데이터 기반의 접근 방법
수 많은 데이터 -> 딥러닝 모델 -> 복잡한 입출력 관계 모델링
(장점) 새로운 환경에 대해 측위 알고리즘의 자연스러운 진화 가능, 모르는 모델에 대해 학습 가능 -
딥러닝 기반 Odometry 기술
- Visual Odometry : 카메라 영상 기반 카메라 움직임 추적해 차량의 위치 상태 추적
카메라 영상에 CNN 적용해 특징 지도 추출 -> RNN 등 구조를 적용하여 영상의 시간적 움직임 추적 -> 차량의 상대적 위치 추적
ex) DeepVo - 라이다 Odometry
라이다 포인트 클라우드 데이터의 움직임을 추적하여 위치변화 추적, 현재와 다음 스텝 간의 정합기술(서로 연속된 포인트 클라우드 데이터 사이의 대응점을 찾아내는 기술) 수행 필요
ex) loNET
- 딥러닝 기반 맵매칭 기술
생성된 지도 위 정보 + 센서정보
- 디스크립터 매칭 기술
센서 데이터로부터 중요한 로컬 특징점 검출 -> 환경에 대한 표현자(Feature Descriptor) 추출
벡터 형태
센서에서 얻은 표현자와 지도에 임베딩된 표현자를 정합하여 차량 위치 추정
특징점 검출, 표현자 추출에서 딥러닝 사용
전체 측위 시스템을 위치 추적 정확도를 최대화하도로고 종단간(end-to-end)학습
