KR102134841B1 - 자율주행차의 위치추정시스템 및 그의 위치추정방법 - Google Patents

자율주행차의 위치추정시스템 및 그의 위치추정방법 Download PDF

Info

Publication number
KR102134841B1
KR102134841B1 KR1020180097319A KR20180097319A KR102134841B1 KR 102134841 B1 KR102134841 B1 KR 102134841B1 KR 1020180097319 A KR1020180097319 A KR 1020180097319A KR 20180097319 A KR20180097319 A KR 20180097319A KR 102134841 B1 KR102134841 B1 KR 102134841B1
Authority
KR
South Korea
Prior art keywords
vehicle
value
map
lane
estimation
Prior art date
Application number
KR1020180097319A
Other languages
English (en)
Other versions
KR20200021688A (ko
Inventor
강동완
Original Assignee
강동완
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 강동완 filed Critical 강동완
Priority to KR1020180097319A priority Critical patent/KR102134841B1/ko
Publication of KR20200021688A publication Critical patent/KR20200021688A/ko
Application granted granted Critical
Publication of KR102134841B1 publication Critical patent/KR102134841B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means

Abstract

본 발명은 자율주행차의 위치추정방법에 관한 것이다.
보다 구체적으로, 도로정보를 이용하여 자율주행차의 주행을 위한 정밀지도를 구축하는 단계, 구축된 정밀지도 및 차량의 주행정보를 이용하여 차량위치를 추정하는 항법 위치추정단계, GPS 단락 여부 및 정밀지도상의 차선 존재여부에 따라 위치오차 보정을 수행하는 오차보정단계, 상기 오차보정된 보정값과 상기 항법 위치추정된 예측값을 분산점 칼만필터(Unscented Kalman Filter)에 적용하여 정밀지도의 기준값에 유사한 차량의 위치를 재추정하는 단계 및 차량 주행에 따른 실시간 GPS값 및 상기 재추정값을 칼만필터(Kalman Filter)에 적용하여 차량의 위치를 최종추정하는 단계를 포함하는 것을 특징으로 하는 자율주행차의 위치추정방법에 관한 것이다.

Description

자율주행차의 위치추정시스템 및 그의 위치추정방법{SYSTEM AND METHOD FOR RESEARCHING LOCALIZATION OF AUTONOMOUS VEHICLE}
본 발명은 자율주행차의 위치추정방법에 관한 것이다.
보다 구체적으로, 도로정보를 이용하여 자율주행차의 주행을 위한 정밀지도를 구축하는 단계, 구축된 정밀지도 및 차량의 주행정보를 이용하여 차량위치를 추정하는 항법 위치추정단계, GPS 단락 여부 및 정밀지도상의 차선 존재여부에 따라 위치오차 보정을 수행하는 오차보정단계, 상기 오차보정된 보정값과 상기 항법 위치추정된 예측값을 분산점 칼만필터(Unscented Kalman Filter)에 적용하여 정밀지도의 기준값에 유사한 차량의 위치를 재추정하는 단계 및 차량 주행에 따른 실시간 GPS값 및 상기 재추정값을 칼만필터(Kalman Filter)에 적용하여 차량의 위치를 최종추정하는 단계를 포함하는 것을 특징으로 하는 자율주행차의 위치추정방법에 관한 것이다.
자율주행 자동차는 지능형 자동차 기술의 집합체로 운전자가 차량에 탑승하여 원하는 목적지를 지정하면 이후 특별한 조작을 하지 않아도 현재 위치나 목적지까지 최적의 경로를 생성하여 주행을 수행할 수 있다.
또한, 자율주행 자동차는 도로의 교통신호나 표지판을 인지하고, 교통 흐름에 맞게 적절한 속도를 유지, 위험상황을 인지하여 사고예방에 능동적으로 대처할 수 있으며, 스스로 차선을 유지하며 필요한 경우에는 차선변경이나 추월, 장애물 등을 회피하기 위해 적절한 조향을 하며 원하는 목적지까지 주행할 수 있다.
자율주행 자동차는 2000년대 미국방위고등연구계획국 DARPA 주관인 DARPA Challenge 이후 각국 정부와 IT 기업들의 개발 경쟁에 따라 속도가 상상보다 빨라졌다.
자율주행 자동차를 개발하고 있는 자동차 업체들뿐만 아니라 다양한 IT업체들도 2020년 전후로 완전 자율주행 자동차를 출시할 계획이다. 시장조사기관 IHS의 자료에 따르면 완전 자율주행 자동차의 전 세계 연간 판매량은 2025년 23만대에서 2035년 1180만대에 이를 것으로 전망된다.
WHO의 보고서에 따르면, 전 세계적으로 발생하는 교통사고 중 90%가 운전자 부주의 및 실수라고 하며 매년 약 5,000만 명 이상의 사상자와 약 3조 달러의 사회적 비용이 발생한다. 자율주행 자동차의 도입으로 운전자의 편의 외에도 운전자의 부주의에 의한 사고를 줄일 수 있고 이외에도 이산화탄소 배출의 감소 및 효율적인 에너지 사용이 가능해 질 수 있다.
이러한 자율주행 자동차의 발전에 따라, 자율주행 자동차의 위치추정 기술에 대해서도 많은 연구가 진행되고 있다. 자율주행 자동차의 위치 추정은 일반적으로 GNSS(global navigation satellite system)가 많이 사용된다.
이때, 자율 주행을 제어하는 시스템은 고속으로 움직이는 이동체의 주행환경을 실시간으로 인식 및 판단하기 위해, 스캐닝 장치, 카메라, 레이더 등과 같은 센서 장비들을 포함할 수 있다.
이와 같이 자율 주행을 수행할 수 있는 시스템과 관련한 발명으로, 예를 들어, 등록특허 제10-1116033호에는 GPS위성으로부터 본체의 위치 데이터를 수신하도록 형성되는 위치 수신부와, 상기 본체에서 감지되는 GPS위성의 개수를 추적하도록 형성되는 위성 추적부 및 상기 추적된 GPS의 개수에 따라 주행 방법을 결정하도록 형성되는 주행 방법결정부를 포함하는 기술이 개시되고 있다.
자율주행 자동차에서 자동차의 위치파악은 무엇보다도 중요한 필수조건이 될 수 있지만 GPS가 전체 항법시스템에서 높은 비중을 차지하는 기본 센서로 이용되면서 위성항법의 오차에 따른 문제점이 발생되고 있다.
또한, GNSS는 신호 대기 상태, 위성 분포, 무선 신호 잡음 등에 영향을 받기 때문에 GNSS의 위치 정확도는 지속적이지 않다. 또한, 고층 건물, 터널과 같은 음영 지역에서는 정확하지 않거나 사용할 수 없는 경우가 있다.
GNSS의 위치 추정이 불안해진 경우를 보완하고자 일반적으로 추측항법을 사용한다. 추측항법은 엔코더와 관성항법장치를 이용하여 차량의 이동 거리와 방향을 추정함으로써 자신의 위치를 추정하는 방법이다. 그러나 이 방법은 주행 환경에 따라 측정오차가 누적됨으로써 정확한 위치추정이 어렵다는 문제가 있다.
이에, 본 출원인은 관성항법, GNSS 및 분산점 칼만 필터(UKF: Unscented Kalman Filter)를 이용하여 자율주행 자동차의 위치를 지속적으로 추정하되, 도로정보 특징지도와 라이다(Lidar)를 통해 측정된 포인트의 매칭을 통해 위치 오차를 보정한 측정값을 적용함으로써 정확도 높은 위치 추정이 가능한 위치추정시스템 및 그의 위치추정방법을 제공하고자 한다.
1. 한국등록특허 제10-1116033호(2012.03.13.공고)
본 발명의 목적은, 관성항법, GNSS 및 분산점 칼만 필터(UKF: Unscented Kalman Filter)를 이용하여 자율주행 자동차의 지속적인 위치를 추정하되, 도로정보 특징지도와 라이다(Lidar)를 통해 측정된 포인트의 매칭을 통해 위치 오차를 보정한 측정값을 적용함으로써 정확도 높은 위치 추정이 가능한 위치추정시스템 및 그의 위치추정방법을 제공하는 데 있다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 자율주행차의 위치추정시스템은 도로정보를 이용하여 구축된 정밀지도 및 차량의 주행정보를 이용하여 차량위치를 추정하는 항법 위치추정부, GPS 단락 여부 및 정밀지도상의 차선 존재여부에 따라, 위치오차 보정을 수행하는 오차보정부, 상기 오차보정된 보정값과 상기 항법 위치추정된 예측값을 분산점 칼만 필터(Unscented Kalman Filter)에 적용하여 정밀지도의 기준값에 유사한 차량의 위치를 재추정하는 재추정부 및 차량 주행에 따른 실시간 GPS값 및 상기 재추정값을 칼만필터(Kalman Filter)에 적용하여 차량의 위치를 최종 추정하는 최종추정부를 포함할 수 있다.
또한, 상기 오차보정부는, 주행 경로에서 차선정보가 없는 위치 또는 차선정보가 없으면서 GPS측정이 단락된 위치에서 라이다(Lidar)를 이용하여 측정되는 도로정보와 상기 정밀지도를 맵 매칭하여 정합값을 산출하는 맵 매칭부 및 상기 주행 경로에서 GPS측정이 단락될 때, 상기 정밀지도에서 차선이 검출되거나 상기 라이다를 통해 측정되는 차선이 존재하면, 차선을 이용하여 차량의 방위각 보정값을 산출하는 방위각 보정부를 포함할 수 있다.
또한, 상기 오차보정부는 차선정보 및 GPS가 센싱되면 미 구동하며, 상기 오차보정부의 미 구동시, 상기 재추정부는 상기 예측값을 재추정값으로 출력하며, 상기 최종위치 추정부는 GPS단락시 상기 재추정값을 최종 추정값으로 출력할 수 있다.
또한, 상기 항법 위치추정부는, 차량의 후륜바퀴 이동량을 이용하여 차량 위치를 추정할 수 있다.
또한, 상기 정밀지도는, 라이다를 이용하여 기준 반사도를 기반으로 지면으로부터 객체를 분류하여 군집화하며 누적지도 생성하고, 기설정크기로 지도를 분할한 후 분할지도를 단위셀로 분할하여 각 단위셀에 포함된 포인트 개수가 임계값 이하이면 노이즈로 판단하고, 각 단위셀은 평균값으로 단순화되어 구축될 수 있다.
한편, 본 발명의 일 실시 예에 따른 자율주행차의 위치추정방법은 도로정보를 이용하여 자율주행차의 주행을 위한 정밀지도를 구축하는 단계, 구축된 정밀지도 및 차량의 주행정보를 이용하여 차량위치를 추정하는 항법 위치추정단계, GPS 단락 여부 및 정밀지도상의 차선 존재여부에 따라, 위치오차 보정을 수행하는 오차보정단계, 상기 오차보정된 보정값과 상기 항법 위치추정된 예측값을 분산점 칼만필터(Unscented Kalman Filter)에 적용하여 정밀지도의 기준값에 유사한 차량의 위치를 재추정하는 단계 및 차량 주행에 따른 실시간 GPS값 및 상기 재추정값을 칼만필터(Kalman Filter)에 적용하여 차량의 위치를 최종추정하는 단계를 포함할 수 있다.
또한, 상기 오차보정단계는, 주행 경로에서 차선정보가 없는 위치 또는 차선정보가 없으면서 GPS측정이 단락된 위치에서 라이다(Lidar)를 이용하여 측정되는 도로정보와 상기 정밀지도를 맵 매칭하여 정합값을 산출하는 맵 매칭단계 및 상기 주행 경로에서 GPS측정이 단락될 때, 상기 정밀지도에서 차선이 검출되거나 상기 라이다를 통해 측정되는 차선이 존재하면, 차선을 이용하여 차량의 방위각 보정값을 산출하는 단계를 포함할 수 있다.
또한, 상기 오차보정단계는 차선정보 및 GPS가 센싱되면 미 수행되고, 상기 오차보정단계의 미 수행시, 상기 재추정단계는 상기 예측값을 재추정값으로 출력하며, 상기 최종위치 추정단계는 GPS단락시 상기 재추정값을 최종 추정값으로 출력할 수 있다.
또한, 상기 항법 위치추정단계는, 차량의 후륜바퀴 이동량을 이용하여 차량 위치를 추정할 수 있다.
또한, 상기 정밀지도를 구축하는 단계는, 라이다를 이용하여 기준 반사도를 기반으로 지면으로부터 객체를 분류하여 군집화하며 누적지도 생성하는 단계, 상기 생성된 누적지도를 기설정크기로 분할하는 단계, 분할된 분할지도를 단위셀로 분할하는 단계 및 분할된 각 단위셀에 포함된 포인트 개수가 임계값 이하이면 노이즈로 판단하고, 각 단위셀은 평균값으로 단순화시키는 단계를 포함할 수 있다.
이상에서 설명한 바와 같이, 본 발명의 자율주행차의 위치추정시스템은 관성항법, UKF 및 GPS를 이용한 추정을 통해 지속적인 위치를 추정하면서 간헐적으로 차선정보가 없는 위치(교차로 포함), GPS단락 위치에서의 위치오차를 맵매칭을 통해 보정함으로써 정확도 높은 위치추정을 할 수 있다.
또한, 정밀지도의 구축시 단순화 작업을 통해 중복 데이터(객체포인트)로 인한 연산 증가 및 시스템 부하를 줄이면서 지도 정밀도는 높일 수 있다.
또한, 도로정보로부터 인식된 차선, 횡단보도 등의 노면마크를 ANN학습을 통해 특징벡터를 획득하여 객체를 분류함으로써 정확한 정밀지도를 구축할 수 있다. 이와 같은 정밀지도를 이용하여 위치추정 시, 정확도를 더욱 높일 수 있다.
도 1은 본 발명의 일 실시 예에 따른 자율주행차의 위치추정시스템의 개략적인 구성을 나타내는 블럭도이다.
도 2는 본 발명의 일 실시 예에 따른 라이다(Lidar)의 측정포인트를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 자율주행차의 위치추정방법을 설명하기 위한 흐름도이다.
도 4는 도 3의 정밀지도 구축방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일 실시 예에 따른 후륜바퀴 이동량을 이용한 위치추정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 방위각 보정을 설명하기 위한 도면이다.
도 7은 도 3에 따른 위치추정방법을 이용한 실험주행결과를 나타낸다.
도 8은 GNSS단락 및 오차보정 미적용에 의한 관성항법추측 결과를 나타낸다.
도 9는 도 7의 구간별 확대그래프이다.
도 10a 내지 10c는 도 9의 각 구간별 RMS 그래프를 나타낸다.
도 11a 내지 11c는 도 9의 각 구간별 방위각 오차를 나타낸다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 안 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
이하, 도면을 참조하여 설명하기에 앞서, 본 발명의 요지를 드러내기 위해서 필요하지 않은 사항 즉 통상의 지식을 가진 당업자가 자명하게 부가할 수 있는 공지 구성에 대해서는 도시하지 않거나, 구체적으로 기술하지 않았음을 밝혀둔다.
도 1은 본 발명의 일 실시 예에 따른 자율주행차의 위치추정시스템의 개략적인 구성을 나타내는 블럭도이다. 본 발명의 일 실시 예에 따른 자율주행차의 위치추정시스템(이하, 위치추정시스템이라 함)은 센서부(110), 항법 위치추정부(120), 오차보정부(130), 재추정부(140) 및 최종 추정부(150)를 포함할 수 있다. 또한, 오차보정부(130)는 맵 매칭부(131) 및 방위각 보정부(132)를 포함할 수 있다.
한편, 도 1에 대한 설명에서는 각 구성(110 내지 150)의 개략적인 기능 및 동작을 설명하고, 구체적인 동작은 도 3 내지 도 11c를 통해 구체적으로 설명하도록 한다.
센서부(110)는 위치 추정을 위해 자율주행차에 구비되는 센서들로, 차량으로부터 획득할 수 있는 속도, 각속도, 헤딩값, 이동거리 등의 주행정보를 센싱하는 운동상태 측정센서(111), 라이다(Lidar:112), GNSS 센서(113)를 포함할 수 있다. 여기서, 운동상태 측정센서(110)는 휠 센서, 조향센서, 관성측정센서(IMU: Inertial Measurement Unit) 등이 될 수 있다. 관성측정센서는 자이로스코프, 가속도계, 지자기 센서로 구성될 수 있다.
도 2를 참고하면, 자율주행차의 상부 중심에 라이다(112)가 구비되어 주행경로상의 도로정보(객체)를 센싱할 수 있으며, 관성측정센서(IMS) 및 GNSS센서(113)는 후륜 축을 기준으로 설치될 수 있다.
센서부(110)에서 센싱되는 센싱값들은 메모리(미도시)에 실시간으로 저장되며, 항법위치추정부(120), 맵 매칭부(131), 방위각 보정부(132) 및 최종추정부(150)로 제공될 수 있다.
항법 위치추정부(120)는 도로정보를 이용하여 구축된 정밀지도 및 운동상태 측정센서(111)를 통해 센싱된 차량의 주행정보를 이용하여 차량위치를 추정한 예측값을 산출할 수 있다. 이때, 항법 위치추정부(120)는 차량의 주행정보(속도, 각속도, 헤딩값, 이동거리 등)를 본 발명의 일 실시 예에 따른 모션 모델에 적용하여 예측값을 추정할 수 있다.
또한, 본 발명의 일 실시 예에 따른 위치추정시스템은 정확한 위치추정을 위한 정밀지도를 구축하여 적용하였다. 본 발명의 일 실시 예에 따른 정밀지도는 라이다, 관성항법장치 및 GNSS 센서를 이용하여 구축된 것으로, 정밀지도 구축시 GNSS센서에 의해 센싱된 GPS값들을 기준 위치값으로 설정할 수 있다.
여기서, 정밀지도의 기준 위치값은 재추정부(140) 및 최종 추정부(150)에서 위치보정을 위한 기준으로 이용될 수 있다.
본 발명의 정밀지도는 라이다를 이용하여 기준 반사도를 기반으로 지면으로부터 객체를 분류하여 군집화하며 누적지도 생성하고, 기설정크기로 지도를 분할한 후 분할지도를 단위셀로 분할하여 각 단위셀에 포함된 포인트 개수가 임계값 이하이면 노이즈로 판단하고, 각 단위셀은 평균값으로 단순화되어 구축될 수 있다. 한편, 정밀지도 구축 및 모션모델을 이용한 항법 위치추정부(120)의 예측값 추정은 도 2 및 도 3을 통해 구체적으로 설명하도록 한다.
오차보정부(130)는 GPS 단락 여부 및 정밀지도상의 차선 존재여부에 따라, 맵 매칭부(131) 또는 방위각 보정부(132)를 통해 오차보정을 수행할 수 있다.
맵 매칭부(131)는 주행 중 라이다(Lidar)를 이용하여 측정되는 도로정보와 정밀지도를 맵 매칭하는 오차보정을 통해 정합값을 산출할 수 있다. 이때, 맵 매칭부(131)는 주행 경로에서 교차로와 같이 차선정보가 없는 위치, 차선정보가 없으면서 GPS측정이 단락된 위치에서 구동될 수 있다.
즉, 맵 매칭부(131)는 간헐적으로 구동되어 관성항법측위에 의한 오차를 보정할 수 있다. 이에, 맵 매칭부(131)가 구동되지 않을 때에는 항법 위치추정부(120)를 통해 지속적인 위치추정을 할 수 있다.
본 발명에서 맵 매칭부(131)는 ICP(Iterative Closet Point) 알고리즘에 따른 점대점 매칭방법을 이용하여 정합값을 산출할 수 있다.
방위각 보정부(132)는 GNSS 센서(113)가 단락되었으나, 차선정보가 검출될 때 차선정보를 이용하여 차량의 방위각을 보정한 방위각 보정값을 산출할 수 있다. 방위각 보정부(132)는 정밀지도로부터 차량의 주행경로에서 검출된 차량 근접 차선 정보 또는 라이다(112)에서 측정된 차선 정보를 이용하여 차량의 방위각 보정값을 산출하며, 재추정부(140)에 입력되는 측정값에 포함된 방위각을 산출된 방위각 보정값으로 변경시킬 수 있다.
재추정부(140)는 분산점 칼만필터(Unscented Kalman Filter)를 이용하여 입력되는 UKF의 예측값 및 측정값 중 기준값에 근접한 값을 차량위치로 추정할 수 있다. 이때, UKF의 예측값 입력으로, 항법 위치추정부(120)에서 추정된 예측값이 적용되고, UKF의 측정값 입력으로 오차보정부(130)에서 산출된 정합값 또는 방위각 보정값이 적용될 수 있다.
즉, 맵 매칭부(131)에서 산출된 정합값(UKF의 측정값이 됨)을 분산점 칼만필터(Unscented Kalman Filter)에 적용하여 정밀지도상의 기준 위치값과 유사도가 높은 값을 차량의 위치로 재추정할 수 있다.
또는, 방위각 보정부(132)에 의해 보정된 방위각이 있는 경우, 항법위치추정부(120)에서 추정된 예측값의 x 및 y값은 그대로 적용하고 방위각(θ)각만 보정된 방위각으로 적용할 수 있다. 즉, UKF 측정값(항법위치추정부(120)에서 추정된 예측값의 X값, Y값 및 방위각 보정값)으로 적용할 수 있다.
분산점 칼만필터(UKF)는 평균 주변에 (시그마 점(sigma point)으로 불리는) 샘플 포인트의 최소 집합을 얻기 위해, 무향 변환(UT: Unscented Transform)으로 알려진 결정론적인 샘플링 기술을 사용한다. 이 시그마 점들은 비선형 함수를 통해 전달되고, 변환된 점들에 대해 평균과 공분산을 구하는 형태를 가질 수 있다.
한편, 오차보정부(130)는 차선정보 및 GPS가 센싱되면 미구동하며, 오차보정부(130)의 미 구동시, 재추정부(140)는 항법 위치추정부(120)에서 추정된 예측값을 UKF의 측정값으로 이용하여 재추정함으로써, 예측값을 재추정값으로 출력할 수 있다.
최종 추정부(150)는 GNSS 센서(113)에서 측정된 GPS값을 적용하여 보다 안정적이고 정확한 위치추정을 할 수 있다. 최종 추정부(150)는 차량 주행에 따른 실시간 GPS값(칼만필터의 측정값이 됨) 및 위치 재추정부(140)에서 추정된 재추정값(칼만필터의 예측값이 됨)을 칼만필터(Kalman Filter)에 적용하여 기준 위치값을 기준으로 오차보정된 최종추정을 할 수 있다.
이때, GPS단락시 칼만필터의 지속적인 위치추정을 위해 최종 위치추정부(150)는 재추정부(140)에서 추정된 재추정값을 칼만필터의 측정값으로 이용하여 최종추정할 수 있다. 즉, GPS 단락시 칼만필터의 예측값 및 측정값이 모두 재추정부(140)에서 추정된 재추정값이 되므로, 이를 최종 추정값으로 출력할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 자율주행차의 위치추정방법을 설명하기 위한 흐름도이다. 도 4는 도 3의 정밀지도 구축방법을 설명하기 위한 흐름도이다. 설명의 이해를 위해 도 1 및 2를 참고하여 설명할 수 있다.
본 발명의 일 실시 예에 따른 위치추정방법은 도로정보를 이용한 정밀지도를 구축(S301)하여 위치추정에 이용함으로써 정확한 위치추정을 할 수 있다. 도 4를 참고하면, 라이다 측정(S410)을 통해 검출되는 포인트들로부터 기준 반사도를 기반으로 지면으로부터 객체를 분류할 수 있다(S420).
도 2를 참고하면, 라이다(112)에서 측정되는 포인트(R)는 하기의 수학식1과 같이 [
Figure 112019090569632-pat00001
,
Figure 112019090569632-pat00002
,
Figure 112019090569632-pat00003
]로 변환될 수 있다. 여기서, α는 라이다의 분해능 각도가 될 수 있다.
Figure 112018082616826-pat00004
한편, 일반적으로 연석의 높이는 법적으로 지면으로부터 15cm로 기준을 두고 있다. 차량 기준으로 변환된 점들 중 지면으로부터 15cm 이하의 점들의 반사도는 20 이하가 된다. 반사도와 지면으로부터의 높이(H)를 이용해 지면으로부터 객체들을 분리할 수 있다(S420).
다음으로, RBNN(Radius Based Nearest Neighbor) 알고리즘을 이용하여 라이다(112)로부터 취득한 포인트 데이터를 군집화할 수 있다(S430). RBNN은 거리를 매개변수로 점과 근접 점까지의 거리를 계산하여 임계 값 이하이면 같은 군집이고 이상일 경우 새로운 군집으로 정한다. 군집화 클러스터의 크기가 1 이하일 경우 노이즈로 판단할 수 있다.
다음으로, 군집화된 포인트 데이터를 이용하여 누적지도 생성하고(S440), 기설정크기로 지도를 분할한 후(S450), 분할지도를 단위셀로 분할하여(S460) 각 단위셀에 포함된 포인트 개수가 임계값 이하이면(S470) 노이즈로 판단하고(S480), 각 단위셀은 평균값으로 단순화(S490)시켜 정밀지도를 구축할 수 있다(S500).
한편, 본 발명의 일 실시 예에서는 구축된 정밀지도의 객체 인식의 정확성을 위해 ANN 학습 알고리즘을 사용하여 지도학습을 통해 객체를 분류하였다. 이때, 주성분 분석(PCA : Principal Component Analysis)을 통한 객체의 x, y, z 차원에 대한 고유 벡터와 객체의 평균 반사도, 객체의 z축 위치 특징을 이용하여 차선, 노면 마크 정보(횡단보도 등)에 대한 학습을 적용하였다.
도 4와 같이 구축된 정밀지도 및 운동상태 측정센서(111)를 통해 센싱된 차량의 주행정보를 이용하여 항법위치추정을 통해(S302), 차량위치를 추정한 예측값을 산출할 수 있다.
이때, 항법 위치추정부(120)는 차량의 주행정보(속도, 각속도, 헤딩값, 이동거리 등)를 본 발명의 일 실시 예에 따른 모션 모델에 적용하여 차량의 후륜바퀴의 이동량을 산출하여 차량의 위치추정 예측값을 추정할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 후륜바퀴 이동량을 이용한 위치추정을 설명하기 위한 도면이다. 도 5를 참고하면, 차량 위치
Figure 112018082616826-pat00005
에서 차량의 위치는
Figure 112018082616826-pat00006
로 나타낼 수 있다.
Figure 112018082616826-pat00007
는 차량의
Figure 112018082616826-pat00008
좌표 및 방향을 의미하며, 수학식2의
Figure 112018082616826-pat00009
는 차량의 속도
Figure 112018082616826-pat00010
, 각속도
Figure 112018082616826-pat00011
이다. 속도 기반 모델은 다음 수학식3과 같다.
Figure 112018082616826-pat00012
Figure 112018082616826-pat00013
차량의 위치 이동은 도 5와 같이 나타낼 수 있으며, 차량의 속도
Figure 112018082616826-pat00014
를 구하는 방법으로 본 발명의 일 실시예에서는 차량의 후륜바퀴의 이동량을 사용하여 속도
Figure 112018082616826-pat00015
를 측정했다. 속도
Figure 112018082616826-pat00016
, 각속도
Figure 112018082616826-pat00017
를 구하는 식은 다음 수학식 4와 같다.
Figure 112018082616826-pat00018
도 5, 수학식 3 및 수학식 4를 참고하면,
Figure 112018082616826-pat00019
는 차량을 위치 이동을 나타내기 위한 함수이고,
Figure 112018082616826-pat00020
는 차량의 위치의 차이로, 직선이동거리 변화량이 된다. 또한,
Figure 112018082616826-pat00021
는 차량의 헤딩(차량의 방향성) 변화량이며, R은 차량의 뒷 차축으로부터 차량 중심점간의 거리이다.
차량이 이전 위치(
Figure 112019090569632-pat00022
)에서 현재 위치(
Figure 112019090569632-pat00023
)로 이동을 하였을 경우, 이전 위치에서 현재위치까지의 이동량을 알면 현재 위치를 예측할 수 있다. 차량의
Figure 112019090569632-pat00024
이동거리를 알기 위해서 차량의 후륜바퀴의 이동량을 통해 속도를 구하였다. 시간은 차량의 위치 이동시 소요된 시간을 사용하였다. 수학식 4를 통해, 각속도를 구하였고 각속도에 대한 수학식 3의
Figure 112019090569632-pat00025
에 대한 공식처럼 시간변화당 각속도의 합을 통해 헤딩을 구하였다.
상기와 같이, 모션모델을 통해 항법 위치 추정된 예측값을 산출할 수 있다. 이때, 지속적인 위치추정을 위해 본 발명에서는 UKF 및 KF를 이용하여 위치추정을 할 수 있다. GPS가 측정되고(S303:N), 정밀지도로부터 차선정보가 검출되는 경우(S305:Y) 모션모델을 통해 추정된 예측값은 UKF의 예측값으로 입력될 수 있다.
한편, GPS 단락 여부 및 정밀지도상의 차선 존재여부에 따라, 맵 매칭부(131) 또는 방위각 보정부(132)를 통해 오차보정을 수행할 수 있다. 구체적으로, GPS가 단락되고(S303:Y), 정밀지도 또는 라이다로부터 차선정보가 검출되지 않으면(S305:N), 정밀지도로부터 기준값이 되는 점군 집합과 라이다(112)로부터 검출되는 점군 집합을 ICP알고리즘을 이용하여 맵 매칭함으로써 오차보정된 정합값을 산출할 수 있다(S306). 한편, S306단계는 차선정보가 없는 경우에 수행되므로 S305단계에서 No인 경우에도 수행될 수 있다.
한편, GPS가 단락되고(S303:Y), 정밀지도 또는 라이다로부터 차선정보가 검출되면(S305:Y) 검출된 차선정보와 차량의 중심을 이용하여 방위각을 보정할 수 있다(S307). 이때, 장애물이 존재하지 않는 지도의 차선정보를 이용하여 방위각을 보정하였고 정밀지도에 존재하지 않는 경로일 경우 차량의 LiDAR로부터 측정한 가장 가까운 차선의 포인트 데이터를 이용하여 방위각을 보정할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 방위각 보정을 설명하기 위한 도면이다. 도 6을 참고하면, 검출된 차선으로부터 두 차선의 중심선과 차량의 중심선에 의한 각도 차이를 이용하여 차량의 방위각을 보정할 수 있다. 이때, 차선의 한쪽만 검출되는 경우 검출된 차선으로부터 법적 차선 넓이가 3.5m인 것을 고려하여 1.75m 떨어져 있는 점으로부터 차량의 방위각을 보정할 수 있다.
다음으로, GPS 단락 여부 및 정밀지도상의 차선 존재여부에 따라 항법위치추정부(모션모델:120)에서 산출된 예측값은 UKF 예측값으로 입력되고, 맵매칭부(131) 또는 방위각 보정부(132)에서 산출된 값은 UKF 측정값으로 입력될 수 있다. 입력된 예측값 및 측정값을 이용하여 UKF 알고리즘에 따라 기설정된 기준값에 근접한 값을 재추정값으로 산출할 수 있다(S308).
한편, 오차보정부(130)는 차선정보 및 GPS가 센싱되면 미구동하며, 오차보정부(130)의 미 구동시, S302단계에서 추정된 예측값을 UKF의 측정값으로 이용하여 재추정함으로써, 예측값을 재추정값으로 출력할 수 있다.
다음으로, 차량 주행에 따른 실시간 GPS값(칼만필터의 측정값이 됨) 및 위치 재추정부(140)에서 추정된 재추정값(칼만필터의 예측값이 됨)을 칼만필터(Kalman Filter)에 적용하여 기준 위치값을 기준으로 오차보정된 최종추정을 할 수 있다(S309).
이때, GPS단락시 칼만필터의 지속적인 위치추정을 위해 S308단계에서 추정된 재추정값을 칼만필터의 측정값으로 이용하여 최종추정할 수 있다. 즉, GPS 단락시 칼만필터의 예측값 및 측정값이 모두 S308단계에서 추정된 재추정값이 되므로, 이를 최종 추정값으로 출력할 수 있다.
도 7은 도 3에 따른 위치추정방법을 이용한 실험주행결과를 나타낸다. 여기서, RTK_GNSS는 기준값이 되고, (DR)heading_ICP는 맵 매칭부(131)의 오차보정이 적용된 경우, GNSS_DR은 GNSS 및 항법위치추정에 의해서만 위치추정된 경우, Noise_GNSS는 GNSS 측정으로만 위치추정된 경우를 나타낸다. 한편, 일반 GNSS는 기준값에 대한 RTK_GNSS와 동시 측정이 불가하므로, 기준값에 가우시안 노이즈를 가하여 Noise-GNSS로 이용하였다.
이때, 추측항법의 오차를 보정하기 위해 차선과 차선이 존재하지 않는 교차로 부분의 오차를 보정하기 위해 횡단보도를 이용하였다. 그러므로 차선이 존재하는 구역과 존재하지 않는 구역, 추측항법 특성상 차량이 주행함으로 거리에 따라 오차가 달라지므로 도 7과 같이 4가지 경우에 대해 분석하였고 차량 정보와 지도만을 이용한 위치 추정을 확인하기 위해 도 8과 같이 GNSS가 단락된 위치 추정 결과를 확인하였다.
도 8은 GNSS단락 및 오차보정 미적용에 의한 관성항법추측 결과를 나타낸다. 도 8은 차량의 휠 센서와 후륜 바퀴 간의 거리를 이용한 오차 갱신이 없는 추측항법에 관한 것으로, 누적 오차로 인해 경로가 왜곡되는 것을 확인하였다.
도 9는 도 7의 구간별 확대그래프이다.
도 9의 1번 구간(좌측 상단)은 차량의 출발 직후의 직진 구간에 관한 그래프이다. 오차보정이 적용된 (DR)heading_ICP경우, 차량의 위치 추정의 오차가 적은 것을 확인하였다.
도 9의 2번 구간(우측 상단)은 차량이 주행 후 첫 번째 교차로 부분으로 차선이 존재하지 않는 구역이며 곡선 구간이다. 차선이 존재하지 않음으로 차량의 위치 추정에 오차가 발생한 것을 확인할 수 있고 교차로를 통과하며 횡단보도를 이용한 오차 보정으로 차량의 정상 주행 경로와 근접하게 추정하는 것을 확인하였다.
도 9의 3번 구간(좌측 하단)은 차선이 존재하지 않고 곡선 구간이다. 2번구간보다 곡선이 심한 구간으로 오차가 심해지는 것을 확인할 수 있고 횡단보도를 통한 오차 보정이 2번 구간과 달리 수렴이 느린 것을 확인하였다.
도 9의 4번 구간(우측 하단)은 차량의 주행 종료 구간에 가까운 직선 구간이다. 위치 추정의 오차가 크게 벌어진 것을 확인할 수 있고 차선을 통한 위치 추정을 위해 오실레이션이 일어나는 것을 확인하였다. GNSS가 측정된 경우에는 전 구간 기준 주행 경로의 위치를 추정하는 것을 확인하였다.
도 10a 내지 10c는 도 9의 각 구간별 RMS 그래프를 나타낸다. 도 10a는 GNSS가 단락일 경우 차선을 이용한 추측항법 RMS 그래프이다. 차선을 이용한 위치 추정의 거리 RMS는 2.11537m이며 2.11537에 관한 거리 오차는 종방향에 대한 오차를 보정하지 않았기 때문에 종방향에 대한 오차로 판단된다.
도 10b는 GNSS 측정 시 위치추정 RMS이며 위치 추정의 RMS는 0.088로 8cm 이내의 위치 추정 결과를 확인하였다.
도 10c는 노이즈 GNSS의 RMS그래프이다. 가우시안 노이즈를 강한 GNSS 데이터는 0.23471로 20cm의 오차를 보이며 그림 4.10의 RMS의 결과와 비교하였을 때 위치 추정의 정확도가 높아진 것을 확인하였다.
도 11a 내지 11c는 도 9의 각 구간별 방위각 오차를 나타낸다. 도 11a는 GNSS 단락 일 경우 방위각 오차이며 도 11b는 GNSS 측정 시 방위각 오차이고, 도 11c는 노이즈 GNSS데이터의 방위각 오차를 나타낸다. GNSS 단락 일 경우 차선을 통한 위치 보정은 3번 구간 이후 오차가 증가하는 것을 확인하였다. 도 11b 및 도 11c를 통해 GNSS 측정 시 방위각 오차가 근소하게 발생하는 것을 확인하였다.
한편, 상기에서 도 1 내지 11c를 이용하여 서술한 것은, 본 발명의 주요 사항만을 서술한 것으로, 그 기술적 범위 내에서 다양한 설계가 가능한 만큼, 본 발명이 도 1 내지 11의 구성에 한정되는 것이 아님은 자명하다.
110 : 센서부 120 : 항법위치추정부
130 : 오차보정부 131 : 맵 매칭부
132 : 방위각 보정부 140 : 재추정부
150 : 최종 추정부

Claims (10)

  1. 도로정보를 이용하여 구축된 정밀지도 및 차량의 주행정보를 이용하여 차량위치를 추정하는 항법 위치추정부;
    GPS 단락 여부 및 정밀지도상의 차선 존재여부에 따라, 위치오차 보정을 수행하는 오차보정부;
    상기 오차보정된 보정값과 상기 항법 위치추정된 예측값을 분산점 칼만 필터(Unscented Kalman Filter)에 적용하여 정밀지도의 기준값에 유사한 차량의 위치를 재추정하는 재추정부; 및
    차량 주행에 따른 실시간 GPS값 및 상기 재추정부의 재추정값을 칼만필터(Kalman Filter)에 적용하여 차량의 위치를 최종 추정하는 최종추정부를 포함하되,
    상기 오차보정부는,
    주행 경로에서 차선정보가 없으면서 GPS측정이 단락된 위치에서 라이다(Lidar)를 이용하여 측정되는 도로정보와 상기 정밀지도를 맵 매칭하여 정합값을 산출하는 맵 매칭부; 및
    상기 주행 경로에서 GPS측정이 단락될 때, 상기 정밀지도에서 차선이 검출되거나 상기 라이다를 통해 측정되는 차선이 존재하면, 차선을 이용하여 차량의 방위각 보정값을 산출하는 방위각 보정부를 포함하고,
    상기 오차보정부는 차선정보 및 GPS가 센싱되면 미 구동하며,
    상기 오차보정부의 미 구동시, 상기 재추정부는 상기 예측값을 재추정값으로 출력하며, 상기 최종추정부는 GPS단락시 상기 재추정값을 최종 추정값으로 출력하고,
    상기 정밀지도는,
    라이다를 이용하여 기준 반사도를 기반으로 지면으로부터 객체를 분류하여 군집화하며 누적지도를 생성하고, 기설정크기로 지도를 분할한 후 분할지도를 단위셀로 분할하여 각 단위셀에 포함된 포인트 개수가 임계값 이하이면 노이즈로 판단하고, 각 단위셀은 평균값으로 단순화되어 구축되며,
    상기 기준 반사도는,
    도로의 연석의 높이를 기준으로 하는 반사도와 지면으로부터의 높이를 이용하여 산출하는 것을 특징으로 하는 자율주행차의 위치추정시스템.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 항법 위치추정부는,
    차량의 후륜바퀴 이동량을 이용하여 차량 위치를 추정하는 것을 특징으로 하는 자율주행차의 위치추정시스템.
  5. 삭제
  6. 도로정보를 이용하여 자율주행차의 주행을 위한 정밀지도를 구축하는 단계;
    구축된 정밀지도 및 차량의 주행정보를 이용하여 차량위치를 추정하는 항법 위치추정단계;
    GPS 단락 여부 및 정밀지도상의 차선 존재여부에 따라, 위치오차 보정을 수행하는 오차보정단계;
    상기 오차보정된 보정값과 상기 항법 위치추정된 예측값을 분산점 칼만필터(Unscented Kalman Filter)에 적용하여 정밀지도의 기준값에 유사한 차량의 위치를 재추정하는 단계; 및
    차량 주행에 따른 실시간 GPS값 및 재추정된 재추정값을 칼만필터(Kalman Filter)에 적용하여 차량의 위치를 최종추정하는 단계를 포함하되,
    상기 오차보정단계는,
    주행 경로에서 차선정보가 없으면서 GPS측정이 단락된 위치에서 라이다(Lidar)를 이용하여 측정되는 도로정보와 상기 정밀지도를 맵 매칭하여 정합값을 산출하는 맵 매칭단계; 및
    상기 주행 경로에서 GPS측정이 단락될 때, 상기 정밀지도에서 차선이 검출되거나 상기 라이다를 통해 측정되는 차선이 존재하면, 차선을 이용하여 차량의 방위각 보정값을 산출하는 단계를 포함하고,
    상기 오차보정단계는 차선정보 및 GPS가 센싱되면 미 수행되고,
    상기 오차보정단계의 미 수행시, 상기 재추정하는 단계는 상기 예측값을 재추정값으로 출력하며, 상기 최종추정하는 단계는 GPS단락시 상기 재추정값을 최종 추정값으로 출력하고,
    상기 정밀지도를 구축하는 단계는,
    라이다를 이용하여 기준 반사도를 기반으로 지면으로부터 객체를 분류하여 군집화하며 누적지도를 생성하는 단계;
    상기 생성된 누적지도를 기설정크기로 분할하는 단계;
    분할된 분할지도를 단위셀로 분할하는 단계; 및
    분할된 각 단위셀에 포함된 포인트 개수가 임계값 이하이면 노이즈로 판단하고, 각 단위셀은 평균값으로 단순화시키는 단계를 포함하며,
    상기 기준 반사도는,
    도로의 연석의 높이를 기준으로 하는 반사도와 지면으로부터의 높이를 이용하여 산출하는 것을 특징으로 하는 자율주행차의 위치추정방법.
  7. 삭제
  8. 삭제
  9. 제6항에 있어서,
    상기 항법 위치추정단계는,
    차량의 후륜바퀴 이동량을 이용하여 차량 위치를 추정하는 것을 특징으로 하는 자율주행차의 위치추정방법.
  10. 삭제
KR1020180097319A 2018-08-21 2018-08-21 자율주행차의 위치추정시스템 및 그의 위치추정방법 KR102134841B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180097319A KR102134841B1 (ko) 2018-08-21 2018-08-21 자율주행차의 위치추정시스템 및 그의 위치추정방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180097319A KR102134841B1 (ko) 2018-08-21 2018-08-21 자율주행차의 위치추정시스템 및 그의 위치추정방법

Publications (2)

Publication Number Publication Date
KR20200021688A KR20200021688A (ko) 2020-03-02
KR102134841B1 true KR102134841B1 (ko) 2020-07-16

Family

ID=69805607

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180097319A KR102134841B1 (ko) 2018-08-21 2018-08-21 자율주행차의 위치추정시스템 및 그의 위치추정방법

Country Status (1)

Country Link
KR (1) KR102134841B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102219843B1 (ko) * 2020-11-10 2021-02-25 (주)뉴빌리티 자율주행을 위한 위치 추정 장치 및 방법
KR102290564B1 (ko) * 2020-11-25 2021-08-18 한국전자기술연구원 자율주행 차량의 경로 추종 안정화를 위한 분산 칼만필터 기반 주행 경로 필터링 방법
KR102562031B1 (ko) * 2022-12-02 2023-08-02 주식회사 라이드플럭스 차선 정보를 이용한 자율주행 차량의 측위 방법, 장치 및 컴퓨터프로그램
KR102618247B1 (ko) 2023-08-03 2023-12-28 (주)에스유엠 자율주행 차량의 측위 헤딩오차 보정 장치 및 그의동작 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101704405B1 (ko) * 2016-03-31 2017-02-15 (주)와이파이브 차선 인식 시스템 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101116033B1 (ko) 2011-10-25 2012-03-13 국방과학연구소 자율 이동 차량의 자율 복귀 시스템, 이를 구비한 자율 이동 차량 및 자율 이동 차량의 자율 이동 방법
KR102622586B1 (ko) * 2016-11-30 2024-01-09 현대오토에버 주식회사 지엔에스에스 시스템의 위치결정 오차 보정 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101704405B1 (ko) * 2016-03-31 2017-02-15 (주)와이파이브 차선 인식 시스템 및 방법

Also Published As

Publication number Publication date
KR20200021688A (ko) 2020-03-02

Similar Documents

Publication Publication Date Title
US11126185B2 (en) Systems and methods for predicting vehicle trajectory
JP6870604B2 (ja) 自己位置推定装置
KR102134841B1 (ko) 자율주행차의 위치추정시스템 및 그의 위치추정방법
KR101454153B1 (ko) 가상차선과 센서 융합을 통한 무인 자율주행 자동차의 항법시스템
US8301374B2 (en) Position estimation for ground vehicle navigation based on landmark identification/yaw rate and perception of landmarks
US11124163B2 (en) Method for controlling travel of vehicle, and device for controlling travel of vehicle
RU2706763C1 (ru) Устройство локализации транспортного средства
US11243080B2 (en) Self-position estimation method and self-position estimation device
CN112074885A (zh) 车道标志定位
KR20180106417A (ko) 차량의 위치 인식 시스템 및 방법
US20190072674A1 (en) Host vehicle position estimation device
US10553117B1 (en) System and method for determining lane occupancy of surrounding vehicles
US20170176998A1 (en) Method and system for determining the position of a vehicle
US11015940B2 (en) Systems and methods for longitudinal position correction of a vehicle using mapped landmarks
US11613253B2 (en) Method of monitoring localization functions in an autonomous driving vehicle
JP7013727B2 (ja) 車両制御装置
US11555705B2 (en) Localization using dynamic landmarks
JPWO2020025991A1 (ja) 走行軌跡補正方法、走行制御方法、及び走行軌跡補正装置
WO2018168961A1 (ja) 自己位置推定装置
CN113997950A (zh) 车辆控制装置和车辆控制方法
US11210941B2 (en) Systems and methods for mitigating anomalies in lane change detection
JP6507841B2 (ja) 先行車両推定装置及びプログラム
US20220242440A1 (en) Methods and system for generating a lane-level map for an area of interest for navigation of an autonomous vehicle
JP2020095339A (ja) 移動体、移動体の制御方法及びプログラム
US20200219399A1 (en) Lane level positioning based on neural networks

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right