KR20200111774A - 맵 상에서 차량의 위치를 추정하는 방법 - Google Patents

Abstract

본 발명은 맵(map) 상에서 차량의 정확한 위치를 추정하는 방법으로서, - 측위(測位) 시스템을 통해 상기 차량의 적어도 하나의 측위 위치(P_o)를 획득하는 단계; - 상기 차량을 상기 맵 상에 사전 위치시키는 단계; 및 - 파티클(particle)들(P_i)로 불리는 상기 차량의 가능한 위치들이 처리되게 하는 파티클 필터링 단계;를 포함하는, 차량의 위치 추정 방법에 관한 것이다. 본 발명에 의하면, 상기 파티클 필터링 단계는, - 상기 맵 상에 파티클들을 분포시키는 예비 단계와, 이어서 상기 맵 상의 파티클들을 업데이트하는 단계; - 각각의 파티클의 공산(公算: lkelyhood)을 계산하는 단계; - 한정된 세트의 파티클들을 선택하는 단계; 및 - 선택된 파티클들의 공산 및 선택된 파티클들의 개수에 관련된 지표(indicator)가 임계 값을 하회(下廻)하면, 상기 맵 상에 파티클들을 리샘플링(resampling)하는 단계;를 포함한다.

Description

맵 상에서 차량의 위치를 추정하는 방법

본 발명은 일반적으로 매핑(mapping) 분야에 관한 것이다.

더 구체적으로는, 본 발명은 맵(map) 상에서 차량의 정확한 위치를 추정하는 방법에 관한 것이며, 상기 방법은,

- 측위(測位) 시스템을 통해 차량의 적어도 하나의 측위 위치를 획득하는 단계;

- 차량의 측위 위치에서 차량을 맵 상에 사전 위치시키는 단계; 및

- 맵 상에서 차량의 정확한 위치를 결정하도록 파티클(particle)들로 불리는 차량의 가능한 위치들이 처리되게 하는 파티클 필터링 단계;

를 포함한다.

또한, 본 발명은 차량에 관한 것이며, 상기 차량은,

- 맵을 저장하는 수단;

- 측위 시스템; 및

- 차량을 맵 상에 사전 위치시키도록 구성된 컴퓨터;

를 포함한다.

자율 주행 차량 및 부분적으로 자동화된 차량의 안전성을 보장하기 위해, 이러한 차량이 이동 중인 환경에 대한 광범위한 지식을 갖는 것이 필요하다.

실제로, 차량은 차량의 주변 환경을 2가지의 서로 다른 방식으로 인식한다. 다시 말하면,

- 차량은 차량의 측위 시스템 및 맵을 사용하여 차량의 주변 환경을 인식하고, 그리고

- 차량은 외부 수용 센서들(카메라, 레이더 또는 라이더 센서 등)을 사용하여 차량의 주변 환경을 인식한다.

맵들을 개발하는 회사들은 현재 도로망의 특징들(차선 폭들, 지면 표시들, 포지판들 등)에 대한 매우 세부적인 정보를 얻는 것을 가능케 하는 소위 "고화질(high-definition)" 맵들을 개발하고 있다.

이러한 맵들은 측위 시스템들이 장착된 차량들에 내장되어 있고, 그럼으로써 이러한 차량들이 경도 및 위도로 예측된 위치에서 차량들 자체를 맵 상에 위치시킬 수 있다.

공교롭게도, 이러한 위치가 항상 매우 정확하고 신뢰할 수 있는 것이 아님이 주목되어 왔으며, 그 결과 차량이 실제로 가고 있는 경로의 범위 한계를 넘어 위치하게 된다. 이러한 문제는 상기 정보를 사용하여 스스로 안내하는 자율 주행 차량의 경우에 특히 위험한 것임을 알 수 있다.

이러한 문제를 극복하기 위해, 문헌 DE102013217060으로부터 알려진 한 가지 해결수법은 맵 상에서 차량의 위치를 조정하기 위해 차량의 외부 수용 센서로부터의 정보를 고려하는 것으로 이루어진다.

이러한 해결수법은 소위 "파티클 필터" 방법을 사용한다. 이러한 방법에서, 차량의 정확한 위치를 찾으려고 시도하기 위해 차량의 가능한 위치들에 상응하는 파티클들이 고려되어 처리된다. 위에 언급된 문헌에서, 파티클들은 차량의 실제 위치에 아마도 상응하는 단지 하나의 단일 파티클이 발견될 때까지 차량 상에 장착된 카메라에 의해 관측된 차선 표시들의 위치들의 함수로서 이러한 필터에 의해 점차로 선택된다.

이러한 해결수법에는 2가지의 단점이 있다.

상기 해결수법의 첫 번째 단점은 도로 표시들의 가시성(visibility)에 따라 상기 해결수법의 신뢰성이 크게 좌우된다는 것이다. 특히, 가시성이 없거나 도로 표시들이 없으면 상기 해결수법은 신뢰할 수 없는 결과들을 제공하는 것으로 이해된다.

상기 해결수법의 두 번째 단점은 상기 해결수법이 단지 하나의 단일 파티클을 미세하게 선택하는 것을 가능케 하고, 그래서 그에 실수가 있을 경우 자동차가 이를 확인할 수 없기 때문에 상기 해결수법은 매우 위험한 것임을 알 수 있다.

위에서 언급한 선행기술의 단점들을 극복하기 위해, 본 발명은 맵 상에서 차량의 정확한 위치를 확인하는 것이 가능한지 여부와, 만약 맵 상에서 차량의 정확한 위치를 확인하는 것이 가능하면, 상기 정확한 위치가 무엇인지를 결정하는 새로운 방법을 제안한다.

더 구체적으로는, 본 발명에 따라 제안되는 것은 도입부에 정의된 바와 같은 방법이며, 상기 방법에서 상기 파티클 필터링 단계는,

- 맵 상의 차량의 측위 위치에 따라 맵 상에 파티클들을 분포시키는 예비 단계와, 이어서 맵 상의 파티클들을 업데이트하는 단계;

- 적어도 맵으로부터의 데이터에 기초하여 각각의 파티클의 공산(公算: lkelyhood)을 계산하는 단계;

- 한정된 세트의 파티클들을 선택하는 단계; 및

- 선택된 파티클들의 공산(likelihood) 및 선택된 파티클들의 개수에 관련된 지표(indicator)가 임계 값을 하회(下廻)하면, 맵 상에 파티클들을 리샘플링(resampling)하는 단계;

를 포함한다.

따라서, 본 발명에 의하면, 각각의 파티클의 공산은 맵으로부터의 데이터에 기초하여 계산된다. 그러므로, 상기 계산은 차량의 외부 수용 센서에 의해 판독된 데이터와 무관한 것일 수 있다. 따라서, 상기 계산은 차량 주변의 가시성 및 지면 표시들의 가시성에 독립적일 수 있다. 결과적으로, 상기 계산은 상기 계산의 신뢰도가 외부 조건에 의존하지 않는 결과들을 제공한다.

또한, 본 발명에 의하면, 상기 리샘플링 단계는 자동으로 수행되지 않고, 그럼으로써 잠재적으로 정확한 파티클의 제거로 이어질 수 있는 파티클들의 고갈(枯渴: depletion)을 회피하게 해 준다.

본 발명에 따른 방법의 다른 바람직하고 비-제한적인 특징들은 다음과 같다.

- 각각의 파티클의 공산은 맵으로부터의 데이터만에 따라 계산됨;

- 각각의 파티클의 공산은 상기 데이터가 신뢰할 수 있는 것으로 간주되는 조건에서 차량이 차량 주변들을 인지하는 것을 허용하는 센서들로부터의 데이터만에 따라 계산됨;

- 파티클 필터링 단계에서, 정확한 위치는 각각의 파티클의 공산에 따라 한정된 세트의 선택된 파티클들 중에서 선택됨;

- 상기 맵에 도로 구간들에 관련된 데이터가 저장되어 있는 경우, 각각의 파티클의 공산은 파티클에 대한 가장 가까운 도로 구간의 위치에 따라 계산됨;

- 예비 단계에서, 파티클들은 차량의 측위 위치에 중심을 둔 디스크에 분포됨;

- 디스크의 반경은 차량의 측위 위치에 할당된 수평 보호 레벨에 따라 결정됨;

- 선택 단계에서, 파티클들은 이들 간의 거리 및 차량의 측위 위치에 따라 선택됨;

- 업데이트 단계에서, 파티클들은 차량의 동역학(dynamics)에 관련된 정보만에 따라 맵상에서 이동됨;

- 리샘플링 단계에서, 파티클들은 저분산(low-variance) 기법을 사용하여 리샘플링됨.

본 발명은 또한 다음을 차량에 관한 것이며, 상기 차량은,

- 맵을 저장하는 수단;

- 측위 시스템; 및

- 위에서 언급한 바와 같은 맵 상에서 차량의 정확한 위치를 추정하는 방법을 구현하도록 구성된 컴퓨터;

를 포함한다.

비-제한적인 예로 주어진 첨부 도면들을 참조한 이하의 설명은 본 발명의 내용 및 본 발명이 어떻게 구현될 수 있는지를 이해하게 해 줄 것이다.

도 1은 본 발명에 따른 방법의 여러 단계를 보여주는 도면이다.
도 2는 도로 위를 주행하는 차량의 평면도이다.
도 3은 맵 상에 분포된 파티클들의 개략도이다.
도 4는 2개의 연속 도로 구간 옆에 위치한 2개의 파티클의 개략도이다.
도 5는 4개의 도로 구간 옆에 위치한 4개의 파티클의 개략도이다.

도 2는 4개의 차선(V1, V2, V3, V4)을 지니는 도로 부분 위를 주행하는 자동차 형태의 자동차(10)를 보여준다.

구체적인 내용의 나머지 부분에서는, 더 구체적으로 관심이 있는 것이 맵 상의 이러한 자동차(10)의 위치이지만, 본 발명은 그러한 예에 국한되지 않는다. 따라서, 본 발명은 특히 맵 상의 모든 육상, 해상, 항공 또는 우주 차량의 위치에 적용된다.

여기서 고려되는 자동차(10)는 통상적으로 섀시, 구동 트레인, 스티어링 시스템, 제동 시스템 및 전자 및/또는 컴퓨터 처리 유닛(이하, 컴퓨터라고 함)을 포함한다.

컴퓨터는 차량의 속도와 차량의 요 각속도(angular yaw velocity)를 정확하게 측정하는 것을 가능케 하는 소위 "고유 수용(proprioceptive)" 센서들에 연결되어 있다.

컴퓨터는 바람직하게는 자동차(10)의 즉각적인 주변 환경들을 인지하는 것을 가능케 하는 소위 "외부 수용" 센서들(이들은 카메라들, 레이더 센서들, 라이더 센서들 등일 수 있음)에 연결되어 있다.

컴퓨터는 또 위도 및 경도로 여기서 정의된 차량(10)의 측위 위치(P₀)를 평가하는 것을 가능케 하는 측위 시스템에 연결되어 있다. 이는 예를 들어 GPS 시스템일 수 있다.

여기서 상기 측위 시스템은 "수평 보호 레벨(horizontal protection level: HPL)"이라는 데이터 아이템을 컴퓨터로 전송하도록 구성되어 있다. 통상의 기술자에게 잘 알려진 이러한 데이터 아이템은 측위 위치(P₀)의 측정에서의 "불확도(uncertainty)"에 상응한다. 불확도의 값은 예를 들어 측위 시스템이 데이터를 수신하는 위성들의 개수, 신호들의 수신 품질, 사용되는 측위 시스템의 품질 등에 따라 달라진다.

동일한 논리(line of thought)에 따라, 여기서는 이러한 측위 시스템이 상기 동일한 불확도에 관련된 공분산 행렬을 컴퓨터에 전송하도록 구성되어 있다고도 간주될 것이다.

고려되는 자동차(10)는 반-자동화될 수 있고, 그럼으로써 예를 들어 운전자가 위험을 인지하지 않아서 적절한 조치를 운전자 스스로 수행하지 않은 경우 컴퓨터가 비상 제동을 트리거할 수 있게 된다.

그러나, 본 개시내용의 나머지 부분에서는, 자동차(10)가 자율적이고 컴퓨터가 차량의 구동 트레인, 스티어링 시스템 및 제동 시스템을 제어하도록 구성되어 있다고 간주될 것이다.

이때, 컴퓨터는 차량의 자율 제어의 맥락에서, 특히 이하에서 언급되는 방법의 맥락에서 사용되는 데이터를 기록하는 컴퓨터 메모리를 포함한다.

컴퓨터 메모리는 프로세서에 의한 실행으로 컴퓨터가 이하에서 설명되는 방법을 구현할 수 있게 하는 명령어들을 포함하는 컴퓨터 프로그램들로 이루어진 컴퓨터 애플리케이션들을 저장한다.

컴퓨터 메모리는 소위 "고-화질(high-definition)" 지형 맵도 저장한다.

상기 맵에는 많은 양의 데이터가 저장되어 있다.

상기 맵에는 우선 도로의 지형에 관련된 정보가 포함되어 있다. 이 경우에, 상기 지형은 도로 구간들(또는 "링크(link)들") 형태로 저장된다. 이 경우에, 각각의 도로 구간은 차선의 전체 길이에 걸쳐 일정한 특징들(도로 구간을 따라 동일한지면 표시들의 형상, 상기 도로 구간의 일정한 폭 등)을 지니는 도로의 단지 하나의 차선 일부로서 정의된다.

상기 맵에는 차선의 폭, 차선의 양쪽 상에 위치한 지면 표시들의 형상, 도로 구간 상 도로 옆에 있는 각각의 표지판의 위치 및 형상, 이전 및 다음 도로 구간들의 식별자들 등을 포함하는, 각각의 도로 구간을 특징짓는 다른 데이터도 저장된다.

맵 상에서 자동차(10)의 정확한 위치(P_p)를 추정하기 위해 컴퓨터에 의해 구현되는 방법은 2가지 주요 동작, 다시 말하면 파티클 필터링 동작(100) 및 시나리오 선택 동작(200)을 포함한다(도 1 참조).

시나리오 선택 동작(200)은 파티클 필터링 동작(100)의 결과를 사용하며, 이는 이후에 파티클 필터링 동작(100)의 결과가 구현됨을 의미한다.

이어서, 제1 파티클 필터링 동작(100)의 설명이 시작될 것이다.

상기 동작은 재귀적으로, 다시 말하면 루프 방식으로 그리고 규칙적인 시간 증분으로 구현된다.

상기 동작은 3가지 주요 단계로 구성된다.

제1 단계(101)는 컴퓨터가 연결된 센서들을 통해 컴퓨터가 여러 데이터를 획득하는 것으로 이루어진다.

따라서, 컴퓨터는 자동차(10)의 측위 위치(P₀) 및 이와 연관된 수평 보호 레벨(horizontal protection level: HPL)을 획득한다. 상기 데이터는 위도, 경도 및 수평 보호 레벨(HPL)을 제공하는 측위 시스템을 통해 획득된다.

컴퓨터는 또한 자동차(10)의 동역학에 관련된 데이터를 획득한다. 따라서 컴퓨터는 차량의 속도(V) 및 차량의 요 각속도(angular yaw velocity: Ψ)를 획득한다.

제2 단계(102)는 획득된 측위 위치(P₀)에서 차량(10)을 맵 상에 사전 배치하는 단계이다.

제3 단계(103)는 파티클들(P_i)이라 불리는 차량의 가능 위치들(또는 더 정확하게는 차량의 가능한 자세들)이 맵 상의 자동차(10)의 정확한 위치(P_p)(또는 더 정확하게는 맵 상의 차량의 정확한 자세)를 결정하기 위해 처리되는 파티클 필터링 단계이다.

각각의 파티클(P_i)은,

- 직교 기준 좌표계(Cartesian reference frame)에서 파티클의 위치를 정의하기 위한 2개의 좌표(x_i, y_i)(이러한 좌표들은 획득 된 경도와 위도에 결부됨); 및

- 북(North)과 같은 주어진 방향에 대한 파티클에 의해 형성된 각도를 정의하기 위한 요 각도; 및

- 파티클(P_i)이 연관된 맵의 식별자;

에 의해 정의될 수 있다.

도 3 내지 도 5는 이등변 삼각형들의 형태로 파티클들(P_i)을 보여주며, 각각의 이등변 삼각형은 맵 상의 파티클의 위치에 상응하는 중심(M_i) 및 맵 상의 파티클의 요(yaw) 각에 상응하는 배향을 지닌다.

도 1에 도시된 바와 같이, 제3 파티클 필터링 단계(103)는 더 정확하게는 지금부터 더 구체적으로 설명될 복수 개의 하위 단계들로 이루어진다.

제1 하위 단계(110)는 파티클 필터의 초기화 단계가 존재하는지 여부를 결정하는 것으로 이루어지며, 이는 예를 들어 자동차(10)가 시동될 때의 경우이다.

상기 상황은 파티클이 아직 생성되지 않은 개시 시나리오로 간주될 수 있다.

다음 하위 단계(112)는 차량(10)의 측위 위치(P₀)가 주어지면, 맵 상에 파티클들(P_i)을 생성 및 분포하는 것으로 이루어진다.

이를 위해, 파티클들(P_i)은 자동차(10)의 측위 위치(P₀)를 중심으로 하는 디스크 내에 분포되며, 이 경우 디스크의 반경은 수평 보호 레벨(HPL)과 동일하다.

파티클들(P_i)은 더 정확하게는 일정한 각도 오프셋으로 나선형으로 분포된다. 파티클들(P_i) 간 나선 및 각도 오프셋의 특징들은 생성하고자 하는 파티클들(P_i)의 개수에 따라 선택된다.

상기 개수는 100보다 크고, 바람직하게는 1000 정도이다. 이는 컴퓨터를 달리 과부하시키지 않으면서 충분한 정밀도를 얻는 방식으로 결정된다.

이 시점에서는, 파티클들(P_i)이 아직 배향되어 있지 않다.

따라서, 각각의 파티클(P_i)은 측위 시스템에 영향을 미치는 오차를 고려하여 차량이 취할 수 있는 가능한 위치에 상응한다.

도 3에서 볼 수 있는 바와 같이, 일부 파티클들은 도로에서 떨어져 있다. 이는 파티클들이 맵에 제약을 받지 않고 2-차원 공간에서 이동될 수 있다는 점을 보여준다. 따라서, 필터는 매우 유연하고, 초기에는 매우 많은 개수의 상이한 해결수법들을 고려하는 것을 가능하게 하며, 그 중에서 가장 실현 불가능한 해결수법들은 이때 파티클 필터에 의해 제거된다.

다음 하위 단계(113)에서, 컴퓨터는 각각의 파티클(P_i)을 각각의 파티클(P_i)의 가장 가까운 도로 구간에 연관시킨다.

여기에서 선택되는 방법은 포인트 투 커브(point-to-curve) 방법이다. 이는 각각의 파티클(P_i)을 유클리드 거리(Euclidean distance) 면에서 가장 가까운 도로 구간에 연관시키는 것으로 이루어진다.

대표적인 예에 의하면, 도 4에서 결과적으로 알 수 있는 바와 같이, 파티클(P₁)이 도로 구간(AB)에 연관되어 있다.

이 시점에서, 컴퓨터는 파티클들(P_i)을 특히 각각의 파티클이 연관된 도로 구간의 배향의 함수(또 가능하다면 차량의 동역학의 함수)로서 배향시킬 수 있다.

그 후에, 상기 방법은 부연 설명될 하위 단계(116)로 속행된다.

위에서 설명한 바와 같이, 제1 하위 단계(110)는 파티클 필터의 초기화 단계가 존재하는지 여부를 결정하는 것으로 이루어진다.

이는 파티클 필터의 초기화 단계가 존재하지 않은 경우이며 프로세스가 이미 사전에 초기화되어 있다고 현재 생각할 수 있다.

이 경우에, 하위 단계(114)에서, 컴퓨터는 맵 상의 파티클들(P_i)을 업데이트한다.

이를 위해, 파티클들(P_i)은 모두 차량의 동역학에 관련된 정보에 따라 맵 상에서 이동된다.

2개의 데이터 아이템, 다시 말하면 차량의 속도(V) 및 자동차(10)의 요 각속도(Ψ)는 소정의 거리만큼 모든 파티클들(P_i)을 이동시키고 소정의 각도로 파티클들을 재배향시키는데 특히 사용된다.

여기서 유념할 점은 상기 하위 단계가 이번에 자동차의 측위 위치(P₀)를 사용하지 않는다는 것이다.

다음 하위 단계(115)에서, 컴퓨터는 각각의 파티클(P_i)을 도로 구간에 재-연관시킨다.

더 보다 정확하게는 컴퓨터는 어느 파티클들(P_i)이 새로운 도로 구간에 연관되어야 하는지를 결정하고 컴퓨터는 이러한 새로운 도로 구간을 식별한다.

컴퓨터가 어떻게 동작하는지 이해하기 위해, 지점들(M1, M2)을 중심으로 하는 2개의 파티클(P₁, P₂)이 도시되고 도로 구간(AB)이 또한 도시된 도 4가 참조될 것이다.

이 경우에 고려된 점은 이전 시간 증분에서, 2개의 파티클(P₁, P₂)이 하위 단계(114)에서 이동되었기 때문에 2개의 파티클(P₁, P₂)이 단지 하나의 동일한 도로 구간(AB)에 연관되어 있다는 것이다.

그리고 나서, 컴퓨터는 각각의 파티클이 새로운 도로 구간에 연관되어야 하는지 여부를 확인하기 위해 각각의 파티클(P_i)에 대한 비율(r)을 결정한다.

상기 비율(r)은 이하의 수학식 1

을 사용하여 계산된다.

상기 비율(r)이 0과 1 사이일 경우, 파티클(P_i)을 파티클(P_i)의 원래 도로 구간에 연관시키는 것이 변경되어서는 아니 된다. 이는 여기서 파티클(P₁)의 경우이다.

상기 비율이 음수일 경우, 파티클(P_i)을 파티클(P_i)의 도로 구간에 연관시키는 것이 변경되어야 한다. 상기 파티클은 더 정확하게는 이전 도로 구간 또는 이전 도로 구간들 중 하나에 연관되어야 한다.

상기 비율이 절대적으로 1보다 클 경우, 파티클(P_i)을 파티클(P_i)의 도로 구간에 연관시키는 것이 변경되어야 한다. 상기 파티클은 더 정확하게는 다음 도로 구간 또는 다음 도로 구간들 중 하나에 연관되어야 한다.

따라서 많은 상황이 직면하게 될 수 있다.

도로 구간(AB)이 단지 하나의 후속 구간(BB')을 지니는 도 4의 상황에서는, 파티클(P₂)은 이러한 후속 구간(상기 비율(r)이 0과 1 사이인 한은, 상기 새로운 도로 구간, 그러하지 않을 경우, 다른 후속 구간이 고려됨)에 연관된다.

도로 구간(AB)에 여러 개의 후속 구간(BC, BD, BE)이 있는 도 5의 상황에서는, 이전 시간 증분에서 고려되는 파티클(P₂)은 후속 구간들(BC, BD)이 있는 만큼 많은 파티클(P₂₁, P₂₂, P₂₃)로 복제된다.

차량의 동역학을 고려하여 후속 구간들 중 일부가 고려되지 않을 경우 파티클을 더 적은 횟수로 복제하는 것이 또한 준비될 수 있다.

도면들에 도시되지 않은 다른 상황에서는, 파티클이 이전 시간 증분(특히 차량이 예를 들어 다른 차량을 추월하기 위해 측 방향으로 차선 변경할 때 발생하게 됨)에 연관된 도로 구간과 평행한 다른 도로 구간에 연관되어야 하는 것이 가능하다. 이는 파티클들이 동일한 도로 구간 위로만 이동하는 것으로 제한되지 않기 때문에 가능하다. 이러한 상황은 파티클의 새로운 위치 및 맵에 저장된 데이터(지면 표시 정보, 차선 폭 등)가 주어지면 검출될 수 있다. 일 변형 예에서, 차량 상에 탑재된 카메라를 사용하여 이러한 상황이 또한 검출되는 것을 고려할 수 있다.

하위 단계(115) 및 하위 단계(113) 양자 모두를 따르는 하위 단계(116)에서는, 컴퓨터는 각각의 파티클(P_i)의 공산을 계산한다.

파티클의 공산은 여기에서 가중치(w_i)로 표현된다. 파티클의 가중치가 클수록, 고려되는 파티클이 자동차(10)의 정확한 위치에 상응할 가능성이 높아진다.

상기 가중치는 다양한 방식으로 계산될 수 있다.

제1 실시 예에서, 각각의 파티클(P_i)의 가중치(w_i)는 맵의 데이터에 따라 계산된다.

더 정확하게는, 이는 고려되는 파티클들과 연관된 도로 구간 간의 유클리드 거리에 따라 결정된다(상기 가중치는 예를 들어 상기 거리에 반비례한다).

제2 실시 예에서, 각각의 파티클(P_i)의 가중치(w_i)는 데이터가 신뢰할 수 있는 것으로 간주되는 조건에서, 외부 수용 센서들의 데이터에 따라 계산된다.

차량 카메라들(CAM)의 측면 정보에 따라 고려되는 파티클의 가중치를 증가 또는 감소시키는 것을 상상할 수 있다. 상기 카메라들은 효과적으로 지면 표시 라인들을 검출하고 이들을 다항식 모델의 형태로 컴퓨터에 피드백할 수 있다. 컴퓨터는 이러한 선들의 형상이 맵에 기록된 지면 표시의 형상에 상응하는 지를 확인하고 그에 따라 파티클의 가중치를 조정할 수 있다.

여기서 알 수 있는 점은 지면 표시들이 항상 카메라들에 의해 검출됨이 아니라는 것이다. 이는 예를 들어 조명 부족, 젖은 도로, 지워진 표시들 등과 같은, 센서들에 난해한 조건들 때문일 수 있다. 이러한 특정의 경우에, 카메라는 컴퓨터에 신뢰 수준이 낮음을 나타내고 그 후에 가중치의 계산이 제1 실시 예에서 설명한 바와 같이 맵이 제공한 데이터에만 기초하여 이루어진다.

여기에서 관측될 수 있는 점은 데이터 아이템의 신뢰도 기준이 일반적으로 데이터 아이템을 예를 들어 백분율(이러한 백분율은 그 후 데이터 아이템이 고려되어야 할 지 여부를 결정하는 데 사용됨)의 형태로 측정하는 센서에 의해 제공된다는 것이다.

사용되는 방법에 관계없이, 상기 방법은 자동차(10)의 순간적인 측위 위치(P₀)로부터 너무 멀리 떨어져 있는 파티클들을 제거하기 위해, 한정된 세트의 파티클들(P_i)을 선택하는 하위 단계(117)로 계속된다.

상기 하위 단계를 구현하기 위해, 컴퓨터는 자동차(10)의 새로운 측위 위치(P₀)를 획득하고, 그리고 나서 컴퓨터는 각각의 파티클(P_i) 및 상기 순간적인 측위 위치(P₀) 간 거리를 계산한다.

상기 거리가 수평 보호 레벨(HPL)보다 길 경우에, 상응하는 파티클(P_i)의 가중치(w_i)는 0으로 설정되고, 그럼으로써 상기 파티클이 그 후 자동으로 제거될 수 있다.

상기 거리가 수평 보호 레벨(HPL)보다 길지 않을 경우에, 상응하는 파티클(P_i)의 가중치(w_i)가 변경되지 않는다.

다음의 하위 단계(118)에서는, 컴퓨터는 맵 상에 파티클들(P_i)을 재샘플링할 필요가 있는지 여부를 결정한다.

이를 위해, 컴퓨터는 파티클들(P_i)의 가중치(w_i) 및 파티클들(P_i)의 개수에 따라 계산되는 지표(indicator)(N_eff)를 사용한다.

상기 지표(N_eff)가 (컴퓨터의 판독 전용 메모리에 저장된) 사전에 결정된 임계값을 하회하는 경우, 컴퓨터는 맵 상에 파티클들(P_i)을 리샘플링한다. 상기 지표(N_eff)가 (컴퓨터의 판독 전용 메모리에 저장된) 사전에 결정된 임계값을 하회하지 않는 경우, 파티클들(P_i)은 파티클들(P_i)의 상태로 유지된다.

공지된 바와 같이, 리샘플링은 파티클들(이하 원래 파티클들이라고 함)을 전체적으로 고려하고 이러한 원래 세트로부터 새로운 파티클들을 인출하는 것으로 이루어진다.

파티클들을 재샘플링하기 위해, 컴퓨터는 원래 세트의 파티클들(P_i)로부터 사전에 정의된 개수의 새로운 파티클들을 컴퓨터가 무작위로 인출하게 하는 종래의 방법을 사용할 수 있으며, 각각의 파티클(P_i)을 인출할 확률은 상기 파티클(P_i)의 가중치(w_i)에 비례할 수 있다. 그러나 상기 방법은 일반적으로 파티클들의 고갈을 유발하는데, 그 이유는 큰 가중치를 지니는 파티클들이 항상 인출되기 때문이다.

이 경우에, 컴퓨터는 바람직하게는 "저분산(low-variance)" 리샘플링 방법을 상당히 사용한다. 구체적으로는, 상기 방법은 맵 상의 파티클들의 양호한 분포 유지를 촉진한다. 상기 방법은 원래 세트의 파티클들(P_i)로부터 사정에 정의된 개수의 새로운 파티클들을 무작위로 인출하는 것으로 이루어지며, 각각의 파티클(P_i)을 인출하는 확률은 상기 파티클(P_i)의 가중치(w_i)의 함수이지만, 이번에는 상기 가중치에 비례하지 않는다.

이때, 컴퓨터는 모두 하나의 동일한 지점 주위에 위치한 파티클들을 획득할 때까지 하위 단계들(114 내지 118)을 루프 방식으로 재개시하는 것을 수행할 수 있으며, 이는 맵 상의 자동차(10)의 정확한 위치(P_p)에 상응하는 것으로 간주될 수 있다.

그러나 이는 여기에서 선택되는 옵션이 아니다. 따라서, 위에서 설명된 바와 같이, 일단 하위 단계(118)가 완료되면, 시나리오 선택 동작(200)이 제공된다.

상기 시나리오 선택 동작(200)은 일단 파티클 필터링 동작(100)이 한정된 개수의 해결수법들을 수렴하여 제공하면 구현된다(파티클들은 예를 들어 사전에 결정된 임계 값보다 적은 개수의 지점들 주위에 그룹화된다).

상기 시나리오 선택 동작(200)은 재귀적으로, 다시 말하면 루프 방식으로 그리고 규칙적인 시간 증분으로 구현된다. 상기 시나리오 선택 동작(200)은 여러 연속 단계로 이루어진다.

제1 단계(201)에서, 컴퓨터는 "시나리오들(scenarios)"을 선택한다.

이를 위해, 컴퓨터는 여러 세트 내 파티클들(P_i)을 고려하며, 여러 세트들 각가 내에는 파티클들이 모두 하나의 동일한 차선(또는 하나의 변형 예로서, 하나의 동일한 도로 구간)에 연관된다.

시나리오들에 따른 작동의 이점은 가장 가능성이 높은 시나리오들 모두를 선택하는 것이 가능하게 되며, 그럼으로써 먼저 선택된 시나리오들로부터 올바른 시나리오를 유지하고 두 번째로 각각 선택된 시나리오의 유효성을 확인할 수 있다.

시나리오들은 "차량이 기준이… 인 차선에 위치하도록" 어서션(assertion)들의 형태로 표기될 수 있다.

시나리오가 본 개시내용의 의미 내에서 상응하는 것을 잘 이해하기 위해, 도 3은 파티클들을 모두 각각의 세트가 시나리오에 상응하는 8개의 세트(Z₁, Z₂, Z₃, Z₄, Z₅, Z₆, Z₇, Z₈)로 그룹화한 것이다.

예를 들어, 세트(Z₁)의 파티클들은 "차량이 도로(R₁)의 우측 차선에 위치한다"라는 시나리오에 상응한다.

세트(Z₂)의 파티클들은 "차량이 도로(R₁)의 좌측 차선에 위치한다"라는 시나리오에 상응한다.

세트(Z₃)의 파티클들은 "차량이 도로(R₂)의 좌측 차선에 위치한다"라는 시나리오에 상응한다.

세트(Z₄)의 파티클들은 "차량이 도로들(R1, R₂)와의 차량 분기점들 간 로터리 상에 위치한다"라는 시나리오에 상응하고, 기타 등등의 시나리오가 제공된다.

다수("J")(도 3에서는 J = 8) 개의 시나리오들이 발견됨을 고려하면, 각각의 시나리오는 성분들이 상기 시나리오의 파티클들(P_i)의 가중치(w_i)에 의해 가중되는, 상기 시나리오의 파티클들(P_i)의 좌표들의 합에 상응하는 벡터(

)의 형태로 표현 될 수도 있다.

컴퓨터는 각각의 시나리오에 "신뢰도 지수(confidence index)"를 할당할 수 있으며, 이러한 신뢰도 지수는 상기 시나리오의 파티클들(P_i)의 가중치들(w_i)의 합과 동일하다.

제2 단계(202)에서, 컴퓨터는 각각의 시나리오의 공분산 행렬(

) 및 자동차(10)의 측위 위치(P₀)의 공분산 행렬(

)을 결정하게 된다.

이러한 공분산 행렬들을 조작하면 구체적으로 각각의 시나리오에 연계되고 측위 시스템에 의해 제공된 측위 위치(P₀)에 연계되는 불확도를 특징화할 수 있다.

위에서 설명한 바와 같이, 자동차(10)의 측위 위치(P₀)에 연계되는 공분산 행렬(

)은 이 경우에 측위 시스템에 의해 컴퓨터로 직접 전송된다. 이는 이 경우에 2x2 행렬이다.

각각의 시나리오에 링크되는 공분산 행렬(

)에 대하여, 이는 상기 시나리오에 연관된 파티클들(P_i) 모두의 가중치들(w_i)에 따라 계산된다. 이는 이 경우에도 2x2 행렬이다.

이때, 측위 시스템에 의해 제공된 측위 위치(P₀)가 주어지고 이러한 측위 위치의 측정에 연계된 오류를 고려하여 각각의 시나리오가 "일관성이 있는" 정도를 결정하는 것이 필요하다.

이를 위해, 단계 203에서, 마할라노비스 거리(Mahalanobis distance)(D_Mj)라 불리는 수학적 객체가 사용되며, 그의 표기는 이하의 수학식 2

와 같고, 상기 수학식 2에서 X_GNSS는 벡터 "측위 위치(P₀)"에 상응한다.

마할라노비스 거리는 구체적으로 변수들의 공분산들(다시 말하면, 각각의 변수에 연계된 다우트(doubt))을 고려한, 2개의 불확도 상황 간 일관성을 평가하는 것을 가능하게 하는 객체이다.

그 후, 단계 204에서, 단계 201에서 획득된 시나리오들 중에서 제1의 한정된(또는 심지어 비어있는) 세트의 시나리오들을 선택하는 것이 준비된다.

이를 위해, 각각의 마할라노비스 거리(D_Mj)에 대해 카이-스퀘어(Chi-square)(X²) 테스트가 수행된다.

실제로, 각각의 마할라노비스 거리(D_Mj)는 고려되는 시나리오가 측위 위치(P₀)와 일관성이 있는지 여부를 결정하기 위해 여기에서 중요한 임계 값과 비교된다.

고려되는 시나리오와 측위 위치(P₀)가 카이-스케어 테스트의 의미 내에서 일관성이 있는 경우 상기 시나리오가 유지된다.

대조적으로, 고려되는 시나리오와 측위 위치(P₀)가 카이-스케어 테스트의 의미 내에서 일관성이 없는 경우 상기 시나리오가 거부된다.

여기에서 유념할 점은 시나리오가 유지되는 경우에, 이것이 상기 시나리오가 참(true)임을 반드시 의미하지 않는다는 것이다. 특히, 이 시점에서 몇 가지 시나리오들이 유지될 수 있다.

대조적으로, 시나리오가 거부되는 경우, 이것이 상기 시나리오가 거짓(false)임을 반드시 의미하지 않는다. 구체적으로, 이는 큰 오차가 측위 위치(P₀)의 측정에 영향을 미치는 경우일 수 있다. 이 경우에, 실제 시나리오가 거부될 수 있다. 본 개시내용의 나머지 부분에서 명백하게 자명해지겠지만, 이는 여기에서 제안된 방법의 신뢰도에 달리 영향을 미치지 않게 된다.

후속 단계 205에서, 단계 204에서 선택된 시나리오들 중에서 제2의 한정된(또는 심지어 비어있는) 세트의 시나리오들을 선택하는 것이 준비된다.

여기에서 유념할 점은 상기 제2 선택은 상기 방법의 진행에 달리 영향을 미치지 않으면서 제1 선택 전에 이루어질 수 있다는 것이다.

상기 제2 선택은 상기 시나리오를 형성하는 파티클들(P_i)의 가중치(w_i)에 연계된 지표가 결정된 임계 값보다 큰 "가능한" 시나리오만을 유지하는 것으로 이루어진다. 상기 목적은 구체적으로 카이-스케어 일관성 테스트를 충족하지만 그럴 가능성이 없는 시나리오들을 제거하는 것이다.

이를 위해, 컴퓨터는 신뢰도 지수(상기된 것은 고려되는 시나리오의 파티클들(P_i)의 가중치들(w_i)의 합과 동일함)가 결정된 임계 값보다 낮은 시나리오들을 제거한다. 상기 임계 값은 이 경우에 변하지 않으며 컴퓨터의 판독 전용 메모리에 저장된다.

이들 2가지 시나리오 선택 단계의 종료시, 컴퓨터는 일관성이 있을 뿐만 아니라 가능성이 높은 다수(N) 개의 시나리오를 유지하게 된다.

단계 206에서, 상기 개수(N)에 따라, 각각의 선택된 시나리오의 사용 가능한 또는 사용 불가능한 특성을 결정하는 것이 이때 제공된다.

3 가지 경우가 고려될 수 있다.

첫 번째 경우는 상기 개수(N)가 1일 경우이다. 이 경우에, 하나의 시나리오만이 유지되어 있기 때문에, 상기 시나리오는 합리적이고 자율 주행 차량에 대한 운전 지시(driving instruction)를 생성하는데 사용될 수 있는 것으로 간주된다. 따라서, 컴퓨터는 이를 신뢰할 수 있다. 이 경우에, 컴퓨터는 상기 시나리오의 가중치가 가장 큰 파티클이 자동차(10)의 정확한 위치(P_p)에 상응하는 고려할 수 있다.

두 번째 경우는 상기 개수(N)가 1보다 클 경우이다. 이 경우에, 여러 시나리오가 유지되어 있기 때문에, 그들 중 어떠한 것도 자율 주행 차량에 대한 운전 지시를 생성하는 데 사용될 수 있는 것으로 간주되지 않는다. 따라서, 상기 방법은 하나의 단일 시나리오만이 획득될 때까지 루프 방식으로 다시 개시된다.

마지막 경우는 상기 개수(N)가 0일 경우이다. 이 경우에, 어떠한 시나리오도 유지되어 있지 않기 때문에, 자율 주행 차량에 대한 운전 지시를 생성하는데 어떠한 파티클도 사용할 수 없는 것으로 간주된다. 더욱이, 컴퓨터는 이러한 상황으로부터 측위 시스템에 의해 수행된 측정치들과 획득된 시나리오 간 불일치가 존재한다는 것을 유리하게 추론할 수 있으며, 이는 아마도 측위 시스템에 영향을 미치는 문제 때문일 수 있다. 이 경우에, 자율 모드에서 운전자에게 그리고/또는 차량의 제어 유닛에 경보를 전송하는 단계(207)가 제공되고, 그럼으로써 필요한 조치(비상 정지, 저하 모드에서의 제어 등)를 취하는 것이 가능하게 된다.

Claims (11)

1. 맵(map) 상에서 차량(10)의 정확한 위치(P_p)를 추정하는 방법로서,
   - 측위(測位) 시스템을 통해 상기 차량(10)의 적어도 하나의 측위 위치(P_o)를 획득하는 단계;
   - 상기 차량(10)의 측위 위치(P_o)에서 상기 차량(10)을 상기 맵 상에 사전 위치시키는 단계; 및
   - 상기 맵 상에서 상기 차량(10)의 정확한 위치(P_p)를 결정하도록 파티클(particle)들(P_i)로 불리는 상기 차량의 가능한 위치들이 처리되게 하는 파티클 필터링 단계;
   를 포함하는, 차량의 위치 추정 방법에 있어서,
   상기 파티클 필터링 단계는,
   - 상기 맵 상의 상기 차량(10)의 측위 위치(P_o)에 따라, 상기 맵 상에 파티클들(P_i)을 분포시키는 예비 단계와, 이어서 상기 맵 상의 파티클들(P_i)을 업데이트하는 단계;
   - 적어도 상기 맵으로부터의 데이터에 기초하여 각각의 파티클(P_i)의 공산(公算: lkelyhood)(w_i)을 계산하는 단계;
   - 한정된 세트의 파티클들(P_i)을 선택하는 단계; 및
   - 선택된 파티클들(P_i)의 공산(w_i) 및 선택된 파티클들(P_i)의 개수에 관련된 지표(indicator)가 임계 값을 하회(下廻)하면, 상기 맵 상에 파티클들(P_i)을 리샘플링(resampling)하는 단계;
   를 포함하는, 차량의 위치 추정 방법.
2. 제1항에 있어서,
   각각의 파티클(P_i)의 공산(w_i)은 상기 맵으로부터의 데이터에만 기초하여 계산되는, 차량의 위치 추정 방법.
3. 제1항에 있어서,
   각각의 파티클(P_i)의 공산(w_i)은 센서들로부터의 데이터가 신뢰할 수 있는 것으로 간주되는 조건에서, 상기 차량(10)이 상기 차량(10)의 주변들을 인지하는 것을 허용하는 센서들로부터의 데이터만에 따라 계산되는, 차량의 위치 추정 방법.
4. 제1항 내지 제3항 중 한 항에 있어서,
   상기 파티클 필터링 단계에서, 상기 정확한 위치(P_p)는 각각의 파티클(P_i)의 공산(w_i)에 따라 상기 한정된 세트의 선택된 파티클들(P_i) 중에서 선택되는, 차량의 위치 추정 방법.
5. 제1항 내지 제4항 중 한 항에 있어서,
   상기 맵에 도로 구간들에 관련된 데이터가 저장되어 있는 경우, 각각의 파티클(P_i)의 공산(w_i)은 상기 파티클(P_i)에 대한 가장 가까운 도로 구간의 위치에 따라 계산되는, 차량의 위치 추정 방법.
6. 제1항 내지 제5항 중 한 항에 있어서,
   상기 예비 단계에서, 상기 파티클들(P_i)은 상기 차량(10)의 측위 위치(P_o)에 중심을 둔 디스크에 분포되는, 차량의 위치 추정 방법.
7. 제6항에 있어서,
   상기 디스크의 반경은 상기 차량(10)의 측위 위치(P_o)에 할당된 수평 보호 레벨(horizontal protection level: HPL))에 따라 결정되는, 차량의 위치 추정 방법.
8. 제1항 내지 제7항 중 한 항에 있어서,
   상기 선택 단계에서, 상기 파티클들(P_i)은 이들 간의 거리 및 상기 차량(10)의 측위 위치(P_o)에 따라 선택되는, 차량의 위치 추정 방법.
9. 제1항 내지 제8항 중 한 항에 있어서,
   상기 업데이트 단계에서, 상기 파티클들(P_i)은 상기 차량의 동역학(dynamics)에 관련된 정보만에 따라 맵상에서 이동되는, 차량의 위치 추정 방법.
10. 제1항 내지 제9항 중 한 항에 있어서,
    상기 리샘플링 단계에서, 상기 파티클들(P_i)은 저분산(low-variance) 기법을 사용하여 리샘플링되는, 차량의 위치 추정 방법.
11. 차량(10)으로서,
    - 맵을 저장하는 수단;
    - 측위 시스템; 및
    - 상기 맵 상에 상기 차량(10)을 사전 위치시키도록 구성된 컴퓨터;
    를 포함하는, 차량에 있어서,
    상기 컴퓨터는, 청구항 제1항 내지 제10항 중 한 항에 기재된, 상기 맵 상에서 상기 차량(10)의 정확한 위치(P_p)를 추정하는 방법을 구현하도록 구성된, 차량.

Images