Precise localization is an essential element in the autonomous vehicle system. INS(Inertial Navigation System), a fusion of GNSS(Global Navigation Satellite System) and IMU(Inertial Measurement Unit), is generally used to localize the autonomous vehicle. However, the accuracy of localization using INS in the urban or tunnel environment where the GNSS signal is affected by shadowing and multipath error is unreliable. This paper proposes an autonomous vehicle localization method that contains updating the feature map using a 3D point cloud map and estimating the vehicle’s pose based on MCL(Monte Carlo Localization). The 3D point cloud map is constructed with dense point clouds but the volume of the map is too large to use in real-time. The proposed method extracts pole-like, building, and curb features from the 3D point cloud map and generates the probabilistic feature map considering the height of features. The proposed localization system matches features extracted using a 3D LiDAR sensor and feature map through the particle filter framework. The performance of the proposed localization system is demonstrated by comparison with the RTK GNSS/INS, and existing methods.
차량의 정밀한 위치 인식은 자율주행의 핵심요소이다. 일반적으로 위성항법 시스템과 관성 측정 장비를 융합한 위치 측위 방법을 주로 사용하지만, 도심 환경, 터널과 같이 위성항법 시스템의 음영지역이나 다중경로 오차가 발생하면 추정된 위치를 신뢰할 수 없다. 본 논문에서는 사전에 제작된 3차원 점군 지도를 이용하여 특징지도를 업데이트하고, 3차원 라이다 센서를 이용한 특징점 매칭에 활용하는 자율주행 자동차의 위치 인식 기법을 제안한다. 3차원 점군 지도는 밀집된 점군 데이터의 집합으로 구성되어 메모리 저장공간 및 알고리즘의 실시간성 측면에서 비효율적이다. 따라서, 도로 환경의 기둥, 빌딩, 연석의 특징을 추출하여 높이 방향을 고려한 확률적 특징지도를 생성하였다. 라이다 스캔 매칭을 통해 실시간으로 추정되는 차량의 위치는 특징지도를 기반으로 특징점을 매칭하는 파티클 필터 프레임워크를 적용하여 보정하였다. 본 논문에서 제안한 위치 추정 시스템은 RTK GNSS/INS 대비 위치 오차를 평가하여 정확도를 검증하였으며, 기존의 방법과의 비교 및 분석을 통해 성능을 평가하였다.
