As mobile vehicles are getting more and more autonomous, the positioning capability becomes an important issue because it is the key technology of navigation. There are two kinds of localization methods. One is a dead eckoning and the other is an absolute positioning. These two methods have their own advantages as well as disadvantages. So the fusion of two methods is desired. In this thesis, map-based localization algorithms for an indoor and an outdoor mobile vehicles are discussed.
To estimate the robot pose using a map, the map structure should be decided. The generalized symmetric perturbation map (GSP map) using a line pose is proposed. And the error characteristic of the line feature is studied based on the error of the laser scanner. In the map-based localization, there are three different situations. The first situation is when the prior pose of the robot is unknown and the second situation is when the prior pose is known and the third situation is when the global map is incorrect. We propose estimation algorithms for each situation using the GSP map. We propose a distributed estimator for cooperative localization. We show the effectiveness by several simulations and experiments.
For an outdoor mobile vehicle such as a car, GPS is most widely used. But it has a large error if not corrected. To correct this error, a map matching method is introduced, which uses a road map to correct the position error. In this thesis, a novel adaptive fuzzy network (AFN) based C-measure algorithm is proposed, which can find the position of a car in the road map precisely. The C-measure algorithm is easy to calculate, and the calculation time does not increase exponentially with the increase in the number of junctions. For experimental tests, a car navigation system is built with a DSP chip, a GPS receiver, a vehicle speed sensor and a gyroscope. The real road experiments validate the effectiveness and applicability of the proposed algorithm and the developed car navigation system.
이동 차량의 가장 큰 특징은 원하는 목적지까지 스스로 주행할 수 있다는 것이다. 이를 위해서는 위치 추정, 경로 생성, 경로 추종의 세가지 분야가 필요하게 된다. 이들 분야중 위치 추정 분야는 다른 두가지 분야를 수행하기 위해 필요한 가장 중요한 분야이다. 위치 추정은 크게 상대적 위치 추정법과 절대적 위치 추정법의 두가지로 분류될 수 있다. 각 방법은 서로 장단점을 갖고 있기 때문에, 두가지 방법을 병합하여 위치를 추정하는 것이 바람직하다. 절대 위치 추정 방법의 대표적인 방법은 표식점을 사용하는 것이다. 이 방법은 작업 환경하에 미리 알려진 표식점을 설치하여 이동 차량이 이를 감지하고 자신의 위치를 추정하는 방법이다. 이 방법의 가장 큰 단점은 미리 표식점을 설치해야 한다는 것과, 표식점을 감지하기 위한 센서를 별도로 갖추어야 한다는 것이다. 따라서 최근에는 장애물을 인식하는 센서를 사용한, 맵을 이용한 위치 추정 방법이 많이 연구되고 있다.
맵을 이용한 위치 추정 방법은 이동 차량이 작성한 맵과 미리 주어진 전역지도를 비교하여 이동 차량의 위치를 결정하는 방법이다. 이 방법은 표식점을 이용한 방법과 달리, 절대 좌표계에서의 정보를 직접 얻을 수 없고, 이동 차량의 위치에 바탕을 두어 절대 좌표계상의 맵 정보를 추출한다. 이와 같은 특성때문에, 이동 차량의 위치를 모르는 경우 (Self-localization)와 대략적인 위치가 알려진 경우(continuous pose estimation)로 나뉘게 된다. 또한 주어진 맵의 위치가 정확하지 않은 경우에도 이를 고려하는 방법이 필요하다. 본 논문에서는 맵을 이용한, 실내와 실외 환경에서의 이동 차량의 위치 추정 방법에 관한 연구를 수행하였다. 실내 환경은 이동 로봇을 대상으로 하였고, 실외 환경은 자동차를 대상으로 하였다.
실내 환경에서의 이동 로봇의 위치 추정을 위해, GSP 맵을 제안하였다. GSP 맵은 선분으로 구성된 특징맵으로써, 각 선분들은 직선 파라미터가 아닌 3개의 변수를 갖는 직선의 자세로 결정된다. GSP 맵은 각 선분의 오차 특성도 고려하고 있다. 먼저 제안된 GSP맵을 사용하여, Bayesian 이론에 바탕을 둔 self-localization 방법을 제안하였다. 제안된 방법은 기존의 Markov 추정 방법의 단점인 많은 계산량과 이산화 오차를 극복할 수 있었다. 두번째로 continuous pose estimation 방법을 제안하였다. 제안된 방법은 GSP맵의 특징에 의하여 측정관계가 상태 변수와 선형적으로 표현되기 때문에 보다 더 빨리 참값으로 수렴할 수 있다. 또한 상태 추정기가 존재할 조건을 증명하였다. 세 번째로 미리 주어진 전역적 맵이 부정확하거나 알려지지 않은 경우, 로봇의 위치와 맵의 정보를 동시에 추정하는 방법을 제안하였다. 제안된 방법은 기존의 방법과는 달리, 로봇의 위치 오차와 맵 정보 오차를 완전히 분리하여 서로 독립된 추정이 가능하다. 마지막으로, 제안된 위치 추정 방법을 응용하여, 서로 다른 여러 종류의 로봇이 있는 경우의 위치 추정에 관한 방법을 제안하였다. 제안된 방법은 정보를 공유하되, 각 로봇의 위치는 서로 독립적으로 추정될 수 있는 방법이다. 제안된 모든 방법들은 모의 실험과 실제 실험을 통하여 그 성능을 확인하였다.
실외 환경에서의 자동차의 위치 추정을 위해서 새로운 맵 매칭 방법을 제안하였다. 자동차의 경우 그 활동 범위가 매우 넓기 때문에, GPS가 주로 사용된다. 민간인들을 위한 GPS의 오차는 100m정도로 매우 부정확하며, 그 오차의 특성도 알려지지 않았다. 따라서 실내 환경에서 제안된 방법을 그대로 사용하면, 발산의 위험이 있다. 이를 위해 본 논문에서는 2단계 추정 방법을 사용하였다. 첫번째 단계는 일반적인 칼만 필터를 이용한 추정이고, 두번째 단계는 맵을 이용한 보정이다. 이를 위해서 C-척도를 제안하였으며, 이 척도의 성능을 향상시키기 위해 적응 퍼지망을 사용하였다. 맵 매칭의 경우 출력값의 오차를 정의할 수 없기 때문에, 적응 퍼지망을 일반적인 학습 방법으로 학습시킬 수 없다. 그래서 본 논문에서는 이를 위한 학습 방법을 제시하였고, 그 수렴성을 증명하였다. 실제 제작된 시스템을 통한 주행 실험으로 제안된 방법의 성능을 입증하였다.
