[논문 리뷰] A General Framework for Multi-vehicle Cooperative Localization Using Pose Graph

Xiaotong Shen, Hans Jørgen Andersen외 4명|arXiv (Cornell University)|2017. 04. 05.

Vehicle License Plate Recognition참고 문헌 22인용 수 3

한 줄 요약

이 논문은 차량 간 통신(V2V)을 통해 공간적 상대 관측치를 통합하는 다중 차량 협동 위치 측정을 위한 강건하고 일반적인 프레임워크를 제안한다. 차량 식별 문제를 선형 할당 문제로 공식화하고, 데이터 연계를 통해 자세 추정의 모호함을 해결함으로써, 통신 지연, 패킷 손실, 순서 어긋난 수신과 같은 환경에서도 정밀도와 정확도를 향상시킨다. 독립적 위치 측정 대비 위치 불확실성은 최대 0.46미터, 자세 불확실성은 2.9도 감소시킨다.

ABSTRACT

When a vehicle observes another one, the two vehicles' poses are correlated by this spatial relative observation, which can be used in cooperative localization for further increasing localization accuracy and precision. To use spatial relative observations, we propose to add them into a pose graph for optimal pose estimation. Before adding them, we need to know the identities of the observed vehicles. The vehicle identification is formulated as a linear assignment problem, which can be solved efficiently. By using pose graph techniques and the start-of-the-art factor composition/decomposition method, our cooperative localization algorithm is robust against communication delay, packet loss, and out-of-sequence packet reception. We demonstrate the usability of our framework and effectiveness of our algorithm through both simulations and real-world experiments using three vehicles on the road.

연구 동기 및 목표

• 공간적 상대 관측치를 활용한 다중 차량 시스템에서 위치 측정 정확도와 정밀도를 향상시키는 협동 위치 측정 프레임워크를 개발하는 것.
• 동일한 스펙트럼을 사용하므로 신호만으로는 식별할 수 없는 차량 간 통신(V2V) 환경에서의 차량 식별 문제를 해결하는 것.
• 실생활 주행 환경에서의 통신 제약 조건(지연, 패킷 손실, 순서 어긋난 수신 등)에 대비한 강건성 확보.
• 관측치를 자세 그래프에 통합하기 이전에 상대 자세 추정의 모호함(예: ±90° 또는 ±180° 요 자세 모호함)을 해결하는 것.
• 기존의 오도메트리 및 지도 측정 외에도 상호 차량 간 상대 관측치를 포함한 더 많은 센서 측정치를 통합함으로써 자세 그래프 기반 위치 측정의 적용 범위를 확장하는 것.

제안 방법

• 센서 관측치와 통신 메시지 간의 정확한 데이터 연계를 위해 차량 식별 문제를 선형계획문제(LP)로 공식화하는 방법.
• 협동 추정을 통해 자세의 모호함을 해결한 후, 라이다 또는 기타 센서로부터 유도된 공간적 상대 관측치를 자세 그래프에 통합하는 방법.
• 지연되거나 손실된 메시지 상황에서도 그래프의 연결성과 강건성을 유지하기 위해 요소 조합/분해 기법을 활용하는 방법.
• 일반 선형 제약 조건(GLC)을 통한 그래프 마진화를 적용하여 실시간 계산과 효율적인 자세 추정을 가능하게 하는 방법.
• 지연되거나 순서 어긋난 측정치를 처리하기 위해 10초 윈도우 기반의 자세 그래프 접근법을 적용하는 방법.
• 오도메트리, 지도 측정치, 상호 차량 간 상대 관측치를 통합한 인자 그래프를 구성하여 최적의 자세 추정을 수행하는 방법.

실험 결과

연구 질문

• RQ1 동일한 스펙트럼을 사용하고 고유한 전송 신호가 없는 상황에서 V2V 통신 환경에서 차량 식별을 어떻게 신뢰성 있게 수행할 수 있는가?
• RQ2 통신 지연, 패킷 손실, 순서 어긋난 메시지 수신 상황에서도 자세 그래프 기반 협동 위치 측정이 정확도와 강건성을 유지할 수 있는가?
• RQ3 공간적 상대 관측치는 다중 차량 시스템의 위치 정밀도 향상에 어떤 영향을 미치는가?
• RQ4 상대 자세 추정의 모호함(예: ±90° 또는 ±180° 요 자세 모호함)은 자세 그래프에 관측치를 통합하기 이전에 어떻게 해결할 수 있는가?
• RQ5 제안된 프레임워크는 독립적 위치 측정 대비 위치 불확실성을 얼마나 줄이는가?

주요 결과

• 제안된 프레임워크는 3대의 차량에 대해 독립적 위치 측정(IL) 대비 평균 위치 불확실성을 0.46미터 감소시키고, 자세 불확실성을 2.9도 감소시켰다.
• 차량 1은 협동 위치 측정(CL) 방법을 통해 평균 위치 불확실성 0.33미터, 평균 자세 불확실성 2.77도를 달성했으며, IL 대비 각각 0.80미터와 6.24도를 기록했다.
• 최대 39ms의 통신 지연이 발생했음에도 불구하고 시스템은 강건성을 확보했으며, 평균 지연는 10초 자세 그래프 윈도우 이내에 유지되어 지연된 메시지의 적시 통합이 가능했다.
• 모든 메시지 유형의 패킷 크기는 500바이트 이내였으며, 실시간 자세 그래프 업데이트에 적합한 저지연 통신을 확인했다.
• 요소 조합/분해 기법 덕분에 통신 장애 상황에서도 자세 그래프의 연결성과 일관성이 유지되었다.
• 3대의 차량이 참여한 실차 시험을 통해 프레임워크의 효과성이 입증되었으며, 특히 Y자형 교차로 및 굽이진 도로 구간에서 뚜렷한 불확실성 감소가 관측되었다.