[논문 리뷰] Map matching when the map is wrong: Efficient vehicle tracking on- and off-road for map learning

Jamie Murphy, Yuanyuan Pao외 1명|arXiv (Cornell University)|2018. 09. 25.

Automated Road and Building Extraction참고 문헌 26인용 수 4

한 줄 요약

이 논문은 도로 지도에 오류나 누락이 있을 경우에도 정확한 궤적 추정을 향상시키기 위해 도로 내 지ap 매칭과 도로 외 자유공간 추적을 통합하는 반상호작용 다중모델(sIMM) 필터를 제안한다. 지도 제약 조건을 위반할 경우 도로 내 HMM 기반 추적기가 도로 외 닫힘형 필터로의 백업을 허용함으로써, 이 방법은 오류가 있는 지도 상황에서도 강력하고 실시간으로 차량 추적을 가능하게 하며, 누락된 도로, 잘못된 전환 제한, 잘못된 한방향 도로와 같은 지도 오류를 탐지할 수 있다.

ABSTRACT

Given a sequence of possibly sparse and noisy GPS traces and a map of the road network, map matching algorithms can infer the most accurate trajectory on the road network. However, if the road network is wrong (for example due to missing or incorrectly mapped roads, missing parking lots, misdirected turn restrictions or misdirected one-way streets) standard map matching algorithms fail to reconstruct the correct trajectory. In this paper, an algorithm to tracking vehicles able to move both on and off the known road network is formulated. It efficiently unifies existing hidden Markov model (HMM) approaches for map matching and standard free-space tracking methods (e.g. Kalman smoothing) in a principled way. The algorithm is a form of interacting multiple model (IMM) filter subject to an additional assumption on the type of model interaction permitted, termed here as semi-interacting multiple model (sIMM) filter. A forward filter (suitable for real-time tracking) and backward MAP sampling step (suitable for MAP trajectory inference and map matching) are described. The framework set out here is agnostic to the specific tracking models used, and makes clear how to replace these components with others of a similar type. In addition to avoiding generating misleading map matching trajectories, this algorithm can be applied to learn map features by detecting unmapped or incorrectly mapped roads and parking lots, incorrectly mapped turn restrictions and road directions.

연구 동기 및 목표

• 도로 지도에 오류나 누락이 있을 경우 표준 지도 매칭 알고리즘이 실패하거나 잘못된 궤적을 생성하는 이의의 심각한 한계를 해결한다.
• GPS 추적 경로가 지도 정확도로 인해 알려진 도로 네트워크에서 벗어날 경우에도 정확한 차량 추적을 가능하게 한다.
• 대규모 GPS 데이터를 활용해 지도 오류를 탐지하고 학습할 수 있는 확장성 있고 실시간 추적 시스템을 개발한다.
• 도로 내 HMM 기반 지도 매칭과 도로 외 자유공간 추적을 통합하여 강건성을 향상시키는 원칙적인 프레임워크를 제공한다.
• 누락되거나 잘못된 지도 기능을 나타내는 일관된 도로 외 궤적 패턴을 식별함으로써 지도 학습을 가능하게 한다.

제안 방법

• 도로 내 은닉 마르코프 모델(HMM) 추적과 닫힘형 도로 외 추적기를 조합한 반상호작용 다중모델(sIMM) 필터를 수립하여, 도로 내 제약 조건을 위반할 경우 도로 외 운동으로의 전환을 허용한다.
• 실시간 추적을 위해 전방 필터를 사용하여 도로 내 및 도로 외 상태 간 전환하는 차량 궤적을 효율적으로 온라인 추정한다.
• 최대 사후확률(MAP) 궤적을 계산하기 위해 후방 MAP 샘플링 단계를 활용하여 향후 관측치를 통합함으로써 정확도를 향상시킨다.
• 전체 IMM 복잡도를 피하기 위해 도로 외 필터가 독립적으로 작동하도록 하되, 도로 내 추적기가 이를 백업으로 사용할 수 있도록 모델 상호작용 제약 조건을 도입한다.
• 모듈러한 아키텍처를 설계하여 핵심 추론 로직을 변경하지 않고도 교환 가능한 도로 내 HMM 추적기와 도로 외 자유공간 필터를 통합할 수 있도록 한다.
• 궤적 일관성과 기하학적 제약 조건을 활용하여 누락된 도로, 잘못된 전환 제한, 잘못된 한방향 도로와 같은 지도 오류를 탐지한다.

실험 결과

연구 질문

• RQ1 누락되거나 잘못된 도로 네트워크 지도가 있을 경우 지도 매칭을 어떻게 개선하여 정확도를 떨어뜨리지 않게 할 수 있는가?
• RQ2 실시간으로 도로 내 HMM 기반 지도 매칭과 도로 외 자유공간 추적을 효율적으로 통합할 수 있는 통합 프레임워크가 가능한가?
• RQ3 시스템이 탐지한 도로 외 궤적 세그먼트가 누락된 도로나 잘못된 전환 제한과 같은 지도 오류를 어느 정도까지 나타낼 수 있는가?
• RQ4 지도 오류 상황에서 sIMM 필터의 런타임과 정확도 측면에서 표준 HMM 기반 지도 매칭과 비교해 성능은 어떠한가?
• RQ5 대규모 GPS 추적 데이터를 활용해 제안된 시스템을 통해 자동으로 지도 오류를 탐지하고 수정 제안을 할 수 있는가?

주요 결과

• sIMM 필터는 도로가 누락되거나 전환 제한이 잘못되었거나 한방향 도로가 잘못 매핑된 경우에도 정확한 궤적 추정을 달성하여, 표준 지도 매칭이 유도하는 잘못된 도로 내 궤적을 피한다.
• 여러 GPS 추적 경로를 통해 일관된 도로 외 궤적 패턴을 식별함으로써 높은 신뢰도로 지도 오류를 탐지한다. 예를 들어, 도로가 없는 지역에서 반복적으로 도로 외 운동이 발생하는 패턴은 누락된 도로를 시사한다.
• 샌프란시스코 프레시디오 지역에서, 시스템은 2018년 1월 기준 OSM 지도에 존재하지 않는 신규로 건설된 도로와 대응하는 다수의 도로 외 추적 경로를 탐지했으며, 이후 위성 영상으로 확인되었다.
• sIMM 궤적 생성의 런타임은 표준 HMM 기반 지도 매칭보다 2배에서 4배 느리지만, 이 오버헤드는 웹 스케일 애플리케이션에는 수용 가능하며 향후 최적화로 개선될 것으로 기대된다.
• 이 프레임워크는 반복적인 도로 외 운동 패턴을 식별함으로써 지도 정확도를 향상시키는 데 기여하며, 예를 들어 누락된 주차장이나 잘못 매핑된 도로 방향을 나타내는 데 유용하다.
• 지도에 누락되거나 잘못 분류된 인프라가 있는 지역에서는 표준 지도 매칭보다 더 정확한 궤적을 성공적으로 재구성한다.