참조: A list of GNSS frequencies and accuracy to include GPS, BeiDou, Compass, Galileo, and Navic.
https://www.onesdr.com/list-of-gnss-frequency-and-accuracy/
20세기의 가장 중요한 혁신 중 하나인 GNSS(Global Navigation Satellite System)는 많은 시스템과 기술분야에서 핵심 역할을 맡고 있다. GNSS는 여러 국가에서 설계 후 구현한 다양한 위치 확인 시스템들을 포함한다. 예를 들어 미국이 개발한 GPS는 1995년에 완전히 가동되었다. 한편 중국은 2000년부터 BeiDou 위성을 배치했으며 궤도에 3세대 시스템이 있다.
다음은 GPS, BeiDou 및 기타의 모든 variant를 포함하는 GNSS 전체 목록이며 아울러 각기술의 정확도를 포함하였다.
GPS 는 미국, GLONASS는 러시아, BEIDOU 는 중국, Galileo 는 유럽, Navic 은 인도, SBAS는 유럽, QZSS 는 일본 시스템이다.
가장 위치 정확도가 높은 시스템은 유럽의 Galileo 이다.
사용하는 주파수 영역은 1.1 ~1= 1,6 MHz 대역을 사용한다.
GNSS는 수신기가 위치를 결정하는 데 사용하는 신호를 방송해 주는 인공위성 전체의 성좌(constelleation)를 나타낸다. GPS는 미국 소유의 특정 내비게이션 시스템 중 하나인 GPS는 오늘날 가장 널리 사용되는 시스템이다.
GPS 수신기의 위치 결정
궤도상에 30개 이상의 GPS 위성들이 있으며, 휴대전화가 위치를 파악하려면 적어도 4개의 신호들을 수신해야 한다.
GPS 인공위성으로 부터 송신되는 중요 정보는 시간정보와 위치 정보를 포함한다.
인공위성 내부에서는 원자시계를 사용하며 이는 지구상의 표준시간인 UTC 와 일정한 차이가 있다. 즉 지구상의 UTC 에서는 윤년에 따라 원자시계에서는 없는 시간 적 차이 18초를 감안한다. GPS 시간은 이론적으로 14 나노초의 정밀도를 보여주므로 지상에서의 자율주행에서는 전혀 문제가 될 것이 없다.
지구의 중심을 원점 (0, 0, 0)으로 둘 때에 지구상의 (x, y, z) 에 위치한 GPS 수신기는 위치를 결정하기 위해서 검출된 위성들으로 부터 수신 받은 메세지를 사용한다.
GPS 수신기에 검출된 위성의 3차원 좌표 x, y, z 와 위성으로부터 송신된 시각 정보 s 는 각 위성별로 [ xi, yi, zi, si] 로 나타낼 수 있다. i 는 신호를 송신하는 위성의 수로서 4 이상이라야 한다.
GPS 수신기에서의 수신 시각을 Ti 라고 하자. 한편 GPS 수신기 시계에서 어느 정도의 오차라고 볼 수 있는 바이어스 b 가 있다고 보면 찐 수신시각 ti = Ti - b 가 된다. 여기서 바이어스 b 는 검출된 위성들 전체에 대해서 일정한 크기 값을 가지는 미지수로 본다.
검출된 위성으로부터 GPS 수신기 도달하기까지의 거리 di 는 빛의 속도 c 를 사용하면서 다음과 같이 계산할 수 있다.
di= ( Ti - b - si )*c = √ (x - xi )**2 + (y - yi )**2 + (z - zi )**2
즉 4개 미지수 b, x, y, z를 가지는 4개의 방정식이 얻어지며 이들을 풀면 GPS 수신기의 위치 (x, y, z) 와 바이어스 b 값을 구할 수 있다.
https://www.youtube.com/watch?v=efmkukyRUPs
2022년 822일 누리호 성공적으로발사 후 다음날 23일에 남이 프랑스령 가아나섬 우주센터에서 아리안5호 로켓으로 항공위성 1호를 성공적으로 발사.
이성 발사 목적은 GPS 위치 정보 정밀도 대비 20배 수준으로 1 m 이하의 위치 정밀도 측정 가능
2027년에 시작될 KOS 계획획에서는 GPS 대비 200 배 수준의 정밀도 확보 예정
Module 3: GNSS/INS Sensing for Pose Estimation
참조: GNSS/INS Sensing for Pose Estimation
인공위성을 사용하는 GPS 측정 방식에 관한 쉬운 설명을 포함한다. 정밀도 데이터는 오차가 너무 큼
참조: IMU-Based Navigation Technologies for Autonomous Vehicles
각종 센서에 관한 세부 설명
Inertial measurement units will keep self-driving cars on track
참조: Inertial measurement units will keep self-driving cars on track
IMU는 로컬라이제이션 데이터, 즉 자동차의 위치정보를 제공하는 데 도움이 된다. 그 다음 주행 기능을 구현하는 소프트웨어는 이 정보를 지도 및 인식 스택 데이터와 결합한다. 인식 스택을 포함하는 AV 스택은 기본적으로 자율 주행 차량의 두뇌로서 차량 자동화 처음부터 끝까지 처리할 수 있는 플랫폼속에 통합된 하드웨어 및 소프트웨어 구성 요소 모음이다. AV 스택에는 인식, 데이터 융합, 클라우드/OTA, 로컬라이제이션, 운전 방침) 제어 및 안전이 포함된다.
시스템 엔지니어는 모든 시나리오를 고려하고 항상 백업 계획을 세워야 한다. FMEA(고장 모드 영향 분석)는 위험 완화를 위한 공식적인 설계 요구 사항이다. FMEA는 Lidar, 레이더 및 카메라가 모두 동시에 고장 날 경우 어떻게 죄는가?와 같은 질문을 던질 것이다. IMU는 짧은 시간 동안 예측이 가능하다. 즉, 전체 위치와 자세를 독립적으로 간단히 결정할 수 있다. AV 애플리케이션에 사용되는 IMU는 일반적으로 가속도계의 경우 1mG(10-3G) 미만, 속도 센서의 경우 10°/hr 미만의 불확실성을 갖는다. 위치 측면에서 이것은 IMU가 10초에서 약 30cm 이상까지 추적할 수 있음을 의미한다.
IMU만으로도 통제된 방식으로 차량의 속도를 늦추고 정지시켜 최악 상황에서 최상의 실제 결과를 제공할 수 있다. 이것은 인위적인 요구 사항처럼 보일 수 있지만 오히려 성숙한 안전 접근 방식임이 밝혀졌다.
정확한 IMU는 자세를 정확하게 결정하고 추적할 수도 있다. 운전할 때 차량의 방향은 위치 못지않게 중요하다. 잠시라도 약간 잘못된 방향으로 주행하면 차량이 잘못된 차선에 놓일 수 있다. 차량을 동적으로 제어하려면 동적으로 응답하는 센서가 필요하다. IMU는 동적 태도와 위치 변화를 정확하게 추적하는 일을 훌륭하게 수행한다. 완전히 환경에 독립적인 특성으로 인해 IMU는 타이어가 견인력을 잃는 미끄러짐 및 미끄러짐과 같은 까다로운 시나리오에서도 위치를 추적할 수 있다.
정확한 자세 측정은 종종 다른 알고리즘에 대한 입력으로도 유용하다. Lidar와 카메라는 자세를 결정하는 데 유용할 수 있지만 GPS는 종종 거의 쓸모가 없다. 마지막으로 안정적이고 독립적인 자세 기준은 교정 및 정렬에 가치가 있다.
주의가 산만하지 않거나 술에 취하지 않은 사람은 일반적으로 운전이 나쁘지 않은 것으로 나타났다. 일반적인 운전자는 차선에서 10cm 이상 위치를 유지할 수 있습니다. 이것은 실제로 매우 빡빡합니다. 자율주행차가 차선을 헤매면 나쁜 운전자가 운전하는 것처럼 보일 것입니다. 그리고 회전 중에 차선을 벗어나면 쉽게 사고로 이어질 수 있다.
IMU는 차량을 동적으로 조종하는 핵심 동적 센서로, 다른 센서가 오프라인 상태가 될 때 짧은 시간 동안 30cm 이상의 정확도를 유지한다.
IMU는 위치(position)/위치(location)를 교차 비교한 다음 전체 로컬라이제이션 추정치에 확실성을 할당할 수 있는 알고리즘에도 사용된다. IMU가 없으면 Lidar의 위치 오류가 언제 저하되었는지 알 수 없다.
Tesla는 "No Lidar Required" 자동 조종 기술로 유명하다. Lidar가 없는 시스템에서는 차량의 카메라 기반 위치 파악이 외부 조명과 카메라 장면에 따라 정확도가 떨어지는 기간이 더 자주 발생하기 때문에 우수한 IMU가 훨씬 더 중요하다.
카메라 기반 로컬라이제이션은 캡처된 이미지에서 SIFT(Scale Invariant Feature Transform) 추적을 사용하여 자세를 계산한다. 간단히 말해서, SIFT는 각 특징을 데이터베이스의 참조 이미지와 개별적으로 비교하고 특징 벡터의 유클리드 거리(보통 직선)를 기반으로 특징을 일치시켜 새 이미지의 개체를 인식한다.) 카메라가 스테레오가 아닌 경우 IMU 자체의 관성 데이터도 위치와 태도를 계산하는 수학의 핵심 부분이다.
고정밀 Lidar와 고화질 지도의 조합은 Cruise 및 Waymo에서 테스트한 것과 같은 가장 진보된 레벨 4 자율 주행 접근 방식의 핵심이다. 이러한 시스템에서 Lidar 스캔은 컨볼루션 신호 처리 기술을 사용하여 실시간으로 HD 맵과 일치시킨다. 일치가 되면 시스템은 차량의 정확한 위치와 자세를 추정한다. 이 프로세스는 계산 비용이 많이 든다. 우리 모두는 컴퓨팅 비용이 아주 작다고 믿고 싶어하지만 단순히 차량에서 그렇게 저렴하지는 않다. 알고리즘이 초기 위치와 자세를 더 정확하게 알면 알수록 최상의 일치를 얻어내는데 필요한 계산이 줄어든다. 아울러 IMU 데이터를 사용하면 알고리즘이 HD 맵 데이터의 로컬 최소값에 묶여 버리게 되는 위험을 최소화한다.
최근 생산된 차량에서 GPS 시스템은 저렴한 단일 주파수 수신기를 사용하므로 그 GPS 정확도 수준으로는 자율주행 차량에 본질적으로 쓸모가 없다. 그러나 여러 실리콘 칩 공급업체에서 저가의 다중 주파수 GPS를 출시하고 있다. 또한 RTK 및 PPP와 같은 네트워크 기반 보정 체계는 이상적인 조건에서 센티미터 수준의 정확도로 수정된 GPS 값을 제공할 수 있다. 그러나 다리, 나무 및 건물은 이러한 기술의 정확도를 저하시킬 수도 있다. GPS 에 의한 낮은 정밀도 하에서 고정밀 IMU를 사용하면 GPS의 신뢰성 향상이 가능하다.
생산 자동차 중에는 이미 1/3에서 전체 다 IMU를 탑재하는 것으로 나타났다. 차량 안정성 시스템은 Z축 자이로와 측면 X-Y 가속도계에 크게 의존한다. 전복 감지는 이동 방향에 민감한 축이 장착된 자이로에 의존한다. 이 센서는 이미 10년 넘게 차량 안전 시스템의 일부를 구성해 왔다. 유일한 문제는 센서 정확도가 일반적으로 자율주행 목적으로 사용하기에는 너무 낮다는 점이다.
따라서 자율주행에 도움이 되는 고정밀 IMU로 차량을 업그레이드해야 한다는 주장이 있습니다. 이 아이디어의 주요 장벽은 비용이었습니다. Aceinna에서는 비용을 낮추기 위해 독점적인 제조 기술을 사용하고 있습니다. 이를 통해 자율주행 트랙터용 IMU의 대량 생산에 들어갈 수 있었습니다. 따라서 AV가 이러한 다목적 센서의 혜택을 받을 다음 영역이 될 수 있다고 생각하는 것은 당연합니다.
'자율주행' 카테고리의 다른 글
| Jupyter OpenCV 차선 인식 V (0) | 2022.09.09 |
|---|---|
| 자율주행을 위한 GPS 데이터를 사용한 경로 맵 작성 (0) | 2022.09.09 |
| Anaconda Jupyter OpenCV 웹캠 튜토리얼 III (0) | 2022.08.29 |
| Windows10 Anaconda Jupyter OpenCV 기초사용법 II(findContours) (0) | 2022.08.29 |
| Windows 10 Anaconda Jupyter OpenCV 기초사용법 I (0) | 2022.08.27 |