Robust Localization for Urban Autonomous Driving based on Road Environment Perception

Abstract

Automated driving vehicles or advanced driver assistance systems (ADAS) have been an important research topic in the field of transportation. This can promise to reduce road accidents and eliminate traffic congestion. Among them, highly accurate and robust real-time localization is a crucial part for various autonomous driving applications. Knowing the position of the ego-vehicle is the most fundamental and inevitable step in that it is not possible to begin automated driving unless the vehicle is localized. Numerous methods for localization have been proposed combining various kinds of sensors including environmental sensors, IMU and GPS. Among them, the usage of environmental sensors are core technology in that GPS cannot guarantee the ideal pose. Majority of GPS systems indicate deteriorated data such as two or three lanes away from the ground truth position. Those inaccuracies are compensated by various kinds of environment sensors. The major concern for previous research is maximizing the accuracy and precision of the systems while minimizing the cost. However, most of these studies do not take into account the stability of the localization technology. Motivated by this stability aspect, not only do we aim to present precise and cost-effective localization system and relevant perception algorithms, but also take a step forward through the suggestion of a way of ensuring stability of vehicular localization in this dissertation. To achieve this goal, the proposed three algorithms which include visual perception of road environments, visual localization using perception result and road network map, and its expansion schema ensuring stability as a redundancy for fully self-driving vehicles.

자율주행 기술은 도로 운송 분야에서 더 많은 사용자를 넓힐 수 있는 기회를 제공할 뿐만 아니라 인류에게 새로운 생활 패턴의 패러다임을 제시하는 중요한 연구 주제이다. 이 기술을 통해 교통 사고를 줄이고 상당한 교통 체증을 해결할 수 있다는 점에서 사회적 문제 또한 해결 할 수 있다. 자율주행을 실현하기 위해 환경인지 센서, IMU, GPS 등 다양한 종류의 센서를 결합한 여러 현지화 방법이 제안되어 왔다. 그 중, GPS가 전통적 위치 인식에서 상당한 부분을 차지해 왔으나, 복잡한 도심환경에서는 대부분의 GPS 시스템이 빈번하게 실제 위치에서 더 멀리 떨어진 부정확한 위치를 표기한다. 때문에 GPS의 한계를 보정하기 위해서 환경센서와 해당 센서 관련 정밀 지도를 활용한 측위 방식들이 부각 되었다. 이러한 연구의 주요 관심사는 시스템의 정확성과 정밀도를 극대화하는 동시에 비용을 최소화하는 것이다. 그러나 이들 연구의 대부분은 단일 순간의 측위 성능에 집중한 나머지, 측위 기술의 안정성을 크게 고려하지 않았다. 따라서 본 논문에서는 정확하고 비용 효율적인 측위를 기본으로, 차량 본위의 안정성(fail-safe) 측면을 강조한다. 최대한의 측위 안정성을 확보하는 여러 방법을 제시함으로써 자율주행 측위 분야에 기여하고자 한다. 이 목표를 달성하기 위해, 안정화된 도로 노면에 대한 카메라기반 환경인식 알고리즘, 인식 결과와 도로망 지도의 매칭을 활용한 강건한 측위 기법, 측위 매칭소스의 다중화를 통한 상호보완적 시스템 구성을 바탕으로 최대의 안정성을 보장하는 프레임워크를 제안했다. 우선, 자차 차로 인지기반 측위 시스템을 제안한다. 단일 통합 심층 학습 네트워크에서 다중 차선 검출 및 자차 차로 식별 바탕으로 실시간 처리 조건의 보증 하에 측위 정확성을 보장한다. 인식된 차선 지수 정보가 차로인지 기반 측위 시스템의 안정성에 미치는 영향은 다양한 악의적인 환경에서의 실험을 바탕으로 입증된다. 또한, 차선 기반 측위 시스템은 다른 지도 매칭 기반 측위 시스템과 융합되어 전반적인 측위 안정성을 추구하기 위한 방안으로 확장이 가능하다. 이러한 목표를 달성하기 위해 독립적인 지도 매칭 소스를 이용한 분산적 측위 프레임워크를 제안한다. 분산된 측위 프레임워크는 두 개의 독립적인 지도 매칭 소스를 활용하고 이를 확률적 상황 분석 모델과 통합한다. 확률적 모델을 채택하면 두 개의 지도 매칭 소스의 신뢰성을 계산하고 신뢰성 기반 시스템 안정성을 통해 fail-safe 문제를 해결한다. 마지막으로, 이러한 측위 알고리즘의 근본적 개선은 도로상 노면 표시 검출 성능의 안정성이 유지되는 것이어야 한다. 제 4장에서는 차선과 주차선을 적절히 이용하기 위한 라인 세그먼트 레벨 클러스터링 방법을 제안한다. 제안된 Directional-DBSCAN 클러스터링 알고리즘은 효과적인 도로 차선, 주차선 등의 선 성분 검출을 수행한다. 제안된 클러스터링 방법의 효과적이고 견고함을 입증하기 위해 주차 슬롯 감지 및 차선 감지를 평가하였다. 병합되거나 분할된 경우에도 도로 선을 강건하게 추출한다는 것을 보여준다.