KR102565482B1 - Apparatus for determining position of vehicle and method thereof - Google Patents

Apparatus for determining position of vehicle and method thereof Download PDF

Info

Publication number
KR102565482B1
KR102565482B1 KR1020180026360A KR20180026360A KR102565482B1 KR 102565482 B1 KR102565482 B1 KR 102565482B1 KR 1020180026360 A KR1020180026360 A KR 1020180026360A KR 20180026360 A KR20180026360 A KR 20180026360A KR 102565482 B1 KR102565482 B1 KR 102565482B1
Authority
KR
South Korea
Prior art keywords
vehicle
map matching
driving
core unit
data
Prior art date
Application number
KR1020180026360A
Other languages
Korean (ko)
Other versions
KR20190109645A (en
Inventor
이원오
Original Assignee
현대모비스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 현대모비스 주식회사 filed Critical 현대모비스 주식회사
Priority to KR1020180026360A priority Critical patent/KR102565482B1/en
Publication of KR20190109645A publication Critical patent/KR20190109645A/en
Application granted granted Critical
Publication of KR102565482B1 publication Critical patent/KR102565482B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/14—Adaptive cruise control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle for navigation systems

Abstract

본 발명은 차량의 측위 장치 및 그 방법이 개시된다. 본 발명의 차량의 측위 장치는, 차량의 주행 상태 정보를 검출하는 제1 센싱부; 상기 차량의 위치 데이터를 획득하는 GPS 모듈; 상기 제1 센싱부에 의해 검출된 주행 상태 정보에 근거하여 상기 차량이 주행한 제1 주행 궤적을 생성하고, 상기 생성된 제1 주행 궤적에 기초하여 상기 차량의 현재 위치를 추정하는 세이프티 코어부; 상기 차량의 주행 환경 정보를 검출하는 제2 센싱부; 및 상기 차량이 주행한 제2 주행 궤적을 생성하고, 상기 제2 센싱부에 의해 검출된 주행 환경 정보에 대하여 맵매칭을 수행하여 맵매칭 데이터를 생성하며, 상기 GPS 모듈로부터 전달받은 위치 데이터, 상기 제2 주행 궤적 및 상기 맵매칭 데이터를 융합하여 융합 측위 정보를 생성하는 퍼포먼스 코어부;를 포함하되, 상기 퍼포먼스 코어부는, 맵매칭 데이터에 의한 위치 데이터, GPS 모듈로부터 전달받은 위치 데이터 및 제2 주행 궤적에 의한 위치데이터를 융합할 때 맵매칭 공분산값, GPS 공분산값 및 DR 공분산값을 각각 생성하여 제공하는 것을 특징으로 한다. Disclosed is a vehicle positioning device and method. A vehicle positioning device according to the present invention includes a first sensing unit for detecting driving state information of a vehicle; a GPS module for obtaining location data of the vehicle; a safety core unit generating a first driving trajectory along which the vehicle traveled based on the driving state information detected by the first sensing unit and estimating a current location of the vehicle based on the generated first driving trajectory; a second sensing unit to detect driving environment information of the vehicle; and generating a second driving trajectory along which the vehicle traveled, performing map matching on the driving environment information detected by the second sensing unit to generate map matching data, and generating location data transmitted from the GPS module, the A performance core unit generating convergence positioning information by fusing the second driving trajectory and the map matching data; wherein the performance core unit includes location data based on map matching data, location data transmitted from the GPS module, and second driving It is characterized by generating and providing a map matching covariance value, a GPS covariance value, and a DR covariance value, respectively, when merging location data by trajectory.

Figure R1020180026360
Figure R1020180026360

Description

차량의 측위 장치 및 그 방법{APPARATUS FOR DETERMINING POSITION OF VEHICLE AND METHOD THEREOF}Vehicle positioning device and method thereof {APPARATUS FOR DETERMINING POSITION OF VEHICLE AND METHOD THEREOF}

본 발명은 차량의 측위 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 자율주행 환경에서 맵매칭에 의한 위치, GPS에 의한 위치 및 DR을 통해 계산된 위치를 융합할 때 공분산값에 영향을 미치는 파라미터를 가중치들로 반영하여 정확하게 공분산값을 계산함으로써, 정밀 측위의 신뢰도를 판단할 수 있도록 하는 차량의 측위 장치 및 그 방법에 관한 것이다. The present invention relates to a vehicle positioning device and method thereof, and more particularly, to a parameter affecting a covariance value when merging a position by map matching, a position by GPS, and a position calculated through DR in an autonomous driving environment A vehicle positioning device and method for determining the reliability of precise positioning by accurately calculating a covariance value by reflecting ? as weights.

일반적으로, 자율 주행 차량이란 주행 시 외부정보 감지 및 처리기능을 통해 주변의 환경을 인식하여 주행 경로를 자체적으로 결정하고, 자체 동력을 이용하여 독립적으로 주행하는 차량을 말한다. 자율 주행 차량은 운전자가 조향휠, 가속페달 또는 브레이크 등을 조작하지 않아도, 주행 경로 상에 존재하는 장애물과의 충돌을 방지하고 도로의 형상에 따라 차속과 주행 방향을 조절하면서 스스로 목적지까지 주행할 수 있다. 예를 들어, 직선 도로에서는 가속을 수행하고, 곡선 도로에서는 도로의 곡률에 대응하여 주행 방향을 변경하면서 감속을 수행할 수 있다.In general, an autonomous vehicle refers to a vehicle that autonomously determines a driving route by recognizing the surrounding environment through an external information detection and processing function while driving, and independently drives using its own power. Self-driving vehicles can drive to their destination by themselves, avoiding collisions with obstacles on the driving path and adjusting the vehicle speed and driving direction according to the shape of the road, without the driver manipulating the steering wheel, accelerator pedal, or brakes. there is. For example, acceleration may be performed on a straight road, and deceleration may be performed while changing a driving direction corresponding to a curvature of the road on a curved road.

자율 주행 차량에 적용되는 측위 시스템은 GPS(Global Positioning System) 및 각종센서(Radar, LiDAR, Camera 등)를 이용하여 구축한 도로맵 정보를 바탕으로, 주행 중 획득되는 GPS 위치데이터 및 차량에 탑재된 센서를 통해 획득되는 센서 데이터 등을 통해 차량의 현재 위치를 결정한다. 자율 주행의 안정성을 확보하기 위해서는 차량의 현재 위치를 정확하게 파악하는 것이 중요하며, 이를 위해 GPS의 위치 정확도를 향상시킬 수 있는 DGPS(Differential GPS), RTK-DGPS(Real Time Kinematic-DGPS) 등을 사용하기도 한다. 또한, 필연적으로 발생하는 GPS 위치 데이터의 오차를 보정하기 위해 미리 구축하여 놓은 도로맵과 센서 데이터를 비교하는 맵매칭 기술이 적용되기도 한다.The positioning system applied to autonomous vehicles is based on road map information built using GPS (Global Positioning System) and various sensors (Radar, LiDAR, Camera, etc.). The current location of the vehicle is determined through sensor data obtained through a sensor. In order to secure the stability of autonomous driving, it is important to accurately determine the current position of the vehicle, and for this purpose, DGPS (Differential GPS) and RTK-DGPS (Real Time Kinematic-DGPS), etc. do it too In addition, in order to compensate for errors in GPS location data that inevitably occur, a map matching technology that compares a previously constructed road map and sensor data is sometimes applied.

이러한 자율 주행 차량에 적용되는 측위 시스템에 있어, 차량의 위치 정보는 현재시간에서의 차량의 제어 출력에 직접적인 영향을 주기 때문에 그 실시간성 및 안전성이 보장되어야 한다. In a positioning system applied to such an autonomous vehicle, real-time and safety must be guaranteed because vehicle location information directly affects the control output of the vehicle at the current time.

그러나 종래에는 각종 센서로부터의 데이터, 고정밀 지도, GPS 위치 데이터 등의 방대한 양의 데이터를 처리해야 하므로 측위 시스템의 실시간성 및 위치 정보 출력 주기의 안정성을 확보할 수 없는 문제점이 존재하였다.However, in the prior art, since a vast amount of data such as data from various sensors, high-precision maps, and GPS location data had to be processed, there was a problem in that real-time positioning systems and stability of location information output cycles could not be secured.

본 발명의 배경기술은 대한민국 공개특허공보 제2017-0098071호(2017.08.29. 공개, 자율주행차량에 대한 위치추정장치 및 그 제어방법)에 개시되어 있다.The background art of the present invention is disclosed in Republic of Korea Patent Publication No. 2017-0098071 (published on August 29, 2017, location estimation device for autonomous vehicle and its control method).

본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 일 측면에 따른 본 발명의 목적은 자율주행 환경에서 맵매칭에 의한 위치, GPS에 의한 위치 및 DR을 통해 계산된 위치를 융합할 때 공분산값에 영향을 미치는 파라미터를 가중치들로 반영하여 정확하게 공분산값을 계산함으로써, 정밀 측위의 신뢰도를 판단할 수 있도록 하는 차량의 측위 장치 및 그 방법을 제공하는 것이다. The present invention has been made to improve the above problems, and an object of the present invention according to one aspect is to calculate covariance when combining a location by map matching, a location by GPS, and a location calculated through DR in an autonomous driving environment. An object of the present invention is to provide a vehicle positioning device and method for determining the reliability of precise positioning by accurately calculating a covariance value by reflecting parameters influencing the value as weights.

본 발명의 일 측면에 따른 차량의 측위 장치는, 차량의 주행 상태 정보를 검출하는 제1 센싱부; 차량의 위치 데이터를 획득하는 GPS 모듈; 제1 센싱부에 의해 검출된 주행 상태 정보에 근거하여 차량이 주행한 제1 주행 궤적을 생성하고, 생성된 제1 주행 궤적에 기초하여 차량의 현재 위치를 추정하는 세이프티 코어부; 차량의 주행 환경 정보를 검출하는 제2 센싱부; 및 차량이 주행한 제2 주행 궤적을 생성하고, 제2 센싱부에 의해 검출된 주행 환경 정보에 대하여 맵매칭을 수행하여 맵매칭 데이터를 생성하며, GPS 모듈로부터 전달받은 위치 데이터, 제2 주행 궤적 및 맵매칭 데이터를 융합하여 융합 측위 정보를 생성하는 퍼포먼스 코어부;를 포함하되, 퍼포먼스 코어부는, 맵매칭 데이터에 의한 위치 데이터, GPS 모듈로부터 전달받은 위치 데이터 및 제2 주행 궤적에 의한 위치데이터를 융합할 때 맵매칭 공분산값, GPS 공분산값 및 DR 공분산값을 각각 생성하여 제공하는 것을 특징으로 한다. A vehicle positioning device according to an aspect of the present invention includes a first sensing unit configured to detect driving state information of a vehicle; A GPS module for obtaining vehicle location data; a safety core unit generating a first driving trajectory along which the vehicle traveled based on driving state information detected by the first sensing unit and estimating a current location of the vehicle based on the generated first driving trajectory; a second sensing unit that detects driving environment information of the vehicle; and generating a second driving trajectory along which the vehicle traveled, performing map matching on the driving environment information detected by the second sensing unit to generate map matching data, and generating location data transmitted from the GPS module and second driving trajectory. and a performance core unit that fuses the map matching data to generate fusion positioning information, wherein the performance core unit transmits location data based on the map matching data, location data received from the GPS module, and location data based on the second driving trajectory. It is characterized in that when merging, a map matching covariance value, a GPS covariance value, and a DR covariance value are respectively generated and provided.

본 발명에서 세이프티 코어부는, 제1 센싱부에 의해 검출된 주행 상태 정보에 대하여 DR(Dead Reckoning)을 수행하여 생성되는 DR 데이터를 누적하여 제1 주행 궤적을 생성하고, 퍼포먼스 코어부는, 세이프티 코어부로부터 전달받은 DR 데이터를 누적하여 제2 주행 궤적을 생성하는 것을 특징으로 한다. In the present invention, the safety core unit generates a first driving trajectory by accumulating DR data generated by performing DR (Dead Reckoning) on the driving state information detected by the first sensing unit, and the performance core unit safety core unit It is characterized in that the second driving trajectory is generated by accumulating DR data received from

본 발명에서 제2 센싱부는, 차량의 주행 환경 정보를 각각 검출하는 복수 개의 센서를 포함하고, 퍼포먼스 코어부는, 복수 개의 센서에 의해 각각 검출된 각 주행 환경 정보에 대하여 각각 맵매칭을 수행하여 맵매칭 데이터를 각각 생성하는 것을 특징으로 한다. In the present invention, the second sensing unit includes a plurality of sensors that respectively detect driving environment information of the vehicle, and the performance core unit performs map matching on each driving environment information detected by the plurality of sensors to perform map matching. It is characterized by generating each data.

본 발명에서, 퍼포먼스 코어부는, 맵매칭 데이터에 의한 위치 데이터, GPS 모듈로부터 전달받은 위치 데이터 및 제2 주행 궤적에 의한 위치데이터를 융합할 때 각 결과의 시간지연을 보상하여 확장 칼만필터를 사용하여 융합하는 것을 특징으로 한다. In the present invention, when the performance core unit fuses location data by map matching data, location data received from the GPS module, and location data by the second driving trajectory, the time delay of each result is compensated for and an extended Kalman filter is used. characterized by fusion.

본 발명에서 퍼포먼스 코어부는, 제2 주행 궤적에 의한 위치데이터의 융합을 위한 예측단계에서 상태변수에 대한 공분산을 통해 DR 공분산값을 산출하는 것을 특징으로 한다. In the present invention, the performance core unit is characterized in that the DR covariance value is calculated through the covariance of the state variables in the prediction step for convergence of location data based on the second driving trajectory.

본 발명에서 퍼포먼스 코어부는, GPS 모듈로부터 전달받은 위치 데이터에 따른 GPS 공분산값을 현재 사용하는 위성의 수, HDOP, 차량속도 및 이전 공분산값을 기반으로 예측하는 것을 특징으로 한다. In the present invention, the performance core unit is characterized in predicting the GPS covariance value according to the location data transmitted from the GPS module based on the number of currently used satellites, HDOP, vehicle speed, and previous covariance values.

본 발명에서 퍼포먼스 코어부는, 맵매칭 데이터에 의한 위치 데이터에 따른 맵매칭 공분산값을 센서 불확실성에 따른 오차, 정밀맵 구축에 따른 오차, 지도정보 대비 매칭율, 인식정보 대비 매칭율 및 주행상태에서의 기하학적 분포에 따른 오차를 기반으로 예측하는 것을 특징으로 한다. In the present invention, the performance core unit calculates the map matching covariance value according to the location data by the map matching data in terms of error due to sensor uncertainty, error due to precision map construction, matching rate versus map information, matching rate versus recognition information, and driving state. It is characterized in that it predicts based on the error according to the geometric distribution.

본 발명의 다른 측면에 따른 차량의 측위 방법은, 세이프티 코어부가 차량의 주행 상태 정보에 근거하여 차량이 주행한 제1 주행 궤적을 생성하는 단계; 퍼포먼스 코어부가 차량이 주행한 제2 주행 궤적을 생성하고, 차량의 주행 환경 정보에 대하여 맵매칭을 수행하여 맵매칭 데이터를 생성하는 단계; 퍼포먼스 코어부가 차량의 위치 데이터를 획득하는 GPS 모듈로부터 전달받은 위치 데이터, 제2 주행 궤적 및 맵매칭 데이터를 융합하여 융합 측위 정보를 생성하는 단계; 및 퍼포먼스 코어부가 맵매칭 데이터에 의한 위치 데이터, GPS 모듈로부터 전달받은 위치 데이터 및 제2 주행 궤적에 의한 위치데이터를 융합할 때 맵매칭 공분산값, GPS 공분산값 및 DR 공분산값을 각각 생성하여 제공하는 단계를 포함하는 것을 특징으로 한다. According to another aspect of the present invention, a vehicle positioning method includes generating, by a safety core unit, a first driving trajectory along which a vehicle travels based on driving state information of the vehicle; generating, by a performance core unit, a second driving trajectory along which the vehicle travels, and performing map matching on driving environment information of the vehicle to generate map matching data; generating convergence positioning information by fusing the location data transmitted from the GPS module for obtaining the location data of the vehicle by the performance core unit, the second driving trajectory, and the map matching data; And when the performance core unit fuses the location data by map matching data, the location data transmitted from the GPS module, and the location data by the second driving trajectory, map matching covariance value, GPS covariance value, and DR covariance value are generated and provided, respectively. It is characterized by including steps.

본 발명에서 제1 주행 궤적을 생성하는 단계는, 세이프티 코어부가 주행 상태 정보에 대하여 DR(Dead Reckoning)을 수행하여 생성되는 DR 데이터를 누적하여 제1 주행 궤적을 생성하고, 제2 주행 궤적과 맵매칭 데이터를 생성하는 단계는, 퍼포먼스 코어부가 세이프티 코어부로부터 전달받은 DR 데이터를 누적하여 제2 주행 궤적을 생성하는 것을 특징으로 한다. In the step of generating the first driving trajectory in the present invention, the safety core unit performs DR (Dead Reckoning) on the driving state information to accumulate DR data generated to generate the first driving trajectory, and the second driving trajectory and map The generating of the matching data is characterized in that the performance core unit generates the second driving trajectory by accumulating the DR data received from the safety core unit.

본 발명에서 제2 주행 궤적과 맵매칭 데이터를 생성하는 단계는, 퍼포먼스 코어부가 차량에 탑재된 복수 개의 센서에 의해 각각 검출된 각 주행 환경 정보에 대하여 각각 맵매칭을 수행하여 맵매칭 데이터를 각각 생성하는 것을 특징으로 한다. In the present invention, in the step of generating the second driving trajectory and map matching data, the performance core performs map matching on each driving environment information detected by a plurality of sensors mounted on the vehicle, respectively, and generates map matching data. It is characterized by doing.

본 발명에서 융합 측위 정보를 생성하는 단계는, 퍼포먼스 코어부가 맵매칭 데이터에 의한 위치 데이터, GPS 모듈로부터 전달받은 위치 데이터 및 제2 주행 궤적에 의한 위치데이터를 융합할 때 각 결과의 시간지연을 보상하여 확장 칼만필터를 사용하여 융합하는 것을 특징으로 한다. In the present invention, the step of generating convergence positioning information is to compensate for the time delay of each result when the performance core unit fuses location data by map matching data, location data received from the GPS module, and location data by the second driving trajectory and fusion using an extended Kalman filter.

본 발명은 DR 공분산값을 생성하여 제공할 때, 퍼포먼스 코어부가 제2 주행 궤적에 의한 위치데이터의 융합을 위한 예측단계에서 상태변수에 대한 공분산을 통해 DR 공분산값을 산출하는 것을 특징으로 한다. The present invention is characterized in that, when generating and providing a DR covariance value, the performance core unit calculates the DR covariance value through the covariance of state variables in the prediction step for convergence of location data based on the second driving trajectory.

본 발명은 GPS 공분산값을 생성하여 제공할 때, 퍼포먼스 코어부가 GPS 모듈로부터 전달받은 위치 데이터에 대해, 현재 사용하는 위성의 수, HDOP, 차량속도 및 이전 공분산값을 기반으로 GPS 공분산값을 예측하는 것을 특징으로 한다. In the present invention, when generating and providing a GPS covariance value, the performance core unit predicts the GPS covariance value based on the number of satellites currently used, HDOP, vehicle speed, and previous covariance values for the location data received from the GPS module. characterized by

본 발명에서 맵매칭 공분산값을 생성하여 제공할 때, 퍼포먼스 코어부가 맵매칭 데이터에 의한 위치 데이터에 대해, 센서 불확실성에 따른 오차, 정밀맵 구축에 따른 오차, 지도정보 대비 매칭율, 인식정보 대비 매칭율 및 주행상태에서의 기하학적 분포를 기반으로 맵매칭 공분산값을 예측하는 것을 특징으로 한다. In the present invention, when generating and providing map matching covariance values, the performance core unit for location data based on map matching data, error due to sensor uncertainty, error due to precision map construction, matching rate versus map information, matching versus recognition information It is characterized in that the map matching covariance value is predicted based on the geometric distribution in the rate and driving state.

본 발명의 일 측면에 따른 차량의 측위 장치 및 그 방법은 자율주행 환경에서 맵매칭에 의한 위치, GPS에 의한 위치 및 DR을 통해 계산된 위치를 융합할 때 공분산값에 영향을 미치는 파라미터를 가중치들로 반영하여 정확하게 공분산값을 계산하여 제공하여 정밀 측위의 신뢰도를 판단할 수 있도록 함으로써, 자율주행을 위한 제어전략을 수립하고, 현 상태를 판단하며, 페일세이프(Fail Safe) 등을 수행할 수 있도록 한다. A vehicle positioning device and method according to an aspect of the present invention, when merging a position by map matching, a position by GPS, and a position calculated through DR in an autonomous driving environment, parameters affecting a covariance value are weighted. to determine the reliability of precise positioning by accurately calculating and providing the covariance value, so that a control strategy for autonomous driving can be established, the current state can be determined, and fail safe can be performed. do.

도 1은 본 발명의 일 실시예에 따른 차량의 측위 장치를 설명하기 위한 블록구성도이다.
도 2는 본 발명의 일 실시예에 따른 차량의 측위 장치에서 전체 시스템 아키텍처의 예시를 도시한 블록구성도이다.
도 3은 본 발명의 일 실시예에 따른 차량의 측위 장치에서 퍼포먼스 코어부의 구성을 구체적으로 설명하기 위한 블록구성도이다.
도 4는 본 발명의 일 실시예에 따른 차량의 측위 장치에서 퍼포먼스 코어부가 융합 측위를 수행하는 과정을 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 차량의 측위 장치에서 퍼포먼스 코어부가 융합 측위를 수행할 때 고려하기 위한 주행 환경의 기하학적 분포에 따른 공분산 변화를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 차량의 측위 방법을 설명하기 위한 흐름도이다. 1 is a block diagram illustrating a positioning device for a vehicle according to an embodiment of the present invention.
2 is a block diagram illustrating an example of an entire system architecture in a vehicle positioning device according to an embodiment of the present invention.
3 is a block diagram illustrating the configuration of a performance core unit in a vehicle positioning device according to an embodiment of the present invention in detail.
4 is an exemplary diagram for explaining a process of performing fusion positioning by a performance core unit in a positioning device of a vehicle according to an embodiment of the present invention.
5 is a diagram illustrating covariance change according to geometric distribution of a driving environment to be taken into consideration when a performance core unit performs fusion positioning in a vehicle positioning device according to an embodiment of the present invention.
6 is a flowchart illustrating a vehicle positioning method according to an embodiment of the present invention.

이하, 첨부된 도면들을 참조하여 본 발명에 따른 차량의 측위 장치 및 그 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Hereinafter, a vehicle positioning device and method according to the present invention will be described with reference to the accompanying drawings. In this process, the thickness of lines or the size of components shown in the drawings may be exaggerated for clarity and convenience of description. In addition, terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to the intention or custom of a user or operator. Therefore, definitions of these terms will have to be made based on the content throughout this specification.

도 1은 본 발명의 일 실시예에 따른 차량의 측위 장치를 설명하기 위한 블록구성도이고, 도 2는 본 발명의 일 실시예에 따른 차량의 측위 장치에서 전체 시스템 아키텍처의 예시를 도시한 블록구성도이며, 도 3은 본 발명의 일 실시예에 따른 차량의 측위 장치에서 퍼포먼스 코어부의 구성을 구체적으로 설명하기 위한 블록구성도이고, 도 4는 본 발명의 일 실시예에 따른 차량의 측위 장치에서 퍼포먼스 코어부가 융합 측위를 수행하는 과정을 설명하기 위한 예시도이며, 도 5는 본 발명의 일 실시예에 따른 차량의 측위 장치에서 퍼포먼스 코어부가 융합 측위를 수행할 때 고려하기 위한 주행 환경의 기하학적 분포에 따른 공분산 변화를 나타낸 도면이다. 1 is a block configuration diagram for explaining a vehicle positioning device according to an embodiment of the present invention, and FIG. 2 is a block configuration showing an example of the entire system architecture in the vehicle positioning device according to an embodiment of the present invention. 3 is a block configuration diagram for specifically explaining the configuration of a performance core in a vehicle positioning device according to an embodiment of the present invention, and FIG. 4 is a block configuration diagram in a vehicle positioning device according to an embodiment of the present invention. FIG. 5 is an exemplary view for explaining a process in which the performance core unit performs convergence positioning. FIG. 5 is a geometric distribution of a driving environment to be considered when the performance core unit performs convergence positioning in a positioning device of a vehicle according to an embodiment of the present invention. It is a diagram showing the covariance change according to .

도 1과 도 2에 도시된 바와 같이 본 발명의 일 실시예에 따른 차량의 측위 장치는, 제1 센싱부(10), GPS 모듈(20), 세이프티 코어부(30), 제2 센싱부(40) 및 퍼포먼스 코어부(50)를 포함할 수 있다. As shown in FIGS. 1 and 2 , the vehicle positioning device according to an embodiment of the present invention includes a first sensing unit 10, a GPS module 20, a safety core unit 30, and a second sensing unit ( 40) and a performance core unit 50.

제1 센싱부(10)는 차량의 주행 상태 정보를 검출할 수 있다. 차량의 주행 상태 정보는 차량의 주행 방향을 추정하기 위한 요레이트 및 조향각과, 차량의 주행 속도를 추정하기 위한 휠 속 및 변속 정보를 포함할 수 있다. The first sensing unit 10 may detect driving state information of the vehicle. The driving state information of the vehicle may include a yaw rate and a steering angle for estimating the driving direction of the vehicle, and wheel speed and shift information for estimating the driving speed of the vehicle.

상기한 주행 상태 정보를 검출하기 위해 제1 센싱부(10)는 요레이트 센서, 조향각 센서, 휠 속 센서 및 변속 감지 센서(이상 미도시)를 포함할 수 있다. 제1 센싱부(10)에 의해 검출된 차량의 주행 상태 정보는 후술할 것과 같이 추측 항법(DR: Dead Reckoning) 적용에 의한 제1 주행 궤적을 생성하는데 사용될 수 있다.To detect the driving state information, the first sensing unit 10 may include a yaw rate sensor, a steering angle sensor, a wheel speed sensor, and a shift detection sensor (not shown). The driving state information of the vehicle detected by the first sensing unit 10 may be used to generate a first driving trajectory by applying Dead Reckoning (DR), as will be described later.

제2 센싱부(40)는 복수의 센서를 포함할 수 있으며, 복수의 센서를 통해 각각 차량의 주행 환경 정보를 검출할 수 있다. 복수의 센서는 AVM 카메라, 전방 카메라, 스테레오 카메라 등의 카메라 센서 및 라이다 센서(이상 미도시) 등을 포함할 수 있다. 제2 센싱부(40)에 의해 검출된 차량의 주행 환경 정보는 후술할 것과 같이 맵매칭 적용에 의한 맵매칭 데이터를 생성하는데 사용될 수 있다. The second sensing unit 40 may include a plurality of sensors, and may detect driving environment information of each vehicle through the plurality of sensors. The plurality of sensors may include a camera sensor such as an AVM camera, a front camera, a stereo camera, and a lidar sensor (not shown). The driving environment information of the vehicle detected by the second sensing unit 40 may be used to generate map matching data by applying map matching as will be described later.

GPS(Global Positioning System) 모듈(20)은 차량의 절대 좌표를 위성을 통해 전달받을 수 있으며, 이를 기반으로 위치 데이터(위경도 좌표, 방향, 속도, quality 등)를 생성하여 후술하는 세이프티 코어부(30) 및 퍼포먼스 코어부(50)의 융합 측위 정보 생성부(59)로 각각 전달할 수 있다. 한편, GPS 모듈(20)로부터의 위치 데이터는 세이프티 코어부(30)에서 전송 규격화되어 퍼포먼스 코어부(50)의 융합 측위 정보 생성부(59)로 전달될 수 있다. The GPS (Global Positioning System) module 20 may receive the absolute coordinates of the vehicle through a satellite, and based on this, generate location data (latitude and longitude coordinates, direction, speed, quality, etc.) to obtain a safety core unit (to be described later) 30) and the fusion positioning information generation unit 59 of the performance core unit 50, respectively. Meanwhile, the location data from the GPS module 20 may be standardized for transmission in the safety core unit 30 and transmitted to the convergence positioning information generation unit 59 of the performance core unit 50.

세이프티 코어부(30)는 제1 센싱부(10)에 의해 검출된 주행 상태 정보에 근거하여 차량이 주행한 제1 주행 궤적을 생성하고, 생성된 제1 주행 궤적에 기초하여 차량의 현재 위치를 추정할 수 있다. 이때, 세이프티 코어부(30)는 제1 주행 궤적을 이용하여 후술할 퍼포먼스 코어부(50)에 의해 생성된 융합 측위 정보를 보정함으로써 차량의 현재 위치를 추정할 수 있다. The safety core unit 30 generates a first driving trajectory along which the vehicle traveled based on the driving state information detected by the first sensing unit 10, and determines the current location of the vehicle based on the generated first driving trajectory. can be estimated In this case, the safety core unit 30 may estimate the current location of the vehicle by correcting fusion positioning information generated by the performance core unit 50 to be described later using the first driving trajectory.

퍼포먼스 코어부(50)는 차량이 주행한 제2 주행 궤적을 생성하고, 제2 센싱부(40)에 의해 검출된 주행 환경 정보에 대하여 맵매칭을 수행하여 맵매칭 데이터를 생성하며, GPS 모듈(20)로부터 전달받은 위치 데이터, 제2 주행 궤적에 의한 위치 데이터 및 맵매칭 데이터에 의한 위치데이터를 융합하여 융합 측위 정보를 생성할 수 있다. The performance core unit 50 generates a second driving trajectory along which the vehicle travels, performs map matching on the driving environment information detected by the second sensing unit 40 to generate map matching data, and generates map matching data, and the GPS module ( 20), location data based on the second driving trajectory, and location data based on map matching data may be fused to generate fusion positioning information.

본 실시예에서는 데이터 처리 로직이 상대적으로 단순하고 데이터 처리의 실시간성 및 안전성이 보장되어야 하는 로직을 세이프티 코어부(30)로 구현하고, 데이터 처리 로직이 복잡하고 데이터 처리의 실시간성이 보장되지 않아도 되는 로직을 퍼포먼스 코어부(50)로 구분하여 구현하는 구성을 채용한다. In the present embodiment, the data processing logic is relatively simple, and the logic for ensuring real-time and safety of data processing is implemented in the safety core unit 30, and even if the data processing logic is complicated and real-time data processing is not guaranteed, A configuration in which the logic to be implemented is divided into the performance core unit 50 is adopted.

퍼포먼스 코어부(50)는 CPU/GPU 기반의 하드웨어 플랫폼 등 PC를 포함한 다양한 고성능 자율주행용 플랫폼으로 구현될 수 있으며, 퍼포먼스 코어부(50)에는 차량에 탑재된 센서로부터의 센서 데이터를 처리하는 기술, 맵매칭 기술, 및 후술할 GPS 모듈(20)로부터 전달받은 위치 데이터, 제2 주행 궤적에 의한 위치 데이터 및 맵매칭 데이터에 의한 위치데이터를 융합하는 융합 측위 정보 생성 기술이 구현될 수 있다. 후술할 것과 같이 퍼포먼스 코어부(50)는 미리 설정된 로컬 타이머(Local Timer)를 기반으로, FIFO(First In First Out), Triggered, Sampling 방식에 따라 비동기적으로 동작할 수 있다. The performance core unit 50 can be implemented in various high-performance autonomous driving platforms including PCs such as CPU/GPU-based hardware platforms, and the performance core unit 50 includes technology for processing sensor data from sensors installed in vehicles. , map matching technology, and a convergence positioning information generation technology that fuses location data received from the GPS module 20, location data based on the second driving trajectory, and location data based on map matching data, which will be described later, can be implemented. As will be described later, the performance core unit 50 can operate asynchronously according to a first in first out (FIFO), triggered, or sampling method based on a preset local timer.

퍼포먼스 코어부(50)는 상기한 로컬 타이머를 이용하여 제2 센싱부(40)에 의해 검출되는 각 주행 환경 정보에 타임 태그(Time Tag)(이하 Local 타임 태그)를 추가할 수 있으며, Local 타임 태그가 추가된 각 주행 환경 정보는 서로 다른 시간 정보를 갖게 되므로, 이러한 시간 비동기성은 퍼포먼스 코어부(50)에 의한 시간 동기화를 통해 제거된다. The performance core unit 50 may add a time tag (hereinafter, referred to as a local time tag) to each driving environment information detected by the second sensing unit 40 using the local timer. Since each tag-added driving environment information has different time information, such time asynchrony is eliminated through time synchronization by the performance core unit 50 .

이와 같이 세이프티 코어부(30)와 퍼포먼스 코어부(50)는 유기적으로 타임 스탬프와 시간 동기화를 수행하며, 필요한 데이터를 CAN / Ethernet 통신 등을 이용하여 상호 전달할 수 있다. In this way, the safety core unit 30 and the performance core unit 50 organically perform time stamp and time synchronization, and can transfer necessary data to each other using CAN/Ethernet communication.

여기서 퍼포먼스 코어부(50)는 도 3에 도시된 바와 같이 제2 궤적 관리부(51), 데이터 전처리부(53), 지도 데이터 저장부(55), 맵매칭부(57) 및 융합 측위 정보 생성부(59)를 포함할 수 있다. Here, the performance core unit 50, as shown in FIG. 3, includes a second trajectory management unit 51, a data pre-processing unit 53, a map data storage unit 55, a map matching unit 57, and a fusion positioning information generation unit. (59) may be included.

제2 궤적 관리부(51)는 세이프티 코어부(30)로부터 전달받은 DR 데이터를 누적하여 제2 주행 궤적을 생성하고 맵매칭부(57) 및 융합 측위 정보 생성부(59)로 전달할 수 있다. 세이프티 코어부(30)에서 생성되는 제1 주행 궤적은 DR 데이터 누적 시간이 짧은 경우에는 그 정확도가 높지만, 시간 경과에 따른 오차 누적을 피할 수 없기 때문에 현재 차량의 이동 궤적과 상이할 수 있다. 즉, 제1 주행 궤적은 세이프티 코어부(30)의 동작 측면에서 그 신뢰도가 높지만, 시간 경과에 따른 오차 누적으로 인해 퍼포먼스 코어부(50)의 동작 측면에서는 그 신뢰도를 보장할 수 없으므로, 제2 궤적 관리부(51)는 세이프티 코어부(30)로부터 DR 데이터를 전달받아 누적하여 제1 주행 궤적과는 구분되는 제2 주행 궤적을 별도로 생성할 수 있다.The second trajectory management unit 51 may generate a second driving trajectory by accumulating the DR data received from the safety core unit 30 and transmit the result to the map matching unit 57 and the fusion positioning information generator 59 . The first driving trajectory generated by the safety core unit 30 has high accuracy when the DR data accumulation time is short, but may be different from the current movement trajectory of the vehicle because error accumulation over time cannot be avoided. That is, although the reliability of the first driving trajectory is high in terms of operation of the safety core unit 30, its reliability cannot be guaranteed in terms of operation of the performance core unit 50 due to error accumulation over time. The trajectory management unit 51 may receive and accumulate DR data from the safety core unit 30 to separately generate a second driving trajectory distinct from the first driving trajectory.

맵매칭부(57)는 제2 센싱부(40)에 의해 검출된 주행 환경 정보에 대하여 맵매칭을 수행하여 맵매칭 데이터를 생성할 수 있다. 이때, 맵매칭부(57)는 제2 센싱부(40)에 포함된 복수의 센서에 의해 각각 검출된 각 주행 환경 정보에 대하여 맵매칭을 수행할 수 있다. 각 주행 환경 정보는 데이터 전처리부(53)에 의한 전처리 과정이 수행될 수 있으며, 맵매칭에 필요한 지도 데이터는 지도 데이터 저장부(55)로부터 제공받을 수 있다. 본 실시예에서 맵매칭에 사용되는 지도 데이터는 자율 주행 차량에 적용되는 3차원 정밀 지도 데이터(HD Map)일 수 있으나 이에 한정되지 않는다.The map matching unit 57 may generate map matching data by performing map matching on driving environment information detected by the second sensing unit 40 . At this time, the map matching unit 57 may perform map matching on each driving environment information detected by a plurality of sensors included in the second sensing unit 40 . Each driving environment information may be preprocessed by the data preprocessor 53, and map data necessary for map matching may be provided from the map data storage unit 55. In this embodiment, map data used for map matching may be 3D HD map data applied to autonomous vehicles, but is not limited thereto.

맵매칭부(57)는 제2 궤적 관리부(51)로부터 전달받은 제2 주행 궤적과 지도 데이터 저장부(55)로부터 전달받은 지도 데이터를 이용하여 각 주행 환경 정보에 대하여 각각 맵매칭을 수행할 수 있다. 맵매칭부(57)는 ICP(Iterative Closest Point), Hungarian Auction, Linear Fitting Algorithm 등과 같은 Data Assignment 알고리즘을 이용하여 맵매칭을 수행할 수 있으며, 맵매칭 수행 결과 생성되는 각 맵매칭 데이터는 융합 측위 정보 생성부(59)로 전달된다.The map matching unit 57 may perform map matching for each driving environment information by using the second driving trajectory transmitted from the second trajectory management unit 51 and the map data transmitted from the map data storage unit 55. there is. The map matching unit 57 may perform map matching using data assignment algorithms such as ICP (Iterative Closest Point), Hungarian Auction, Linear Fitting Algorithm, and the like, and each map matching data generated as a result of map matching is fusion positioning information. It is transmitted to the generation unit 59.

맵매칭부(57)에 의해 생성되는 각 맵매칭 데이터에는 전술한 것과 같이 퍼포먼스 코어부(50)에 의해 추가되는, 서로 다른 시간 정보를 갖는 Local 타임 태그가 포함되게 된다. 이에, 퍼포먼스 코어부(50)는 각 맵매칭 데이터 간의 시간 비동기를 제거하기 위해 융합 측위 정보 생성부(59)를 통해 각 맵매칭 데이터에 대한 시간 동기화를 수행할 수 있다. Each map matching data generated by the map matching unit 57 includes a local time tag having different time information added by the performance core unit 50 as described above. Accordingly, the performance core unit 50 may perform time synchronization for each map-matching data through the convergence positioning information generation unit 59 to eliminate time synchronization between each map-matching data.

구체적으로, 융합 측위 정보 생성부(59)는 제2 궤적 관리부(51)로부터 전달받은 제2 주행 궤적을 토대로 각 맵매칭 데이터에 대한 시간 동기화를 수행할 수 있다. 라이다 센서, AVM 카메라 센서 및 전방 카메라 센서의 각 센서 데이터에 대한 각 맵매칭 데이터에 제2 주행 궤적을 적용하여 각 맵매칭 데이터에 대한 시간을 동기 시킬 수 있다. 이에 따라, 융합 측위 정보 생성부(59)는 GPS 모듈(20)로부터 전달받은 위치 데이터, 제2 궤적 관리부(51)로부터 전달받은 제2 주행 궤적, 및 시간 동기화된 각 맵매칭 데이터를 융합하여 융합 측위 정보(하나의 위치 좌표)를 생성할 수 있다. Specifically, the fusion positioning information generation unit 59 may perform time synchronization for each map matching data based on the second driving trajectory transmitted from the second trajectory management unit 51 . Time for each map matching data may be synchronized by applying the second driving trajectory to each map matching data for each sensor data of the lidar sensor, the AVM camera sensor, and the front camera sensor. Accordingly, the fusion positioning information generation unit 59 fuses the location data received from the GPS module 20, the second driving trajectory received from the second trajectory management unit 51, and each time-synchronized map matching data to achieve fusion. Positioning information (one location coordinate) can be created.

융합 측위 정보 생성부(59)는 확장 칼만필터 또는 가중합계(weighted sum) 등의 융합 알고리즘을 사용하여 위치 데이터, 제2 주행 궤적 및 시간 동기화된 각 맵매칭 데이터를 융합할 수 있다. 융합 측위 정보 생성부(59)는 생성된 융합 측위 정보에, 세이프티 코어부(30)로부터 전달받은 RT 시간을 통해 RT 타임 태그를 추가하여 세이프티 코어부(30)로 전달할 수 있다. The fusion positioning information generation unit 59 may fuse the location data, the second driving trajectory, and time-synchronized map matching data using a fusion algorithm such as an extended Kalman filter or a weighted sum. The convergence positioning information generation unit 59 may add an RT time tag to the generated convergence positioning information using the RT time received from the safety core unit 30 and transmit it to the safety core unit 30 .

여기서 확장 칼만필터를 사용하여 융합할 경우, 융합 측위 정보 생성부(59)는 예측단계(Estimation)에서 세이프티 코어부(30)로부터 DR 데이터를 전달받아 누적하여 제1 주행 궤적과는 구분되는 제2 주행 궤적을 별도로 생성하여 차량의 절대 위치 정보를 갱신하고 그 상태에 대한 공분산값을 계산할 수 있다. Here, when fusion is performed using the extended Kalman filter, the fusion positioning information generation unit 59 receives DR data from the safety core unit 30 in the estimation step (Estimation) and accumulates the second driving trajectory, which is distinguished from the first driving trajectory. A driving trajectory can be created separately to update the absolute position information of the vehicle and to calculate the covariance value for that state.

이때 상태변수와 입력변수는 수학식 1과 수학식 2로 정의되고, 위치 정보에 따른 상태방정식은 수학식 3과 같이 정의될 수 있다. At this time, the state variable and the input variable are defined by Equations 1 and 2, and the state equation according to the location information can be defined as Equation 3.

따라서 상태변수 공분산은 수학식 4를 통해 산출할 수 있다. Therefore, the state variable covariance can be calculated through Equation 4.

또한, 융합 측위 정보 생성부(59)는 갱신단계(Measurement Update)에서 복수의 센서를 통해 검출되는 데이터를 기반으로 측정한 위치정보를 이용하여 차량의 절대 위치정보를 갱신할 수 있다. In addition, the fusion positioning information generation unit 59 may update absolute position information of the vehicle using position information measured based on data detected through a plurality of sensors in the measurement update step.

즉, 갱신단계에서의 측정변수는 수학식 5와 같이 정의될 수 있다. 따라서 수학식 6을 기반으로 위치 정보에 따른 상태를 갱신할 수 있다. That is, the measurement variable in the update step may be defined as in Equation 5. Therefore, based on Equation 6, the state according to the location information can be updated.

또한, 위치 정보를 갱신함에 따라 상태변수 공분산값은 수학식 7과 같이 갱신되고, 밸리데이션 게이트(Validation Gate)는 수학식 8과 같이 정의될 수 있다. In addition, as the location information is updated, the state variable covariance value is updated as in Equation 7, and the validation gate may be defined as in Equation 8.

융합 측위 정보 생성부(59)에 의해 융합 측위 정보가 생성되는 과정을 도 4를 참조하여 설명하면, 제2 센싱부(40)에 포함된 라이다 센서, AVM 카메라 센서 및 전방 카메라 센서 등의 복수의 센서를 통해 각각 검출되는 각 주행 환경 정보에는 퍼포먼스 코어부(50)에 의해 Local 타임 태그가 추가되며, 이에 따라 맵매칭부(57)에 의해 생성되는 각 맵매칭 데이터(Pk-t1, Pk-t2, Pk-t3)와 GPS 모듈로부터 전달받은 위치 데이터(Pk-t4)는 서로 다른 시간 정보를 갖는 Local 타임 태그가 포함되게 된다. 융합 측위 정보 생성부(59)는 제2 주행 궤적을 통해 각 맵매칭 데이터에 대한 시간 동기화를 수행하여 이전시점의 매칭결과, 위치 데이터, 제2 주행 궤적 및 시간 동기화된 각 맵매칭 데이터를 융합하여 융합 측위 정보(Pk)를 생성할 수 있다. Referring to FIG. 4, a process of generating fusion positioning information by the fusion positioning information generation unit 59 will be described. A local time tag is added by the performance core unit 50 to each driving environment information detected through the sensors of each, and accordingly, each map matching data generated by the map matching unit 57 (P k-t1 , P k-t2 , P k-t3 ) and the location data (P k-t4 ) received from the GPS module contain local time tags with different time information. The convergence positioning information generation unit 59 performs time synchronization on each map matching data through the second driving trajectory, and fuses the matching result at the previous point in time, location data, the second driving trajectory, and time-synchronized map matching data. Fusion positioning information (P k ) may be generated.

또한, 퍼포먼스 코어부(50)는 맵매칭 데이터에 의한 위치 데이터, GPS 모듈로부터 전달받은 위치 데이터 및 제2 주행 궤적에 의한 위치데이터를 융합할 때 맵매칭 공분산값, GPS 공분산값 및 DR 공분산값을 각각 생성하여 제공할 수 있다. In addition, when the performance core unit 50 fuses location data based on map matching data, location data received from the GPS module, and location data based on the second driving trajectory, the map matching covariance value, GPS covariance value, and DR covariance value are calculated. Each can be created and provided.

먼저, 퍼포먼스 코어부(50)의 융합 측위 정보 생성부(59)에서 제2 주행 궤적에 의한 위치데이터에 따른 DR 공분산값은, 확장 칼만필터를 이용하여 융합할 때 예측단계에서 상태변수에 대한 공분산을 산출하는 수학식 4를 통해 산출할 수 있다. First, in the fusion positioning information generator 59 of the performance core unit 50, the DR covariance value according to the position data based on the second driving trajectory is the covariance for the state variable in the prediction step when fusion is performed using the extended Kalman filter. It can be calculated through Equation 4 that calculates

추측항법에 따른 제2 주행 궤적에 의한 위치데이터는 차량센서 및 관성 측정 장치(IMU)로부터 측정되는 차속, 조향각, 휠오도미터, yaw rate 및 가속도 등을 활용하여 차량의 움직임을 누적함으로써 계산되며, 시간이 지남에 따라 오차가 누적된다. 따라서, DR 공분산값도 시간이 지남에 따라 증가하게 된다. The position data based on the second driving trajectory according to dead reckoning is calculated by accumulating the movement of the vehicle using the vehicle speed, steering angle, wheel odometer, yaw rate, and acceleration measured by the vehicle sensor and the inertial measurement unit (IMU), Errors accumulate over time. Therefore, the DR covariance value also increases over time.

여기서, Vv, Vψ 값은 각각 속도와 헤딩에 따른 Error rate로 튜닝파라미터이다. Here, the values of Vv and Vψ are error rates according to speed and heading, respectively, and are tuning parameters.

퍼포먼스 코어부(50)의 융합 측위 정보 생성부(59)에서 GPS 모듈(20)로부터 전달받은 위치 데이터에 따른 GPS 공분산값은, 현재 사용하는 위성의 수, HDOP(Horizontal dilution of precision ; 수평위치 정밀도 저하율), 차량속도 및 이전 공분산값을 기반으로 예측할 수 있다. The GPS covariance value according to the location data received from the GPS module 20 in the fusion positioning information generation unit 59 of the performance core unit 50 is the number of currently used satellites, HDOP (Horizontal dilution of precision; horizontal positioning precision) rate of degradation), vehicle speed, and previous covariance values.

여기서, 현재 사용하는 위성수는 자차의 위치를 계산할 때 이용되는 위성의 숫자로써, 위성 수가 많을수록 공분산값을 줄여줄 수 있어 신뢰도를 향상시킬 수 있다. Here, the currently used number of satellites is the number of satellites used when calculating the position of the host vehicle. As the number of satellites increases, the covariance value can be reduced and reliability can be improved.

HDOP는 GPS의 품질을 반영할 수 있는 팩터 중 하나로써, 이 값이 작을수록 신뢰할만한 값을 의미하는 것으로 공분산값에 영향을 미치는 파라미터로 반영된다. HDOP is one of the factors that can reflect the quality of GPS. A smaller value means a more reliable value, and is reflected as a parameter that affects the covariance value.

차량속도는 자차의 주행속도로써, GPS 공분산값은 종횡방향의 경우 속도에 따라 증가하고, 헤딩의 경우 속도에 따라 감소하기 때문에 GPS 공분산값을 예측할 때 반영하게 된다. Vehicle speed is the driving speed of the host vehicle, and since the GPS covariance value increases with speed in the longitudinal and lateral direction and decreases with speed in the case of heading, it is reflected when estimating the GPS covariance value.

이전 공분산값은 GPS 공분산값의 급격한 변화를 방지하기 위해 반영하여 그 변화량을 조절해 준다. The previous covariance value is reflected to prevent a rapid change in the GPS covariance value, and the amount of change is adjusted.

따라서 융합 측위 정보 생성부는 이와 같은 팩터들을 반영하여 수학식 9를 기반으로 GPS 공분산값을 예측할 수 있다. Therefore, the fusion positioning information generation unit may predict the GPS covariance value based on Equation 9 by reflecting these factors.

여기서, wv, wnumSat, wd는 각각 속도에 따른 공분산의 변화, 위성수에 따른 공분산 변화, GPS 공분산의 변화속도에 영향을 주는 파라미터이다. Here, w v , w numSat , and w d are parameters that affect the change in covariance according to velocity, the change in covariance according to the number of satellites, and the rate of change in GPS covariance, respectively.

또한, 퍼포먼스 코어부(50)의 융합 측위 정보 생성부(59)에서 맵매칭 데이터에 의한 위치 데이터에 따른 맵매칭 공분산값은, 센서 불확실성에 따른 오차, 정밀맵 구축에 따른 오차, 지도정보 대비 매칭율, 인식정보 대비 매칭율 및 주행상태에서의 기하학적 분포를 기반으로 예측할 수 있다. In addition, the map matching covariance value according to the location data based on the map matching data in the fusion positioning information generation unit 59 of the performance core unit 50 is an error due to sensor uncertainty, an error due to precision map construction, and matching against map information. It can be predicted based on the ratio, the matching ratio against the recognition information, and the geometric distribution in the driving state.

여기서, 맵매칭은 자율주행용 고정밀지도와 각각의 센서(라이다, 레이더, 카메라, SVM 등) 데이터를 비교하여 차량의 위치를 추측하는 방법이다. 이때 각 센서 당 하나의 위치좌표가 생성되며, GPS의 위치오차를 절대적으로 보상하는 방법이기 때문에 자율주행 측위의 경우 여러 맵매칭 결과와 GPS 결과를 융합하기 위하여 맵매칭의 공분산값을 정확하게 예측하는 것은 매우 중요하게 된다. Here, map matching is a method of estimating the location of a vehicle by comparing a high-precision map for autonomous driving with data from each sensor (lidar, radar, camera, SVM, etc.). At this time, one location coordinate is generated for each sensor, and since it is a method of absolutely compensating for GPS location errors, it is difficult to accurately predict the covariance value of map matching in order to fuse multiple map matching results and GPS results in the case of self-driving positioning. becomes very important.

따라서, 맵매칭 공분산값에 영향을 미치는 파라미터들에 대해 가중치를 부여하여 정확하게 예측함으로써 정밀측위의 정확도가 어느 정도인지 정확하게 표현할 수 있게 된다. Therefore, by accurately predicting parameters influencing the map matching covariance value by assigning weights, it is possible to accurately express the accuracy of precise positioning.

여기서 맵매칭 공분산값을 예측하는데 영향을 미치는 파라미터로 센서 불확실성에 따른 오차는, 각 센서에서 입력되는 데이터를 기반으로 맵매칭을 위한 특징(차선, 정지선, 구조물 등)을 검출할 때 존재하는 센서의 오차로써 센서의 정확도, 정밀도, 시간지연 및 센서의 기하학적 정보에 따른 오차 등을 반영하여 예측할 수 있다. Here, the error due to the sensor uncertainty, which is a parameter that affects the prediction of the map matching covariance value, is the sensor error that exists when detecting the features for map matching (lanes, stop lines, structures, etc.) based on the data input from each sensor. As an error, it can be predicted by reflecting the sensor's accuracy, precision, time delay, and error according to the sensor's geometric information.

또한, 정밀 맵 구축에 따른 오차는, 고정밀맵 구축 시 맵데이터의 품질을 미리 단계별로 지정해 놓고 이를 공분산값 계산에 반영하는 오차이다. In addition, the error due to the construction of the high-precision map is the error in which the quality of the map data is specified for each stage in advance when the high-precision map is constructed and this is reflected in the calculation of the covariance value.

고정밀 지도의 경우, 초기 구축 시에 고정밀 GPS 및 고성능 라이다, 실측 장비 등을 통해 수십 cm 이하의 정밀도로 실세계를 그대로 도식화 하지만, 이러한 고정밀지도도 센서를 통해 데이터를 획득하기 때문에 GPS 음영지역, 차선 데이터 회손 구간 등 많은 악조건에서는 그 정확도가 하락할 수밖에 없어 이러한 정보를 기반으로 맵데이터의 품질을 미리 단계별로 지정해 놓게 된다. 따라서 이러한 맵데이터의 품질을 공분산값 계산에 반영하여 정확도를 높일 수 있도록 한다. In the case of high-precision maps, the real world is mapped as it is with a precision of tens of centimeters or less through high-precision GPS, high-performance lidar, and measurement equipment at the time of initial construction. In many unfavorable conditions, such as a data loss section, the accuracy is inevitably lowered, so the quality of map data is set in stages in advance based on this information. Therefore, the quality of the map data is reflected in the calculation of the covariance value to increase the accuracy.

지도정보 대비 매칭율은 고정밀 지도 지표 중 센서와 매칭되는 비율을 고려한 값으로, 만약 지도에 존재하는 데이터가 매칭되지 않았다면 이는 센서의 데이터 미인식을 의미한다. The matching rate compared to map information is a value that considers the ratio of high-precision map indicators that are matched with the sensor.

인식정보 대비 매칭율은 센서 인식 결과 중 고정밀 지도와 매칭이 되지 않은 비율을 고려한 값으로, 이를 통해 센서의 오인식 정도를 반영할 수 있다. The matching rate against recognition information is a value that considers the ratio of sensor recognition results that are not matched with the high-precision map, and through this, the degree of misrecognition of the sensor can be reflected.

또한, 현재 주행상태에서의 기하학적 분포를 고려할 수 있다. 예를 들어 도 5의 (가)는 차선 매칭 시 차량 위치 공분산을 나타낸 도면으로, 여기에 도시된 바와 같이 종방향 매칭에 사용되는 팩터(정지선, 노면표기 등)가 전혀 존재하지 않고 차선만 존재하는 상황이라면 차선으로 횡방향 보정은 연속적으로 수행되지만 종방향 보정은 전혀 할 수 없기 때문에 추측항법의 종방향 오차가 그대로 누적되어 공분산의 모양은 횡방향 매칭만 가능할 경우 종방향 쪽으로 장축이 존재하는 타원형이 된다. 여기서 파란색 점은 실제 매칭 에러를 나타내고, 빨간 원은 예측된 공분산을 나타낸다. In addition, the geometric distribution in the current driving state may be considered. For example, (a) of FIG. 5 is a diagram showing the vehicle position covariance during lane matching. As shown here, there are no factors (stop lines, road markings, etc.) In this situation, lateral correction is continuously performed as a lane, but since longitudinal correction cannot be performed at all, the longitudinal error of dead reckoning is accumulated as it is, and the shape of the covariance is an ellipse with a long axis in the longitudinal direction when only lateral matching is possible. do. Here, the blue dot represents the actual matching error, and the red circle represents the predicted covariance.

반면, (나)는 차선과 정지선 매칭 시 차량 위치 공분산으로 나타낸 도면으로, 이와 같이 정지선 등이 있는 환경이라면 정지선 매칭을 통해 종방향 보정이 될 수 있어 종방향 매칭만 가능할 경우(혹은, 좌회전 우회전 등으로 종방향 오차가 횡방향 오차로 변환되는 경우)에는 횡방향 쪽으로 장축이 존재하는 타원형이나 종횡방향이 모두 가능할 경우 원형이 될 수 있다. On the other hand, (B) is a diagram showing the covariance of the vehicle position when matching lanes and stop lines. In an environment with stop lines, etc., longitudinal correction can be made through stop line matching, so when only longitudinal matching is possible (or left turn right turn, etc. In case the vertical error is converted to the transverse error), it can be an ellipse with a long axis in the transverse direction, or a circular shape if both the vertical and horizontal directions are possible.

따라서 이러한 기하학적 분포에 따른 공분산 변화를 반영함으로써 보다 정확한 맵매칭 공분산값을 예측할 수 있도록 한다. Therefore, by reflecting the covariance change according to the geometric distribution, a more accurate map-matching covariance value can be predicted.

이와 같은 맵매칭 공분산값에 영향을 미치는 파라미터를 반영한 맵매칭 공분산값은 수학식 10으로 정의하여 예측할 수 있다. The map-matching covariance value reflecting the parameter affecting the map-matching covariance value can be predicted by defining it in Equation 10.

이때, wus는 센서의 불확실성 오차, wum은 정밀맵 구축 오차, α는 지도정보 대비 매칭율, β는 인식정보 대비 매칭율이고, J는 맵매칭 시 사용되는 ICP(Iterative Closest Points) 알고리즘의 수식으로 지도와 센서의 매칭 에러를 최소화하는 방향으로 계산된다. At this time, w us is the uncertainty error of the sensor, w um is the precision map construction error, α is the matching rate against map information, β is the matching rate against recognition information, and J is the ICP (Iterative Closest Points) algorithm used for map matching. It is calculated in the direction of minimizing the matching error between the map and the sensor by formula.

상술한 바와 같이, 본 발명의 실시예에 의한 차량의 측위 장치에 따르면, 자율주행 환경에서 맵매칭에 의한 위치, GPS에 의한 위치 및 DR을 통해 계산된 위치를 융합할 때 공분산값에 영향을 미치는 파라미터를 가중치들로 반영하여 정확하게 공분산값을 계산하여 제공하여 정밀 측위의 신뢰도를 판단할 수 있도록 함으로써, 자율주행을 위한 제어전략을 수립하고, 현 상태를 판단하며 페일세이프(Fail Safe) 등을 수행할 수 있도록 한다. As described above, according to the vehicle positioning device according to an embodiment of the present invention, in an autonomous driving environment, when a location by map matching, a location by GPS, and a location calculated through DR are fused, the covariance value is affected. Parameters are reflected as weights to accurately calculate and provide covariance values so that the reliability of precise positioning can be judged, so that a control strategy for autonomous driving is established, the current state is determined, and fail safe is performed. make it possible

도 6은 본 발명의 일 실시예에 따른 차량의 측위 방법을 설명하기 위한 흐름도이다. 6 is a flowchart illustrating a vehicle positioning method according to an embodiment of the present invention.

도 6에 도시된 바와 같이 본 발명의 일 실시예에 따른 차량의 측위 방법에서는 먼저, 세이프티 코어부(30)가 차량의 주행 상태 정보에 근거하여 차량이 주행한 제1 주행 궤적을 생성한다(S10). As shown in FIG. 6 , in the vehicle positioning method according to an embodiment of the present invention, first, the safety core unit 30 generates a first driving trajectory on which the vehicle travels based on driving state information of the vehicle (S10 ).

S10 단계에서, 세이프티 코어부(30)는 차량의 주행 상태 정보에 대하여 DR(Dead Reckoning)을 수행하여 생성되는 DR 데이터를 누적하여 제1 주행 궤적을 생성할 수 있다. In step S10 , the safety core unit 30 may generate a first driving trajectory by accumulating DR data generated by performing DR (Dead Reckoning) on driving state information of the vehicle.

이후, 퍼포먼스 코어부(50)는 차량이 주행한 제2 주행 궤적을 생성하고, 차량의 주행 환경 정보에 대하여 맵매칭을 수행하여 맵매칭 데이터를 생성할 수 있다(S20). Thereafter, the performance core unit 50 may generate a second driving trajectory along which the vehicle travels, and perform map matching on driving environment information of the vehicle to generate map matching data (S20).

S20 단계에서, 퍼포먼스 코어부(50)는 세이프티 코어부(30)로부터 전달받은 DR 데이터를 누적하여 제2 주행 궤적을 생성할 수 있고, 차량에 탑재된(즉, 제2 센싱부(40)에 포함된) 복수 개의 센서에 의해 각각 검출된 각 주행 환경 정보에 대하여 각각 맵매칭을 수행하여 맵매칭 데이터를 각각 생성할 수 있다. In step S20, the performance core unit 50 may generate a second driving trajectory by accumulating the DR data received from the safety core unit 30, Map matching data may be respectively generated by performing map matching on each driving environment information detected by each of the plurality of sensors.

이후, 퍼포먼스 코어부(50)는 확장 칼만필터 또는 가중합계(weighted sum) 등의 융합 알고리즘을 사용하여 차량의 위치 데이터를 획득하는 GPS 모듈(20)로부터 전달받은 위치 데이터, 제2 주행 궤적 및 맵매칭 데이터를 융합하여 융합 측위 정보를 생성한다(S30). Thereafter, the performance core unit 50 uses a convergence algorithm such as an extended Kalman filter or a weighted sum to obtain the location data of the vehicle, the location data transmitted from the GPS module 20, the second driving trajectory, and the map Fusion positioning information is generated by fusing matching data (S30).

여기서, 확장 칼만필터를 사용하여 융합할 경우, 퍼포먼스 코어부(50)는 예측단계(Estimation)에서 세이프티 코어부(30)로부터 DR 데이터를 전달받아 누적하여 제1 주행 궤적과는 구분되는 제2 주행 궤적을 별도로 생성하여 차량의 절대 위치 정보를 갱신하고 그 상태에 대한 공분산값을 계산할 수 있다. Here, in the case of fusion using the extended Kalman filter, the performance core unit 50 receives DR data from the safety core unit 30 in the estimation step and accumulates the second driving trajectory that is distinct from the first driving trajectory. A trajectory can be created separately to update the absolute position information of the vehicle and to calculate the covariance value for that state.

S30 단계에서, 퍼포먼스 코어부(50)는 로컬 타이머를 통해 판단되는 각 맵매칭 데이터 간의 시간 비동기를 제거하기 위해 각 맵매칭 데이터에 대한 시간 동기화를 수행할 수 있다. 또한, 퍼포먼스 코어부(50)는 제2 주행 궤적을 토대로 각 맵매칭 데이터에 대한 시간 동기화를 수행하고, 위치데이터, 제2 주행 궤적 및 시간 동기화된 각 맵매칭 데이터를 융합하여 융합 측위 정보를 생성할 수 있다.In step S30, the performance core unit 50 may perform time synchronization for each map matching data to eliminate time synchronization between each map matching data determined through the local timer. In addition, the performance core unit 50 performs time synchronization on each map matching data based on the second driving trajectory, and fuses the location data, the second driving trajectory, and time-synchronized map matching data to generate fusion positioning information. can do.

이후, 퍼포먼스 코어부(50)는 맵매칭 데이터에 의한 위치 데이터, GPS 모듈로부터 전달받은 위치 데이터 및 제2 주행 궤적에 의한 위치데이터를 융합할 때 맵매칭 공분산값, GPS 공분산값 및 DR 공분산값을 각각 생성하여 제공할 수 있다(S40). Then, when the performance core unit 50 fuses the location data based on the map matching data, the location data received from the GPS module, and the location data based on the second driving trajectory, the map matching covariance value, the GPS covariance value, and the DR covariance value are calculated. Each can be generated and provided (S40).

여기서, 퍼포먼스 코어부(50)는 제2 주행 궤적에 의한 위치데이터에 따른 DR 공분산값에 대해 확장 칼만필터를 이용하여 융합할 때 예측단계에서 상태변수에 대한 공분산을 산출하는 수학식 4를 통해 산출할 수 있다. Here, when the performance core unit 50 fuses the DR covariance values according to the positional data of the second driving trajectory using an extended Kalman filter, the covariance for the state variable is calculated in the prediction step through Equation 4. can do.

또한, GPS 모듈(20)로부터 전달받은 위치 데이터에 따른 GPS 공분산값은 퍼포먼스 코어부(50)에서 현재 사용하는 위성의 수, HDOP(Horizontal dilution of precision ; 수평위치 정밀도 저하율), 차량속도 및 이전 공분산값을 기반으로 예측할 수 있다. In addition, the GPS covariance value according to the location data transmitted from the GPS module 20 is the number of satellites currently used by the performance core unit 50, HDOP (Horizontal dilution of precision), vehicle speed, and previous covariance. You can make predictions based on the values.

여기서, 현재 사용하는 위성수는 자차의 위치를 계산할 때 이용되는 위성의 숫자로써, 위성 수가 많을수록 공분산값을 줄여줄 수 있어 신뢰도를 향상시킬 수 있다. Here, the currently used number of satellites is the number of satellites used when calculating the position of the host vehicle. As the number of satellites increases, the covariance value can be reduced and reliability can be improved.

HDOP는 GPS의 품질을 반영할 수 있는 팩터 중 하나로써, 이 값이 작을수록 신뢰할만한 값을 의미하는 것으로 공분산값에 영향을 미치는 파라미터로 반영된다. HDOP is one of the factors that can reflect the quality of GPS. A smaller value means a more reliable value, and is reflected as a parameter that affects the covariance value.

차량속도는 자차의 주행속도로써, GPS 공분산값은 종횡방향의 경우 속도에 따라 증가하고, 헤딩의 경우 속도에 따라 감소하기 때문에 GPS 공분산값을 예측할 때 반영하게 된다. Vehicle speed is the driving speed of the host vehicle, and since the GPS covariance value increases with speed in the longitudinal and lateral direction and decreases with speed in the case of heading, it is reflected when estimating the GPS covariance value.

이전 공분산값은 GPS 공분산값의 급격한 변화를 방지하기 위해 반영하여 그 변화량을 조절해 준다. The previous covariance value is reflected to prevent a rapid change in the GPS covariance value, and the amount of change is adjusted.

따라서 융합 측위 정보 생성부는 이와 같은 팩터들을 반영하여 수학식 11을 기반으로 GPS 공분산값을 예측할 수 있다. Accordingly, the convergence positioning information generation unit may predict the GPS covariance value based on Equation 11 by reflecting these factors.

여기서, wv, wnumSat, wd는 각각 속도에 따른 공분산의 변화, 위성수에 따른 공분산 변화, GPS 공분산의 변화속도에 영향을 주는 파라미터이다. Here, w v , w numSat , and w d are parameters that affect the change in covariance according to velocity, the change in covariance according to the number of satellites, and the rate of change in GPS covariance, respectively.

그리고, 맵매칭 데이터에 의한 위치 데이터에 따른 맵매칭 공분산값은, 퍼포먼스 코어부(50)에서 센서 불확실성에 따른 오차, 정밀맵 구축에 따른 오차, 지도정보 대비 매칭율, 인식정보 대비 매칭율 및 주행상태에서의 기하학적 분포를 기반으로 예측할 수 있다. In addition, the map matching covariance value according to the location data by the map matching data is the error due to the sensor uncertainty in the performance core unit 50, the error due to the construction of the precise map, the matching rate compared to map information, the matching rate compared to recognition information, and driving It can be predicted based on the geometric distribution of the states.

여기서, 맵매칭은 자율주행용 고정밀지도와 각각의 센서(라이다, 레이더, 카메라, SVM 등) 데이터를 비교하여 차량의 위치를 추측하는 방법이다. 이때 각 센서 당 하나의 위치좌표가 생성되며, GPS의 위치오차를 절대적으로 보상하는 방법이기 때문에 자율주행 측위의 경우 여러 맵매칭 결과와 GPS 결과를 융합하기 위하여 맵매칭의 공분산값을 정확하게 예측하는 것은 매우 중요하게 된다. Here, map matching is a method of estimating the location of a vehicle by comparing a high-precision map for autonomous driving with data from each sensor (lidar, radar, camera, SVM, etc.). At this time, one location coordinate is generated for each sensor, and since it is a method of absolutely compensating for GPS location errors, it is difficult to accurately predict the covariance value of map matching in order to fuse multiple map matching results and GPS results in the case of self-driving positioning. becomes very important.

따라서 맵매칭 공분산값에 영향을 미치는 파라미터들에 대해 가중치를 부여하여 정확하게 예측함으로써 정밀측위의 정확도가 어느 정도인지 정확하게 표현할 수 있게 된다. Therefore, it is possible to accurately express the degree of accuracy of precise positioning by accurately predicting the parameters that affect the map matching covariance value by assigning weights.

여기서, 맵매칭 공분산값을 예측하는데 영향을 미치는 파라미터로 센서 불확실성에 따른 오차는, 각 센서에서 입력되는 데이터를 기반으로 맵매칭을 위한 특징(차선, 정지선, 구조물 등)을 검출할 때 존재하는 센서의 오차로써 센서의 정확도, 정밀도, 시간지연 및 센서의 기하학적 정보에 따른 오차 등을 반영하여 예측할 수 있다. Here, the error due to sensor uncertainty, which is a parameter that affects the prediction of the map matching covariance value, is a sensor that exists when detecting features for map matching (lanes, stop lines, structures, etc.) based on data input from each sensor. As the error of , it can be predicted by reflecting the sensor's accuracy, precision, time delay, and error according to the sensor's geometric information.

또한, 정밀 맵 구축에 따른 오차는, 고정밀맵 구축 시 맵데이터의 품질을 미리 단계별로 지정해 놓고 이를 공분산값 계산에 반영하는 오차이다. In addition, the error due to the construction of the high-precision map is the error in which the quality of the map data is specified for each stage in advance when the high-precision map is constructed and this is reflected in the calculation of the covariance value.

고정밀 지도의 경우, 초기 구축 시에 고정밀 GPS 및 고성능 라이다, 실측 장비 등을 통해 수십 cm 이하의 정밀도로 실세계를 그대로 도식화 하지만, 이러한 고정밀지도도 센서를 통해 데이터를 획득하기 때문에 GPS 음영지역, 차선 데이터 회손 구간 등 많은 악조건에서는 그 정확도가 하락할 수밖에 없어 이러한 정보를 기반으로 맵데이터의 품질을 미리 단계별로 지정해 놓게 된다. 따라서 이러한 맵데이터의 품질을 공분산값 계산에 반영하여 정확도를 높일 수 있도록 한다. In the case of high-precision maps, the real world is mapped as it is with a precision of tens of centimeters or less through high-precision GPS, high-performance lidar, and measurement equipment at the time of initial construction. In many unfavorable conditions, such as a data loss section, the accuracy is inevitably lowered, so the quality of map data is set in stages in advance based on this information. Therefore, the quality of the map data is reflected in the calculation of the covariance value to increase the accuracy.

지도정보 대비 매칭율은 고정밀 지도 지표 중 센서와 매칭되는 비율을 고려한 값으로, 만약 지도에 존재하는 데이터가 매칭되지 않았다면 이는 센서의 데이터 미인식을 의미한다. The matching rate compared to map information is a value that considers the ratio of high-precision map indicators that are matched with the sensor.

인식정보 대비 매칭율은 센서 인식 결과 중 고정밀 지도와 매칭이 되지 않은 비율을 고려한 값으로, 이를 통해 센서의 오인식 정도를 반영할 수 있다. The matching rate against recognition information is a value that considers the ratio of sensor recognition results that are not matched with the high-precision map, and through this, the degree of misrecognition of the sensor can be reflected.

또한, 현재 주행상태에서의 기하학적 분포를 고려할 수 있다. 예를 들어 도 5의 (가)에 도시된 바와 같이 종방향 매칭에 사용되는 팩터(정지선, 노면표기 등)가 전혀 존재하지 않고 차선만 존재하는 상황이라면 차선으로 횡방향 보정은 연속적으로 수행되지만 종방향 보정은 전혀 할 수 없기 때문에 추측항법의 종방향 오차가 그대로 누적되어 공분산의 모양은 횡방향 매칭만 가능할 경우 종방향 쪽으로 장축이 존재하는 타원형이 된다. In addition, the geometric distribution in the current driving state may be considered. For example, as shown in (a) of FIG. 5, if there is no factor (stop line, road marking, etc.) used for longitudinal matching and only lanes exist, lateral correction is continuously performed with lanes, but vertical Since direction correction cannot be performed at all, errors in the longitudinal direction of dead reckoning are accumulated as they are, and the shape of the covariance becomes an ellipse with a major axis in the longitudinal direction when only transverse matching is possible.

반면, (나)와 같이 정지선 등이 있는 환경이라면 정지선 매칭을 통해 종방향 보정이 될 수 있어 종방향 매칭만 가능할 경우(혹은, 좌회전 우회전 등으로 종방향 오차가 횡방향 오차로 변환되는 경우)에는 횡방향 쪽으로 장축이 존재하는 타원형이나 종횡방향이 모두 가능할 경우 원형이 될 수 있다. On the other hand, in an environment with stop lines, etc. as in (b), longitudinal correction can be made through stop line matching, so if only vertical matching is possible (or, when vertical errors are converted to lateral errors due to left and right turns), It may be an ellipse with a long axis in the transverse direction, or a circular shape if both the vertical and horizontal directions are possible.

따라서, 이러한 기하학적 분포에 따른 공분산 변화를 반영함으로써 보다 정확한 맵매칭 공분산값을 예측할 수 있도록 한다. Accordingly, a more accurate map-matching covariance value can be predicted by reflecting the covariance change according to the geometric distribution.

이와 같은 맵매칭 공분산값에 영향을 미치는 파라미터를 반영한 맵매칭 공분산값은 수학식 12로 정의하여 예측할 수 있다. The map-matching covariance value, which reflects the parameters affecting the map-matching covariance value, can be predicted by defining with Equation 12.

이때, wus는 센서의 불확실성 오차, wum은 정밀맵 구축 오차, α는 지도정보 대비 매칭율, β는 인식정보 대비 매칭율이고, J는 맵매칭 시 사용되는 ICP(Iterative Closest Points) 알고리즘의 수식으로 지도와 센서의 매칭 에러를 최소화하는 방향으로 계산된다. At this time, w us is the uncertainty error of the sensor, w um is the precision map construction error, α is the matching rate against map information, β is the matching rate against recognition information, and J is the ICP (Iterative Closest Points) algorithm used for map matching. It is calculated in the direction of minimizing the matching error between the map and the sensor by formula.

상술한 바와 같이, 본 발명의 실시예에 의한 차량의 측위 방법에 따르면, 자율주행 환경에서 맵매칭에 의한 위치, GPS에 의한 위치 및 DR을 통해 계산된 위치를 융합할 때 공분산값에 영향을 미치는 파라미터를 가중치들로 반영하여 정확하게 공분산값을 계산하여 제공하여 정밀 측위의 신뢰도를 판단할 수 있도록 함으로써, 자율주행을 위한 제어전략을 수립하고, 현 상태를 판단하며, 페일세이프(Fail Safe) 등을 수행할 수 있도록 한다. As described above, according to the vehicle positioning method according to an embodiment of the present invention, when merging the position by map matching, the position by GPS, and the position calculated through DR in an autonomous driving environment, the covariance value is affected. By reflecting the parameters as weights, it accurately calculates and provides covariance values so that the reliability of precise positioning can be judged, thereby establishing control strategies for autonomous driving, determining the current state, and providing fail safe. make it possible to do

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. The present invention has been described with reference to the embodiments shown in the drawings, but this is only exemplary, and those skilled in the art can make various modifications and equivalent other embodiments. will understand

따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.Therefore, the true technical protection scope of the present invention should be determined by the claims below.

10 : 제1 센싱부 20 : GPS 모듈
30 : 세이프티 코어부 40 : 제2 센싱부
50 : 퍼포먼스 코어부 51 : 제2 궤적 관리부
53 : 데이터 전처리부 55 : 지도 데이터 저장부
57 : 맵매칭부 59 : 융합 측위 정보 생성부
60: 자율 주행 제어 모듈10: first sensing unit 20: GPS module
30: safety core unit 40: second sensing unit
50: performance core unit 51: second trajectory management unit
53: data pre-processing unit 55: map data storage unit
57: map matching unit 59: fusion positioning information generation unit
60: autonomous driving control module

Claims (14)

차량의 주행 상태 정보를 검출하는 제1 센싱부;
상기 차량의 위치 데이터를 획득하는 GPS 모듈;
상기 제1 센싱부에 의해 검출된 주행 상태 정보에 근거하여 상기 차량이 주행한 제1 주행 궤적을 생성하고, 상기 생성된 제1 주행 궤적에 기초하여 상기 차량의 현재 위치를 추정하는 세이프티 코어부;
상기 차량의 주행 환경 정보를 검출하는 제2 센싱부; 및
상기 차량이 주행한 제2 주행 궤적을 생성하고, 상기 제2 센싱부에 의해 검출된 주행 환경 정보에 대하여 맵매칭을 수행하여 맵매칭 데이터를 생성하며, 상기 GPS 모듈로부터 전달받은 위치 데이터, 상기 제2 주행 궤적 및 상기 맵매칭 데이터를 융합하여 융합 측위 정보를 생성하는 퍼포먼스 코어부;를 포함하되,
상기 세이프티 코어부는, 상기 제1 센싱부에 의해 검출된 주행 상태 정보에 대하여 DR(Dead Reckoning)을 수행하여 생성되는 DR 데이터를 누적하여 상기 제1 주행 궤적을 생성하고,
상기 퍼포먼스 코어부는, 상기 세이프티 코어부로부터 전달받은 DR 데이터를 누적하여 상기 제2 주행 궤적을 생성하고,
상기 맵매칭 데이터에 의한 위치 데이터, 상기 GPS 모듈로부터 전달받은 위치 데이터 및 상기 제2 주행 궤적에 의한 위치데이터를 융합할 때 맵매칭 공분산값, GPS 공분산값 및 DR 공분산값을 각각 생성하여 제공하며, 상기 GPS 모듈로부터 전달받은 위치 데이터에 따른 GPS 공분산값을 현재 사용하는 위성의 수, HDOP, 차량속도 및 이전 공분산값을 기반으로 예측하는 것을 특징으로 하는 차량의 측위 장치.
a first sensing unit that detects driving state information of the vehicle;
a GPS module for obtaining location data of the vehicle;
a safety core unit generating a first driving trajectory along which the vehicle traveled based on the driving state information detected by the first sensing unit and estimating a current location of the vehicle based on the generated first driving trajectory;
a second sensing unit to detect driving environment information of the vehicle; and
A second driving trajectory along which the vehicle traveled is generated, map matching data is generated by performing map matching on the driving environment information detected by the second sensing unit, and location data transmitted from the GPS module, the first 2 A performance core unit that fuses the driving trajectory and the map matching data to generate fusion positioning information;
The safety core unit generates the first driving trajectory by accumulating DR data generated by performing DR (Dead Reckoning) on the driving state information detected by the first sensing unit;
The performance core unit generates the second driving trajectory by accumulating DR data received from the safety core unit;
When the location data by the map matching data, the location data received from the GPS module, and the location data by the second driving trajectory are fused, a map matching covariance value, a GPS covariance value, and a DR covariance value are respectively generated and provided, The vehicle positioning device, characterized in that for predicting the GPS covariance value according to the location data transmitted from the GPS module based on the number of currently used satellites, HDOP, vehicle speed, and previous covariance values.
 삭제delete 제 1항에 있어서, 상기 제2 센싱부는, 상기 차량의 주행 환경 정보를 각각 검출하는 복수 개의 센서를 포함하고, 상기 퍼포먼스 코어부는, 상기 복수 개의 센서에 의해 각각 검출된 각 주행 환경 정보에 대하여 각각 맵매칭을 수행하여 맵매칭 데이터를 각각 생성하는 것을 특징으로 하는 차량의 측위 장치.
The method of claim 1 , wherein the second sensing unit includes a plurality of sensors respectively detecting driving environment information of the vehicle, and the performance core unit is configured to detect driving environment information respectively detected by the plurality of sensors. A positioning device for a vehicle, characterized in that each map matching data is generated by performing map matching.
 제 1항에 있어서, 상기 퍼포먼스 코어부는, 상기 맵매칭 데이터에 의한 위치 데이터, 상기 GPS 모듈로부터 전달받은 위치 데이터 및 상기 제2 주행 궤적에 의한 위치데이터를 융합할 때 각 결과의 시간지연을 보상하여 확장 칼만필터를 사용하여 융합하는 것을 특징으로 하는 차량의 측위 장치.
The method of claim 1, wherein the performance core unit compensates for a time delay of each result when merging location data based on the map matching data, location data received from the GPS module, and location data based on the second driving trajectory. A positioning device for a vehicle, characterized in that fusion is performed using an extended Kalman filter.
 제 1항에 있어서, 상기 퍼포먼스 코어부는, 상기 제2 주행 궤적에 의한 위치데이터의 융합을 위한 예측단계에서 상태변수에 대한 공분산을 통해 DR 공분산값을 산출하는 것을 특징으로 하는 차량의 측위 장치.
The vehicle positioning device according to claim 1, wherein the performance core unit calculates a DR covariance value through covariance of state variables in a prediction step for convergence of location data based on the second driving trajectory.
 삭제delete 제 1항에 있어서, 상기 퍼포먼스 코어부는, 상기 맵매칭 데이터에 의한 위치 데이터에 따른 맵매칭 공분산값을 센서 불확실성에 따른 오차, 정밀맵 구축에 따른 오차, 지도정보 대비 매칭율, 인식정보 대비 매칭율 및 주행상태에서의 기하학적 분포에 따른 오차를 기반으로 예측하는 것을 특징으로 하는 차량의 측위 장치.
The method of claim 1 , wherein the performance core unit calculates a map matching covariance value based on location data based on the map matching data, an error due to sensor uncertainty, an error due to precision map construction, a matching rate versus map information, and a matching rate versus recognition information. and predicting based on an error according to a geometric distribution in a driving state.
 세이프티 코어부가 차량의 주행 상태 정보에 근거하여 상기 차량이 주행한 제1 주행 궤적을 생성하는 단계;
퍼포먼스 코어부가 상기 차량이 주행한 제2 주행 궤적을 생성하고, 상기 차량의 주행 환경 정보에 대하여 맵매칭을 수행하여 맵매칭 데이터를 생성하는 단계;
상기 퍼포먼스 코어부가 상기 차량의 위치 데이터를 획득하는 GPS 모듈로부터 전달받은 위치 데이터, 상기 제2 주행 궤적 및 상기 맵매칭 데이터를 융합하여 융합 측위 정보를 생성하는 단계; 및
상기 퍼포먼스 코어부가 맵매칭 데이터에 의한 위치 데이터, GPS 모듈로부터 전달받은 위치 데이터 및 제2 주행 궤적에 의한 위치데이터를 융합할 때 맵매칭 공분산값, GPS 공분산값 및 DR 공분산값을 각각 생성하여 제공하는 단계;를 포함하되,
상기 제1 주행 궤적을 생성하는 단계는,
상기 세이프티 코어부가 상기 주행 상태 정보에 대하여 DR(Dead Reckoning)을 수행하여 생성되는 DR 데이터를 누적하여 상기 제1 주행 궤적을 생성하고,
상기 제2 주행 궤적과 맵매칭 데이터를 생성하는 단계는, 상기 퍼포먼스 코어부가 상기 세이프티 코어부로부터 전달받은 DR 데이터를 누적하여 상기 제2 주행 궤적을 생성하며,
상기 GPS 공분산값을 생성하여 제공할 때, 상기 퍼포먼스 코어부가 상기 GPS 모듈로부터 전달받은 위치 데이터에 대해, 현재 사용하는 위성의 수, HDOP, 차량속도 및 이전 공분산값을 기반으로 GPS 공분산값을 예측하는 것을 특징으로 하는 차량의 측위 방법.
generating, by a safety core unit, a first driving trajectory along which the vehicle traveled based on driving state information of the vehicle;
generating, by a performance core unit, a second driving trajectory along which the vehicle traveled, performing map matching on driving environment information of the vehicle, and generating map matching data;
generating convergence location information by the performance core unit fusing the location data received from the GPS module for acquiring the location data of the vehicle, the second driving trajectory, and the map matching data; and
When the performance core unit fuses location data by map matching data, location data received from the GPS module, and location data by the second driving trajectory, map matching covariance values, GPS covariance values, and DR covariance values are respectively generated and provided. step; including,
Generating the first driving trajectory,
The safety core unit generates the first driving trajectory by accumulating DR data generated by performing DR (Dead Reckoning) on the driving state information;
In the generating of the second driving trajectory and map matching data, the performance core unit accumulates DR data received from the safety core unit to generate the second driving trajectory;
When generating and providing the GPS covariance value, the performance core unit predicts the GPS covariance value based on the number of currently used satellites, HDOP, vehicle speed, and previous covariance values for the location data received from the GPS module. A positioning method of a vehicle, characterized in that.
 삭제delete 제 8항에 있어서, 상기 제2 주행 궤적과 맵매칭 데이터를 생성하는 단계는, 상기 퍼포먼스 코어부가 상기 차량에 탑재된 복수 개의 센서에 의해 각각 검출된 각 주행 환경 정보에 대하여 각각 맵매칭을 수행하여 맵매칭 데이터를 각각 생성하는 것을 특징으로 하는 차량의 측위 방법.
The method of claim 8 , wherein the generating of the second driving trajectory and map matching data comprises performing map matching on each driving environment information detected by a plurality of sensors installed in the vehicle by the performance core unit. A method for positioning a vehicle, characterized in that each map matching data is generated.
 제 8항에 있어서, 상기 융합 측위 정보를 생성하는 단계는,
상기 퍼포먼스 코어부가 상기 맵매칭 데이터에 의한 위치 데이터, 상기 GPS 모듈로부터 전달받은 위치 데이터 및 상기 제2 주행 궤적에 의한 위치데이터를 융합할 때 각 결과의 시간지연을 보상하여 확장 칼만필터를 사용하여 융합하는 것을 특징으로 하는 차량의 측위 방법.
The method of claim 8, wherein generating the fusion positioning information comprises:
When the performance core unit fuses the location data by the map matching data, the location data received from the GPS module, and the location data by the second driving trajectory, time delay of each result is compensated for and fusion is performed using an extended Kalman filter. A positioning method of a vehicle, characterized in that for doing.
 제 8항에 있어서, 상기 DR 공분산값을 생성하여 제공할 때, 상기 퍼포먼스 코어부가 상기 제2 주행 궤적에 의한 위치데이터의 융합을 위한 예측단계에서 상태변수에 대한 공분산을 통해 DR 공분산값을 산출하는 것을 특징으로 하는 차량의 측위 방법.
The method of claim 8, wherein when generating and providing the DR covariance value, the performance core unit calculates the DR covariance value through the covariance of state variables in a prediction step for convergence of location data based on the second driving trajectory. A positioning method of a vehicle, characterized in that.
 삭제delete 제 8항에 있어서, 상기 맵매칭 공분산값을 생성하여 제공할 때, 상기 퍼포먼스 코어부가 상기 맵매칭 데이터에 의한 위치 데이터에 대해, 센서 불확실성에 따른 오차, 정밀맵 구축에 따른 오차, 지도정보 대비 매칭율, 인식정보 대비 매칭율 및 주행상태에서의 기하학적 분포를 기반으로 맵매칭 공분산값을 예측하는 것을 특징으로 하는 차량의 측위 방법. 9. The method of claim 8, when generating and providing the map matching covariance value, the performance core unit has error due to sensor uncertainty, error due to precision map construction, and matching against map information for location data based on the map matching data. A method for positioning a vehicle, characterized by predicting a map matching covariance value based on a ratio, a matching ratio against recognition information, and a geometric distribution in a driving state.
KR1020180026360A 2018-03-06 2018-03-06 Apparatus for determining position of vehicle and method thereof KR102565482B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180026360A KR102565482B1 (en) 2018-03-06 2018-03-06 Apparatus for determining position of vehicle and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180026360A KR102565482B1 (en) 2018-03-06 2018-03-06 Apparatus for determining position of vehicle and method thereof

Publications (2)

Publication Number Publication Date
KR20190109645A KR20190109645A (en) 2019-09-26
KR102565482B1 true KR102565482B1 (en) 2023-08-11

Family

ID=68067994

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180026360A KR102565482B1 (en) 2018-03-06 2018-03-06 Apparatus for determining position of vehicle and method thereof

Country Status (1)

Country Link
KR (1) KR102565482B1 (en)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102287546B1 (en) * 2019-10-21 2021-08-10 제주대학교 산학협력단 System and Method for Vehicle future trajectory prediction using E-Kalman Filter with IMM in the Soft-Defined Internet of Vehicles
CN111524357B (en) * 2020-05-19 2022-01-07 河北德冠隆电子科技有限公司 Method for fusing multiple data required for safe driving of vehicle
KR102633705B1 (en) * 2020-12-03 2024-02-06 재단법인대구경북과학기술원 Apparatus and method of estimating vehicle location for autonomous driving
KR102264941B1 (en) * 2021-01-20 2021-06-14 주식회사 케이알에스 A system for sensing object and monitoring environment based on radar sensor
CN112800159B (en) 2021-01-25 2023-10-31 北京百度网讯科技有限公司 Map data processing method and device
JP2022149051A (en) * 2021-03-25 2022-10-06 本田技研工業株式会社 Map creation device, map creation system, map creation method, and program
CN115326084A (en) * 2022-08-03 2022-11-11 腾讯科技（深圳）有限公司 Vehicle positioning method and device, computer equipment and storage medium

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101628427B1 (en) * 2012-12-17 2016-06-08 주식회사 만도 Deadreckoning-based navigation system using camera and control method thereof
US20170010124A1 (en) 2015-02-10 2017-01-12 Mobileye Vision Technologies Ltd. Systems and methods for uploading recommended trajectories

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101141984B1 (en) * 2010-04-12 2012-05-07 주식회사 디유에이엔아이 DR/GPS Data Fusion Method
KR102400071B1 (en) * 2015-08-25 2022-05-19 현대모비스 주식회사 System and Method for Complex Navigation using Dead Reckoning and GPS
KR20180014342A (en) * 2016-07-29 2018-02-08 현대엠엔소프트 주식회사 Apparatus for compensating position of navigation system and method thereof

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101628427B1 (en) * 2012-12-17 2016-06-08 주식회사 만도 Deadreckoning-based navigation system using camera and control method thereof
US20170010124A1 (en) 2015-02-10 2017-01-12 Mobileye Vision Technologies Ltd. Systems and methods for uploading recommended trajectories

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
김현석 외 2명. Dilution of Precision 정보를 이용한 INS/GPS 결합시스템 위치오차 개선. 한국항행학회논문지. 2017.

Also Published As

Publication number Publication date
KR20190109645A (en) 2019-09-26

Similar Documents

Publication Publication Date Title
KR102565482B1 (en) Apparatus for determining position of vehicle and method thereof
US11487020B2 (en) Satellite signal calibration system
US9283967B2 (en) Accurate curvature estimation algorithm for path planning of autonomous driving vehicle
KR20220033477A (en) Appratus and method for estimating the position of an automated valet parking system
US9255989B2 (en) Tracking on-road vehicles with sensors of different modalities
US8452535B2 (en) Systems and methods for precise sub-lane vehicle positioning
JP2019532292A (en) Autonomous vehicle with vehicle location
KR102086270B1 (en) Control method and traveling control device of the traveling control device
US20150142248A1 (en) Apparatus and method for providing location and heading information of autonomous driving vehicle on road within housing complex
US20100121518A1 (en) Map enhanced positioning sensor system
JP2024050990A (en) Judging device
US10990111B2 (en) Position determination apparatus and method for vehicle
US11608059B2 (en) Method and apparatus for method for real time lateral control and steering actuation assessment
KR101704634B1 (en) Apparatus and method for generating driving route of autonomous vehicle and method for controlling driving of autonomous vehicle
CN110779538A (en) Allocating processing resources across local and cloud-based systems with respect to autonomous navigation
US11579628B2 (en) Method for localizing a vehicle
KR102336071B1 (en) Apparatus for determining position of vehicle and method thereof
CN113008248A (en) Method and system for generating and updating digital maps
US20220205804A1 (en) Vehicle localisation
US11068735B2 (en) Reliability calculation apparatus
CN113306559A (en) Compensation for vertical road camber in road shape estimation
US11474525B2 (en) Method and apparatus for method for dynamic multi-segment path and speed profile shaping
KR102336070B1 (en) Apparatus for determining position of vehicle and method thereof
CN113375679A (en) Lane level positioning method, device and system and related equipment
KR20210073281A (en) Method and apparatus for estimating motion information

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant