KR20210135753A - 라이다 기반의 차량 위치 추정 방법 및 장치 - Google Patents

Abstract

적어도 하나의 프로세서에 의해 동작하는 차량 위치 추정 장치가 차량에 탑재된 라이다를 이용하여 터널을 통과하는 차량의 위치를 추정하는 방법으로서, 라이다를 통해 수집된 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 진입한 터널의 기본 구조를 나타내는 기준 선형 패턴을 생성하는 단계, 차량이 이동하는 동안 스캔 시점별로 라이다를 통해 수집된 점군 데이터들을 입력받고 스캔 시점별 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 선형 패턴을 생성하는 단계, 스캔 시점별 선형 패턴과 기준 선형 패턴을 비교하여 기준 선형 패턴과 상이한 이상 패턴을 인식하고, 이상 패턴에 해당하는 점군 데이터들의 수직선에 대한 높이 값들을 산출하는 단계, 그리고 서로 상이한 스캔 시점에서 인식된 이상 패턴들 중에서 산출된 높이 값이 오차 범위 내에 일치하는 지점을 터널 내 동일 구조물로 추정하고, 서로 상이한 스캔 시점에 대응하여 상기 라이다의 위치와 동일 구조물로 추정된 지점과의 거리 변화 값을 차량의 이동 거리로 산출하는 단계를 포함한다.

Description

라이다 기반의 차량 위치 추정 방법 및 장치{METHOD AND APPARATUS FOR LOCATION ESTIMATION OF LIDAR-BASED VEHICLES}

본 발명은 GPS 음영지역에서 라이다 기반의 차량 위치를 추정하는 기술에 관한 것이다.

자율주행차량을 운행하거나 자율주행을 위한 정밀 지도를 만들기 위해서는 높은 정확도를 가지는 차량의 위치 측정 기술이 필수적이다.

이에, 가장 정확도다 높은 확인 시스템 중에 하나인 위성 항법 장치(Global Positioning System, GPS)를 이용하여 차량의 위치를 측정한다. 다만, 차량이 빌딩숲, 고가 도로 아래, 터널등과 같은 음영 지역을 주행하는 과정에서 위치 측정의 정확도를 유지하는 데에는 한계가 있다. 이를 해결하기 위해 라이다 센서, 카메라, 레이다 센서, 관성 센서 등을 차량에 장착하거나 차량 자체의 주행 정보(On Board Diagnostics, OBD)를 이용하여 정확한 차량의 위치를 측정하는 기술이 연구되고 있다.

하지만, 차량 자체의 주행 정보(OBD)를 통해서 차량 자체에서 측정되는 속도, 엑셀 강도, 핸들 회전각, 브레이크 상태를 포함하는 차량 정보를 확인할 수 있지만 차량마다 차량 자체의 주행 정보(OBD)와 연동 여부가 상이하고, 특수 업무를 위해 제작된 차량의 경우 정보 제공이 어려운 경우가 많기 때문에 보편적으로 적용하기 어렵다.

또한, 라이다(LiDAR)로 스캔한 점군에 대해서 평면과 엣지의 기하에 대해 판단하고 시간에 따른 거리와 각도 변화에 따라 이동 경로를 판단하는 경우에는 평면과 엣지의 기하에 대한 판단을 하기 위해 특징점을 추출한다. 이때, 도로나 지하주차장에서는 건물의 면과 모서리를 특징점으로 추출하여 위치 추정의 성능을 내지만 터널과 같은 폐쇄 공간의 경우 면과 엣지의 구분이 모호하며, 이동 변화에 따른 특징점을 추출이 어렵기 때문에 성능이 매우 낮게 나타난다.

그러므로 라이다(LiDAR)를 이용하는 경우, 대부분 실내 공간 또는 한정된 도로 환경에서 높은 성능을 가지며, 도로 폭이 넓거나 주변에 움직이는 이동체가 많은 경우에 상대적으로 라이다 센서에서 인지하는 특징점의 수가 감소되고 그에 따른 거리 또는 회전에 대한 측정 오차가 발생한다. 그리고 실제 도로 환경에 적용하기에는 주변에 이동하는 차량이 많아서 물리적으로 차선을 인지하기 어렵기 때문에 라이다 센서의 반사 특성에 기초한 차선 인식의 성능에 대한 안전성을 유지하기 힘들다.

특히, 터널과 같은 폐쇄 공간의 경우 면과 엣지의 구분이 모호하며, 이동 변화에 따른 특징점을 추출이 어렵고, 가로수, 사람, 표시판 등의 다수의 객체를 인식할 수 있는 일반 도로와는 다르게 매우 한정적이므로 객체 인식을 통한 위치 추정 방식에도 한계가 있다.

해결하고자 하는 과제는 라이다가 장착된 차량이 터널에 진입하는 경우 라이다로부터 스캔 시점별 획득된 점군 데이터들에 기초하여 터널 내 동일 구조물을 추정하고 스캔 시점에 대응하여 라이다의 위치와 동일 구조물로 추정된 지점간의 거리 변화 값에 따라 차량의 위치를 추정하는 방법을 제공하는 것이다.

한 실시예에 따라 적어도 하나의 프로세서에 의해 동작하는 차량 위치 추정 장치가 차량에 탑재된 라이다를 이용하여 터널을 통과하는 상기 차량의 위치를 추정하는 방법으로서, 라이다를 통해 수집된 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 진입한 터널의 기본 구조를 나타내는 기준 선형 패턴을 생성하는 단계, 차량이 이동하는 동안 스캔 시점별로 라이다를 통해 수집된 점군 데이터들을 입력받고 스캔 시점별 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 선형 패턴을 생성하는 단계, 스캔 시점별 선형 패턴과 기준 선형 패턴을 비교하여 기준 선형 패턴과 상이한 이상 패턴을 인식하고, 이상 패턴에 해당하는 점군 데이터들의 수직선에 대한 높이 값들을 산출하는 단계, 그리고 서로 상이한 스캔 시점에서 인식된 이상 패턴들 중에서 산출된 높이 값이 오차 범위 내에 일치하는 지점을 터널 내 동일 구조물로 추정하고, 서로 상이한 스캔 시점에 대응하여 라이다의 위치와 동일 구조물로 추정된 지점과의 거리 변화 값을 차량의 이동 거리로 산출하는 단계를 포함한다.

점군 데이터들은, 각 점군 데이터마다 라이다의 스캔 시점, 반사 강도, 라이다와의 거리 정보, 거리 정보의 범위, 수평각 정보 그리고 수직각 정보를 포함할 수 있다.

선형 패턴을 생성하는 단계는, 수직각 정보가 증가함에 따라 일정한 간격으로 거리 정보가 증가하는 점군 데이터들의 영역을 바닥면 영역으로 판단하고, 바닥면 영역의 수직각 정보 이상의 각도를 가지는 점군 데이터들을 연결하는 선형 패턴들을 획득할 수 있다.

선형 패턴을 생성하는 단계는, 스캔 시점별 점군 데이터들의 수직각 정보와 반사 강도에 기초하여 선형 패턴을 생성하고, 점군 데이터들의 수직선에 대한 높이 값을 산출하는 단계는, 기준 선형 패턴의 반사 강도와 상이한 반사강도를 가지는 선형 패턴을 이상 패턴으로 인식할 수 있다.

점군 데이터들의 수직선에 대한 높이 값들을 산출하는 단계는, 점군 데이터들마다 라이다의 수직각 정보와 라이다와의 거리 정보에 기초하여 라이다에 연결된 수평선과 직교하는 수직선에 대한 높이 값들을 산출할 수 있다.

차량의 이동 거리로 산출하는 단계는, 이상 패턴에 해당하는 점군 데이터들의 거리 정보 또는 반사 강도가 연속적으로 일정한 비율을 가지면 가장 높은 수직각 정보를 가지는 하나의 점군 데이터 이외의 다른 점군 데이터들을 제외할 수 있다.

선형 패턴을 생성하는 단계는, 바닥면 영역을 판단하면, 바닥면 영역에서 차량의 위치를 기준으로 좌우에 대한 횡단 비율과 각 차선에 대한 차선의 폭을 추정하여 차량이 주행하는 차선 정보를 추정할 수 있다.

선형 패턴을 생성하는 단계는, 횡단 비율과 바닥면 영역으로 판단한 수직각 정보가 동시에 변경되면 주행하는 차선이 변경된 것으로 판단할 수 있다.

라이다에 설정된 스캔 주기마다 인식된 이상 패턴의 점군 데이터들 중에서 수직각 정보에 기초하여 거리 정보 또는 반사 강도가 일정한 비율을 가지면 점군 데이터들의 라이다의 수직각 정보, 라이다와의 거리 정보 그리고 높이 값들을 이용하여 이상 패턴의 점군 데이터들에 대한 간격을 산출하는 단계, 그리고 점군 데이터들에 대한 간격에 비례하여 라이다의 스캔 주기를 재설정하는 단계를 더 포함할 수 있다.

한 실시예에 따라 컴퓨터로 판독 가능한 저장 매체에 저장되고 프로세서에 의해 실행되는 프로그램으로서, 라이다를 통해 수집된 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 진입한 터널의 기본 구조를 나타내는 기준 선형 패턴을 생성하는 동작, 차량이 이동하는 동안 스캔 시점별로 라이다를 통해 수집된 점군 데이터들을 입력받고 스캔 시점별 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 선형 패턴을 생성하는 동작, 스캔 시점별 선형 패턴과 기준 선형 패턴을 비교하여 기준 선형 패턴과 상이한 이상 패턴을 인식하고, 이상 패턴에 해당하는 점군 데이터들의 수직선에 대한 높이 값들을 산출하는 동작, 그리고 서로 상이한 스캔 시점에서 인식된 이상 패턴들 중에서 산출된 높이 값이 오차 범위 내에 일치하는 지점을 터널 내 동일 구조물로 추정하고, 서로 상이한 스캔 시점에 대응하여 라이다의 위치와 동일 구조물로 추정된 지점과의 거리 변화 값을 차량의 이동 거리로 산출하는 동작을 실행하도록 기술된 명령들을 포함한다 .

선형 패턴들을 획득하는 동작은, 수직각 정보가 증가함에 따라 일정한 간격으로 거리 정보가 증가하는 점군 데이터들의 영역을 바닥면 영역으로 판단하고, 바닥면 영역의 수직각 정보 이상의 각도를 가지는 점군 데이터들을 연결하는 선형 패턴들을 획득할 수 있다.

기준 선형 패턴은 터널의 기본 구조에 따른 라이다의 스캔 시점, 반사 강도, 라이다와의 거리 정보, 수평각 또는 수직각 정보를 포함하고, 점군 데이터들의 수직선에 대한 높이 값을 산출하는 동작은, 기준 선형 패턴의 반사 강도와 상이한 반사강도를 가지는 선형 패턴을 이상 패턴으로 인식할 수 있다.

차량의 이동 거리로 산출하는 동작은, 이상 패턴에 해당하는 점군 데이터들의 거리 정보 또는 반사 강도가 연속적으로 일정한 비율을 가지면 가장 높은 수직각 정보를 가지는 하나의 점군 데이터 이외의 다른 점군 데이터들을 제외할 수 있다.

본 발명에 따르면, 차량에 연동된 라이다를 활용하여 별도로 구축된 맵 정보 없이도 터널과 같은 폐쇄 공간에서 차량의 이동 거리와 위치를 정확하게 추정할 수 있다.

본 발명에 따르면, 폐쇄 공간의 면과 엣지 구분이 모호하여 이동 거리를 추정하는데 활용하기 어려웠던 부분에 대해 점군 데이터들의 선형 패턴 중에서 이상 패턴을 선별하여 이동 거리를 추정함으로써, GPS 음영지역에서의 실제 이동 거리의 정확성을 향상시킬 수 있다.

도 1은 한 실시예에 따른 터널을 진입하는 라이다 센서를 장착한 차량의 차량 위치를 추정하는 장치를 나타낸 예시도이다.
도 2는 한 실시예에 따른 수집한 점군 데이터에 저장된 수직각 정보와 거리 정보의 상관관계를 나타낸 그래프이다.
도 3은 한 실시예에 따른 라이다 센서를 통해 스캔한 점군 데이터들을 나타낸 예시도이다.
도 4는 한 실시예에 따른 차량의 이동거리 측정 방법을 설명하는 흐름도이다.
도 5는 한 실시예에 따른 이상 패턴의 주기를 판단하는 과정을 설명하기 위한 예시도이다.
도 6는 한 실시예에 따른 이상 패턴의 주기 중에서 제외하는 과정을 설명하기 위한 예시도이다.
도 7은 한 실시예에 따른 차량의 이동 거리 산출하는 과정을 설명하기 위한 예시도이다.
도 8은 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

명세서에서 차량은 라이다(LiDAR) 센서가 장착된 모든 종류 차량을 의미하며, 여기서 라이다는 차량의 정면에 장착되어 있는 것으로 가정하고 설명하지만, 반드시 해당 위치로 한정하는 것은 아니다.

라이다는 빛 탐지 및 범위 측정(Light Detection And Ranging) 또는 레이저 이미징, 탐지 및 범위 측정(Laser Imaging, Detection and Ranging)의 약자로 펄스 레이저를 목표물에 방출하고 빛이 돌아오기까지 걸리는 시간 및 강도를 측정해 거리, 방향, 속도, 온도, 물질 분포 및 농도 특성을 감지하는 기술이다. 라이다는 작업 수행 결과를 소위 ‘포인트 클라우드’와 같은 점군 데이터들로 산출한다.

명세서에서는 터널과 같이, GPS 신호가 차폐된 영역에서의 라이다를 이용한 차량의 이동 거리 및 위치를 측정하는 방법에 대한 것으로, 차량이 터널에 진입하였거나 터널 내부에 주행 중인 것으로 가정한다.

일반적으로 차량이 터널로 진입했다는 판단은 카메라, 조도센서, GIS 정보 등을 기반으로 판단 가능한 부분으로 터널 진입 여부를 판단하는 기준에 대해서는 생략한다.

이하에서는 도 1을 이용하여 라이다 기반의 차량 위치 추정 장치에 대해서 상세하게 설명한다.

도 1은 한 실시예에 따른 라이다 기반의 차량 위치를 추정하는 장치의 구조도이다.

도 1에 도시한 바와 같이, 차량 위치 추정 장치(100)는 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치로 차량에 장착된 라이다와 유무선 네트워크로 연결되어 데이터를 송수신한다.

컴퓨팅 장치는 본 발명을 수행하도록 작성된 소프트웨어 프로그램을 실행할 수 있는 장치이면 충분하다.

차량 위치 추정 장치(100)는 차량에 장착된 라이다로부터 설정된 스캔 시점마다 획득한 라이다 점군(포인트 클라우드)을 수집한다.

그리고 차량 위치 추정 장치(100)는 라이다로부터 설정된 스캔 시점마다 1회 스캔된 프레임과 프레임을 구성하는 점군 데이터들을 수집할 수 있다. 여기서, 라이다는 설정된 상하/좌우의 스캔 범위에서 각각의 위치 방향으로 스캔하는 포인트(point) ID가 지정되어 있으며, 차량 위치 추정 장치(100)는 라이다의 1회 스캔을 통해 생성되는 점군 데이터들에 대해 각 프레임으로 정의할 수 있다

그리고 라이다의 설정된 스캔 시점은 차량 위치 추정 장치(100)와의 통신을 통해 재설정 가능하다.

차량 위치 추정 장치(100)는 터널의 바닥 수직각을 기준으로 터널의 바닥면을 인식하고 터널 내부의 측면 그리고 상측면을 인식하여 공간 형상을 판단할 수 있다.

이때 차량 위치 추정 장치(100)는 차량마다 장착되는 라이다의 위치에 대응하여 상이하게 도출되는 각도, 높이 등에 대해서 미리 설정된 기준 값에 따라 자동으로 변환할 수 있다. 다시 말해, 차량 위치 추정 장치(100)는 차량마다 장착된 라이다 높이 각도의 차이를 없애기 위해 설치 높이 각도에 따라 자동으로 캘리브레이션을 수행할 수 있다.

그리고 차량 위치 추정 장치(100)는 정의된 프레임에 기초하여 상하, 좌우 각도가 미리 지정된 특정 포인트에 따라 일직선 상의 거리 변화에 따른 형상을 추출할 수 있다. 다시 말해, 차량 위치 추정 장치(100)는 점군 데이터들마다 저장된 수직각 정보와 거리 정보에 기초하여 선형 패턴들을 생성한다.

여기서, 수직각 정보는 라이다의 수직각 정보이며, 거리 정보는 송출된 레이저가 반사되는 지점과 라이다와의 거리 정보를 의미한다.

다시 말해, 라이다를 통해 수집된 점군 데이터들에는 라이다의 스캔 시점, 반사 강도, 라이다와의 거리 정보, 거리 정보의 범위, 수평각 정보 그리고 수직각 정보가 저장되며, 차량 위치 추정 장치(100)는 이러한 점군 데이터들에 저장된 정보를 이용하여 선형 패턴을 생성할 수 있다.

이때, 차량 위치 추정 장치(100)는 터널 최초 진입시, 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 생성된 선형 패턴을 기준 선형 패턴으로 생성할 수 있다.

상세하게는 기준 선행 패턴은 차량이 종단(앞/뒤) 방향으로 이동하는 터널 내부에서 특징점을 추출하기 위해 기준이 되는 정보로, 미리 설정된 시간 동안 동일한 선형 패턴이 유지되면 해당 선형 패턴을 기준 선형 패턴으로 생성할 수 있다.

이때, 라이다는 이러한 터널의 기준 선형 패턴을 생성하기 위해 횡방향으로 스캔한 후, 터널 기준 선형 패턴을 생성한 후에는 종방향으로 스캔할 수 있다.

다시 말해, 차량 위치 추정 장치(100)는 차량이 터널에 진입한 후, 기준 선형 패턴을 생성하기 전까지 횡방향으로 스캔하도록 라이다의 스캔 방향을 설정하고, 기준 선형 패턴이 생성되면 라이다의 스캔 방향을 종방향으로 설정할 수 있다.

한편, 기준 선형 패턴은 GPS 폐쇄 지역에 대응하여 미리 설정된 정보일 수 있다. 예를 들어, 각 터널마다 기준 선형 패턴이 미리 설정되어 저장될 수 있으며, 차량이 터널을 진입할 때, 기기 또는 서버에 접속하여 해당 터널에 대응하여 저장된 기준 선형 패턴을 수집할 수 있다.

이러한 기준 선형 패턴을 생성 또는 수집하는 구성은 추후에 사용자에 의해 용이하게 변경 및 설계 가능하다.

그리고 차량이 터널을 통과하는 동안 스캔 시점별로 수집된 점군 데이터들을 이용하여 스캔 시점별 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 실시간으로 선형 패턴을 생성할 수 있다.

이처럼 차량 위치 추정 장치(100)는 기준 선행 패턴과 실시간 생성된 선형 패턴을 비교하여 기준 선행 패턴과 오차 범위 이상으로 상이한 선행 패턴을 이상 패턴으로 인식한다.

이상 패턴은 터널 공간과 같이 면과 엣지의 구분이 모호하며, 이동 변화에 따른 특징점을 추출하기 어려운 환경에서 이동거리를 산출하고자 할 때 기준점으로 이용하기 위한 패턴으로, 특이점을 가지는 점군 데이터들을 의미한다.

다시 말해, 이상 패턴은 라이다에서 송출한 레이저가 터널 내부에 특이점이 될 수 있는 표지판, 환풍 기구, 설치된 구조물에 의해 반사되어 오는 점군 데이터들을 의미한다.

그러므로 차량 위치 추정 장치(100)는 동일한 수직각을 기준으로 기준 선형 패턴의 거리 정보와 선형 패턴의 거리 정보가 상이하거나 반사 강도(intensity)가 상이하면 해당 선형 패턴을 이상 패턴으로 인식할 수 있다.

차량 위치 추정 장치(100)는 1회 스캔을 통한 하나의 프레임마다 비교를 통해 이상 패턴을 인식할 수 있다. 그리고 차량 위치 추정 장치(100)는 인식한 이상 패턴에 대한 스캔 시점, 라이다의 수평각 또는 수직각 정보, 라이다와의 거리 정보, 반사 강도 등을 연동되는 데이터베이스에 저장할 수 있다.

그리고 차량 위치 추정 장치(100)는 이상 패턴에 해당하는 점군 데이터들의 수직선에 대한 높이 값들을 산출한다.

여기서, 높이 값은 점군 데이터들마다 라이다의 수직각 정보와 라이다와의 거리 정보를 삼각함수에 적용하여 산출한 값으로, 라이다에 연결된 수평선과 직교하는 수직선에 대한 높이 값을 의미한다.

차량 위치 추정 장치(100)는 해당 라이다의 정밀도 값에 기초하여 설정된 오차 범위(예를 들어 +/-0.01mm) 이내에 각각 산출된 높이 값이 일치하는 지 확인한다. 이러한 오차 범위는 연동되는 라이다의 종류, 특성, 정밀도 등에 의해 설정가능하며, 추후에 사용 환경에 의해 용이하게 변경 및 설정가능하다.

다시 말해, 차량 위치 추정 장치(100)는 제1 스캔 시점을 가지는 이상 패턴과 제2 스캔 시점을 가지는 이상 패턴을 비교하여 각각 산출된 높이 값이 오차 범위 내에 일치하는 지점을 터널 내 동일 구조물로 추정할 수 있다.

그리고 차량 위치 추정 장치(100)는 서로 상이한 스캔 시점에 대응하여 동일 구조물로 추정된 지점과의 거리 변화 값을 차량의 이동 거리로 산출한다.

상세하게는 차량 위치 추정 장치(100)는 라이다의 수직각 정보와 송출된 레이저가 반사되어 돌아온 거리 정보, 그리고 반사 지점의 높이 값을 삼각함수에 적용하여 라이다의 위치와 라이다에 연결된 수평선과 직교하는 수직선의 교점간의 길이를 산출할 수 있다.

이와 같은 방법으로 차량 위치 추정 장치(100)는 서로 다른 시점에서 동일 구조물로 추정된 지점과 라이다 위치와의 거리 값들을 산출하고, 산출된 거리 값들의 변화값을 차량의 이동 거리로 산출할 수 있다.

그리고 차량 위치 추정 장치(100)는 차량의 이동 거리를 적용하여 차량이 터널 안에서 위치하는 위치 정보를 추정할 수 있다.

또한, 차량 위치 추정 장치(100)는 터널의 바닥 수직각을 기준으로 인삭한 터널의 바닥면 영역과 차선의 폭에 기초하여 바닥면 영역에서 차량의 위치를 기준으로 좌우에 대한 횡단 비율과 차선의 폭에 따라 차량의 주행하는 차선 정보를 추정할 수 있다.

한편, 차량에 연동되는 라이다(미도시함)은 3D 라이다 센서를 모두 포함하며, 미리 설정된 수평각 및 수직각의 범위 내에서 스캔을 통해 점군 데이터들을 생성하여 차량 위치 추정 장치(100)로 전송한다.

예를 들어, 라이다는 수평각으로 360도, 수직각으로 30도 가 설정되어 스캔을 수행가능하며, 약 0.05초 내지 0.2초 사이의 스캔 주기 중에서 설정된 스캔 주기로 횡방향 스캔 또는 종방향 스캔 등을 수행할 수 있다.

이러한 스캔 주기는 차량 위치 추정 장치(100)와의 통신을 통해 재설정 가능하다.

도 2는 한 실시예에 따른 수집한 점군 데이터에 저장된 수직각 정보와 거리 정보의 상관관계를 나타낸 그래프이다.

도 2는 수직각의 가장 밑에서부터 스캔한 정보를 추출하였을 때 1회 스캔으로 획득한 하나의 프레임에 대한 각 점군 데이터들의 수직각 정보와 거리 정보를 비교한 그래프이다. 도 2는 상단부가 둥근 형태를 가지는 터널에 대한 점군 데이터들이 수직각과 거리 정보의 관계를 나타낸다.

일반적으로 바닥면은 평평하게 형성되기 때문에, 바닥면이 평평하다는 전제에 따라 수직각이 증가함에 따라 일정한 간격으로 거리가 증가하는 패턴으로 나타낸다.

다시 말해 도 2의 가 영역과 같이, 일정한 기울기를 가지는 직선 형태로 바닥면 영역이 형성된다. 실제 바닥면 영역이 경사를 이루고 있을 수 있지만, 바닥면 영역이 경사진 상황에서도 바닥면 영역은 일정한 형태의 증가하는 직선으로 나타난다.

그러므로 차량 위치 추정 장치(100)는 수직각 정보가 증가함에 따라 거리 정보가 일정한 간격으로 증가되는 영역을 바닥면 영역으로 판단한다.

다음으로 차량 위치 추정 장치(100)는 바닥면 영역의 수직각(θ) 이상의 각도에서 터널의 측면과 사측 정면을 확인할 수 있다.

예를 들어, 거리는 동일하다는 조건 하에 터널의 중앙 영역에서 차량이 주행하는 경우에는 도 3의 나와 같이, 터널의 측면은 수직각 정보가 증가하더라도 거리 정보는 일정한 형태를 나타낸다.

이는 터널의 벽면 형태가 반원일 때 도 2의 나와 같은 형상이 나타난다.

한편, 터널의 상측 정면 영역에 대해서는 도 2의 다와 같이 바닥면 영역의 수직각(θ) 이상의 각도에서 역으로 거리 정보가 감소하는 형태로 나타난다.

도 2의 다의 직선이 나의 직선보다 짧은 이유는 라이다의 거리 인식 한계로 인해 정면 방향으로 스캔되는 경우 차량 바로 위의 상부 영역에 대한 데이터를 얻을 수 없기 때문이다.

이에 도 2의 다의 점선 화살표가 시작되는 점은 가장 멀리 위치하는 횡단면을 나타내고 화살표의 끝 지점은 라이다 센서와 상대적으로 가까운 횡단면을 나타낸다.

이때, 터널의 형상에 따라 도 2의 나와 다의 사이의 영역은 곡선 또는 직선으로 나타날 수 있다.

예를 들어, 차량이 정중앙이 아닌 차선에서 주행하고 있거나 반타원형의 터널의 형상인 경우 곡선으로 나타날 수 있고, 터널이 사각의 형상을 가지면 직선으로 나타날 수 있다.

이처럼 차량 위치 추정 장치(100)는 바닥면 영역으로 판단한 수직각 정보(θ) 에 기초하여 수직각 정보(θ) 이하이면 바닥면 영역으로 판단하고, 수직각 정보(θ) 이상인 경우, 터널의 측면 영역 또는 상측 정면 영역으로 판단할 수 있다.

다시 말해, 차량 위치 추정 장치(100)는 도 2의 다와 같이 터널의 기본 구조에 대응하여 일정한 형상을 가지는 기준 선형 패턴을 생성하며, 기준 선형 패턴을 기준으로 상이한 이상 패턴을 인식할 수 있다.

이러한 패턴을 실제 라이다로부터 획득한 점군 데이터를 도시하면 도 3과 같다.

도 3은 한 실시예에 따른 라이다 센서를 통해 스캔한 점군 데이터들을 나타낸 예시도이다.

도 3의 (a)는 사각 형상을 가지는 터널이고, (b)는 반원형 형상을 가지는 터널에 대한 이미지이다.

차량 위치 추정 장치(100)는 도 3의 (a)와 같이, 실시간으로 라이다로부터 점군 데이터를 수집할 수 있다. 그리고 차량 위치 추정 장치(100)는 수집된 점군 데이터들로 구성된 터널의 형상에 기초하여 A-> B 방향 또는 B-> A 방향으로 기준 선형 패턴을 비교한다.

도 3의 형상은 송출된 레이저 펄스가 반사하는 지점에 기초하기 때문에, 패턴의 형상이 상이하다는 것은 일정한 수직각 정보를 가지고 송출되는 레이저 펄스가 서로 다른 높이의 구조물에 반사되는 것을 의미한다.

그러므로 차량 위치 추정 장치(100)는 실시간으로 수신하는 라이다의 점군 데이터에 대응하여 인식되는 상측 정면 영역(A-B)의 점군 데이터들과 기준 선형 패턴을 형성하는 점군 데이터와 서로 비교하여 오차 범위보다 상이한 부분을 탐색한다.

도 3의 (a)를 보면 좌측 선형 패턴들은 B 영역에서는 우측의 기준 선형 패턴과 동일하지만, A 영역에서는 우측의 기준 선형 패턴과 상이하게 선형 패턴이 단절된 부분을 확인할 수 있다.

이때, 각 단절된 부분은 터널의 상면에 표지판, 환풍 기구, 설치된 구조물 등에 해당되기 때문에 기준 선형 패턴과 다르게 나타나는 것으로 추정 가능하다.

이와 마찬가지로 차량 위치 추정 장치(100)는 도 4의 (b)에서도 동일하게 좌측에 위치하는 상측 정면 영역(A-B)의 점군 데이터들과 우측에 위치하는 기준 선형 패턴을 형성하는 점군 데이터와 서로 비교하여 오차 범위보다 상이한 부분을 탐색한다.

이때, 선형 패턴들을 형성하는 점군 데이터에는 라이다와의 거리 정보 이외에도 반사 강도를 가지고 있으며, 반사강도가 상이한 점군 데이터들이 검색되면 해당 패턴을 이상 패턴으로 인식할 수 있다.

예를 들어, 각각의 점군 데이터에는 1회 스캔으로 획득한 프레임에 따라, 프레임 ID와 포인트 ID에 대응하여 다음 수학식 1과 같이 정보들이 저장될 수 있다.

[수학식 1]

각각의 프레임은 점군 데이터들을 가지며, 스캔 시간, 포인트 ID, 범위, 반사 강도(intensity)의 정보를 가진다. 그리고 각 포인트는 각자 고유의 수평, 수직각의 정보를 가진다. 이외에도 각 점군 데이터들마다 라이다 센서와 송출된 레이저 펄스를 반사하는 지점간의 거리 정보를 포함한다. 여기서, 수평각 또는 수직각의 정보는 라이다 센서의 스캔 범위내의 각도 정보를 의미한다.

도 4는 한 실시예에 따른 차량의 이동거리 측정 방법을 설명하는 흐름도이다.

도 4에 도시한 바와 같이, 차량 위치 추정 장치(100)는 라이다를 통해 수집된 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 진입한 터널의 기본 구조를 나타내는 기준 선형 패턴을 생성한다(S110).

먼저, 차량 위치 추정 장치(100)는 라이다의 점군 데이터들을 통해 터널의 바닥면 영역을 판단한다. 이는 차량의 높이, 수평 정도가 각 차량마다 다를 수 있기 때문에, 차량 위치 추정 장치(100)는 바닥 수직각의 임계치를 기준으로 바닥면 영역을 먼저 인식해야 한다.

상세하게는 차량 위치 추정 장치(100)는 수직각 정보가 증가함에 따라 일정한 간격으로 거리가 증가하는 패턴을 가지는 영역을 바닥면 영역으로 인식할 수 있다.

그리고 차량 위치 추정 장치(100)는 상측 정면 영역에서의 각 점군 데이터들의 라이다 수직각 정보와 라이다와의 거리 정보에 기초하여 선형 패턴을 생성한다.

차량 위치 추정 장치(100)는 해당 터널을 진입 시 최초 획득된 선형 패턴에 기초하여 미리 설정된 시간 동안 유지되는 패턴을 기준 선형 패턴으로 저장할 수 있다. 여기서, 기준 선형 패턴은 표지판, 구조물, 간판, 전등, 신호등 등 터널 내부에 특이점을 인식하기 위한 판단 기준이 된다.

다음으로 차량 위치 추정 장치(100)는 차량이 이동하는 동안 스캔 시점별로 라이다를 통해 수집된 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 선형 패턴을 생성한다(S120).

차량 위치 추정 장치(100)는 바닥면 영역의 수직각(θ) 이상의 각도를 가지는 수직각 정보를 가지는 점군 데이터들을 이용하여 선형 패턴을 생성할 수 있다.

다시 말해, 터널의 바닥면을 제외한 상측 중앙 영역을 기준으로 선형 패턴을 생성할 수 있으며, 경우에 따라서 터널의 측면 영역에 대해서도 선형 패턴을 생성할 수 있다.

다음으로 차량 위치 추정 장치(100)는 스캔 시점별 선형 패턴과 기준 선형 패턴을 비교하여 기준 선형 패턴과 상이한 이상 패턴을 인식하고, 이상 패턴에 해당하는 점군 데이터들의 수직선에 대한 높이 값들을 산출한다(S130).

먼저, 차량 위치 추정 장치(100)는 동일한 수직각 정보를 기준으로 거리 정보가 상이하거나 반사 강도가 상이한 선형패턴을 이상 패턴으로 인식할 수 있다.

예를 들어, 내부 벽면의 동일한 구조로 설치된 터널에서 거리 정보가 동일하더라도 타일이나 유리 등과 같이 주변과 다른 반사 강도를 가지게 되면, 특정 주기 범위 내에서 다른 반사 강도를 나타내는 지점과의 거리를 측정할 수 있기 때문에 이동 경로를 추정하는 판단 기준이 될 수 있다. 그러므로 차량 위치 추정 장치(100)는 점군 데이터들의 거리 정보 또는 반사 강도 중에서 적어도 하나의 값이 상이하면 해당 선형 패턴을 이상 패턴으로 인식할 수 있다.

그리고 차량 위치 추정 장치(100)는 각각의 이상 패턴을 형성하는 점군 데이터들을 이용하여 점군 데이터들의 수직선에 대한 높이 값들을 산출한다.

차량 위치 추정 장치(100)는 점군 데이터들마다 라이다의 수직각 정보와 라이다와의 거리 정보를 삼각함수에 적용하여 각 점군 데이터들에서부터 라이다에 연결된 수평선과 직교하는 수직선에 대한 높이 값들을 산출할 수 있다.

한편, 차량 위치 추정 장치(100)는 이상 패턴에 해당하는 점군 데이터들의 라이다의 수직각 정보에 기초하여 라이다와의 거리 정보 또는 반사 강도가 일정한 비율을 가지는지 확인한다.

라이다의 수직각 정보에 기초하여 거리 정보 또는 반사 강도가 일정한 비율을 가지는 경우, 차량의 이동으로 수직각 정보가 변하면 거리 정보가 해당 비율만큼 변하기 때문에, 각 지점을 특정할 수 없다.

다시 말해, 라이다의 수직각 정보에 기초하여 거리 정보 또는 반사 강도가 일정한 비율을 가지는 경우, 각 점군 데이터들에서부터 라이다에 연결된 수평선과 직교하는 수직선에 대한 높이 값들은 모두 동일한 높이를 가진다.

그러므로 차량 위치 추정 장치(100)는 연속적으로 거리 정보 또는 반사 강도가 일정한 비율을 가지는 점군 데이터들을 확인하면, 하나의 점군 데이터 이외의 다른 점군 데이터들은 제외한다.

다음으로 차량 위치 추정 장치(100)는 서로 상이한 스캔 시점에서 인식된 이상 패턴들 중에서 산출된 높이 값이 오차 범위 내에 일치하는 지점과 라이다의 위치와의 거리 변화 값을 차량의 이동 거리로 산출한다(S140).

차량 위치 추정 장치(100)는 연속적이거나 일정 범위 이내의 서로 상이한 스캔 시점에서 인식된 이상 패턴들 중에서 높이 값이 일치하는 지점을 터널 내 동일 구조물로 추정한다.

이때, 차량 위치 추정 장치(100)는 하나의 높이 값으로 동일 구조물을 추정할 수 있지만, 하나 이상의 높이 값들을 이용하여 해당 높이 값의 패턴들 중 일부가 일치하는 경우, 동일한 높이 값들 중에서 하나를 선택하여 거리 차이 값을 산출할 수 있다.

다시 말해, 점군 데이터들의 높이 값이 제1 시점에서 1-3-4-3-1 로 산출된 이상 패턴과 제2 시점에서 4-3-1로 산출된 이상 패턴을 비교하는 경우, 동일한 지점이 4-3-1로, 일부 패턴이 일치하기 때문에, 제1 시점에서 제2 시점까지의 이동 거리를 높이값 4를 기준으로 산출할 수 있다.

그리고 차량 위치 추정 장치(100)는 추정된 동일 구조물을 기준점으로 설정하고, 라이다의 위치와 동일 구조물로 추정된 지점과의 거리 변화 값을 산출한다.

상세하게는 차량 위치 추정 장치(100)는 라이다의 수직각 정보와 거리 정보, 그리고 반사 지점의 높이 값을 삼각함수에 적용하여 라이다의 위치와 라이다에 연결된 수평선과 직교하는 수직선의 교점간의 길이를 산출할 수 있다.

다시 말해, 차량 위치 추정 장치(100)는 라이다의 위치와 동일 구조물로 추정된 지점(교점)과의 길이를 각 스캔 시점마다 산출하고, 산출된 길이의 차이값을 차량의 이동 거리로 산출한다.

설명의 편의상 차량의 거리 정보에 기초하여 설명하였지만, 이는 거리 정보뿐 아니라 반사 강도가 상이한 선형 패턴이 인식되면 위치 추정 가능한 이상 패턴으로 인식될 수 있다.

한편 차량 위치 추정 장치(100)는 양단의 바닥면 비율과 차선의 폭의 판단으로 좌우 대비 통해 현재 차량이 주행하는 차선 정보를 유추할 수 있다.

이때, 차량이 이동 중 차선을 변경되어 벽면 기준 횡단면의 굴절 비율이 변경되면, 바닥면의 횡단 비율과 바닥면에 대한 기준각이 동시에 변경된다.

그러므로 차량 위치 추정 장치(100)는 차량의 차선 변경을 인식하고 새로운 벽면 기준 횡단면을 생성하여 지속적으로 좌우, 앞뒤의 이동 거리 판단할 수 있다.

이하에서는 도 5 내지 도 7을 이용하여 이상 패턴을 인식하는 과정과 차량의 이동거리를 산출하는 구성에 대해서 상세하게 설명한다.

설명의 편의상 도 5 내지 도 7에서는 터널 상부의 구조물들을 동일한 형태로 반복적으로 도시하였지만, 반드시 구조물의 형태 또는 간격을 한정하는 것은 아니다.

도 5는 한 실시예에 따른 이상 패턴의 주기를 판단하는 과정을 설명하기 위한 예시도이고 도 6는 한 실시예에 따른 이상 패턴의 주기 중에서 제외하는 과정을 설명하기 위한 예시도이다.

도 5의 (a)는 하나의 프레임(1회 스캔으로 획득한 점군데이터들)에서 수직각 정보에 따라 P(이상 패턴의 지점)를 형상화한 도면으로, P(P1, P1', P2, P3)는 돌출된 구조물에 의해 반사된 지점들을 나타낸다. 그리고 도 5의 (b)는 수직각 정보에 따른 거리 정보를 가지는 점군 데이터들을 나타낸 그래프이고, (c)는 (b)의 점군 데이터들의 높이 값을 나타낸 그래프이다.

도 5의 (a)에서 구조물에 의해 반사된 지점인 P1, P2, P1', P3 , P1'의 수직각 정보와 거리 정보에 기초하여 표시한 (b)를 보면 기준 선형 패턴과는 거리 값이 서로 상이한 지점으로 표시된 것을 알 수 있다.

이를 통해 차량 위치 추정 장치(100)는 상이한 지점으로 형성된 이상 패턴을 인식하는데, (b)에서 P1와 P1'은 라이다와의 거리 정보가 달라도 그 변화 비율이 동일한 반면, P2와 P3에 대해서는 상이한 형상을 가진다.

상세하게는 P1과 P1’은 서로 다른 구조물에 의해 감지된 지점이라고 하더라도 동일한 높이에 위치하는 구조물에 대한 선형 패턴으로 차량이 이동함에 따라 P1지점이 아닌 P1’지점을 감지하더라도 P1 지점과 P1’지점을 구분하기 어렵다.

이때, 차량 위치 추정 장치(100)는 P1 지점 이외의 P1'지점을 제외할 수 있다. 다만, P1 지점과 P1'지점 사이에 P2 또는 P3 지점이 감지되었기 때문에, 하나의 지점이 아닌 인접한 지점을 포함하는 패턴의 형식으로 구분할 수도 있다.

예를 들어, 제1 시점에서 P1, P2, P1',P3, P1'의 지점이 인식되고 제2 시점에서 P1',P3,P1'의 지점이 인식되는 경우, 차량 위치 추정 장치(100)는 제1 시점의 P1과 제2 시점의 P1'에 대해서 동일한 구조물로 인식할 수 있지만, 인접한 지점의 값(각 P2와 P3)을 고려하여 서로 다른 구조물로 인식할 수 있다.

다시 말해, 비연속적으로 점군 데이터들의 거리 정보 또는 반사 강도가 일정한 비율을 가지는 경우, 인접한 지점의 정보를 포함하여 동일 구조물 여부를 추정할 수 있다.

이에 제1 시점와 제2 시점에서 높이 값이 오차 범위 내에서 동일한 P1’(H1)-P3(H3)-P1’(H1)에 대해서 각 시점에서 감지된 공통된 지점으로 인식할 수 있다.

그러므로 차량 위치 추정 장치(100)는 동일한 P1'-P3-P1'지점 중에서 하나의 지점을 선택하여 해당 지점과 라이다의 위치와의 거리 변화 값을 차량의 이동 거리로 산출할 수 있다.

한편, 차량 위치 추정 장치(100)는 도 5의 (a)에서 P1과 P1'를 통해 동일 구조물이 얼마의 거리를 두고 위치하는 지 추정할 수 있다. 이는 라이다에서 송출하는 각각의 점군 데이터에 저장된 수직/수평각 정보와 거리정보를 통해 P1과 P1'간의 간격을 추정할 수 있다.

또한, 반복되는 구조물이 수십미터 단위로 이격되어 한 프레임에서 해당 구조물들이 동시에 스캔되지 않는 경우에도 차량 위치 추정 장치(100)는 초기 프레임에 이상 패턴으로 저장된 시간 정보, 거리 정보, 반사 정보, 또는 라이다의 수직각 정보 등과 다음 프레임에 이상 패턴으로 저장된 시간 정보, 거리 정보 반사 정, 또는 라이다의 수직각 정보 등을 이용하여 해당 동일한 구조물의 간격을 추정할 수 있다.

이처럼 동일한 구조물의 간격을 추정하게 되면, 차량 위치 추정 장치(100)는 라이다의 소비 전력 및 연산 부하를 줄이기 위해 필요에 따라 라이다의 스캔 주기를 재설정할 수 있다.

예를 들어, 차량 위치 추정 장치(100)는 터널 진입 시에는 스캔 주기를 가장 빠른 제1 스캔 주기로 설정하여 이상 패턴들을 획득한 후, 라이다에 설정된 스캔 주기마다 거리 정보 또는 반사 강도가 일정한 비율로 같은 값을 가지는 이상 패턴들을 인식하면 이상 패턴들의 간격인 구조물의 간격을 추정할 수 있다. 그러면 차량 위치 추정 장치(100)는 구조물의 간격에 비례하여 라이다의 스캔 주기를 재설정할 수 있다.

상세하게는 구조물의 간격이 크다면, 차량 위치 추정 장치(100)는 라이다의 스캔 주기를 제1 스캔 주기보다 느린 제2 스캔 주기로 재설정가능하다.

반면, 도6의 (a)와 같이, 유의미한 패턴들이 기준 횡단면 정보와 상이하더라도 비율의 차이를 제외하고 동일한 형상을 가지면 동일 구조물이라고 판단되므로 일정한 간격만큼 상이하게 위치하더라도 실제로 이동 거리를 산출할 때 활용되기 어렵다.

도 6의(a)는 기준 선형 패턴과 상이한 이상 패턴들이 모두 유사한 구조물의 높이에서 획득된 것으로, (b)와 같이 상이한 정도가 일정한 비율을 가지며, 연속적으로 나타나기 때문에, 각 수직각 정보에 따른 높이값을 나타내면 (c)와 같이 동일한 높이 H1으로 나타난다.

그러므로 점군 데이터들이 연속적으로 거리 정보 또는 반사 강도가 일정한 비율로 같은 값을 가지면 차량 위치 추정 장치(100)는 이상 패턴들 중에서 하나를 제외한 다른 패턴들을 이동 거리를 산출하는 과정에서 제외한다. 이때, 차량 위치 추정 장치(100)는 가장 높은 수직각 정보를 가지는 하나의 이상 패턴을 선택할 수 있다.

도 6과 같은 경우, P1에 해당하는 이상 패턴 이외에 P1’로 표시된 다른 이상 패턴들을 제외할 수 있다.

다음으로 도 7은 한 실시예에 따른 차량의 이동 거리 산출하는 과정을 설명하기 위한 예시도이다.

도 7의 (a)는 차량이 x1 지점에 있을 때, 라이다로부터 획득한 P1, P2, P1`의 점군 데이터들을 나타내며, (b)는 차량이 x2 지점에 있을 때, 라이다로부터 획득한 P2, P1’에 대한 점군 데이터들을 나타낸다.

그리고 도 7의 (c)는 차량이 x1 지점에서 x2 지점으로 이동한 상태를 나타낸다.

차량 위치 추정 장치(100)는 x1 지점에서 판단한 이상 패턴에 포함된 점군 데이터들(P1,P2,P1’)을 별도로 저장하고, x2 지점에서 판단한 이상 패턴에 포함된 점군 데이터들(P2,P1’)를 별도로 저장한다.

그리고 차량 위치 추정 장치(100)는 x1 지점 또는 x2 지점에서 이상 패턴에 포함된 점군 데이터들의 높이 값을 비교하여 오차 범위 이내에 동일한 높이 값을 가지는 P2 지점을 확인한다.

이에 차량 위치 추정 장치(100)는 x1 지점에 대응하는 라이다 스캔 시점에서 P2 지점에 대한 점군 데이터에 저장된 라이다의 수직각 정보, 라이다와의 거리 정보 그리 높이 값(H2)을 삼각함수에 입력하여 P2 지점에서 라이다까지의 거리 값을 산출한다. 그리고 차량 위치 추정 장치(100)는 x2 지점에 대응하는 라이다 스캔 시점에서 P2 지점에 대한 점군 데이터에 저장된 라이다의 수직각 정보, 라이다와의 거리 정보 그리 높이 값(H2)을 삼각함수에 입력하여 P2 지점에서 라이다까지의 거리 값을 산출한다.

이에 차량 위치 추정 장치는 X1-P2 의 거리 값에서 X2-P2의 거리 값의 차이로 차량의 실제 주행거리(D)를 산출할 수 있다.

또한, 차량 위치 추정 장치(100)는 도 7의 (a)에서 각 점군 데이터들의 거리 정보와 반사 정보, 수직각 정보 등을 통해 삼각함수 등을 이용하면 P1, P2, P1`의 서로간의 거리 정보를 구할 수 있으며, P1과 P1`의 구조물 간격도 구할 수 있다.

한편, 차량 위치 추정 장치(100)는 산출된 차량의 이동 거리와 라이다 스캔의 시점의 차이값을 이용하여 차량의 이동 속도를 추정할 수 있다.

차량 위치 추정 장치(100)가 차량의 실제 주행 속도에 대한 정보가 없기 때문에 초기부터 차량의 주행 속도에 기초하여 라이다 스캔 주기를 설정하거나 이상 패턴을 산출하는 데 이용하기 어렵지만 속도를 추정한 후에는 이상 패턴을 인식하기 위한 가이드 라인을 제공할 수 있다.

일반적으로 동일한 이상 패턴들이 있는 상황에서 차량 속도의 가변에 따라 이상 패턴들의 인식이 달라질 수 있다.

예를 들어, 터널에서 차량이 느린 속도로 주행하는 경우 특징이 되는 구조물이 밀집되어 형성되더라도 각각의 구조물에 대한 선형 패턴이 인식되기 때문에, 밀집된 구조물이더라도 이상 패턴이 될 수 있다. 반면에 차량이 빠른 속도로 주행하는 경우, 특징이 되는 구조물이 밀집되어 있는 경우, 각 구조물을 인식할 수 없고, 일정 거리 이상 간격이 떨어져 있는 특징이 되는 구조물에 대해서도 이상 패턴으로 인식하기 어려울 수 있다.

이처럼 차량의 속도, 라이다 스캔 주기, 특징이 되는 구조물 반복 주기간의 관계에 대해 다음 표 1를 이용하여 상세하게 설명한다.

표 1은 차량이 시속 36km/h~108km/h로 주행 한다는 가정으로 VLP-16 라이다 모델의 경우 0.2초~0.05초 사이로 스캔(미리 정의됨)을 1회씩 수행하는 경우 이상 패턴으로 인식되는 반복되는 구조물 간격에 대한 최소 거리를 측정한 표이다.

이동속도 (km/h)	이동속도 (m/s)	라이다 최소 스캔주기(s)	라이다 최대 스캔주기(s)	최소 구조물 반복주기(m)	최대 구조물 반복 주기(m)
36	10	0.2	0.05	2	0.5
39.6	11	0.2	0.05	2.2	0.55
43.2	12	0.2	0.05	2.4	0.6
46.8	13	0.2	0.05	2.6	0.65
50.4	14	0.2	0.05	2.8	0.7
54	15	0.2	0.05	3	0.75
57.6	16	0.2	0.05	3.2	0.8
61.2	17	0.2	0.05	3.4	0.85
64.8	18	0.2	0.05	3.6	0.9
68.4	19	0.2	0.05	3.8	0.95
72	20	0.2	0.05	4	1
75.6	21	0.2	0.05	4.2	1.05
79.2	22	0.2	0.05	4.4	1.1
82.8	23	0.2	0.05	4.6	1.15
86.4	24	0.2	0.05	4.8	1.2
90	25	0.2	0.05	5	1.25
93.6	26	0.2	0.05	5.2	1.3
97.2	27	0.2	0.05	5.4	1.35
100.8	28	0.2	0.05	5.6	1.4
104.4	29	0.2	0.05	5.8	1.45
108	30	0.2	0.05	6	1.5

표 1에서와 같이, 차량의 이동 속도가 빨라질수록 자연적으로 스캔 간격이 멀어져서 구조물 또한 세밀하게 인식할 수 없게 된다.

그러므로 표 1에서와 같이 이상 패턴으로 나타나는 구조물이 반복적으로 측정된 간격(구조물의 반복 주기)은 이동속도(m/s) * 스캔주기(s)로 나타낼 수 있다.

다시 말해, 이동속도 10m/s이고 라이다 최대(빠른) 스캔 주기 0.05s를 곱하면 최대 반복 구조물 주기가 0.5m로 나오게 된다. 이 의미는 반복되는 구조물의 간격이 0.5m이상이면 이상 패턴으로 인식이 될 수 있다는 것을 의미한다. 그리고 0.5m이하의 간격으로 설치되어 있는 구조물은 실제 떨어져 있는 간격이 존재하더라도 이동 속도와 스캔 주기로 인해 라이다는 구조물이 아닌 단면으로 판단하게 되어 무의미한 패턴이 된다.

그리고 표 1에서 100km/h 이상의 이동 속도이면서 라이다 스캔 주기가 0.2초일 때 구조물 간격이 최소 6m이상은 떨어져있어야 이상 패턴으로 인식 할 수 있다.

이처럼 차량 위치 추정 장치(100)는 차량의 이동 속도를 추정하면, 설정된 라이다의 스캔 주기에 따라 1 차적으로 반복 구조물의 간격에 대한 이상 패턴을 조건을 설정할 수 있다.

표 1을 분석한 결과를 토대로 차량 위치 추정 장치(100)는 차량의 이동속도, 라이다 스캔 주기, 반복 구조물의 간격에 대한 이상 패턴(a)과 무의미 패턴(b)을 판단하는 조건을 다음 수학식 2와 같이 나타낼 수 있다.

[수학식 2]

여기서, V_car(m/s)은 이동속도, Lidar_frequency(s)는 라이다의 스캔 주기, Pattern(m)은 구조물(패턴) 간격을 의미한다.

수학식 2와 같이, 차량 위치 추정 장치(100)는 차량의 이동 속도 정보와 라이다 스캔 주기에 대한 정보를 이용하여 1차적으로 구조물의 간격을 이용하여 이상 패턴 또는 무의미한 패턴을 분류할 수 있다.

수학식 2는 이상 패턴 또는 무의미한 패턴을 구분하는 가이드 라인과 같은 개념으로 적용될 수 있다.

이때, 차량 위치 추정 장치(100)는 차량의 주행 정보(OBD:On Board Diagnostics)를 수집하는 경우, 차량의 속도를 수집하고 구조물의 간격을 추정하게 되면 수학식 2의 조건에 맞는 이상 패턴들 중에서 S130 단계에 따른 이상 패턴을 인식할 수 있다.

도 8은 한 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.

도 8을 참고하면, 차량 위치 추정 장치(100)는 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치(300)로, 본 발명의 동작을 실행하도록 기술된 명령들(instructions)이 포함된 프로그램을 실행한다.

컴퓨팅 장치(300)의 하드웨어는 적어도 하나의 프로세서(310), 메모리(320), 스토리지(330), 통신 인터페이스(340)를 포함할 수 있고, 버스를 통해 연결될 수 있다. 이외에도 입력 장치 및 출력 장치 등의 하드웨어가 포함될 수 있다. 컴퓨팅 장치(300)는 프로그램을 구동할 수 있는 운영 체제를 비롯한 각종 소프트웨어가 탑재될 수 있다.

프로세서(310)는 컴퓨팅 장치(300)의 동작을 제어하는 장치로서, 프로그램에 포함된 명령들을 처리하는 다양한 형태의 프로세서(310)일 수 있고, 예를 들면, CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 등 일 수 있다. 메모리(320)는 본 발명의 동작을 실행하도록 기술된 명령들이 프로세서(310)에 의해 처리되도록 해당 프로그램을 로드한다. 메모리(320)는 예를 들면, ROM(read only memory), RAM(random access memory) 등 일 수 있다. 스토리지(330)는 본 발명의 동작을 실행하는데 요구되는 각종 데이터, 프로그램 등을 저장한다. 통신 인터페이스(340)는 유/무선 통신 모듈일 수 있다.

본 발명의 차량 위치 추정 장치는 라이다 센서만을 활용하여 폐쇄 공간인 터널에서 차량의 이동 거리와 위치를 정확하게 추정할 수 있다.

또한 차량 위치 추정 장치는 획득한 라이다 형상의 이상 패턴에 기초하여 이동 거리와 인식 주기에 따른 시간 변화값에 따라 차량의 속도와 차선 단위의 정밀한 위치 추정이 가능하다

이와 같이, 차량 위치 추정 장치(100)는 터널 내부에서 차량의 이동 거리 및 주행 차선 정보를 추정함으로써, 자율 주행 또는 V2X에 활용가능하다.

또한, 기존에 자율주행 차량에 부착된 GPS, IMU와 결합이 용이하며, 이를 통해 높은 정확도의 위치 추정이 가능하다.

이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (13)

1. 적어도 하나의 프로세서에 의해 동작하는 차량 위치 추정 장치가 차량에 탑재된 라이다를 이용하여 터널을 통과하는 상기 차량의 위치를 추정하는 방법으로서,
   상기 라이다를 통해 수집된 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 진입한 터널의 기본 구조를 나타내는 기준 선형 패턴을 생성하는 단계,
   상기 차량이 이동하는 동안 스캔 시점별로 상기 라이다를 통해 수집된 점군 데이터들을 입력받고 스캔 시점별 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 선형 패턴을 생성하는 단계,
   스캔 시점별 선형 패턴과 상기 기준 선형 패턴을 비교하여 상기 기준 선형 패턴과 상이한 이상 패턴을 인식하고, 상기 이상 패턴에 해당하는 점군 데이터들의 수직선에 대한 높이 값들을 산출하는 단계, 그리고
   서로 상이한 스캔 시점에서 인식된 이상 패턴들 중에서 산출된 높이 값이 오차 범위 내에 일치하는 지점을 터널 내 동일 구조물로 추정하고, 서로 상이한 스캔 시점에 대응하여 상기 라이다의 위치와 상기 동일 구조물로 추정된 지점과의 거리 변화 값을 상기 차량의 이동 거리로 산출하는 단계
   를 포함하는 차량 위치 추정 방법.
2. 제1항에서,
   상기 점군 데이터들은,
   각 점군 데이터마다 상기 라이다의 스캔 시점, 반사 강도, 상기 라이다와의 거리 정보, 상기 거리 정보의 범위, 수평각 정보 그리고 수직각 정보를 포함하는 차량 위치 추정 방법.
3. 제2항에서,
   상기 선형 패턴을 생성하는 단계는,
   상기 수직각 정보가 증가함에 따라 일정한 간격으로 거리 정보가 증가하는 점군 데이터들의 영역을 상기 바닥면 영역으로 판단하고,
   상기 바닥면 영역의 수직각 정보 이상의 각도를 가지는 점군 데이터들을 연결하는 선형 패턴들을 획득하는 차량 위치 추정 방법.
4. 제3항에서,
   상기 선형 패턴을 생성하는 단계는,
   스캔 시점별 점군 데이터들의 수직각 정보와 반사 강도에 기초하여 선형 패턴을 생성하고,
   상기 점군 데이터들의 수직선에 대한 높이 값을 산출하는 단계는,
   상기 기준 선형 패턴의 반사 강도와 상이한 반사강도를 가지는 선형 패턴을 이상 패턴으로 인식하는 차량 위치 추정 방법.
5. 제4항에서,
   상기 점군 데이터들의 수직선에 대한 높이 값들을 산출하는 단계는,
   상기 점군 데이터들마다 상기 라이다의 수직각 정보와 상기 라이다와의 거리 정보에 기초하여 상기 라이다에 연결된 수평선과 직교하는 수직선에 대한 높이 값들을 산출하는 차량 위치 추정 방법.
6. 제5항에서,
   상기 차량의 이동 거리로 산출하는 단계는,
   상기 이상 패턴에 해당하는 점군 데이터들의 거리 정보 또는 반사 강도가 연속적으로 일정한 비율을 가지면 가장 높은 수직각 정보를 가지는 하나의 점군 데이터 이외의 다른 점군 데이터들을 제외하는 차량 위치 추정 방법.
7. 제3항에서,
   상기 선형 패턴을 생성하는 단계는,
   상기 바닥면 영역을 판단하면, 상기 바닥면 영역에서 상기 차량의 위치를 기준으로 좌우에 대한 횡단 비율과 각 차선에 대한 차선의 폭을 추정하여 상기 차량이 주행하는 차선 정보를 추정하는 차량 위치 추정 방법.
8. 제7항에서,
   상기 선형 패턴을 생성하는 단계는,
   상기 횡단 비율과 상기 바닥면 영역으로 판단한 수직각 정보가 동시에 변경되면 주행하는 차선이 변경된 것으로 판단하는 차량 위치 추정 방법.
9. 제1항에서,
   상기 라이다에 설정된 스캔 주기마다 인식된 이상 패턴의 점군 데이터들 중에서 수직각 정보에 기초하여 거리 정보 또는 반사 강도가 일정한 비율을 가지면 상기 점군 데이터들의 라이다의 수직각 정보, 라이다와의 거리 정보 그리고 높이 값들을 이용하여 이상 패턴의 점군 데이터들에 대한 간격을 산출하는 단계, 그리고
   점군 데이터들에 대한 간격에 비례하여 상기 라이다의 스캔 주기를 재설정하는 단계를 더 포함하는 차량 위치 추정 방법.
10. 컴퓨터로 판독 가능한 저장 매체에 저장되고 프로세서에 의해 실행되는 프로그램으로서,
    라이다를 통해 수집된 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 진입한 터널의 기본 구조를 나타내는 기준 선형 패턴을 생성하는 동작,
    상기 차량이 이동하는 동안 스캔 시점별로 상기 라이다를 통해 수집된 점군 데이터들을 입력받고 스캔 시점별 점군 데이터들의 수직각 정보와 거리 정보에 기초하여 선형 패턴을 생성하는 동작,
    스캔 시점별 선형 패턴과 상기 기준 선형 패턴을 비교하여 상기 기준 선형 패턴과 상이한 이상 패턴을 인식하고, 상기 이상 패턴에 해당하는 점군 데이터들의 수직선에 대한 높이 값들을 산출하는 동작, 그리고
    서로 상이한 스캔 시점에서 인식된 이상 패턴들 중에서 산출된 높이 값이 오차 범위 내에 일치하는 지점을 터널 내 동일 구조물로 추정하고, 서로 상이한 스캔 시점에 대응하여 상기 라이다의 위치와 상기 동일 구조물로 추정된 지점과의 거리 변화 값을 상기 차량의 이동 거리로 산출하는 동작
    을 실행하도록 기술된 명령들을 포함하는 프로그램.
11. 제10항에서
    상기 선형 패턴들을 획득하는 동작은,
    상기 수직각 정보가 증가함에 따라 일정한 간격으로 거리 정보가 증가하는 점군 데이터들의 영역을 상기 바닥면 영역으로 판단하고,
    상기 바닥면 영역의 수직각 정보 이상의 각도를 가지는 점군 데이터들을 연결하는 선형 패턴들을 획득하는 프로그램.
12. 제11항에서,
    상기 기준 선형 패턴은 상기 터널의 기본 구조에 따른 상기 라이다의 스캔 시점, 반사 강도, 상기 라이다와의 거리 정보, 수평각 또는 수직각 정보를 포함하고,
    상기 점군 데이터들의 수직선에 대한 높이 값을 산출하는 동작은,
    상기 기준 선형 패턴의 반사 강도와 상이한 반사강도를 가지는 선형 패턴을 이상 패턴으로 인식하는 프로그램.
13. 제12항에서,
    상기 차량의 이동 거리로 산출하는 동작은,
    상기 이상 패턴에 해당하는 점군 데이터들의 거리 정보 또는 반사 강도가 연속적으로 일정한 비율을 가지면 가장 높은 수직각 정보를 가지는 하나의 점군 데이터 이외의 다른 점군 데이터들을 제외하는 프로그램.
    

Images