도시 GPS 사각지대에서 협업 위치추정: 포인트 클라우드 융합

초록

본 논문은 V2V·V2I 통신을 활용해 차량과 도로 인프라에서 수집한 LiDAR·스테레오 카메라 포인트 클라우드를 실시간 SLAM에 통합하고, FPFH 기반 특징과 ICP‑RANSAC 정합을 통해 GPS 오차를 밀리미터 수준으로 감소시키는 협업 위치추정 프레임워크를 제안한다. CARLA 시뮬레이션 실험에서 기존 GPS·SLAM 대비 2~3 orders of magnitude 향상된 정확도를 확인하였다.

상세 분석

이 연구는 도시 환경에서 GPS 신호가 다중 경로·건물 차폐 등으로 크게 왜곡되는 문제를 해결하기 위해, 차량 자체 센서와 도로 인프라에 설치된 센서가 생성하는 3차원 포인트 클라우드를 공유·융합하는 V2X 기반 협업 위치추정 방식을 설계하였다. 핵심은 두 단계 정합 파이프라인이다. 첫 번째 단계에서는 각 차량이 LiDAR·스테레오 카메라로 얻은 포인트 클라우드를 온라인 SLAM(그래프 기반 혹은 EKF 기반)으로 처리해 자체 궤적과 로컬 맵을 생성한다. 이때 SLAM은 누적 드리프트와 GPS 노이즈에 취약하므로, 두 번째 단계에서 인프라(교차로에 배치된 LiDAR·카메라)와 인근 차량이 제공하는 포인트 클라우드 집합을 FPFH(Fast Point Feature Histograms)로 특징화한다. FPFH는 33차원 히스토그램으로 표면 법선·곡률·각도 정보를 압축해 정합 초기값을 제공한다. 이후 ICP(Iterative Closest Point)와 RANSAC을 결합한 하이브리드 정합을 수행한다. RANSAC은 최소 샘플(3~4점)으로 모델을 추정하고, 인lier를 판별해 외란에 강인한 변환을 얻으며, ICP는 이를 미세 조정한다. 정합 결과는 전역 기준 맵에 대한 변환 행렬 T∈SE(3)으로 표현되며, 이 행렬을 이용해 ego‑vehicle의 로컬 포인트 클라우드와 전역 맵을 정렬함으로써 GPS 기반 위치 추정값을 보정한다.

실험은 CARLA 시뮬레이터에서 네 가지 시나리오(평행 교차, 정지 차량, 수직 교차, 좌회전)와 세 가지 센서 배치(인프라 4대·에이전트 2대, 인프라 4대, 인프라 2대)를 조합해 수행되었다. 결과는 GPS 오류가 817 m 수준인 반면, 순수 SLAM은 0.090.16 m, 단순 정합은 0.0259 m(센서 구성에 따라 크게 변동)이며, 제안된 융합 방식은 ‘유효 프레임’만을 선별해 0.0090.028 m(밀리미터 수준)의 오류로 크게 개선되었다. 특히 인프라와 에이전트 데이터를 동시에 활용한 4_infra_2_agent 구성에서 가장 일관된 정합 품질과 낮은 RMSE를 기록하였다.

논문은 데이터 전송 지연, 센서 캘리브레이션, 대규모 교통 상황에서의 스케일링 문제를 한계점으로 제시하고, 향후 딥러닝 기반 특징 추출·융합, 엣지 컴퓨팅을 통한 실시간 처리, 실제 도시 환경에서의 필드 테스트 등을 연구 로드맵으로 제시한다.