자율주행 로봇의 실내·외 주행을 위한 위치 인식 알고리즘 개선

1. 자율주행 로봇의 시스템 구성

자율주행 로봇은 다양한 환경에서 운행될 수 있으므로, 주행 플랫폼은 여러 환경적 변화에 대응할 수 있어야 한다. 또한, 자율주행 시스템의 안정적인 주행을 고려하여 다음과 같은 플랫폼을 사용하였다. 플랫폼이 낼 수 있는 최대 속도는 7km/h이다.

자율주행 로봇의 시스템 구성은 그림 2와 같은 구조로 설계되어 있다. 이 시스템은 위치 추정을 담당하는 SLAM 모듈과 GNSS 모듈을 포함하며, 두 모듈은 각각 독립적으로 작동한다. SLAM 컨트롤러는 Ouster OS1-32 라이다와 라이다에 내장된 IMU 데이터를 활용하여 3D 지도를 생성한다. 이를 기반으로 현재 위치 정보인 (x, y, z) 좌표와 방향 정보인 orientation 값 (x, y, z, w)을 계산한다. 이러한 데이터 처리는 SLAM 컨트롤러 내부에서 이루어지며, 처리된 데이터는 상위 제어기로 전달된다. 상위 제어기는 GNSS 모듈과 연결되어 NMEA 프로토콜을 통해 위도, 경도, 및 헤딩 정보를 받는다. 또한, 이 컨트롤러는 SLAM 모듈의 데이터를 GNSS 데이터 형식에 맞게 변환하여 일치시킨다. 변환된 데이터는 속도와 조향 값을 계산하는 데 사용되며, 이후 플랫폼 컨트롤 유닛으로 전달된다. 이 컨트롤 유닛은 모터와 조향을 제어하여 로봇의 움직임을 구현한다.

Fig. 1.

Autonomous driving robot platform.

Fig. 2.

System configuration of the autonomous driving robot.

Table 1.

Specifications of the autonomous driving robot platform.

2. SLAM의 알고리즘

SLAM 과정은 스캔 데이터의 왜곡 보정으로 시작된다. 로봇 이동 중에 발생하는 스캔 데이터와 실제 환경 간 불일치를 센서 이동을 예측해 수정하며, 곡률을 기준으로 평면상의 특징점과 모서리 점만 추출해 효율성을 높인다. 이후, 현재 프레임과 이전 프레임을 비교해 특징점을 활용한 프레임 매칭으로 로봇의 위치와 회전을 추정한다. 추정된 데이터는 과거 프레임 데이터를 통합하여 지도를 확장하고, 위치 추정에 활용된다. 마지막으로 루프 클로저 단계에서 이전에 지나온 장소를 다시 스캔해 누적된 오차를 보정하고 지도의 정확도를 높인다.

3. SLAM과 GNSS의 좌표계 통합

SLAM 시스템과 GNSS 시스템은 서로 다른 좌표계를 사용하기 때문에, 이 두 시스템을 원활히 전환하려면 좌표계를 통합하는 과정이 필요하다. SLAM 시스템은 위치 추정을 할 때 사용하는 지도를 생성할 때 로봇이 바라보는 각도에 따라 좌표계가 달라지는 반면, GNSS는 고정된 좌표계를 기반으로 절대적인 세계 좌표를 제공한다. 따라서 SLAM의 상대 좌표계를 GNSS의 절대 좌표계로 변환하는 작업이 필수적이다. 본 연구에서 사용된 SLAM 모듈은 GNSS와 연동하여 지도를 생성하면 LAS 형식의 지도 파일을 취득할 수 있다. 이 지도는 센서의 위치를 (0, 0, 0)으로 설정하지만, 좌표계 방향은 GNSS 좌표계를 기준으로 포인트 클라우드 데이터를 표현한다. 반면, 위치 추정을 위해 사용되는 PLY(또는 KDLM) 형식의 지도는 로봇이 지도 생성을 시작할 때의 플랫폼 방향을 기준으로 좌표계를 정의하며, 로봇의 앞쪽을 x축, 왼쪽을 y축으로 설정한다.

Fig. 3.

Algorithm of LiDAR-Based SLAM.

Fig. 4.

Example of LAS and PLY coordinate systems.

Fig. 5.

Example of point clouds in LAS and PLY formats.

따라서, 특정 지역의 지도를 생성한 후, SLAM에서 생성된 상대적인 좌표계를 GNSS 좌표계와 일치시키기 위해 두 가지 변환 과정을 거쳐야 한다. 먼저, PLY 좌표계를 LAS 좌표계와 맞추기 위해 회전 변환을 수행한다. 그다음, 이렇게 변환된 좌표계를 GNSS 좌표계와 정렬시키기 위해 평행 이동 변환을 적용한다. 이러한 변환 과정을 통해 SLAM과 GNSS 시스템 간의 좌표계를 통합하여 데이터를 일관되게 처리할 수 있다. 본 연구의 로봇이 자율주행을 할 때는 UTM 평면 좌표계를 사용하므로 z축은 고려하지 않는다. LAS와 PLY 지도의 회전 각도를 구하려면, 두 지도에서 동일한 한 점을 기준으로 각 지도의 방향 벡터를 구한 후 이를 이용해 계산한다. θ는 벡터의 내적, 외적 그리고 atan2 함수를 통해 구할 수 있다. 그다음, 회전 변환과 평행 이동변환을 통해 SLAM의 PLY 좌표계를 UTM 좌표계로 일치 시킨다. 수식으로 나타내면 다음과 같다.

ㆍP: PLY 좌표계 (로봇의 원점 0, 0)
ㆍL: LAS 좌표계 (로봇의 원점 0, 0)
ㆍU: UTM 좌표계 (로봇의 원점 x′, y′)

(1) PLY에서 LAS로의 회전 변환

ㆍθ : PLY 좌표계에서 LAS 좌표계로 변환 시 회전 각도

(2) LAS에서 UTM으로의 평행 이동변환

최종 변환 행렬은 다음과 같다.

최종 좌표 변환 식은 다음과 같다.

x′와 y′ 값은 Cloud Compare 소프트웨어에서 LAS 파일을 불러오는 과정에서 확인할 수 있다. 위 과정을 통해 SLAM 시스템에서 실시간으로 출력되는 위치 데이터를 UTM 좌표계로 변환하여 출력할 수 있다.

4. SLAM Yaw와 GNSS Heading의 기준 방향 정합

두 시스템을 전환하며 로봇을 제어하려면 시스템 간 방향 기준이 일치해야 한다. 이를 위해 SLAM 모듈에서 출력되는 쿼터니언 형태의 orientation 값 (x, y, z, w)을 기반으로 yaw 값을 계산하고, 이를 GNSS 모듈의 heading 값과 일치시켜야 한다. Yaw 값을 구하는 과정은 식 (5)에 나타나 있으며, 이를 구하기 전에 앞서 orientation의 (x, y, z, w) 값을 다른 좌표축이나 벡터 요소와 구분하기 위해 (q_x, q_y, q_z, q_w) 라고 정의하였다.

Yaw 값을 GNSS의 heading 값과 일치시키기 위해서는 두 값의 증가 방향과 기준을 맞추는 과정이 필요하다. GNSS heading은 0°에서 시작해 시계방향으로 360°까지 증가하는 반면, SLAM yaw는 오른손 좌표계를 사용하여 쿼터니언을 계산하므로 0°를 기준으로 반시계 방향으로 증가한다. 따라서 SLAM의 yaw 값을 GNSS heading과 동일한 증가 방향으로 맞추기 위해 yaw 값의 부호를 반전하여 기준 축의 방향성을 통일하였다. 또한, 두 값의 기준 차이를 보정하는 과정이 필요하다. GNSS heading은 항상 북쪽(UTM y축)을 0°로 측정하지만, SLAM yaw는 초기 지도 생성 시 로봇의 앞쪽을 0°로 설정하는 차이가 존재한다. 이를 보정하기 위해 SLAM의 로컬 좌표계를 GNSS (UTM) 좌표계로 변환할 때 계산된 회전 변환 각도에 90°의 오프셋을 추가하였다. 이는 SLAM 좌표계를 GNSS 좌표계와 정렬하면 SLAM yaw 값이 0°에서 북쪽을 바라보게 되지만, GNSS 기준에서는 SLAM yaw 값이 동쪽(UTM x축)을 가리키기 때문이다. 이러한 변환을 적용함으로써 SLAM yaw 값을 GNSS heading과 일치시킬 수 있었으며, 이를 통해 두 센서 시스템의 데이터를 하나의 조향 알고리즘에서 원활하게 스위칭하여 사용할 수 있도록 하였다.

Fig. 6.

The 0° reference and direction for GNSS heading and SLAM yaw.

5. SLAM과 GNSS의 시스템 우선순위 결정

SLAM 시스템과 GNSS 시스템을 함께 사용할 때, 두 시스템의 조건이 모두 충족되면 어느 시스템을 기반으로 사용할지 결정해야 한다. 본 연구에서의 자율주행로봇은 고속주행을 하지 않으므로 로봇이 정지 상태일 때의 정지 위치오차, 그리고 로봇의 실험 주행 속도인 3.5km/h에서 SLAM과 GNSS의 동적 위치오차를 실험하고 이 결과를 바탕으로 시스템의 우선순위를 결정하였다. 정지 상태에서의 위치오차를 비교하기 위해 자율주행 로봇을 정차시키고, 5분 동안 데이터를 수집하여 SLAM과 GNSS의 위치오차를 분석하였다. GNSS 시스템은 RTK GPS를 기반으로 하였고. 보정신호를 활용해 매우 정확한 위치를 추정하는 상태인 ‘Fixed’ 상태에서 실험하였다. 동적 위치오차는 바닥에 테이프를 붙여서 직선으로 주행하는 방식으로 측정하였으며, INS (Inertial Navigation System)를 이용해 경로 데이터인 RDDF (Route Data Definition File)를 생성한 뒤 로봇을 3.5km/h로 주행시키며 두 시스템을 각각 평가하였다. 실험의 목적은 로봇이 주행할 때 두 시스템이 데이터 누락 없이 정확한 위치 추정이 이루어지는지 확인하고, 위치오차를 확인하는 것이다.

실험은 그림 7에 나타난 것처럼 나무가 울창한 비정형 숲속 환경에서 진행되었다. 표 2의 결과에서 볼 수 있듯이, 정적 및 동적 위치오차는 일반적으로 알려진 RTK-GPS의 오차 범위(±5cm)에 비해 상대적으로 크게 나타났다. 이는 숲과 같은 환경에서는 GNSS 위성 신호 수신이 나무나 지형 등의 영향으로 방해를 받아 위치오차가 증가했기 때문으로 판단된다. 동적 위치오차 실험의 경우, 두 시스템 모두 주행에 따른 데이터 누락은 없었으며, 본 연구에서는 측위 정확도 비교자료와 두 시스템의 정지 위치오차와 동적 위치오차를 종합적으로 고려하여 SLAM을 기본 시스템으로 설정하였다.

Fig. 7.

Test Environment for SLAM and GNSS error analysis.

Table 2.

The Error of SLAM and GNSS.

6. SLAM 시스템 사용조건

SLAM 데이터는 초당 10Hz로 입력되며, 시스템은 로봇이 현재 주변 환경과 기존 지도 데이터를 비교하여 일치한다고 판단하면 데이터를 출력하지만, 일치하지 않는다고 판단하면 데이터를 출력하지 않다가 다시 자신의 위치를 파악하면 데이터를 출력한다. 이러한 시스템 특성 때문에 자율주행 로봇이 위치를 잃어버리는 시점을 예측하는 것이 어렵다. SLAM 시스템이 매우 짧은 시간(0.1초 또는 0.2초) 동안 위치를 잃는 상황이 발생할 수 있다. 그러나 이러한 순간적인 위치 손실이 발생할 때마다 GNSS로 즉시 전환하면, 잦은 시스템 전환으로 인해 경로 추종의 안정성이 저하될 가능성이 있다. 이를 고려하여, SLAM이 위치를 잃더라도 1초 이내에 위치를 다시 추정할 수 있다면 시스템이 정상적으로 작동하도록 설계하였다. 유지 시간을 1초로 설정한 이유는 본 연구에서 자율주행 중 허용 가능한 경로 추종 오차를 1m 이내로 정했기 때문이다. 로봇의 속도를 3.5km/h로 설정했을 때, SLAM 데이터가 1초 동안 갱신되지 않더라도 약 0.98m 이동에 그쳐 허용 오차 범위 내에서 안정성이 확보될 것으로 판단하였다. 또한, SLAM 데이터가 1초 동안 갱신되지 않는 동안, SLAM이 위치 추정을 잃기 전의 마지막 위치를 계속 로봇에 출력하는 방식으로 시스템을 설계하였다. 다만, 이 유지 시간은 로봇의 속도에 따라 조정되어야 하며, 다양한 주행 조건에 맞춰 최적화가 필요하다.

Fig. 8.

SLAM-based SLAM-GNSS transition algorithm.

7. GNSS 시스템 사용조건

GNSS 데이터는 초당 10Hz로 입력되며, SLAM 시스템과 달리 신호 상태를 구분할 수 있어 이를 기준으로 사용조건을 판단할 수 있다. 앞서 언급한 것처럼, 허용 가능한 경로 추종 오차를 1m 이내로 설정하였으며, 이전 실험에서 확인한 GNSS 위치오차를 기반으로 GNSS 신호 상태가 Fixed인 경우에만 GNSS 시스템을 사용하도록 설계하였다.

8. 시스템 전환 알고리즘

기본 시스템은 SLAM 기반으로 운용되며, SLAM 시스템이 1초 이상 데이터 갱신을 하지 못할 경우, GNSS 신호 상태를 확인하여 GNSS 시스템으로 전환한다. 이때, SLAM 데이터가 갱신되지 않는 동안에는 마지막으로 확인된 SLAM 위치 데이터를 계속 출력한다. GNSS 신호 상태가 Fixed인 경우에만 GNSS 시스템으로 전환되며, 그 외의 상태에서는 로봇이 주행을 멈추고 두 시스템의 위치 추정 상태가 개선될 때까지 대기한다. 이후, 두 시스템 중 하나라도 상태가 개선되면 해당 시스템을 통해 자율주행을 재개하며, 자율주행을 재개할 때도 SLAM 시스템은 기본 시스템으로서 항상 우선하여 사용된다. 또한, SLAM 시스템 또는 GNSS 시스템으로 주행하는 동안 경로점 도착 여부를 지속해서 확인하여, 도착 시 주행을 종료하고, 도착하지 않았으면 주행을 계속 이어간다.

1. 실험 개요

실험 1과 실험 2는 환경에 따라 SLAM과 GNSS 시스템이 어떻게 작동하는지를 확인하는 실험이다. 다양한 환경에서 로봇을 직접 조종하며 INS를 활용해 RDDF를 생성한 뒤, SLAM과 GNSS 시스템을 이용해 각각 자율주행을 수행하였다. 이후, INS를 통해 주행 경로 데이터를 수집하고, 각 시스템의 경로 추종 성능과 경로 오차를 비교하였다. 실험 3은 시스템 전환 알고리즘의 성능을 검증하는 실험으로, SLAM과 GNSS가 각각 정상적으로 작동하지 않는 구간을 포함한 환경에서 진행되었다. INS 없이 수동 주행을 통해 RDDF를 생성한 후, 전환 알고리즘을 적용하여 자율주행을 수행하면서 두 시스템 간의 원활한 전환 여부를 평가하였다. 실험에서 자율주행 로봇의 주행 속도는 3.5km/h로 설정하였으며, LAD (Look-Ahead Distance)는 3.5m로 설정하였다.

2. 실험 1. 숲길

약 320m 길이의 숲길로, 나무들로 인해 GNSS 수신 상태가 개활지에 비해 떨어질 수 있는 환경이다. SLAM과 GNSS 두 시스템을 사용하여 경로 추종 자율주행을 수행한 결과, SLAM 시스템은 경로를 따라 길의 정중앙을 정확히 이동했지만, GNSS 시스템은 특정 구간(그림 10의 녹색 화살표)에서 길 가장자리로 치우쳐 운행하는 모습을 보였다. SLAM은 평균오차가 0.13m, 표준편차가 0.14m였고, GNSS는 평균오차가 0.38m, 표준편차가 0.23m였다.

Fig. 9.

Experiment 1: Forest path environment.

Fig. 10.

Experiment 1: Tracking paths (Forest path).

3. 실험 2. 숲길-운동장 순환경로

약 450m 길이의 숲길과 운동장을 지나가는 경로로, 운동장에서는 주변 환경에서 특징점을 찾기 어려워 SLAM의 위치 추정이 어려워질 수 있는 환경이다.

SLAM 시스템은 여러 번의 실험에서 경로 추종에 성공하기도 했으나, 실패한 사례도 있었다(그림 13의 녹색 경로). 녹색 추종 경로를 보면, 주황색 화살표의 시작 지점에서 특징점을 인식하지 못해 위치 추정에 실패했으며, 화살표 끝 지점에서 다시 위치를 추정한 뒤 경로 추종을 재개하였다. 반면, GNSS 시스템은 운동장 구간에서도 안정적으로 경로를 추종하였다. 성공 시 SLAM의 평균오차는 0.14m, 표준편차는 0.15m였으며, GNSS의 평균오차는 0.27m, 표준편차는 0.15m로 나타났다. SLAM은 위치를 추정할 수 있으면 추종 오차가 적었지만, 위치 추정에 실패하면 치명적인 결과를 초래할 수 있었다. 반면, GNSS는 SLAM에 비해 경로 추종 오차는 다소 컸지만, 위치 추정에 실패하는 경우는 없었다.

Fig. 11.

Experiment 1: Path tracking error of SLAM and GNSS.

Fig. 12.

Experiment 2: Forest-open filed route.

Fig. 13.

Experiment 2: Tracking paths (Forest-open filed route).

Fig. 14.

Experiment 2: Path tracking error of SLAM and GNSS.

4. 실험 3. 터널-빌딩 숲-운동장-실내

앞선 실험 결과, 숲이나 실내처럼 하늘이 가려진 환경에서는 GNSS 시스템의 경로 추종 성능이 떨어지는 반면, 운동장과 같은 특징점이 없는 넓은 공터에서는 SLAM 시스템이 더 취약하게 작동함을 확인하였다. 이를 바탕으로, GNSS 시스템이 취약한 터널과 실내, 그리고 SLAM 시스템이 어려움을 겪는 운동장을 포함한 경로를 구성하고, 시스템 전환 알고리즘을 적용하여 경로를 추종하는 자율주행 실험을 수행하였다. 실험 장소는 홍익대학교 서울캠퍼스이며, 주행 거리는 약 500m이다.

수동으로 이동하며 취득한 SLAM과 GNSS의 RDDF 데이터를 분석한 결과, GNSS는 터널과 빌딩 숲의 일부 구간에서 위치 정확도가 크게 저하되었으며, 실내에 진입한 이후로는 데이터를 전혀 수신하지 못해 경로 데이터를 획득하는 데 실패했다. 이는 GNSS만으로는 해당 경로에서 경로 추종 자율주행이 불가능함을 의미한다. 반면, SLAM을 활용한 RDDF 데이터는 GNSS와 비교했을 때 모든 구간에서 상대적으로 더 정확한 경로 데이터를 확보할 수 있었다. 따라서 최종적으로 SLAM 기반 RDDF를 활용하여 시스템 전환 알고리즘을 적용한 자율주행 실험을 수행하였다. 실험 결과, 운동장 중심부에서만 GNSS 시스템으로 전환하여 주행했으며, 이를 제외한 모든 구간에서는 SLAM 시스템을 활용한 경로 추종 자율주행이 원활하게 이루어졌음을 확인하였다. 또한, 실내 구간과 실외 구간을 이동하는 데에도 문제가 없음을 확인하였다. 그림 18은 SLAM 기반 RDDF 데이터를 이용하여 시스템 전환 실험을 수행한 결과를 보여준다.

Fig. 15.

Experiment 3: Tunnel-urban-open field-indoor.

Fig. 16.

Experiment 3: Driving environment.

Fig 17.

Comparison of RDDF between SLAM and GNSS.

Fig. 18.

Driving path with localization algorithm.