Location Estimation Algorithm Based on the Particle Aided Unscented Kalman Filter for Autonomous Vehicle

Abstract

200 years ago, the vehicle with an engine is invented. From that time, the technologies used in the vehicle become more convenient and safe. In current days, with the development of computing ability and sensing technology, the vehicle starts to be controlled not only by the human but also controlled by the algorithm. Therefore, how to make the vehicle drive safely and correctly becomes a hot issue of current research. To control the autonomous vehicle correctly, the vehicle needs to recognize the surrounding environment precisely. One of the most important parameters of a vehicle is the location of the vehicle's global coordinate. In general, the location can be calculated by using the GPS(global positioning system) signal directly. However, Owing to the noisy global positioning system (GPS) signal and multipath routing in urban environments, a novel, practical approach is needed. Since the GPS can not provide precise location information, researchers have to find other methods. For estimating the state of vehicles precisely, researchers developed a map that contains precise road elements like a road sign, traffic sign, and surrounded buildings. With the map’s help, the algorithm can localize the vehicle by using the geometry relationship of the vehicle and surrounding road elements. However, not only the map has different kinds of noise, but also all the sensors mounted on the vehicle have different kinds of noise. There is no way the noises are all in Gaussian form. So a sensor fusion algorithm that can handle the Non-Gaussian noise in-vehicle information and sensor information is needed. In this study, a sensor fusion algorithm, PAUKF(particle aided unscented Kalman filter) is proposed. PAUKF trying to handle non-Gaussian noise and localizes the vehicle based on the map information. By using the information of the ground truth of the features and the detected features based on the sensors in the vehicle and the data of the vehicle, the PAUKF can estimate the global location of the vehicle precisely. The global position is estimated based on the features, thus the PAUKF does not reply to the signal of the GPS. The main part of the PAUKF can be divided into two parts. One is PF(particle filter) and the other one is UKF(unscented Kalman filter). The particle filter is an application of the Monte-Carlo methodology that can process all kinds of noise. The particle filter generates particles and compares the particles with the measurement from the sensors of the vehicle. The UKF is a version of the improved Kalman filter. The UKF generates several sigma points and processes the non-Gaussian noise by using these sigma points. By combining the PF and UKF as PAUKF, the PAUKF can filter the Non-Gaussian noise effectively and localizing the vehicle precisely and smoothly. The performance of PAUKF is evaluated based on the two kinds of platforms. One is the experiment based on the unmanned ground vehicle by using ROS, and the other one is based on the car-like autonomous vehicle based on the simulation. Both results of the simulation and real test prove that the effectiveness of the PAUKF compares to the other works of literature.

200년 전에, 엔진을 가진 자동차가 발명되었다. 이때부터 차량은 더욱 편리 해지고 안전 해졌다.이동체 및 이동 로봇과 같은 지상 이동체가 개발되면서, 이동체에 대한 연구가 많이 진행 되고 있다. 오늘날에는 컴퓨팅 능력과 센싱 기술의 발달로 이동체은 사람 뿐만 아니라 알고리즘에 의해서도 스스로 제어 되여 특정 임무를 수행하게 되였다. 알고리즘 기반으로 이동체를 정확하게 제어하려면 이동체의 상태를 정확하게 인식해야 한다. 이동체 상태의 가장 중요한 파라미터 중의 하나는 이동체 위치이다. 일반적으로 위치는 GPS(위성항법장치) 신호를 직접 사용해 취득할 수 있다. 그러나, 도시 환경에서 다양한 노이즈가 GPS신호에 영향을 주고 GPS 신호 다중 경로 라우팅 때문에, 이동체 위치 정밀도 요구에 만족하는 위치 정보를 취득하기 어렵다. 따라서, 이동체는 맵의 도움 받아 이동체와 주변 요소의 기하학적 관계를 이용하여 자기 이동체의 위치를 추정할 수 있다. 그러나 맵에도 측정 노이즈가 존재하고, 이동체에 탑재된 센서도 노이즈가 존재할 뿐만 아니라 노이즈 특성(가우시안, 비가우시안 등)도 다양하다. 따라서 센서의 가우시안 노이즈, 비가우시안 노이즈 필터링와 다양한 센서 정보를 융합하여 이동체의 위치를 추정하는 알고리즘이 필요하다. 본 연구에서는 센서 융합 알고리즘인 PAUKF를 제안하였다. 맵 정보, 이동체위치 예측 모델, 측정 모델, 다양한 센서를 기반으로 이동체위치를 추정한다. PAUKF의 주요 부분은 두 부분으로 나눌 수 있다. 하나는 PF이고 다른 하나는 UKF이다. PF는 이론적 모든 종류의 노이즈을 처리할 수 있는 Monte-Carlo 방법론의 응용이다. PF는 가상의 파티클을 이용하여, 이동체센서에서 측정한 값과의 오차를 기반으로 자기 이동체 위치를 추정한다. UKF는 개선된 Kalman 필터의 일종이다. UKF는 여러 시그마 포인트를 생성하고 이러한 시그마 포인트를 사용하여 가우시안 및 비가우시안 노이즈를 필터링한다. PAUKF는 PF와 UKF의 특성을 융합하여 비가우시안 노이즈를 효과적으로 필터링하고 차량의 위치를 정확하게 추정할 수 있다. PF 기반으로 맵 매칭 진행하여 먼저 자신의 위치를 추정하고, UKF에서 PF에서 처리한 정보를 이용하여 자신의 위치를 최종으로 추정한다. PAUKF는 맵 정보를 이용하기 때문에, PAUKF는 GPS없는 환경에서도 연속적으로 정확한 위치정보를 취득할 수 있다. PAUKF는 일종의 일반적인 센서 퓨전 알고리즘으로서, 특정 타겟 하드웨어에만 적용할 수 있는 것이 아니다. 하드웨어 동특성에 따라서, PAUKF의 예측모델만 수정하면 알고리즘을 어떻한 하드웨어 플랫폼에도 다 사용가능하다. 따라서, PAUKF알고리즘은 2가지 방법으로 검증하였다. 한가지는 ROS(로봇 작동 시스템)를 기반으로 실제 UGV를 이용하여 검증하였다. UGV 기반의 실험은 이동체가 UGV 기반의 예측모델을 PAUKF에 적용한 다음, 실내환경에서 제한된 특징점을 이용하여 자기 위치를 교정하는 것이다. 다른 한 가지는 차량 형태의 이동체에 PAUKF를 적용하여 특징점이 많고, 속도가 높은 환경에서 시뮬레이션 검증 진행하여 알고리즘의 성능 검증하였다. 두가지 방법으로 검증한 결과 및 기타 연구 결과와 비교를 통해, PAUKF의 위치 추정 성능을 확인 할 수 있었다.