search

GNSS 기반 통합 측정 플랫폼(기초)

hashtag
개념 정립

GNSS(Global Navigation Satellite System) 기반 통합 측정 플랫폼이란, 다양한 센서(예: IMU, 차량 주행 거리 센서, 카메라 등)에서 획득한 정보를 GNSS 정보와 통합하여 지상 혹은 공중에서의 정밀 위치, 자세, 속도 등을 추정하기 위한 시스템 전반을 의미한다. GNSS 단독으로 측정 시 위성 가시성 저하, 전리층 및 대류층 오차, 멀티패스(multipath) 등으로 인해 발생하는 오차 문제를 극복하기 위해 다른 센서 및 측정 장치와 결합함으로써 정확도와 신뢰도를 높일 수 있다.

hashtag
기본 구조

통합 측정 플랫폼에서 각 센서로부터 얻는 측정 정보는 물리적 측정량(예: 가속도, 각속도, 거리, 시간, 영상 등)에 따라 다양한 형식을 갖는다. 이때, 센서 측정값을 추정 이론(예: 칼만 필터, 비선형 옵티멀 필터, 인과 필터)과 결합함으로써 노이즈를 줄이고, 추정값의 분산을 최소화하는 방향으로 시스템을 설계한다. 시스템 설계 시 고려해야 할 핵심 요소는 다음과 같다.

  1. 시스템 상태 변수: GNSS 좌표, 센서별 바이어스(bias), 자세 정보 등 추적할 상태 값 정의

  2. 측정 모델: GNSS 신호 및 기타 센서의 물리적 특성에 기반한 신호 모델 수립

  3. 오차 모델: 각 센서 오차 및 GNSS 에러 소스에 대한 통계적 특성 모델링

  4. 필터 구조: 센서 융합을 위한 상호보완적 혹은 적응적 구조 구성

hashtag
통합 측정 신호 모델

일반적인 칼만 필터 계열의 알고리즘을 고려하면, 불연속(discrete) 시간에서의 시스템 상태 모델은 다음과 같이 표현할 수 있다.

x(k+1)=Fk x(k)+Bk u(k)+w(k)\mathbf{x}(k+1) = \mathbf{F}_k \,\mathbf{x}(k) + \mathbf{B}_k \,\mathbf{u}(k) + \mathbf{w}(k)

  • 여기서 $\mathbf{x}(k)$는 시간 스텝 $k$에서의 시스템 상태 벡터(예: 위치, 속도, 자세 및 센서 바이어스 등)를 나타낸다.

  • $\mathbf{F}_k$는 상태 전이를 나타내는 행렬이며, 센서의 동역학 모델과 GNSS 측정 주기 등을 복합적으로 고려해 정의된다.

  • $\mathbf{B}_k$는 제어 입력(가령 IMU 가속도 측정치 등)을 상태에 반영하는 행렬이고, $\mathbf{u}(k)$는 제어 입력 벡터다.

  • $\mathbf{w}(k)$는 시스템 동역학에 대한 잡음(noise)이며 일반적으로 가우시안 분포를 가정한다.

GNSS와의 측정 관계는 다음과 같은 일반적 관측 방정식을 통해 기술할 수 있다.

z(k)=Hk x(k)+v(k)\mathbf{z}(k) = \mathbf{H}_k \,\mathbf{x}(k) + \mathbf{v}(k)

  • $\mathbf{z}(k)$는 GNSS 수신부에서 처리된 측정량(예: pseudorange, carrier phase, Doppler) 혹은 기타 센서 측정량을 포함한다.

  • $\mathbf{H}_k$는 상태 벡터를 측정값으로 사상(mapping)하는 관측 행렬이고, 센서 특성에 따라 동적으로 변화할 수 있다.

  • $\mathbf{v}(k)$는 측정 잡음으로서 일반적으로 백색 가우시안 노이즈(white Gaussian noise)를 가정하지만, GNSS 오차의 경우 위성 상태, 전리층·대류층 모델 등에 따라 시간적, 공간적으로 상관성이 있을 수 있다.

hashtag
센서 융합 구조 예시 (mermaid)

spinner

hashtag
센서 동기화

GNSS를 이용한 통합 측정 플랫폼에서는 시간 동기화가 매우 중요하다. GNSS 수신기는 GPS 타임 스탬프 혹은 다른 위성 시스템의 기준시를 활용해 비교적 정밀한 시간 기준을 제공하지만, IMU(관성측정장치)나 차량 주행 거리 센서(odometry) 등은 각 센서 내부 시계가 다르거나, 내부 필터링 지연 등이 발생할 수 있다. 따라서 센서별 측정값을 효과적으로 융합하기 위해서는 다음과 같은 시간을 고려해야 한다.

  1. GNSS 기준시: GPS 타임, GLONASS 타임 등 보정된 UTC(협정세계시)

  2. 보조 센서 시간: IMU나 차량 ECU(전자제어장치) 내부의 로컬 클록(local clock)을 기반으로 하는 센서 타임

  3. SW 프로세스 타임: 운영체제(OS) 혹은 중앙 제어 프로세스에서 관리하는 시각

센서 동기화 방식은 크게 하드웨어 동기화와 소프트웨어 동기화로 나눌 수 있다. 하드웨어 동기화의 경우 GNSS PPS(Pulse Per Second) 신호를 기준으로 센서를 트리거(trigger)하는 방법이 있으며, 소프트웨어 동기화는 측정 시점의 타임 스탬프를 별도로 기록하고 후처리 과정에서 융합 전에 시간 오차를 최소화한다.

hashtag
좌표계 변환

센서 융합 시, GNSS가 제공하는 위치 정보는 일반적으로 지구중심지구고정좌표계(ECEF, Earth-Centered Earth-Fixed)나 경위도좌표계(위도·경도·고도) 형태로 제공된다. 반면 IMU 등 관성센서에서 측정된 가속도와 각속도는 센서가 설치된 본체(body) 좌표계에서 정의된다. 따라서 다음과 같은 좌표계 변환 과정을 고려해야 한다.

  1. 지구중심지구고정좌표계(ECEF) → 지역 수평 좌표계(ENU, East-North-Up)

    • GNSS 수신기로부터 제공되는 $\mathbf{p}_{\text{ECEF}}$ (3차원 위치)를 기준관측 지점(예: 초기화 지점)에 맞추어 ENU 좌표계로 변환

    • 변환 행렬 $\mathbf{R}_{\text{ECEF}\rightarrow\text{ENU}}$을 통해

    pENU=RECEF→ENU pECEF\mathbf{p}_{\text{ENU}} = \mathbf{R}_{\text{ECEF}\rightarrow\text{ENU}} \,\mathbf{p}_{\text{ECEF}}

    Body 좌표계 → Local 좌표계(ENU 등)

    • IMU가 측정하는 가속도, 각속도는 body 프레임에서 표현되므로, 이를 ENU 좌표계로 변환하기 위해 자세(orientation)를 표현하는 회전 행렬 또는 쿼터니언이 필요

    • 예를 들어 자세 회전 행렬을 $\mathbf{C}_{b\rightarrow\text{ENU}}$라 할 때,

    aENU=Cb→ENU ab,ωENU=Cb→ENU ωb\mathbf{a}_{\text{ENU}} = \mathbf{C}_{b\rightarrow\text{ENU}} \,\mathbf{a}_b,\quad \boldsymbol{\omega}_{\text{ENU}} = \mathbf{C}_{b\rightarrow\text{ENU}} \,\boldsymbol{\omega}_b

    이러한 좌표계 변환 과정을 통해 GNSS와 보조 센서 정보를 동일한 좌표계에서 표현하게 되며, 동일 기준의 측정식을 구성할 수 있다.

hashtag
필터링 알고리즘 개요

GNSS 기반 통합 측정 플랫폼에서 센서 융합을 위해 가장 널리 쓰이는 알고리즘 계열은 칼만 필터이다. GNSS 오차가 비교적 작고, 시스템이 선형에 가깝다면 선형 칼만 필터를 사용할 수 있지만, 일반적으로는 상태 방정식 또는 측정 방정식이 비선형 형태이므로 확장 칼만 필터(EKF), 무향 칼만 필터(UKF), 혹은 파티클 필터(PF) 등이 사용된다.

  1. 확장 칼만 필터(EKF)

    • 측정 모델이나 시스템 모델이 비선형일 때, 1차 테일러 전개를 통해 국소적으로 선형화한 뒤 칼만 필터를 적용

    • 상대적으로 계산량이 적고 구현이 간단하지만, 선형화에 따른 근사 오차와 분산 과소 추정 문제가 발생할 수 있음

  2. 무향 칼만 필터(UKF)

    • 샘플링 기법(시그마 포인트)을 이용해 비선형 모델을 근사

    • EKF에 비해 선형화 과정에서 발생하는 오차를 완화할 수 있으나, 샘플링 포인트 수가 증가하여 계산량이 늘어나는 단점이 있음

  3. 파티클 필터(PF)

    • 몬테카를로 시뮬레이션 기반으로 상태 추정을 수행

    • 임의분포 형태의 상태추정도 가능하지만, 매우 큰 계산량과 이른바 “입자 희박화(particle depletion)” 문제 발생 가능

hashtag
확장 칼만 필터 구조의 예

확장 칼만 필터(EKF)를 통해 GNSS 측정 플랫폼에서의 상태 추정을 예시로 들면, 예측 단계와 갱신 단계를 아래와 같이 정의할 수 있다.

  1. 예측(Prediction) 단계

    x^k−=f(x^k−1+,uk)Pk−=Fk Pk−1+ FkT+Qk\mathbf{\hat{x}}_{k}^- = f(\mathbf{\hat{x}}_{k-1}^+,\mathbf{u}_k) \\ \mathbf{P}_{k}^- = \mathbf{F}_k \,\mathbf{P}_{k-1}^+\,\mathbf{F}_k^\mathsf{T} + \mathbf{Q}_k

    • $\mathbf{\hat{x}}_{k}^-$: 시간 $k$에서의 예측 상태값

    • $\mathbf{P}_{k}^-$: 예측 공분산(covariance)

    • $\mathbf{F}_k$: 상태 선형화에 따른 야코비(Jacobian)

    • $\mathbf{Q}_k$: 프로세스(시스템) 잡음 공분산

  2. 갱신(Update) 단계

    • 칼만 이득(Kalman gain)

      Kk=Pk− HkT(Hk Pk− HkT+Rk)−1\mathbf{K}_k = \mathbf{P}_{k}^- \,\mathbf{H}_k^\mathsf{T} \left( \mathbf{H}_k \,\mathbf{P}_{k}^- \,\mathbf{H}_k^\mathsf{T} + \mathbf{R}_k \right)^{-1}

    • 상태값 갱신

      x^k+=x^k−+Kk(zk−h(x^k−))\mathbf{\hat{x}}_{k}^+ = \mathbf{\hat{x}}_{k}^- + \mathbf{K}_k \left( \mathbf{z}_k - h(\mathbf{\hat{x}}_{k}^-) \right)

      공분산 갱신

      Pk+=(I−Kk Hk)Pk−\mathbf{P}_{k}^+ = \left( \mathbf{I} - \mathbf{K}_k \,\mathbf{H}_k \right)\mathbf{P}_{k}^-

      여기서 $\mathbf{z}_k$는 GNSS 및 기타 센서 측정값, $h(\cdot)$은 측정 방정식의 비선형 함수, $\mathbf{H}_k$는 상태 벡터를 측정값으로 사상하는 야코비, $\mathbf{R}_k$는 측정 잡음 공분산이다.

hashtag
IMU/GNSS 융합 방정식

IMU와 GNSS를 융합하는 경우, IMU 출력(가속도 $\mathbf{a}$ 및 각속도 $\boldsymbol{\omega}$)을 적분하여 위치와 자세를 추정하는 동안 발생하는 드리프트(drift), 바이어스(bias), 스케일 팩터(scale factor) 등의 오차를 GNSS 측정으로 보정한다. IMU 오차를 상태 벡터에 포함해 확장 칼만 필터를 구성할 수 있는데, 이를 단순화하면 다음과 같이 나타낼 수 있다.

  1. 상태 벡터

    x=[pvΘbgba]\mathbf{x} = \begin{bmatrix} \mathbf{p} \\ \mathbf{v} \\ \mathbf{\Theta} \\ \mathbf{b}_g \\ \mathbf{b}_a \end{bmatrix}

    • $\mathbf{p}$, $\mathbf{v}$: 위치, 속도 (예: ENU 좌표계)

    • $\mathbf{\Theta}$: 자세(오일러 각 혹은 쿼터니언 형태 등)

    • $\mathbf{b}_g$, $\mathbf{b}_a$: 자이로 바이어스, 가속도 바이어스

  2. 동역학 방정식

    • 예측 단계에서, IMU 측정값을 활용해 적분 연산 수행

    pk+1=pk+vkΔt+12(C(Θk)[ak−ba,k]+g)Δt2vk+1=vk+(C(Θk)[ak−ba,k]+g)ΔtΘk+1=Θk+ωk−bg,k\mathbf{p}_{k+1} = \mathbf{p}_k + \mathbf{v}_k \Delta t + \frac{1}{2} \bigl(\mathbf{C}(\mathbf{\Theta}_k)\left[\mathbf{a}_k - \mathbf{b}_{a,k}\right] + \mathbf{g}\bigr)\Delta t^2 \\ \mathbf{v}_{k+1} = \mathbf{v}_k + \bigl(\mathbf{C}(\mathbf{\Theta}_k)\left[\mathbf{a}_k - \mathbf{b}_{a,k}\right] + \mathbf{g}\bigr)\Delta t \\ \mathbf{\Theta}_{k+1} = \mathbf{\Theta}_k + \boldsymbol{\omega}_k - \mathbf{b}_{g,k}

    • $\mathbf{C}(\mathbf{\Theta})$는 자세에 따른 회전 행렬, $\mathbf{g}$는 중력 가속도(ENU 좌표계에서 보정된 형태)

  3. 측정 방정식

    • GNSS가 제공하는 위치 측정값 $\mathbf{p}_{\text{GNSS}}$을 사용

    zGNSS=H x+v\mathbf{z}_{\text{GNSS}} = \mathbf{H}\,\mathbf{x} + \mathbf{v}

    여기서 $\mathbf{H}$는 상태 벡터에서 위치 성분을 추출하는 행렬, $\mathbf{v}$는 GNSS 측정 잡음이다.

hashtag
IMU 오차 모델

IMU(관성측정장치)의 대표적 오차 요소는 바이어스(bias), 스케일 팩터(scale factor), 마운팅 미스얼라인먼트(mounting misalignment), 그리고 노이즈(noise)로 구분한다. 이를 상태 벡터에 포함하거나, 오차를 별도의 보정 과정에서 추정해 제거할 수 있다. 대표적으로 아래와 같은 단순화된 모델을 고려할 수 있다.

  1. 자이로(각속도 센서) 오차 모델

    • 바이어스:

      bg(k+1)=bg(k)+wg(k)\mathbf{b}_g(k+1) = \mathbf{b}_g(k) + \mathbf{w}_g(k)

      여기서 $\mathbf{w}_g(k)$는 바이어스가 천천히 변화하는 과정을 나타내는 랜덤 워크(random walk) 항이다.

    • 스케일 팩터 및 미스얼라인먼트 오차를 포함한 일반화 모델은 다음과 같은 형태를 취할 수 있다.

      ωmeas(k)=(I+ΔSg)ω(k)+Mg ω(k)+bg(k)+ng(k)\boldsymbol{\omega}_\text{meas}(k) = \bigl(\mathbf{I} + \Delta\mathbf{S}_g\bigr)\boldsymbol{\omega}(k) + \mathbf{M}_g\,\boldsymbol{\omega}(k) + \mathbf{b}_g(k) + \mathbf{n}_g(k)

      여기서 $\Delta\mathbf{S}_g$는 스케일 팩터 행렬, $\mathbf{M}_g$는 미스얼라인먼트 행렬, $\mathbf{n}_g(k)$는 센서 측정 노이즈이다.

  2. 가속도계 오차 모델

    • 바이어스:

      ba(k+1)=ba(k)+wa(k)\mathbf{b}_a(k+1) = \mathbf{b}_a(k) + \mathbf{w}_a(k)

      자이로의 경우와 유사하게, $\mathbf{w}_a(k)$는 랜덤 워크 항이다.

    • 일반화된 측정 방정식:

      ameas(k)=(I+ΔSa)a(k)+Ma a(k)+ba(k)+na(k)\mathbf{a}_\text{meas}(k) = \bigl(\mathbf{I} + \Delta\mathbf{S}_a\bigr)\mathbf{a}(k) + \mathbf{M}_a\,\mathbf{a}(k) + \mathbf{b}_a(k) + \mathbf{n}_a(k)

      $\Delta\mathbf{S}_a$는 스케일 팩터 행렬, $\mathbf{M}_a$는 미스얼라인먼트 행렬, $\mathbf{n}_a(k)$는 측정 노이즈이다.

이러한 오차 요소들은 시간이 지남에 따라 변하거나 열적, 기계적 충격 등에 의해 달라질 수 있으므로, 통합 측정 플랫폼에서 동적인 바이어스 추정과 같은 보정 메커니즘을 포함해야 한다.

hashtag
GNSS 측정 오차 모델

GNSS 측정치(예: 위상 측정, 도달 시간 측정)는 다양한 요소에 의해 오차가 발생한다. 주파수, 관측 모드, 위성 궤도 파라미터 등에 따라 세분화하여 모델링할 수 있으나, 통합 측정 플랫폼의 차원에서 주로 고려되는 항목은 다음과 같다.

  1. 위성 궤도 및 시계 오차

    • 각 GNSS 위성의 궤도 정밀도와 위성 시계 오차가 측정에 영향을 미친다.

    • 일반적으로 위성 궤도 보정 자료(ephemeris)와 시계 보정(clock correction)을 통해 수 미터 이내로 정밀도를 유지할 수 있으나, 더욱 정밀한 RTK(Real-Time Kinematic)나 PPP(Precise Point Positioning) 기법을 활용하면 개선 가능하다.

  2. 전리층 및 대류층 지연

    • 전리층(ionosphere)과 대류층(troposphere)을 통과하는 과정에서 GNSS 신호가 굴절, 지연되며, 이는 측정치에 편차를 일으킨다.

    • 전리층 오차는 주파수에 따라 달라지므로, 듀얼 주파수 측정(예: L1/L2)을 통해 1차 보정이 가능하다.

    • 대류층 지연은 고도, 기상 상태 등을 반영해 모델링하거나, 별도의 대기 센서, 기압계 등을 통해 추정 가능하다.

  3. 멀티패스(multipath)

    • 도심 환경이나 반사면이 많은 지역에서는 위성 신호가 직접 경로(direct path) 외에 반사 경로(reflected path)로도 수신기까지 도달하여, 코드 위상 및 반송파 위상에 오차를 유발한다.

    • 멀티패스는 스무딩(smoothing) 기법, 안테나 설계, 혹은 측정 환경을 고려한 사후처리로 완화할 수 있다.

  4. 수신기 내부 노이즈와 필터링

    • 수신기의 하드웨어 설계, 내부 잡음특성, 추적 루프(예: PLL, FLL, DLL) 파라미터 등에 의해 측정 노이즈가 결정된다.

    • 고성능 수신기는 잡음 스펙이 좋고, 다양한 GNSS 신호(GPS, GLONASS, Galileo, BeiDou 등)를 동시에 추적하여 측정 가용성이 높다.

hashtag
보조 센서와의 결합

IMU 외에도, 차량 주행 거리 센서(odometry), 지자기 센서(magnetometer), 압력 센서(barometer), 카메라(vision), LiDAR, 초음파 센서 등 다양한 보조 센서를 통합 측정 플랫폼에 연결할 수 있다. 센서 결합 시에는 각 센서의 측정 특성(측정 빈도, 동적 범위, 오차 양상 등)을 고려하여 다음을 검토한다.

  1. 측정 주기와 지연

    • 예: GNSS 수신기는 1 Hz10 Hz 측정, IMU는 수백 Hz수천 Hz, 카메라는 수십 Hz 등

    • 센서별 관측 시간 축을 통일해야 하며, 동기화 알고리즘 설계가 중요하다.

  2. 측정 정보의 상호보완성

    • 예: 카메라는 시각 정보로부터 특수 표식을 인식하여 정확한 자세 정보를 제공할 수 있지만, 시계열 안정성이 낮을 수 있다.

    • IMU는 순간적인 움직임 추정에 강점이 있지만 누적 오차가 발생한다.

    • GNSS는 절대 위치 제공이 가능하지만 신호 차폐나 멀티패스 문제로 일시적으로 측정이 불안정할 수 있다.

  3. 센서 모델 및 노이즈 특성

    • 각 센서별 측정 방정식과 노이즈 공분산을 적절히 설정해야 칼만 필터나 기타 최적화 알고리즘이 수렴한다.

hashtag
보정 아키텍처 (mermaid)

아래는 GNSS/IMU 외에도 odometry, 카메라 센서를 함께 결합하는 플랫폼의 개략적 보정 구조 예시다.

spinner

이 구조에서 각 센서는 시간축을 통일해 필터에 입력되며, 필터 내부에서 센서별 오차를 추정하고 보정한다.

hashtag
소프트웨어 구조

GNSS 기반 통합 측정 플랫폼을 소프트웨어로 구현할 때, 일반적으로 다음과 같은 계층적 구조를 갖는다.

  1. 드라이버 레벨

    • 각 센서(GNSS, IMU, 카메라 등)에서 데이터를 수집하고, 원시(raw) 형태 또는 간단한 전처리 형태로 상위 레벨에 전달

    • ROS(Robot Operating System)나 DDS(Data Distribution Service) 등 미들웨어 사용 가능

  2. 동기화 및 버퍼 레벨

    • 센서별 도착 시각을 기록하고, 타임 스탬프 기반의 버퍼를 구성

    • 콜백(callback) 또는 메시지 큐 구조를 이용해 특정 시점의 센서 자료를 집계

  3. 센서 융합 필터 레벨

    • 확장 칼만 필터, UKF, 파티클 필터 등에서 요구되는 상태 벡터, 공분산 행렬을 관리

    • 예측/갱신 루프를 일정 주기로 수행하며, 추정 결과를 상위 레벨에 전달

  4. 응용 레벨

    • 최종적으로 추정된 위치, 속도, 자세 정보를 활용해 경로 계획, 지도 매칭, 경고 시스템 등 애플리케이션 개발

hashtag
센서 캘리브레이션

IMU, 카메라, 차량 주행 거리 센서 등을 GNSS와 함께 사용하는 경우, 각 센서 간의 설치 위치와 자세(마운팅 파라미터) 및 내부 오차 파라미터에 대한 사전 캘리브레이션이 필수적이다. 캘리브레이션은 센서 융합 시 오차가 체계적으로 반영·보정되도록 하는 단계이며, 대표적으로 다음을 포함한다.

  1. IMU 캘리브레이션

    • 축 정렬(alignment)이 정확하지 않거나, 스케일 팩터, 바이어스가 존재하기 때문에, 회전 테이블(Rotation table)이나 정적/동적 테스트를 통해 센서 특정 축에 가해지는 운동과 실제 측정값을 비교하여 파라미터를 추정

    • 반복 측정을 통해 통계적 특성을 파악하고, 각축 간 교차 결합(cross-coupling)이나 비선형 항이 있는지 점검

  2. 카메라 캘리브레이션

    • 내부 파라미터(초점 거리, 주점(Principal point), 왜곡 계수 등) 및 외부 파라미터(센서가 장착된 차량 본체 좌표계 대비 카메라 자세) 추정

    • 체스보드 패턴(chessboard pattern)이나 특정 마커(marker)를 촬영하여 여러 각도·거리에서 수집된 이미지 데이터를 기반으로 수행

  3. 차량 주행 거리 센서(odometry) 캘리브레이션

    • 자동차의 바퀴 반경, 엔코더(pulse per revolution) 특성, 미끄럼 여부, 회전 편차 등이 오도메트리 측정에 영향을 준다.

    • 일정 구간(예: 정확한 거리로 측정된 주행 코스)을 반복 주행하며, 실제 주행 거리와 센서 측정치를 비교하여 보정 계수(스케일 팩터) 등을 추정

  4. 마운팅 파라미터(Extrinsic) 캘리브레이션

    • 서로 다른 센서들(예: IMU와 카메라, GNSS 안테나, 차량 본체)을 하나의 좌표계로 일관성 있게 변환하기 위해, 센서 간 상대 위치·자세를 측정

    • 레이저 트래커나 측량 장비를 이용해 물리적으로 측정하거나, 주행 데이터를 통한 자동 보정(online calibration) 기법 적용 가능

hashtag
무결성 및 신뢰도 측정

통합 측정 플랫폼에서는 센서 융합 결과에 대한 무결성(integrity)과 신뢰도(reliability) 판단이 중요하다. 특정 센서가 오작동(malfunction)하거나 GNSS 오차가 과도해지는 순간을 파악할 수 있어야, 시스템 전체의 안전성과 정확성을 확보할 수 있다.

  1. GNSS 무결성 모니터링

    • RAIM(Receiver Autonomous Integrity Monitoring) 기법으로 위성 측정값 중 이상치(outlier)나 누적 오차를 탐지

    • 측정량 잔차(residual) 분석, 여러 위성 조합을 통한 자가 진단 등을 통해 위성 궤도·시계 오차나 수신기 이상을 구분

  2. 센서 이상 탐지

    • IMU나 오도메트리, 카메라 등에서 정상 범위를 벗어나는 측정치 발생 시, 필터 내부 잔차가 급격히 증가하거나 추정 공분산이 비정상적으로 커질 수 있다.

    • 하드웨어 혹은 소프트웨어적으로 센서 이상 상태를 판별하는 알고리즘(예: 수치적 안정성 체크, χ²-테스트, 혁신(innovation) 검사)을 적용

  3. 안전 마진 및 경보(Alarm) 체계

    • 항공 분야에서는 GNSS/DME/DME, GNSS/INS 결합을 통한 이중·삼중 중복 구조로 안전 마진을 높인다.

    • 자율주행 차량 등에서도 GNSS가 일시적으로 차단되면, IMU나 LiDAR, 카메라 등을 통해 위치 추정을 지속하되, 신뢰도 지표를 추산하여 운전자나 상위 시스템에 경고를 발생

hashtag
고등 기법 적용

GNSS 기반 통합 측정 플랫폼에서 요구 정밀도 및 목적에 따라 다양한 고등 기법을 적용할 수 있다.

  1. RTK(Real-Time Kinematic)

    • 기준국(base station)과 이동국(rover) 간의 반송파 위상 측정을 이용해 센티미터 단위 정확도를 달성

    • 이동국에서는 보정 정보(RTCM 메시지 등)를 수신하여 GNSS 측정치에 적용

    • 통합 측정 플랫폼 관점에서는, RTK 보정을 받으면 GNSS 측정 노이즈가 현저히 낮아지므로 IMU와의 결합 시 즉각적인 바이어스 추정 개선 효과가 있음

  2. PPP(Precise Point Positioning)

    • 전 세계적 기준망(IGS 등)에서 추정된 정밀 위성 궤도, 시계, 전리층 모델 정보를 사용하여 단독 측정(stand-alone) 방식으로도 데시미터~센티미터 수준 정확도가 가능

    • 초기 수렴 시간(convergence time)이 수십 분에 이를 수 있으나, 다중 주파수·다중 위성 시스템을 이용하면 단축 가능

  3. 맵 매칭(Map Matching) 및 SLAM

    • 도로지도를 활용하여 차량이 실제 주행 가능한 영역을 제한적으로 고려함으로써 GNSS 측정 오차를 줄이거나,

    • LiDAR나 카메라를 이용한 SLAM(Simultaneous Localization And Mapping)을 함께 수행하여, 환경에서 추출된 특징점(landmark)으로 위치·자세를 추정

    • GNSS가 끊기는 도시 협곡이나 실내·지하 환경에서 유용

  4. 기계학습(ML)·딥러닝 활용

    • 센서 퓨전 과정에서 발생하는 비선형 관계나 복합적 잡음 패턴을 딥러닝 모델로 학습시켜, 필터의 예측 단계나 측정 업데이트 단계를 보조

    • 예: IMU 바이어스 추세를 LSTM(Long Short-Term Memory) 등으로 학습, GNSS 신호 이상치 검출 등에 CNN(Convolutional Neural Network) 사용

hashtag
구현 사례

다음은 GNSS 기반 통합 측정 플랫폼을 구성할 때 고려되는 구현 사례 일부이다.

  1. 단종속 센서(레이싱 드론, 로봇 등)

    • 소형 IMU와 저가 GNSS 모듈을 결합하여, EKF 기반 위치 추정

    • 저가 센서 특성상 노이즈가 크고, GNSS 측정 빈도가 낮을 수 있으므로, 움직임이 격한 환경에서는 광학 흐름(Optical flow) 센서나 비전 센서 등을 추가적으로 사용

  2. 자율주행 차량

    • 멀티 GNSS 모듈(예: GPS, GLONASS, Galileo, BeiDou 동시 추적) + 고성능 IMU(FOG, MEMS 등) + LiDAR/Camera/레이다(Radar) 융합

    • 도심부 등에서 지하차도 구간에는 GNSS 신호가 차단되므로, 관성항법 + 비전 SLAM이나 맵 매칭을 통해 위치 정보를 보정

    • RTK 또는 PPP-RTK 서비스를 이용해 오차 범위를 수십 cm 이하로 유지

  3. 항공기/무인기(드론) 내비게이션

    • 항공 분야에서는 INS/GNSS 결합이 매우 일반적이며, 향상된 무결성 모니터링 알고리즘(예: ARINC 743/743A 표준) 적용

    • 무인기(드론)의 경우 소형·경량화된 IMU와 RTK GNSS, 또는 시각-관성 융합(Visual-Inertial Odometry, VIO)로 안정적인 비행 구현

hashtag
적응형 필터(Adaptive Filtering)

이동체의 동특성(가속도, 회전, 센서 상태 등)이나 GNSS 관측 환경(가시 위성 개수, 신호 품질 등)이 시시각마다 크게 달라지는 경우, 고정된 공분산 행렬로 구성된 필터는 최적 추정 성능을 유지하기 어렵다. 따라서 다음과 같은 적응형 기법을 고려한다.

  1. Adaptive Measurement Noise Covariance

    • GNSS 측정 환경이 악화(도심부 멀티패스, 위성 수 감소 등)되면 $\mathbf{R}_k$(측정 잡음 공분산)을 증가시켜, 필터가 GNSS 측정값을 덜 신뢰하도록 조정

    • 반대로 위성 상태가 양호하면 $\mathbf{R}_k$를 줄여 GNSS 측정 반영을 강화

  2. Adaptive Process Noise Covariance

    • 이동체가 급격히 회전하거나, IMU가 높은 진동 노출 시, 시스템 노이즈($\mathbf{Q}_k$)을 일시적으로 키워서 상태 추정의 불확실성을 유연하게 반영

    • 정상 주행이나 정지 상태에서는 $\mathbf{Q}_k$를 줄여 필터 수렴성을 높임

  3. Hybrid Approaches

    • 파티클 필터나 무향 칼만 필터 등에 적응형 노이즈 모델을 결합, 혹은 딥러닝 기반 “노이즈 예측 모듈”을 별도로 마련하여 시시각 변화에 대응

hashtag
로버스트 추정(Robust Estimation)

센서 융합 과정에서 GNSS 측정치나 보조 센서 출력에 극단값(outlier)이나 비정상 잡음이 발생하는 경우, 전통적 칼만 필터나 최소제곱 기반 추정 알고리즘은 성능 저하를 겪을 수 있다. 이를 방지하기 위해 로버스트 추정 기법을 도입하기도 한다.

  1. M-추정(M-Estimator)

    • 잔차(residual)에 대해 가중 함수를 도입하여, 큰 잔차가 발생하는 측정값에 대한 영향도를 줄이는 기법

    • 예: Huber, Cauchy, Tukey 등 다양한 로버스트 비용 함수를 칼만 필터의 “혁신(innovation)” 항에 적용

    • 잔차의 절댓값이 일정 임계값을 넘어가면, 점차 측정값의 영향도를 0에 가깝게 만들거나 제한한다.

  2. RANSAC(Random Sample Consensus)

    • 측정 집합에서 outlier가 다수 포함될 수 있을 때, 샘플을 무작위로 선택하면서 모델을 적합시키고, 해당 모델에 호환되는(inliers) 측정치만으로 최종 해를 구함

    • GNSS 측정치 중 특정 위성들의 멀티패스 영향이 심하거나, 카메라 특징점 매칭에서 오차가 큰 것이 많을 때 사용 가능

    • 실시간 구현이 다소 복잡할 수 있으나, 간헐적(예: batch 처리)으로 적용하여 측정치 필터링에 활용할 수 있음

  3. 혁신 게이팅(Innovation Gating)

    • 칼만 필터 갱신 과정에서 “혁신 벡터(innovation)”가 통계적으로 너무 크면 이상치로 판단해 해당 측정값을 배제하거나, 공분산 $\mathbf{R}_k$를 크게 늘려 반영 비중을 줄임

    • 일반적으로 혁신의 노름(norm)에 대해 χ²-분포를 가정해 임계값을 설정

hashtag
그래프 기반 최적화(Factor Graph)

최근에는 칼만 필터 계열 알고리즘 외에도, 그래프 기반 최적화 기법(예: GTSAM, Ceres Solver 등)을 활용하여 GNSS와 IMU, 카메라, LiDAR 정보를 통합하는 사례가 늘어나고 있다.

  1. 因子그래프(Factor Graph) 구성

    • 상태(노드, vertex)와 센서 관측(因子, factor)를 하나의 그래프 형태로 구성

    • 예: 시간에 따른 IMU 적분(운동 방정식), GNSS 위치 측정, 카메라 관측(특징점·비전 분기) 등 모든 항을 ‘제약(constraint)’으로 간주

    • 전체 노드에 대해 오차 함수의 합을 최소화하는 최적화 문제를 풀어, 전체 궤적(trajectory)과 센서 바이어스 등을 한꺼번에 추정 가능

  2. 비선형 최소제곱 문제

    min⁡X∑i∥hi(X)−zi∥Λi2\min_{\mathbf{X}} \sum_i \left\| h_i(\mathbf{X}) - \mathbf{z}_i \right\|^2_{\mathbf{\Lambda}_i}

    • $\mathbf{X}$는 모든 시점에서의 상태(위치, 자세, 바이어스 등)의 모음

    • $h_i(\mathbf{X})$는 $i$-번째 인자(측정) 모델

    • $\mathbf{z}_i$는 실제 센서 관측값, $\mathbf{\Lambda}_i$는 오차 공분산의 역행렬(정보 행렬)

    • 가우스-뉴턴, Levenberg-Marquardt, Dogleg 방법 등 다양한 수치적 방법으로 문제를 풀이

  3. 장단점

    • 장점: 모든 센서 자료를 장기간 누적해 함께 최적화하므로, 국소(instantaneous) 추정보다 정밀도 향상 가능. IMU 드리프트, GNSS 오차, 카메라 스케일 불확정성 등을 상호 보완

    • 단점: 계산량이 크고, 실시간 적용 시 효율적 희소성(sparsity) 관리, 마르코프 구조 활용 등이 필수. 칼만 필터에 비해 구현 복잡도가 높을 수 있음

hashtag
실시간 적용과 연산 자원 고려

GNSS 기반 통합 측정 플랫폼은 대부분 실시간 또는 준실시간으로 동작해야 한다. 따라서 각 알고리즘의 연산 복잡도와 하드웨어 리소스를 충분히 고려해야 한다.

  1. 임베디드 시스템

    • 자율주행 차량이나 드론에는 제한된 CPU, GPU, 전력 환경에서 센서 퓨전을 실행해야 한다.

    • EKF, UKF 등은 상대적으로 계산량이 적어 실시간 구현이 용이하지만, 세분화된 모델이나 그래프 기반 최적화는 고성능 프로세서가 필요할 수 있다.

  2. 분산처리 및 클라우드 연동

    • 일부 복잡한 처리(예: 고정밀 지도 매칭, 큰 시계열 데이터 최적화, 딥러닝 등)는 클라우드 서버나 엣지(edge) 컴퓨팅 노드로 분산시켜, 차량이나 로봇 단말기의 부담을 줄이는 방안 모색

    • 통신 지연(latency), 네트워크 안정성 등을 고려해 부분적·보조적으로 활용 가능

  3. 하드웨어 가속

    • GPU 병렬 연산, FPGA나 ASIC(특정 연산 가속기) 등 하드웨어 솔루션을 통해, 그래프 기반 최적화나 딥러닝 모델의 실시간성을 보장

    • 연구 단계에서는 x86 기반 데스크톱 환경 + CUDA, TensorRT 등을 활용하는 경우가 많으나, 양산차나 드론에는 저전력 임베디드 환경에서의 최적화가 중요

hashtag
장애 요소와 대처 방안

GNSS 기반 통합 측정 플랫폼을 실제 운영할 때, 다양한 장애 요소가 발생할 수 있다.

  1. GNSS 신호 차단 및 재획득

    • 터널, 지하, 고층빌딩 사이 등 GNSS 수신 불가능 구역에서 IMU, 오도메트리, SLAM 등의 관성형·상대형 추정만으로 운영

    • 재획득 후 GNSS 측정 갱신 시, 자세히 관리하지 않으면 필터 수렴이 불안정해질 수 있음

  2. 센서 결함/고장

    • 보조 센서(IMU, 카메라, LiDAR 등) 노출 또는 단선, 노이즈 급증 등으로 결함 발생 시 필터가 오동작할 위험

    • 센서 이상점(비정상 값)을 빠르게 탐지하고, 대체 센서나 안전 모드로 전환하는 로직 필요

  3. 환경 변화

    • 계절별로 도로면 반사 특성, 날씨(비, 눈), 기온 등에 따라 센서 특성 달라질 수 있음

    • 카메라 영상 확보가 어려운 야간 주행, 안개·눈비 등에서는 LiDAR, 레이다 등 다른 센서로 보강

  4. 시간·공간적 규제

    • 어떤 국가나 지역에서는 GNSS 간섭(전파 교란), 전파 제한 구역 등이 존재

    • 자율주행 자동차나 드론 운용 시, 무선 통신 규제나 비행 허가 등 제도적 요소를 고려해야 함

hashtag
품질 평가 방법

시스템 성능을 객관적으로 평가하기 위한 지표와 시험 절차를 마련해야 한다.

  1. 오차 통계

    • 위치 오차(RMSE, CEP, 95% 확률 한계), 속도 오차, 자세 오차 등을 다양한 시나리오(도심, 교외, 터널 등)에서 측정

    • GNSS/INS 결합에서 가장 중요한 스펙으로, 요구 정확도(예: 수십 cm, 1 m 이하 등)에 따라 측정 시나리오 설계

  2. 가용도(Availability)와 신뢰도(Reliability)

    • GNSS 신호 품질이 낮아도 센서 융합으로 위치 추정이 가능한 시간 비율

    • 센서 또는 알고리즘 고장 시 안전 정지(fail-safe)로 전환하거나, 하위 레벨 추정 모드로 전환하는 사례까지 포함

  3. 실차(실드론) 시험 주행/비행

    • 시뮬레이터(Software-in-the-Loop, Hardware-in-the-Loop)로 1차 검증 후, 실제 차량이나 드론에 탑재하여 주행/비행 시험

    • GNSS·IMU·카메라·LiDAR 로그(log)를 모두 저장, 사후 분석(offline post-processing)으로 결과 검증

hashtag
표준화 및 규제

GNSS 기반 통합 측정 플랫폼은 안전과 신뢰도가 매우 중요하므로, 국제·산업별로 다양한 표준 및 규제 사항이 적용된다.

  1. GNSS 신호 표준

    • GPS, GLONASS, Galileo, BeiDou 등 각 위성 항법 시스템별로 신호 구조(주파수, 코딩 방식, 메시지 포맷)에 대한 ICD(Interface Control Document)가 제정되어 있다.

    • RTCM(Radio Technical Commission for Maritime Services)에서는 RTK나 DGPS 등을 위한 교정 정보 메시지 표준을 정의한다.

  2. 항공 분야(ARINC, RTCA DO 시리즈)

    • 상업용 항공기에는 ARINC 743(Aviation GPS Receiver), RTCA DO-229(WAAS MOPS), DO-253(LAAS MOPS), DO-316(ADS-B), DO-178C(소프트웨어 안전) 등 각종 표준이 적용

    • GNSS/INS 결합 항법장치(실제 항공기에 탑재되는 FMS, Flight Management System) 설계 시, 위 표준 준수를 통해 인증 과정을 거쳐야 한다.

  3. 자동차 분야(ISO 26262, SAE 등)

    • 자율주행 시스템에서는 ISO 26262(도로 차량 기능 안전 표준)를 준수하여 센서 융합 알고리즘 및 전자제어장치(ECU) 소프트웨어를 개발

    • SAE International은 자율주행(운전자 지원~완전 자율) 단계 분류(SAE J3016)와 함께 센서 융합 관련 가이드라인, 성능 평가 메트릭을 연구

    • RTK, PPP 같은 정밀 측위 서비스를 사용할 때 통신 규약(RTCM, NTRIP 등) 준수 및 오류 감지·완화 기법을 의무화하기도 한다.

  4. 철도·해상·기타 교통

    • 철도 분야에서는 ERTMS/ETCS(European Rail Traffic Management System/European Train Control System) 내에서 GNSS 센서 보완 역할이 검토되고 있다.

    • 해상 분야는 IMO(International Maritime Organization) 기준, IALA(International Association of Marine Aids to Navigation and Lighthouse Authorities) 권고 등으로 DGPS, DGNSS 사용에 관한 가이드라인이 존재

    • 드론(무인기) 분야에서는 각국 항공청(FAA, EASA 등)에서 BVLOS(Beyond Visual Line of Sight) 운용 조건, GNSS 활용시 성능 요건 등에 대한 규제가 정립되고 있다.

hashtag
대표 응용 분야별 특이점

GNSS 기반 통합 측정 플랫폼은 다양한 응용 분야에서 각기 다른 요구사항과 제약을 가진다.

  1. 정밀 농업

    • 대규모 농지 자동 경작(트랙터, 콤바인 등)에 RTK GNSS + IMU를 결합해 선회 오차를 최소화

    • 농지 지형 특성(언덕, 경사지) 및 위성 차폐 문제 해결을 위해 기준국 설치 또는 PPP-RTK 서비스 활용

  2. 건설·중장비

    • 도로 공사, 건설 현장에서 중장비(굴착기, 불도저)의 위치·자세 제어

    • GNSS 수신 불량 지역(밀폐 구조물, 지하)에는 토탈 스테이션이나 로컬 RTK 네트워크, UWB(Ultra-Wideband) 등 대체 측위 기술도 병행

  3. 산업용 로봇/AGV(Autonomous Guided Vehicle)

    • 공장이나 물류 센터 내에서 AGV가 자율 주행하려면 GNSS가 전혀 수신되지 않을 수 있어, INS/odometry + LiDAR/SLAM이 주가 됨

    • 실외 주행이 병행될 때만 GNSS를 추가 결합

  4. 스포츠·레저(드론 레이싱, 익스트림 스포츠 등)

    • 드론 레이싱 등에서는 빠른 자세 변화와 고속 이동으로 인해 GNSS 측정 주파수(1~10 Hz)가 부족, IMU 기반 고주파 추정이 필수

    • GPS+GLONASS+Galileo 등을 동시 추적하여 위성 집단을 최대화하고, 관성센서를 통한 빠른 보간(interpolation)으로 궤적 안정화를 꾀함

hashtag
연구 개발 동향

GNSS 기반 통합 측정 플랫폼은 학계·산업계에서 지속적으로 발전하고 있으며, 주요 트렌드는 다음과 같다.

  1. 다중 주파수 및 다중 별자리(Multi-frequency, Multi-Constellation) 활용

    • 기존 GPS L1 단일 주파수 → GPS L1/L2/L5, Galileo E1/E5, BeiDou B1/B2 등 여러 주파수 대역을 동시에 수신

    • 복수의 GNSS별 위성을 모두 활용하면 가시 위성 수가 증가, 측정 정확도 향상 및 전리층 오차 보정 능력 개선

  2. 어셔런스 내비게이션(Assured PNT)

    • 군사·보안 분야에서 GNSS 간섭(jamming), 스푸핑(spoofing) 위협에 대비하여, IMU나 천문 측량, 비주얼 매칭 등 독립 경로를 통해 PNT(Position, Navigation, Timing) 보강

    • 상용 차량 분야에서도 점차 보안 위험에 대비한 인증·암호화된 GNSS 신호, 보조 센서 통합 감시 기술이 중요시됨

  3. 양자(Quantum) 센서, 초고감도 IMU 연구

    • MEMS 기반 IMU 한계를 넘기 위해 광섬유 자이로(FOG), 링 레이저 자이로(RLG), 원자간섭계 기반 IMU(Quantum IMU) 등 초정밀 센서 연구가 진행

    • 위성 신호가 전혀 없는 극지나 우주 환경에서 독립적으로 항법을 수행할 수 있는 차세대 관성 센서

  4. 5G/6G 이동통신 기반 정밀측위와 융합

    • GNSS가 불안정한 실내·도심 환경에서는 5G/6G 통신 인프라의 라운드 트립 타임(RTT) 측정 등을 통해 수십 cm~m급 측위 가능

    • GNSS/IMU + 셀룰러 기반 위치 정보를 융합하여 커버리지 보완 및 신뢰도 향상을 추진

hashtag
산업화 및 QA 프로세스

연구개발을 넘어 실제 제품 및 서비스로 상용화하기 위해서는 품질 관리(Quality Assurance)와 양산 공정 설계가 필수다.

  1. 하드웨어 신뢰성 시험

    • GNSS/IMU 모듈 내 환경 스트레스 테스트(진동, 충격, 온도·습도 변화, EMI/EMC 적합성 등)를 거쳐 산업 표준 충족 여부 확인

    • 자율주행용 센서의 경우 AEC-Q100, AEC-Q200(자동차 부품 신뢰성 시험 규격) 적용

  2. 소프트웨어 검증

    • 자동차 분야는 ISO 26262, 항공 분야는 DO-178C에 따른 소프트웨어 안전 무결성 등급(ASIL, DAL 등) 부여

    • 시뮬레이션(HIL, MIL, SIL)과 실제 필드 테스트를 병행하여 오류 발생 확률, 결함 영향성 파악

  3. 양산 공정 및 보정

    • 대량 생산 시 센서 편차 보정, 펌웨어 업데이트, 품질 테스트 등을 일괄 자동화

    • 각 모듈이 출고 전 공장 캘리브레이션 절차를 거치며, 향후 운용 중 추가 보정(online calibration) 방안도 포함

  4. 데이터 보안과 개인정보 보호

    • GNSS 위치 데이터는 곧 개인 또는 물류 경로에 대한 민감 정보를 담을 수 있으므로, 암호화 전송, 액세스 권한 관리 등 보안 조치 필요

    • 차량 위치 데이터가 외부 서버로 전송될 때 개인정보 보호 규정(GDPR 등)에 부합해야 한다.

PreviousGNSS와 지상기지국(셀룰러, Wi-Fi) 연동Next연동 시 오차 분석과 보정 요소

Last updated