기초 융합 사례 및 장점
GNSS와 관성센서(IMU) 융합
GNSS 단독으로 측정되는 위치 정보에는 위성 가시성, 전리층 장애, 도시 협곡에서 발생하는 멀티패스(multipath) 등 다양한 오차 요인이 존재한다. 이에 관성센서(IMU)와의 융합(Fusion)은 이러한 오차에 대한 보정을 돕고, 위치 서비스의 연속성을 향상시키는 대표적인 기초 사례 중 하나이다.
IMU(가속도계·자이로스코프)는 이동체의 가속도와 각속도를 실시간으로 측정함으로써 이동체의 자세(Orientation) 및 상대변화량 정보를 제공한다.
GNSS가 수신 불가능한 구간(예: 터널, 지하주차장 등)에서도 IMU가 상대변위 정보를 제공함으로써 추정 위치가 완전히 유실되는 것을 방지할 수 있다.
관성항법방정식 기초
IMU 융합 과정에서 가장 기본이 되는 것은 이동체의 선속도 $\mathbf{v}(t)$, 위치 $\mathbf{r}(t)$를 적분하여 추적하는 단계이다. 이를 이산화된 형태로 간단히 표현하면
와 같이 정리할 수 있다. 여기서
$\mathbf{a}_k$는 $k$번째 샘플 시점에서 측정된 3축 가속도 벡터
$\mathbf{v}_k$, $\mathbf{r}_k$는 각각 속도 및 위치 벡터
$\Delta t$는 샘플 간 간격 이다. 이러한 기초 적분 방정식은 오차 누적(드리프트)이 필연적으로 발생하기 때문에, GNSS에서 제공되는 절대 위치를 주기적으로 융합하여 해당 드리프트를 보정한다.
보정 알고리즘(확장 칼만 필터) 사례
오차를 정교하게 추정·보정하기 위해서는 확장 칼만 필터(EKF) 혹은 다른 형태의 비선형 최적화 알고리즘을 사용할 수 있다. EKF의 상태방정식과 관측방정식은 다음과 같은 구조를 지닌다.
여기서
$\mathbf{x}_k$는 상태 벡터(위치, 속도, IMU 오프셋 등)
$\mathbf{F}_k$, $\mathbf{H}_k$는 각각 시스템 모델·관측 모델을 나타내는 행렬
$\mathbf{w}_k$, $\mathbf{v}_k$는 각각 공정 잡음(process noise)·관측 잡음(observation noise) 을 의미한다.
GNSS와 지상기반 무선(셀룰러·Wi-Fi) 연계
GNSS의 전파가 도달하기 어려운 도심 및 실내 환경에서, 지상기반 무선 신호(셀룰러, Wi-Fi 등)를 활용하여 측위 정확도를 높이는 기초 융합 사례도 중요하다.
셀룰러 신호의 기지국(예: LTE, 5G)과 Wi-Fi AP(Access Point)는 이미 도시 전역에 밀집되어 있으며, 이 신호들로부터 거리 혹은 도달 시간, 신호 세기(RSSI) 등을 측정하여 상대적인 위치 추정에 활용한다.
GNSS의 절대 위치를 일종의 ‘앵커(anchor)’로 삼고, 지상기반 무선 측정값을 추가로 융합함으로써 위성신호가 불안정하거나 불가시가 되는 구간에서도 상대 오차를 보정할 수 있다.
삼변측량 기초
지상기반 무선에서 많이 사용되는 삼변측량(trilateration) 기법은 다음과 같이 기지국과 이동체 간의 거리를 바탕으로 위치를 추정한다. 임의의 3개 기지국이 각각 이동체와의 거리 $d_1, d_2, d_3$를 가진다고 할 때, 이를 2차원 평면에 간단히 표현해 보면,
와 같은 형태의 비선형 방정식을 얻게 된다. 여기서
$(\mathbf{x}_1, \mathbf{y}_1)$, $(\mathbf{x}_2, \mathbf{y}_2)$, $(\mathbf{x}_3, \mathbf{y}_3)$는 기지국 위치
$(\mathbf{x}, \mathbf{y})$는 이동체의 미지의 위치
$d_i$는 기지국과 이동체 간의 거리 이다. 이런 방정식을 최소자승법(LS), EKF, UKF 등을 통해 풀어 무선 기반 위치 추정을 수행하며, GNSS 정보를 함께 융합할 경우 측정값의 다양성과 관측 방정식 수가 증가하여 더 정밀한 추론이 가능하다.
GNSS와 영상·레이더(LiDAR) 연계
최근에는 카메라나 LiDAR 등 고도 센서 정보를 GNSS와 융합하는 기초 사례가 늘어나고 있다.
카메라 영상을 이용하면 특징점(feature point)의 추적으로 이동체의 상대 변화량(Visual Odometry)을 확보할 수 있으며, 지형지물과의 기하관계를 통해 절대 위치를 추정할 수도 있다(Visual SLAM 등).
LiDAR는 레이저 펄스를 발사한 뒤 반사되어 돌아오는 시간을 측정해 주변 지형의 3차원 지도(점군, point cloud)를 생성하는 센서다. GNSS의 위치 정보를 초기값으로 삼아 점군 매칭을 수행하면, 정확한 정합(Registration)이 가능하다.
융합 장점: 정확도·연속성·무결성
GNSS와 기타 기술을 융합하면 다음과 같은 장점이 얻어진다.
정확도(Accuracy): 다양한 센서·신호로부터 얻는 중복 관측값(redundancy)을 활용해 오차를 더 효과적으로 추정·보정 가능
연속성(Continuity): GNSS가 가시되지 않는 구간에서도 IMU, 지상무선, 영상/레이더 등으로 위치를 이어나갈 수 있음
무결성(Integrity): 다채널 관측으로 신뢰도 검증 및 센서 이상 탐지가 쉬워지고, 안전한 항법 서비스 구현이 가능
센서 융합 아키텍처 (Loosely Coupled / Tightly Coupled)
GNSS와 기타 센서(IMU, 지상무선, 영상, LiDAR 등)를 연계할 때, 시스템 구조에 따라 크게 Loosely Coupled 방식과 Tightly Coupled 방식으로 나눌 수 있다. 이는 센서 융합 필터(Fusion Filter)에서 어떤 형태의 GNSS 관측치를 활용하는지에 대한 차이로 구분된다.
Loosely Coupled:
GNSS가 자체적으로 위치·속도(PVT)를 추정한 결과를 IMU나 지상무선 등 타 센서의 결과와 결합한다.
센서 간 상호 영향이 느슨하게 연결되어, 구현이 비교적 단순하고 데이터 교환이 용이하다.
다만 GNSS 내부 알고리즘(추정 과정)을 상세히 활용하기 어려워 GNSS에서 수신하는 원시 관측값(코드/위상 측정치)을 직접 보정하기에는 한계가 있다.
Tightly Coupled:
GNSS의 원시 측정값(코드, 반송파 위상, 도플러 등)을 직접 센서 융합 필터에서 활용한다.
IMU, 지상무선 측정 등과 함께 동시에 GNSS 관측 모델을 구성하므로, 측정 방정식이 더욱 세밀해지고 오차 추정 능력이 향상된다.
구조가 복잡하고 계산량이 많아지지만, GNSS 측정 신호가 일시적으로 부족하거나 품질이 저하된 상황에서도 보다 견고하게 항법 솔루션을 유지할 수 있다.
이를 단순화하여 표현하면, 아래와 같은 센서 융합 블록 다이어그램으로 나타낼 수 있다.
센서 캘리브레이션과 보정 요소
GNSS와 IMU, 카메라, LiDAR 등을 통합할 때는 센서 간 상호배열(extrinsic parameters)과 각 센서 고유오차(intrinsic parameters)를 정확히 파악하는 절차가 필요하다.
IMU 오프셋/바이어스: 가속도계·자이로스코프는 시간이 지남에 따라 센서 내부 오프셋이 변화한다. 이를 EKF 등의 필터에서 상태 변수로 정의하고 동적으로 추정·보정한다.
카메라·LiDAR의 외부파라미터: GNSS/IMU 기준좌표계와 카메라/LiDAR의 좌표축이 정확히 일치하도록 센서 간 위치·회전·스케일 비율 등을 측정해두어야 한다.
지상무선 기지국·AP 위치: 무선 측위를 활용할 경우, 기지국이나 AP가 가리키는 좌표(고정 기준좌표)가 정확히 파악되어야 하며, 그렇지 않다면 오차가 고스란히 융합 결과로 이어진다.
센서 융합 시, 이러한 보정 요소들을 상태 벡터에 추가하여 필터링할 수 있다. 예를 들어, 확장 칼만 필터의 상태 벡터에 IMU 바이어스 항($\mathbf{b}\text{gyro}, \mathbf{b}\text{acc}$), 카메라 외부파라미터($\mathbf{T}{ext}$), 지상무선 기지국 위치 오차($\delta \mathbf{r}{bs}$) 등을 포함해 추정해나간다.
로버스트 추정 기법과 오차 모델링
GNSS 및 기타 센서의 측정값에는 ‘비정상치(outlier)’나 ‘신호 부정합(anomaly)’이 존재할 수 있다. 예컨대 건물 유리면에 의한 GNSS 멀티패스, 갑작스러운 지형遮蔽 등에 의해 측정치가 급격하게 튀는 경우가 대표적이다.
로버스트 추정(Robust Estimation): 관측값에 대한 가중 함수를 조정하거나, M-추정(M-estimation), RANSAC(RANdom SAmple Consensus) 같은 기법을 통해 이상값의 영향을 줄이는 방법이다.
오차 모델링: GNSS 단말의 자체 오차, 다중경로 오차, 전리층·대류권 지연 등에 대해 확률적 혹은 경험적 모델을 설정하여 필터에 반영한다. IMU 드리프트, 지상무선 채널 노이즈 모델 역시 유사한 방식으로 구성할 수 있다.
이를 통해 전체 측위 솔루션에 대한 신뢰도를 높이고, 예기치 못한 관측 이상에 대해 강인한(robust) 필터링 성능을 발휘할 수 있다.
시뮬레이션 및 검증 예시
GNSS-IMU 융합 성능을 검증할 때 자주 활용되는 시뮬레이션 기법은 다음과 같은 단계로 진행될 수 있다.
시나리오 구성: 이동체의 궤적(경로), 속도·가속도 프로파일, 지상무선 기지국 위치 등을 가정
관측값 생성: 가상의 GNSS 관측치, IMU 측정치, 무선 신호 거리값(TOA, RSSI) 등을 각종 오차 모델을 반영해 생성
융합 필터 적용: EKF, UKF(Unscented Kalman Filter), PF(Particle Filter) 등 다양한 알고리즘을 적용
오차 분석: 참값(Ground Truth)과 융합 결과의 오차를 RMS, CEP, 항법 무결성 지표 등으로 평가
이러한 시뮬레이션 과정을 거쳐 실험실 단계에서 알고리즘의 안정성과 성능을 확인한 후, 실제 현장 시험을 통해 추가적인 검증이 이루어진다.
SBAS, GBAS 등 보조위성시스템 연계
기본적인 GNSS 측위 정확도를 보완하기 위해 SBAS(Satellite Based Augmentation System), GBAS(Ground Based Augmentation System) 등의 시스템을 활용하는 융합 사례가 있다.
SBAS: 지상국(Reference Station)에서 측정된 위성 신호 오차(위성 궤도·시계 보정, 전리층 오차 등)를 위성에 재전송하여 광역보정을 제공하는 시스템이다(EGNOS, WAAS, MSAS 등).
GBAS: 공항 등에 설치된 기준국에서 국지적인 보정 정보를 제공하는 시스템으로, 활주로 등 짧은 구간에서 높은 정밀도(수십 cm 수준)를 달성하도록 설계된 경우가 많다.
SBAS·GBAS 보정 정보를 GNSS 수신부와 센서 융합 모듈에서 함께 이용하면, 위치 추정의 정확도를 더 높일 수 있다.
기본 보정 수식
SBAS/GBAS가 제공하는 보정항을 $\Delta \rho_{\mathrm{corr}}$라 하면, 위성별 관측식은 아래와 같이 표현할 수 있다.
$\rho_{\mathrm{meas}}$: 수신기가 측정한 의사거리
$\rho_{\mathrm{true}}$: 실제 거리(송신기와 수신기 간 참값)
$\Delta \rho_{\mathrm{corr}}$: SBAS/GBAS가 제공하는 오차 보정값
$e$: 나머지 잔여 오차 및 노이즈
SBAS/GBAS가 없을 경우 오차가 $\Delta \rho_{\mathrm{corr}}$만큼 추가로 포함되어 필터에 들어가게 되지만, 보정값을 이용하면 필터가 보다 정확한 거리 측정을 기반으로 추정할 수 있다.
RTK(Real-Time Kinematic) 및 PPP(Precise Point Positioning) 융합
고정밀 측위 분야에서 대표적인 기초 융합 사례로 RTK와 PPP가 있다.
RTK: 참조국(Reference Station)과 이동국(Rover Station) 간의 캐리어 위상(carrier phase) 측정치를 실시간으로 비교·공유함으로써, 수 센티미터 수준의 위치 정밀도를 얻는 기법
PPP: 단일 수신기에서도 정밀 위성 궤도와 시계 오차 정보를 활용해 cm~dm급 정확도를 달성할 수 있는 기법
이런 기법들은 IMU, 카메라, 지상무선 등과 결합해 더욱 견고한 항법 솔루션을 제공할 수 있다. 예컨대 RTK/IMU 융합은 농업용 정밀 자율주행 트랙터나 드론에서 활발히 적용되는 사례로 꼽힌다.
Carrier Phase 융합 기초
RTK나 PPP에서 핵심이 되는 캐리어 위상 측정치를 융합에 반영하려면, 위상 앰빅귀티(ambiguity) 해결 문제를 동시에 고려해야 한다. 캐리어 위상을 $\phi$라 할 때, 측정 식은
$\rho$: 위성~수신기 간 물리적 거리
$\lambda$: 반송파 파장
$N$: 정수 앰빅귀티
$\epsilon_\phi$: 위상의 잔여 오차
RTK 필터 내부에서는 $N$을 정수로 해결(fix)하거나 정밀 추정을 통해 부동(float) 상태를 제어한다. IMU, 지상무선 등 외부 센서 정보를 함께 활용하면, 앰빅귀티 추정의 초기값 설정 혹은 수렴 시간을 단축하는 데 도움이 된다.
다중 안테나·협력 측위(Collaborative Positioning)
GNSS 오차 환경이 극도로 열악한 경우(도시 협곡, 실내 등)에도 융합 기법을 적용하기 위해 다중 안테나 혹은 협력 측위 방안을 도입하는 사례가 있다.
다중 안테나: 한 이동체 내에 여러 GNSS 안테나를 배치하면, 안테나별 측정값 차이를 통해 자세(Orientation) 정보 또는 멀티패스 감쇠 효과를 얻을 수 있다. 이를 IMU/SLAM 등과 융합하여 안정적인 항법 결과를 얻는다.
협력 측위: 여러 이동체(차량, 드론, 로봇 등)가 서로 통신하며 GNSS와 기타 센서 정보를 공유하여 집단적으로 위치 정밀도를 높이는 방법이다. 협력 측위에서는 상대 거리(Range), 상대 속도(Range Rate), UWB(Ultra Wide Band) 기반 근접 측정 등이 추가 정보로 활용된다.
유저 단말 설계 시 고려사항
GNSS와 기타 센서를 융합하는 단말(스마트폰, 차량용 단말, 드론 탑재 장치 등)을 설계할 때는 다음 요소를 고려해야 한다.
센서 동기화: GNSS와 IMU, 카메라, 지상무선 등은 서로 다른 주기로 데이터를 수집한다. 필터링 단계에서 시간 축을 맞춰주기 위해 타임스탬프 관리와 보간(interpolation)이 필수적이다.
전력 소모: 다수의 센서를 동시에 작동하면 전력 소비가 증가한다. 상황·사용 목적에 따라 센서의 샘플링 레이트를 동적으로 조절하는 방안이 필요하다.
실시간성: 자율주행 차량처럼 빠른 반응이 필요한 경우, 센서 융합 알고리즘의 계산 복잡도를 낮추거나 하드웨어 가속(예: GPU, FPGA)을 고려해야 한다.
무게·부피 제한: 드론이나 로봇 등에 탑재 시, 센서와 프로세싱 모듈의 무게·크기가 제약이 된다. 간단한 IMU와 소형 GNSS 모듈을 사용하는 경량화 전략이 필요하다.
추가 발전 동향(기술적 관점)
AI 기반 센서 보정: 전통적 EKF 필터와 더불어, 딥러닝을 활용해 센서 오프셋 추정이나 환경별 오차 모델링을 자동화하는 연구가 진행 중이다.
6G 시대의 무선 측위: 5G에 이어 6G에서는 극초단파(THz 대역)나 빔포밍(Beamforming) 등을 활용한 센티미터급 위치 추정이 가능할 것으로 기대되어, GNSS와 융합하여 전천후 측위 서비스를 제공할 수 있다.
양방향(Multi-Modal) 협업: 차량 간 및 차량-인프라 간 협업(Cooperative Perception)으로 위치뿐 아니라 주변 환경 정보까지 공유·융합하여, 더욱 견고하고 정밀한 주행·항법 솔루션을 구현하는 방향으로 나아가고 있다.
Last updated