모바일 로봇 시스템에서 RTK-GNSS의 블로킹과 IMU 드리프트 보정을 위한 GRU 네트워크 모델 = A GRU Network Model for RTK-GNSS Blocking and IMU Drift Compensation in Mobile Robotics Systems

국문 초록 (Abstract)

정확하고 신뢰할 수 있는 위치 추정은 정밀 농업과 실외 로봇 공학과 같은 동적이고 반구조적인 환경에서 작동하는 자율 주행 시스템의 기본적인 요구 사항이다. 최근 전지구 위성항법시스템(GNSS) 기술의 발전, 특히 DGPS 와 실시간 동적측위(RTK) 기법의 도입은 위치 추정의 정밀도를 비약적으로 향상시켜 센티미터 수준의 정확도를 달성할 수 있게 하였다. 이러한 고정밀 GNSS 기법들은 정밀한 내비게이션과 지도 제작이 요구되는 다양한 응용 분야에서 큰 발전을 이끌어왔다. 그러나 이러한 기술적 발전에도 불구하고 GNSS 기반 위치 추정 시스템은 여전히 주변 장애물이나 Noise 에 의한 신호 열화와 간헐적인 데이터 손실로 인한 측위시스템으로서의 한계를 가지고 있다. 이러한 GNSS 신호 중단(GNSS outage)은 위성 가시성이 제한된 원격 지역, 울창한 숲, 도시 협곡, 혹은 고층 건물로 둘러싸인 지역 등에서 주로 발생한다. 이로 인한 GNSS 신호의 손실이나 왜곡은 위치 추정의 연속성과 정확성에 부정적인 영향을 미치며, 이는 자율 주행 시스템의 성능과 안전성을 심각하게 저하시킬 수 있다. 본 논문에서는 이러한 GNSS 신호 중단 문제를 해결하기 위해 로봇 내비게이션 분야에서 널리 사용되는 이중 확장 칼만 필터(Dual Extended Kalman Filter, Dual EKF) 기반의 센서 융합 프레임워크와 매끄럽게 통합되는 보완 예측 모델을 제안한다. 113 제안된 모델은 관성 측정 데이터(IMU)와 시계열 학습(temporal sequence learning)을 활용하여 RTK 신호가 끊어진 기간 동안에도 GNSS 위치 증분을 예측함으로써 손실 GNSS 측정값을 효과적으로 대체한다. 이를 통해 GNSS 신호가 열악한 조건에서도 견고하고 연속적이며 정확한 위치 추정을 유지할 수 있다. 광범위한 실험 평가 결과, 제안된 방법은 GNSS 신호 중단 상황에서도 내비게이션의 신뢰성과 정확도를 향상시키는 데 효과적임이 입증되었다. 본 연구는 실제 환경에서 작동하는 자율주행 시스템의 회복력(resilience)을 강화하여, 견고한 위치 추정 및 센서 융합 기술의 발전에 기여할 수 있을 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

Accurate and reliable localization is a fundamental requirement for autonomous systems operating in dynamic and semi-structured environments, such as precision agriculture and outdoor robotics. Recent advancements in Global Navigation Satellite System (GNSS) technologies, particularly Differential GPS (DGPS) and Real-Time Kinematic (RTK) positioning, have dramatically improved the precision of position estimation, enabling centimeter-level accuracy. These high-precision GNSS methods have facilitated significant progress in applications demanding precise navigation and mapping. However, despite these technological improvements, GNSS-based localization systems continue to face inherent limitations caused by signal degradation and intermittent data loss, commonly referred to as GNSS outages. Such outages typically occur in environments with limited satellite visibility, including remote regions, dense forests, urban canyons, or areas x surrounded by tall structures. The resultant loss or corruption of GNSS signals adversely impacts the continuity and accuracy of localization, which can severely compromise the performance and safety of autonomous navigation systems. This thesis proposes a novel approach to address the challenges posed by GNSS outages by developing a complementary prediction model that integrates seamlessly with the established Dual Extended Kalman Filter [1] (Dual EKF) sensor fusion framework widely adopted in robotic navigation. The proposed model leverages inertial measurement data and temporal sequence learning to predict GNSS position increments during periods of RTK disengagement, effectively substituting for missing GNSS measurements. By doing so, it maintains robust, continuous, and accurate localization even under adverse signal conditions. Extensive experimental evaluations demonstrate the effectiveness of the proposed method in improving navigation reliability and accuracy during GNSS signal interruptions. This work contributes to enhancing the resilience of autonomous systems operating in challenging real-world environments, thereby advancing the state-of-the-art into robust localization and sensor fusion.

목차 (Table of Contents)

• CHAPTER 1 INTRODUCTION . 11
• 1.1 Motivation . 14
• 1.2 Challenges . 16
• 1.3 Thesis Contribution 17
• 1.4 Thesis Flow 19
• CHAPTER 2 RELATED WORKS 20
• 2.1 Extended Kalman Filters for Sensor Fusion in Navigation 21
• 2.1.1 Extended Kalman Filter (EKF) 21
• 2.1.2 Challenges of Single EKF Models. 25
• 2.2 Dual Extended Kalman Filter . 25
• 2.2.1 Reference Frames and Transformations . 26
• 2.2.2 Interaction Between Local and Global EKF Instances . 28
• 2.3 IMU Bias Estimation and Compensation . 30
• 2.4 RNN Based Trajectory Prediction 31
• 2.4.1 Applications in Precision Agriculture 31
• 2.4.2 Choice between LSTM and GRU 32
• CHAPTER 3 DATASET CONSTRUCTION . 37
• 3.1 Hardware Setup 38
• 3.1.1 GNSS Accuracy Verification. 40
• 3.2 Data Collection. 41
• CHAPTER 4 MATERIALS AND METHODS 50
• 4.1 Sensor Fusion Framework with Dual EKF. 50
• 4.2 Network Architecture: Temporal Feature Extraction and GRU-based Prediction 52
• 4.2.1 Model Inputs. 55
• 4.2.2 Feature Extraction and Prediction Heads . 56
• 4.3 Loss Function and Optimization. 62
• 4.3.1 GNSS Loss 62
• 4.3.2 Directional Loss. 63
• 4.3.3 Vector Loss 65
• 4.4 Bias Estimation using EKF. 67
• 4.4.1 System Model 67
• 4.5 NMEA VTG based Heading using Complementary Filter . 71
• CHAPTER 5 EXPERIMENTS AND RESULTS 74
• 5.1 Navigation System Performance using Dual EKF 74
• 5.2 EKF based Noise Removal. 78
• 5.3 Heading Estimation via NMEA VTG and Complementary Filter 80
• 5.4 GRU-Based Increment Prediction Network . 83
• 5.4.1 Trajectory Comparison using Dynamic Time Warping 83
• 5.4.2 Vector Alignment Progression. 95
• 5.4.3 Model and Loss Function Ablation 97
• CHAPTER 6 CONCLUSION 104
• ACKNOWLEDGMENTS 105
• BIBLIOGRAPHY. 106
• 국문초록 112