GPS 음영 환경에서 LiDAR-V2I 통신 인프라를 활용한 Visual Inertial Odometry 기반 위치추정 정확도 향상 기술 개발 = Development of Visual-Inertial Odometry-Based Localization Accuracy Enhancement Technology Using LiDAR-V2I Communication Infrastructure in GPS-Denied Environments

국문 초록 (Abstract)

최근 몇 년간 자율주행에서 SAE(Society of Automotive Engineers)레벨 3 이상 을 달성하기 위한 연구가 활발히 진행되어 왔다. 그러나 도심 협곡(urban canyon) 이나 터널과 같은 GPS(Global Positioning System) 비가용·불안정 환경에서는 신호 차단과 다중경로 문제로 인해 위치추정이 자주 끊기거나 크게 왜곡되는 문제가 발 생하였다. 이러한 문제는 주행 연속성과 안전성에 심각한 위험을 초래하였으며, 따 라서 이러한 환경에서도 언제든 끊김 없이 신뢰할 수 있는 위치추정이 가능한다. 이를 해결하기 위해 본 논문에서는 RSU(Roadside Unit), VIO(Visual Inertial- Odometry)를 통합한 기회적(opportunistic) V2I(Vehicle-to-Infrastructure) 기반 2차 원 위치추정 프레임워크를 제안하였다. 제안 기법은 VIO로 자세를 추정하는 동시 에, RSU가 V2I 통신을 통해 신뢰도 높은 위치 정보를 제공한다. RSSI 기반 삼변측 량으로 차량의 대략적 위치를 추정하고, LiDAR 측정으로 이를 정교화하여 다중 차 량 환경에서도 Ego-Vehicle 식별과 정밀 위치추정을 가능하게 하였다. 마지막으로 VIO, GPS(가용 시), RSU 기반 위치를 신뢰도에 따라 동적으로 융합함으로써 GPS 가용·비가용 환경 모두에서 안정적 위치추정을 달성하였다. 제안된 프레임워크는 시뮬레이터 환경에서 RSU 간격, GPS 음영(shadowing), 차 량 간 거리 등 다양한 시나리오를 고려해 구현·검증하였다. 실험 결과, RSU 간격과 차량 간 거리가 Ego-Vehicle 식별 성능에 큰 영향을 주었으며, 50 m 간격에서는 95% 이상의 높은 식별률을 보였으나 150 m로 증가할 경우 급격히 저하되었다. 또 한 가중평균 융합(VIO+GPS+RSU)은 단독 VIO 대비 최대 92.9%, GPS 대비 최대 98.4%의 오차 감소를 보이며, 모든 환경에서 약 3 m 이내의 정밀도를 유지하였다.

다국어 초록 (Multilingual Abstract)

In recent years, research has been actively conducted to achieve SAE (Society of Automotive Engineers) Level 3 and above in autonomous driving. However, in GPS-unavailable or unstable environments such as urban canyons and tunnels, signal blockage and multipath issues lead to frequent interruptions or significant distortions in position estimation. These problems pose a serious risk to driving continuity and safety, highlighting the need for seamless and reliable localization that can function robustly under such conditions. To address this challenge, this paper proposes an opportunistic Vehicle-to-Infrastructure (V2I)-based 2D localization framework that integrates
Roadside Units (RSUs) and Visual Inertial Odometry (VIO). The proposed method estimates the vehicle's pose using VIO while simultaneously receiving high-reliability position information from RSUs via V2I communication. It first estimates the vehicle's approximate location using RSSI-based trilateration and then refines it with LiDAR measurements, enabling ego-vehicle identification and precise localization even in multi-vehicle environments. Finally, by dynamically fusing the positions from VIO, GPS (when available), and RSUs based on their respective reliability, the framework achieves stable localization in both. GPS-available and GPS-denied environments. The proposed framework was implemented and validated in a simulator environment, considering various scenarios such as different RSU intervals, GPS shadowing, and inter-vehicle distances. The experimental results showed that RSU spacing and inter-vehicle distance significantly affect ego-vehicle identification performance. A high identification rate of over 95% was achieved at a 50 m spacing, but this rate decreased sharply as the spacing increased to 150 m. Furthermore, the weighted-average fusion method (VIO+GPS+RSU) demonstrated an error reduction of up to 92.9% compared to VIO alone and up to 98.4% compared to GPS alone, maintaining a precision of within
approximately 3 m across all environments.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목표 4
• 1.3 논문 구성 5
• 제2장 관련 연구 6
• 2.1 GPS 기반 위치추정 6
• 2.2 VIO 기반 위치추정 7
• 2.3 V2X 기반 위치추정 8
• 제3장 위치추정 프레임워크 제안 11
• 3.1 차량 내부 Ego-Vehicle 위치추정 11
• 3.2 RSU 기반 Ego-Vehicle 위치추정 14
• 3.2.1 LiDAR 기반 차량 위치추정 14
• 3.2.2 V2X 기반 차량 위치추정 17
• 3.2.3 LiDAR-V2X 기반 차량 위치 융합을 통한 Ego-Vehicle 위치추정 21
• 3.3 동적 가중 평균을 통한 다중 좌표 융합 23
• 제4장 실험 25
• 4.1 실험 환경 25
• 4.1.1 RSU 센서 구성 27
• 4.1.2 차량 내부 센서 구성 27
• 4.1.3 하드웨어 및 소프트웨어 환경 28
• 4.1.4 실험 평가 지표 및 평가 방법 28
• 제5장 실험 결과 29
• 5.1 RSU 기반 Ego-Vehicle 식별 성능 평가 29
• 5.2 위치추정 성능 평가 31
• 제6장 결론 및 향후 연구 42
• 참고 문헌 44
• 영문 요약 48
• 감사의 말 50