LSTM을 이용한 농업용트랙터 장착형 작업기의 자율주행 횡방향 오차 추정 방법

국문 초록 (Abstract)

자율주행 농업용트랙터의 횡방향 오차 성능을 평가하기 위해서는 주행 궤적에 대한 정밀한 계측은 필수적이다. 그러나 현행 자율주행 농업기계 정밀도 평가 표준인 ISO 12188-2는 차량 대표점을 후방 차축 사이의 지점으로 정의하고 있어, 실제 농작업 시 농업용트랙터에 장착된 농작업기의 궤적을 충분히 반영하지 못하는 한계를 가진다. 특히 농작업 품질은 작업기의 실제 궤적에 의해 결정되므로, 자율 농작업의 정밀도를 보다 적절히 대표할 수 있는 새로운 기준점의 정의가 요구된다. 이에 농업용트랙터에 장착된 작업기의 위치를 효과적으로 대표할 수 있는 지점으로 후방 3점 히치를 자율 농작업 평가 대표 위치로 제안하였다.
그러나 후방 3점 히치의 구조적 특성으로 인해 진동, 쏠림, 설치 오차 등 외란의 영향을 받아 직접 계측 시 다양한 외란 요소로 인한 오차로 계측 성능 저하 문제가 발생할 수 있다. 이러한 문제에 기인하여 상대적으로 외란 영향이 적은 cab을 기반으로 확장 칼만 필터(EKF)와 기하학 모델을 결합하여 후방 3점 히치를 추정하는 방법으로 접근하였다. 이는 cab 좌표로부터 yaw 및 진행 방향을 추정하고, 농업용트랙터의 cab과 후방 3점 히치의 기하학적 관계를 적용하여 후방 3점 히치를 산출하는 프로세스로 진행된다.
자율주행 궤적 계측 시험은 네 모델의 자율주행 농업용트랙터를 대상으로 cab 및 후방 3점 히치를 동시에 계측하여 자율주행 궤적을 수집하였다. 또한 예측 결과의 성능을 검증하기 위한 대조군으로 좌표와 yaw 정보를 함께 계측한 dual sensor EKF 결과를 기준값으로 설정하였다.
앞서 획득한 계측 정보를 바탕으로 single sensor EKF를 적용하였고, jerk 적응형 Savitzky–Golay 필터 및 기하학 기반 필터링 간 비교 분석을 실시하였다. 이에 따라 single sensor EKF 추정 방법은 거리 제약 유지, yaw 추정이 상대적으로 좋은 성능을 보였다.
그리고 자율 농작업 정밀도의 예측 성능을 검증하기 위해, 계측된 cab 좌표 및 산출된 yaw 관련 파생 변수를 입력으로 사용하고 single sensor EKF의 후방 3점 히치 추정 결과를 시계열 예측에 적합한 LSTM 모델에 적용하였다. RNN 계열인 LSTM과 GRU와 attention 계열인 Transformer 모델을 동일한 학습 조건에서 비교한 결과, LSTM 모델이 각 주행 속도에서 비교 모델에 비교군 내에서 가장 우수한 예측 성능을 보였다.
최종적으로 최적 모델을 선정하기 위하여 single sensor EKF 방법과 LSTM 모델 예측 방법 간 피어슨 상관 분석 및 t-검정 결과 통계적으로 차이가 있음을 확인하였고, 정량적으로 평균 제곱 오차(MSE) 약 3.9 ㎜, 평균 절대 오차(MAE) 약 1.5 ㎜ 수준의 성능과 결정계수(R²) 약 0.98 수준의 선형 상관성으로 LSTM 모델이 비교군 내에서 재현력이 가장 높음을 확인하였다.
결과적으로 cab 좌표(Single sensor)만을 이용하여 후방 3점 히치를 예측함으로써, 외란 영향으로 인해 직접 계측 시 안정성이 저하되는 농작업기 궤적을 보다 일관되게 평가할 수 있는 자율 농작업 정밀도 측정 방법임을 확인하였다. 최종 선택된 LSTM 모델은 기존 실측 방법에 비해 나은 예측 성능을 제공하여 추가적인 센서 없이 자율 농작업 정밀도 평가를 위한 대안적 접근법으로 의의를 가진다.

다국어 초록 (Multilingual Abstract)

Accurate trajectory measurement is essential for evaluating the positioning performance of autonomous agricultural tractors. However, ISO 12188-2 defines the vehicle representative point as between the rear axle centers, which does not sufficiently reflect the actual working position of tractor-mounted implements. Since agricultural work quality is primarily determined by the trajectory of the implement rather than that of the tractor body, a more representative evaluation point is required for autonomous field operations.
In this study, the center point of the rear three-point hitch is proposed as a representative point for evaluating autonomous agricultural work precision. However, direct measurement of the rear three-point hitch trajectory is highly sensitive to structural vibration, lateral oscillation, and installation-related disturbances, which results in reduced measurement stability. To address this limitation, a rear hitch trajectory estimation method based on cab-mounted position data is proposed. This method combines a kinematic model with a single-sensor extended Kalman filter (EKF) to estimate yaw angle and traveling direction from cab coordinate measurements and to reconstruct the rear three-point hitch trajectory under geometric constraints.
Trajectory data for the cab and rear three-point hitch positions were collected from four autonomous agricultural tractor models. The performance of the proposed EKF-based estimation method was compared with conventional kinematic and jerk-based filtering approaches. As a reference, a dual-sensor EKF solution incorporating both position and yaw measurements was defined as a multi-sensor reference. The results indicate that the single-sensor EKF provides improved stability, physical consistency, and preservation of distance constraints compared to the alternative filtering approaches.
Furthermore, time-series artificial intelligence models were applied to predict the rear hitch trajectory using cab position and yaw-related features. A comparative analysis of LSTM, GRU, and Transformer models showed that the LSTM-based model achieved consistently lower estimation errors and higher linear correlation with the multi-sensor reference across various speed and disturbance conditions. Based on quantitative comparisons using correlation analysis and error metrics, the LSTM-based approach demonstrated relatively robust and consistent performance.
The proposed framework enables estimation of rear three-point hitch trajectories using only cab position data, thereby reducing sensitivity to measurement disturbances and sensor requirements. This study provides a practical approach for representative precision evaluation of autonomous agricultural operations and offers a reference for consistent and reliable trajectory-based performance assessment of autonomous agricultural tractors.

목차 (Table of Contents)

• 제1장 서론 1
• 1. 연구배경 및 필요성 1
• 2. 연구내용 및 목적 5
• 제2장 문헌 고찰 및 이론적 배경 9
• 1. 문헌 고찰 9
• 가. 농업기계 자율주행 제어 및 정밀도 측정 연구 9
• 나. 농업기계 자율 농작업 정밀도 측정 연구 12
• 다. 자율주행 농업기계 정밀도 측정 국·내외 시험방법 16
• 2. 이론적 배경 18
• 가. 농업기계 자율주행 특성 18
• 나. 농작업기 부착 형태 분류 20
• 다. Cab과 후방 3점 히치의 기하학적 관계 21
• 라. Cab 기반 후방 3점 히치의 estimation 기법 23
• 1) 데이터 전처리 및 결측치 보간 23
• 2) 확장 칼만 필터 24
• 3) Jerk 적응형 Savitzky–Golay filter 24
• 마. 시계열 예측 인공지능 모델 26
• 1) Long Short-Term Memory (LSTM) 모델 26
• 2) Gated Recurrent Unit (GRU) 모델 27
• 3) Transformer 모델 28
• 제3장 재료 및 방법 30
• 1. 시험 농업기계 및 장소 30
• 가. 시험 농업용트랙터 30
• 나. 주행시험 장소 및 노면 조건 33
• 2. 자율주행 주행궤적 계측 시스템 36
• 가. 자율주행 궤적 및 yaw 계측 장치 36
• 1) 궤적 측정용 계측기 36
• 2) Yaw 계측용 IMU 38
• 나. 계측 센서 고정 장치 39
• 1) 후방 3점 히치 센서 고정 장치 39
• 2) Cab 상부 센서 고정 장치 40
• 다. 자율주행 농업용트랙터 주행궤적 계측 위치 41
• 3. 자율주행 시나리오 및 설정 조건 43
• 가. 농업용트랙터 자율주행 시나리오 43
• 나. 농업용트랙터 자율주행 설정 속도 및 선회 방법 44
• 4. Estimation 절차 및 선정 방법 45
• 가. Single sensor EKF 및 dual sensor EKF estimation 절차 45
• 나. 시계열 불일치 및 결측 보정 방법 47
• 다. 확장 칼만 필터 estimation 방법 50
• 라. Jerk 적응형 Savitzky–Golay estimation 방법 56
• 마. 기하학 model estimation 방법 60
• 5. 인공지능 기반 시계열 경로 추정 모델 62
• 가. 학습 데이터셋 입력 구성 62
• 나. LSTM model 63
• 다. GRU model 64
• 라. Transformer model 65
• 마. Single sensor EKF estimation 및 인공지능 model 적용 절차 66
• 6. 필터링 기법 및 인공지능 모델 성능 분석 및 선정 방법 69
• 제4장 결과 및 고찰 71
• 1. 자율주행 궤적 계측 결과 분석 및 고찰 71
• 가. 계측 결과 및 분석 71
• 1) 모델 설계용 (XU6168, MT5.73, MT9.140) 궤적 계측 결과 71
• 2) 모델 검증용 (MT9.120) 기준값 궤적 계측 결과 78
• 3) 자율주행 궤적 계측 결과 고찰 80
• 나. Cab 기반 후방 3점 히치 외란 분석 82
• 1) 후방 3점 히치 계측 데이터 정적 및 동적 외란 분석 82
• 2) Cab과 후방 3점 히치 횡방향 변동성 비교 분석 84
• 2. Single sensor estimation 기법 비교 및 모델 선정 85
• 가. Estimation 기법 간 결과 비교 분석 및 최적 방법 선정 85
• 나. Single sensor EKF estimation 결과 및 분석 88
• 다. Dual sensor EKF 결과 분석 및 기준값 설정 98
• 3. 인공지능 모델 간 예측 결과 분석 및 선정 101
• 가. 인공지능 학습 데이터 분석 101
• 1) 학습 입력 데이터 PCA 분석 101
• 2) 학습 입력 데이터 다중공선성 분석 103
• 나. 인공지능 모델 간 예측 결과 및 분석 105
• 1) 시계열 결과 비교 및 분석 105
• 2) 정량 결과 비교 및 분석 109
• 3) Train 및 validation loss 분석 110
• 4) 회귀 분석 112
• 다. 인공지능 모델 간 예측 결과의 기준값 비교 및 분석 116
• 1) LSTM 모델 예측 시계열 결과 및 분석 116
• 2) 인공지능 모델별 예측 결과의 기준값 비교 및 분석 119
• 3) 회귀 분석 121
• 4. Single sensor EKF와 LSTM 모델 비교 분석 및 선정 126
• 가. 기준값 대비 계측 및 추정 결과의 피어슨 상관 분석 126
• 나. 기준값 대비 계측 및 추정 결과의 피셔 z 변환 상관 검정 128
• 다. 계측과 LSTM 결과의 독립 표본 t-검정 129
• 라. 기준값 대비 single 센서 EKF 및 LSTM 추정 성능의 정량 분석 131
• 마. 최적 모델 선정 및 고찰 133
• 제5장 종합결론 135
• 1. 종합 결과 135
• 2. 향후 연구 제언 138
• 참고문헌 139
• ABSTRACT 148