실세계 시험에서 자율주행자동차의 검증 및 확인(Validation and verification, V&V)은 시간, 비용, 안전성 및 확장성의 제약으로 인해 제한된다. 주행 시뮬레이터는 더 안전한 대안을 제공하지만 실제 차량의 동역학을 재현하지 못하는 경우가 많다. 본 논문은 섀시 다이나모미터(chassis dynamometer)와 가상 주행 시뮬레이터를 통합하여 실시간으로 실제 차량의 반응을 모사하는 Vehicle-in-the-Loop(VIL) 시뮬레이션 프레임워크를 제시한다. 이 프레임워크는 자율주행 제어기와 시뮬레이션된 센서 데이터 간의 양방향 통신을 가능하게 한다. ADAS 수준의 센서(예: 레이더, 초음파)의 경우, Over-the-Air(OTA) 자극은 가상 출력값을 물리 신호로 변환한다. 그러나 LiDAR 및 다중 카메라 시스템과 같은 고대역폭 센서에서는 데이터 복잡성과 전송 지연으로 인해 OTA가 비현실적이 된다. 이러한 문제를 극복하기 위해 데이터 주입(data injection) 접근법을 채택하여, 맞춤형 패킷 인터페이스를 통해 시뮬레이션 센서 데이터를 제어기에 직접 입력한다. 국가 교통 규정에 부합하도록 설계된 시나리오 기반 V&V 실험을 통해, 제안된 프레임워크가 규정 준수에 적합한 현실적인 시험을 달성하고 실제 주행과의 정량적 일치성을 보이며, 복잡한 시나리오에서 신뢰성 있는 검증을 수행함을 입증한다.

이 논문은 주행 시뮬레이터용으로 설계된 글로벌 항법 위성 시스템(GNSS) 센서 에뮬레이터를 제시하며, 이는 도시 주행 조건에서 실제 GNSS 수신기가 생성하는 것과 매우 유사한 위치 측정값을 생성한다. 제안한 접근 방식은 알마낙(almanac)을 활용하여 최신 GNSS 위성 정보를 확보하고, 기하 기반 오차 모델링을 포함한다. 여기에는 위성 기하와 다중경로(multipath) 효과를 반영하는 내용이 포함되며, 주변 환경을 정확하게 재현하여 현실적인 위치 측정값을 산출하는 데 중점을 둔다. 이 방법은 GNSS 신호와 환경 간의 복잡한 상호작용을 에뮬레이션할 수 있게 하며, 이는 현실적인 위치 측정값을 달성하는 데 중요하다. 제안 방법의 타당성을 검증하기 위해, 우리는 실시간 주행 시뮬레이터에 GNSS 센서 에뮬레이터를 구현하고 디지털 트윈(digital twin) 접근법을 사용하여 동일한 위치와 시간에서의 실제 GNSS 수신기 결과와 에뮬레이션 결과를 비교하였다.

다양한 환경에서 작동하는 고도화된 항공 모빌리티(Advanced Air Mobility, AAM) 시스템의 경우, 임무를 지속적이고 안전하게 수행하기 위해서는 중복(리던던트) 위치추정 기법이 필수적이다. 본 연구에서는 반구형 라이다(hemispherical Light Detection and Ranging, LiDAR) 센서를 사용하여 AAM을 위한 3차원 장소 인식 및 자세 추정 방법을 제안한다. 제안된 접근법은 주변 물체의 높이 차이를 활용하는 특징 추출 방법, 특징 거리로부터 국소 및 전역 기술자(descriptor)를 생성하는 방법, 그리고 대응(correspondence) 계산을 통한 효율적인 기하학적 검증 및 위치추정 절차를 포함한다. 또한, 점군(point cloud) 지도를 이용하여 가상 기술자 데이터베이스를 생성하는 과정을 포함함으로써 방문하지 않은 영역에서도 견고한 위치추정을 가능하게 한다. 모든 절차는 수작업으로 설계되었으며, 시뮬레이터에서 생성한 데이터셋을 사용하여 최첨단 방법들과 비교함으로써 제안 방법의 성능을 검증하였다. 제안 방법은 루프 클로저(loop closure) 검출에서 평균 정밀도(average precision, AP) 99.16% 이상, F1 점수 99.99%를 달성하였다. 자세 추정에서는 위치에 대해 제곱평균제곱근오차(root mean square error, RMSE) 0.836m 이하, 방위(heading)에 대해 0.195도 이하를 달성하였다. 더 나아가 일반 PC와 임베디드 장치 모두에서 시간 분석을 수행하여, 저전력 환경에서의 실시간 위치추정 가능성을 입증하였다. 임베디드 장치에서의 평균 자세 추정 시간은 21.70밀리초로, 제안 방법의 실시간 처리 능력을 확인하였다.

자율주행에서 장소 인식(place recognition)은 임무를 성공적으로 수행하기 위한 필수 구성요소이며, 차량의 위치를 오차 누적으로부터 벗어나 추정하기 위해 시스템에서 동시적 위치추정 및 지도작성(Simultaneous Localization and Mapping, SLAM)이 널리 사용된다. 현재 장소 인식 성능을 향상시키기 위한 딥러닝 기반 또는 수작업(handcrafted) 방식에 근거한 다양한 연구가 진행되고 있다. 그러나 딥러닝 기반 접근법은 해석 가능성이 낮고 종종 방대한 학습 시간이 필요하다는 점에서 수작업 방식에 비해 특정한 어려움을 수반한다. 본 논문에서는 이러한 문제를 극복하면서 높은 성능을 달성하고자, 장소 인식 및 점 등록(point registration)을 위한 수작업 방식 기반의 효율적 특징 추출 방법을 제안한다. 제안된 방법은 견고한 특징점(feature points)을 추출하고 강력한 디스크립터(descriptors)를 생성하며, 알고리즘의 다용성을 보장하면서 딥러닝 방법과 유사한 수준의 성능을 달성하는 것을 포함한다. 또한 KITTI 데이터셋을 이용한 검증 결과도 논문에 포함되어 있으며, 회전된 루프(rotated loops)를 포함하는 까다로운 시나리오에서도 뛰어난 성능을 보임을 입증한다. 결과는 평균 루프 폐쇄 정확도(loop closure accuracy)가 95% 이상이며, 자세 추정 정확도는 병진에 대해 0.1 m, 회전에 대해 0.15도임을 보여준다.

자율주행차는 다수의 이질적인 센서를 장착하고, 각 센서로부터의 데이터를 실시간으로 처리하면서 주행한다. 이들 센서 중 전 지구 항법 위성 시스템(GNSS)은 차량 자체의 위치추정에 필수적이다. 그러나 주행 중 GNSS가 사용 불가능한 상황이 발생하면, 차량 위치추정 성능의 저하로 인해 사고 위험이 높아질 수 있다. 본 논문은 라이다 센서와 차량-모든 것(V2X) 통신을 기반으로 한 협력적 위치추정 기법을 제시한다. 자차는 주변 차량과 물체를 지속적으로 추적하며, 특히 GNSS-denied 상황에서 주변으로부터의 추적 정보를 이용하여 자기 위치를 국소화한다. 본 논문에서는 자율주행 중 GNSS-denied 사례를 구성함으로써 제안된 협력적 위치추정 기법의 유효성을 제시한다. 또한 다양한 시나리오에서 제안 방법을 평가하고 검증하기 위해 운전 시뮬레이터를 이용한 수치 시뮬레이션을 논문에 포함한다.

벡터 추적 루프(Vector Tracking Loop, VTL)는 채널 간 상호작용을 사용함으로써 글로벌 항법 위성시스템(Global Navigation Satellite System, GNSS) 수신기의 견고성을 향상시키며, 재밍 및 약신호 조건에서 신호 추적 성능을 개선한다. 그러나 신호 차단 환경에서는 독립형 VTL이 신호를 처리할 수 없어 관성 항법 시스템(Inertial Navigation System, INS)과의 통합이 필요하다. VTL/INS 통합은 그 이유로 연구되어 왔지만, 대부분의 선행 연구는 제한적이거나 이상화된 간섭 시나리오에 초점을 맞추어 다양한 재밍 조건에서의 평가는 부족하였다. 본 논문은 이 공백을 해소하기 위해 연속파 간섭(Continuous Wave Interference, CWI), 펄스(Pulse), 치프(Chirp), 매칭 스펙트럼 간섭(Matched Spectrum Interference, MSI), 대역 제한 백색 간섭(Band Limited White Interference, BLWI)의 5가지 재밍 신호를 서로 다른 전력 수준에서 시뮬레이션하고, 동적 환경에서 신호 차단 기간도 함께 고려한다. 본 논문에서 MATLAB 기반 시뮬레이션을 수행하여 스칼라 추적 루프(Scalar Tracking Loop, STL), VTL, 그리고 느슨 결합(loosely coupled, LC)된 VTL/INS 시스템의 항법 성능을 비교한다. 그 결과, VTL은 재밍 상황에서 STL보다 유의하게 우수한 성능을 보였으며, VTL/INS LC는 신호 정지(중단) 중에도 가장 견고한 성능을 제공하는 것으로 나타났다. 본 연구는 현실적인 재밍 및 신호 차단 조건에서 VTL/INS의 성능을 보다 포괄적으로 분석한다.

저궤도(LEO) 위치결정, 항법 및 시각동기화(PNT) 기술은 최근 주목을 받고 있다. 지상 사용자가 관측하는 가시 위성 수와 기하학적 정밀도 희석도(Geometric Dilution of Precision, GDOP)는 LEO 성좌에 따라 달라지며, 이들에 유의미한 영향을 미치는 것은 공학적 설계 요인들로서, 궤도 고도, 경사각, 그리고 전체 위성 수를 포함한다. 본 논문은 공간분절(공간 구간) 구성에 따른 LEO 성좌의 성능을, 특히 가시 위성 수와 GDOP를 중심으로 분석한다. 기존에 개발된 다성좌 다주파수 글로벌 항법 위성시스템(Global Navigation Satellite System, GNSS) 신호 시뮬레이터를 수정하여 실험적 시뮬레이션에 LEO 위성 데이터를 포함시켰다. 이 시뮬레이터를 사용하여, 다양한 위도에서의 지상 관측에 적합한 여러 LEO 성좌의 공간분절 구성들을 분석하였다. 또한, LEO 성좌를 기존 및 계획된 시스템에 통합하는 다층 시스템의 성능을 평가하였으며, 특히 한국 지역에서의 지상 관측에 중점을 두었다.

실세계 시험에서 자율주행자동차의 검증 및 확인(Validation and verification, V&V)은 시간, 비용, 안전성 및 확장성의 제약으로 인해 제한된다. 주행 시뮬레이터는 더 안전한 대안을 제공하지만 실제 차량의 동역학을 재현하지 못하는 경우가 많다. 본 논문은 섀시 다이나모미터(chassis dynamometer)와 가상 주행 시뮬레이터를 통합하여 실시간으로 실제 차량의 반응을 모사하는 Vehicle-in-the-Loop(VIL) 시뮬레이션 프레임워크를 제시한다. 이 프레임워크는 자율주행 제어기와 시뮬레이션된 센서 데이터 간의 양방향 통신을 가능하게 한다. ADAS 수준의 센서(예: 레이더, 초음파)의 경우, Over-the-Air(OTA) 자극은 가상 출력값을 물리 신호로 변환한다. 그러나 LiDAR 및 다중 카메라 시스템과 같은 고대역폭 센서에서는 데이터 복잡성과 전송 지연으로 인해 OTA가 비현실적이 된다. 이러한 문제를 극복하기 위해 데이터 주입(data injection) 접근법을 채택하여, 맞춤형 패킷 인터페이스를 통해 시뮬레이션 센서 데이터를 제어기에 직접 입력한다. 국가 교통 규정에 부합하도록 설계된 시나리오 기반 V&V 실험을 통해, 제안된 프레임워크가 규정 준수에 적합한 현실적인 시험을 달성하고 실제 주행과의 정량적 일치성을 보이며, 복잡한 시나리오에서 신뢰성 있는 검증을 수행함을 입증한다.

이 논문은 주행 시뮬레이터용으로 설계된 글로벌 항법 위성 시스템(GNSS) 센서 에뮬레이터를 제시하며, 이는 도시 주행 조건에서 실제 GNSS 수신기가 생성하는 것과 매우 유사한 위치 측정값을 생성한다. 제안한 접근 방식은 알마낙(almanac)을 활용하여 최신 GNSS 위성 정보를 확보하고, 기하 기반 오차 모델링을 포함한다. 여기에는 위성 기하와 다중경로(multipath) 효과를 반영하는 내용이 포함되며, 주변 환경을 정확하게 재현하여 현실적인 위치 측정값을 산출하는 데 중점을 둔다. 이 방법은 GNSS 신호와 환경 간의 복잡한 상호작용을 에뮬레이션할 수 있게 하며, 이는 현실적인 위치 측정값을 달성하는 데 중요하다. 제안 방법의 타당성을 검증하기 위해, 우리는 실시간 주행 시뮬레이터에 GNSS 센서 에뮬레이터를 구현하고 디지털 트윈(digital twin) 접근법을 사용하여 동일한 위치와 시간에서의 실제 GNSS 수신기 결과와 에뮬레이션 결과를 비교하였다.

다양한 환경에서 작동하는 고도화된 항공 모빌리티(Advanced Air Mobility, AAM) 시스템의 경우, 임무를 지속적이고 안전하게 수행하기 위해서는 중복(리던던트) 위치추정 기법이 필수적이다. 본 연구에서는 반구형 라이다(hemispherical Light Detection and Ranging, LiDAR) 센서를 사용하여 AAM을 위한 3차원 장소 인식 및 자세 추정 방법을 제안한다. 제안된 접근법은 주변 물체의 높이 차이를 활용하는 특징 추출 방법, 특징 거리로부터 국소 및 전역 기술자(descriptor)를 생성하는 방법, 그리고 대응(correspondence) 계산을 통한 효율적인 기하학적 검증 및 위치추정 절차를 포함한다. 또한, 점군(point cloud) 지도를 이용하여 가상 기술자 데이터베이스를 생성하는 과정을 포함함으로써 방문하지 않은 영역에서도 견고한 위치추정을 가능하게 한다. 모든 절차는 수작업으로 설계되었으며, 시뮬레이터에서 생성한 데이터셋을 사용하여 최첨단 방법들과 비교함으로써 제안 방법의 성능을 검증하였다. 제안 방법은 루프 클로저(loop closure) 검출에서 평균 정밀도(average precision, AP) 99.16% 이상, F1 점수 99.99%를 달성하였다. 자세 추정에서는 위치에 대해 제곱평균제곱근오차(root mean square error, RMSE) 0.836m 이하, 방위(heading)에 대해 0.195도 이하를 달성하였다. 더 나아가 일반 PC와 임베디드 장치 모두에서 시간 분석을 수행하여, 저전력 환경에서의 실시간 위치추정 가능성을 입증하였다. 임베디드 장치에서의 평균 자세 추정 시간은 21.70밀리초로, 제안 방법의 실시간 처리 능력을 확인하였다.

자율주행에서 장소 인식(place recognition)은 임무를 성공적으로 수행하기 위한 필수 구성요소이며, 차량의 위치를 오차 누적으로부터 벗어나 추정하기 위해 시스템에서 동시적 위치추정 및 지도작성(Simultaneous Localization and Mapping, SLAM)이 널리 사용된다. 현재 장소 인식 성능을 향상시키기 위한 딥러닝 기반 또는 수작업(handcrafted) 방식에 근거한 다양한 연구가 진행되고 있다. 그러나 딥러닝 기반 접근법은 해석 가능성이 낮고 종종 방대한 학습 시간이 필요하다는 점에서 수작업 방식에 비해 특정한 어려움을 수반한다. 본 논문에서는 이러한 문제를 극복하면서 높은 성능을 달성하고자, 장소 인식 및 점 등록(point registration)을 위한 수작업 방식 기반의 효율적 특징 추출 방법을 제안한다. 제안된 방법은 견고한 특징점(feature points)을 추출하고 강력한 디스크립터(descriptors)를 생성하며, 알고리즘의 다용성을 보장하면서 딥러닝 방법과 유사한 수준의 성능을 달성하는 것을 포함한다. 또한 KITTI 데이터셋을 이용한 검증 결과도 논문에 포함되어 있으며, 회전된 루프(rotated loops)를 포함하는 까다로운 시나리오에서도 뛰어난 성능을 보임을 입증한다. 결과는 평균 루프 폐쇄 정확도(loop closure accuracy)가 95% 이상이며, 자세 추정 정확도는 병진에 대해 0.1 m, 회전에 대해 0.15도임을 보여준다.