본 연구에서는 Fast Simultaneous Localization and Mapping (FastSLAM) 기법이 적용된 Light Detection And Ranging (LiDAR) 기반 자율주행차(Highly Automated Vehicle, HAV) 항법에 대한 무결성 위협(Integrity Risk) 확률 산출 방법론을 소개 한다. 자율주행차 항법 무결성 위협 확률 산출에 관한 이전 연구들에서는 확장 칼만 필터(Extended Kalman Filter, EKF) 기 반 SLAM 항법에 대한 추정 오차와 Data Association (DA) 과정에서 발생할 수 있는 고장에 대한 위협 확률을 산출하는 방 식으로 이루어져 왔다 (Joerger et al. 2018, Joerger & Pervan 2019). 하지만, 해당 방식으로 무결성 위협 확률을 산출하는 데에 필요한 계산량은 추정에 사용되는 Landmark 수에 따라 quadratic하게 증가하기 때문에, 복잡한 환경에 대하여 실시간 무결성 위협 확률 산출이 불가능하다 (Montemerlo & Thrun 2003). 이러한 문제를 극복하기 위해서 본 연구에서는 추정에 사용되는 Landmark의 수에 따라 Logarithmic하게 증가하는 FastSLAM 항법을 사용한다. FastSLAM 기법은 Particle Filter를 기반으로, HAV의 position and orientation (pose)에 대한 예측치를 가진 복수의 샘플 추출하고, 각 샘플이 실제 HAV의 pose 일 확률을 이용하여 HAV의 최적 pose를 추정한다. 본 연구에서는 FastSLAM으로 추정한 pose에 대한 무결성 위협 확률을 산출하기 위해 Probably Approximately Correct (PAC) Bayesian 이론을 적용한다. PAC Bayesian 이론에서는 샘플들로 유추 한 추정치에 대하여 경험적 위협(Empirical Risk)을 산출하고, 충분하지 않은 샘플에 의해 발생할 수 있는 Generalization 오 차를 확산 위협 확률(Divergence Risk)를 통해 바운드한다 (McAllester 1999, Gupta & Gao 2017). 본 연구는 FastSLAM 항 법에 대한 무결성 위협 확률을 정의하고, 머신 러닝 이론 기반 무결성 위협 확률 산출 방법론을 소개한다.

A Conceptual Study on Estimating Integrity Risk in FastSLAM-based LiDAR Navigation

Pil Hun Choi, Jinsil Lee, Jiyun Lee*

In this paper, we study a concept of estimating integrity risk of Fast Simultaneous Localization and Mapping (FastSLAM) based LiDAR navigation for highly automated vehicle (HAV) applications. Previous studies on quantifying the integrity risk of HAV navigation system have been made by calculating the estimation error for SLAM navigation based on the Extended Kalman Filter (EKF) and the risk for failure that may occur in the Data Association (DA) process (Joerger et al. 2018, Joerger & Pervan 2019). However, the method has a limitation that the computational loads required to calculate the integrity risk increases quadratic according to the number of landmarks used for estimation (Montemerlo & Thrun 2002). To overcome this limitation, this study uses FastSLAM navigation, which increases the computational load logarithmically according to the number of landmarks used for estimation. In this study, Probably Approximately Correct (PAC) Bayesian theory is applied to calculate the integrity risk for position and orientation (pose) estimated by FastSLAM. In PAC Bayesian theory, an “Empirical risk” is calculated for the estimated value inferred by samples, and generalization errors that may occur due to insufficient samples are bound through “Divergence risk” (McAllester 1999, Gupta & Gao 2019). This study defines the integrity risk for FastSLAM navigation and introduces a methodology for calculating the integrity risk based on machine learning theory.

Speaker 최필훈 한국과학기술원