기계학습을 통한 예측 DGPS 항법 알고리즘

Predict DGPS Algorithm using Machine Learning

Abstract

DGPS (differential GPS) 방식의 위치해 계산 방식은 기준국 수신기와 동적 수신기와의 의사거리 보정정보 (PRC; pseudo-range correction) 실시간 통신을 통해서 위치해를 계산하는 방식을 말한다. 실제 동적으로 움직이는 수신기에서는 기준국 수신기와의 통신이 단절되어 PRC 실시간 통신이 단절되는 상황이 발생한다. 논문에서는 DGPS 방식의 위치해 계산방식에서 PRC를 받는 실시간 상황 중간에서수신기에 의사거리보정 정보전송이 끊긴 상황을 가정하여, 수신기에서 기존에 수신했던 PRC 정보를 사용하여 가상의 PRC 모델을 기계학습 알고리즘을 통해 실시간 생성하는 predict DGPS를 제안한다. predict DGPS 방식을 검증하기 위해 고정되어있는 기준국의 수신기에서 실제 PRC와 본 논문에서 제안 한가상의 PRC를 적용하여 위치해를 비교, 분석하였다. 또한 실제 도로에서 PRC 통신이 단절된 시나리오를 가정하여, predict DGPS 방식을 적용한 위치해 계산 방식이 기존 방식의 위치해 계산과 비교하여 향상된 위치해를 보여 줄수 있음을 보였다.

Differential GPS (DGPS) is known as a positioning method using pseudo range correction (PRC) which is communicating between a refence receiver and moving receivers. In real world, a moving receiver loses communication with the reference receiver, resulting in loss of PRC real-time communication. In this paper, we assume that the transmission of the pseudo range correction isinterrupted in the middle of real-time positioning situations, in which calibration information is received in the DGPS method. Under the disconnected communication, we propose 'predict DGPS' that real-time virtual PRC model which is modeled by a machine learning algorithm with previously acquired PRC data from a reference receiver. To verify predict DGPS method, we compared and analyzed positioning solutions acquired from real PRC and the virtual PRC. In addition, we show that positioning using the DGPS prediction method on a real road can provide an improved positioning solution assuming a scenario in which PRC communication was cut off.

그림 1. 15시간의 GPS 데이터로 생성한 PRC 모델 [4] Fig. 1. PRC model generated from 15 hours of data [4].

그림 2. DGPS 기본 개념도 Fig. 2. Basic conceptual of DGPS.

그림 3. 실험 장소 및 환경 Fig. 3. Experiment location and environment.

그림 4. 샘플링 된 PRC와 머신러닝 알고리즘을 통해 모델화된 PRC 함수 (샘플링 시간: 10초) Fig. 4. Sampled PRC and modelized PRC by machine learning algorightm (sampling time: 10sec).

그림 5. 샘플링 된 PRC와 머신러닝 알고리즘을 통해 모델화된 PRC 함수 (샘플링 시간: 60초) Fig. 5. Sampled PRC and modelized PRC by machine learning algorightm (sampling time: 60sec).

그림 6. 샘플링 된 PRC와 머신러닝 알고리즘을 통해 모델화된 PRC 함수 (샘플링 시간: 300초) Fig. 6. Sampled PRC and modelized PRC by machine learning algorightm (sampling time: 300sec).

그림 7. 샘플링 된 PRC와 머신러닝 알고리즘을 통해 모델화된 PRC 함수 (샘플링 시간: 600초) Fig. 7. Sampled PRC and modelized PRC by machine learning algorightm (sampling time: 600sec).

그림 8. 잔차 히스토그램, 쿡의 거리 그래프 (샘플링 시간: 10초) Fig. 8. Residual histogram, Cook’s distance (sampling time: 10sec).

그림 9. 잔차 히스토그램, 쿡의 거리 그래프 (샘플링 시간: 60초) Fig. 9. Residual histogram, Cook’s distance (sampling time: 60sec).

그림 10. 잔차 히스토그램, 쿡의 거리 그래프 (샘플링 시간: 300초) Fig. 10. Residual histogram, Cook’s distance (sampling time: 300sec).

그림 11. 잔차 히스토그램, 쿡의 거리 그래프 (샘플링 시간: 600초) Fig. 11. Residual histogram, Cook’s distance (sampling time: 600sec).

그림 12. SPAN 데이터의 위치 해 Fig. 12. Positioning plot from SPAN data.

그림 13. Predict DGPS의 위치해 Fig. 13. Positioning plot from predict DGPS data.

그림 14. 단독측위의 위치해 Fig. 14. Positioning plot from stand-alone data.

표. 1. 실제 데이터와 모델 PRC를 적용한 위치해 비교 Table 1. Comparison of horizontal mean error with real data modeled PRC

표 2. 수평 평균 오차 비교 Table. 2. Comparison of horizontal mean error