딥러닝을 활용한 맵 매칭 기반 모바일 GPS 위치정확도 향상 = Improvement on Mobile GPS Positioning Accuracy based on Map Matching using Deep Learning

국문 초록 (Abstract)

지하시설물은 지상에서 확인할 수 없기 때문에 도면에 의존한 현장 점검에 어려움이 있다. 이를 해결하기 위해 현장에서 지하시설물을 시각화하는 위치기반 AR 모바일 솔루션이 제시되고 있다. 그러나 모바일 GPS의 위치 오차 발생으로 인해 증강현실로 구현된 지하매설물 형상의 위치가 실제 GIS 위치와 상당한 차이를 보인다는 문제가 지적되었다. 일반적으로 사용되는 DGPS나 RTK를 활용한 측위 오차 보정은 별도의 장비 탑재가 필요하므로 지하시설물 점검 현장에서 하드웨어 장착 및 휴대를 하는데 많은 에너지와 비용이 소모된다. 이에 따라 현장 작업자의 부담을 줄이기 위해 모바일 단안 카메라 중심의 GPS 위치 보정이 필요하다.
따라서 본 논문에서는 합성곱 신경망(CNN) 알고리즘과 2D 지도를 활용하여 도로 중앙선과의 직선거리를 기준으로 모바일 GPS의 위치를 보정하는 방법을 제안한다. 사전에 중앙선이 그려진 도로 이미지와 중앙선과의 직선거리 수치 데이터가 담긴 데이터셋을 직접 수집하였다. 이 데이터셋으로 사전 학습된 CNN 모델은 중앙선과의 직선거리 수치를 예측한다. 지도 이미지에서 도로 중앙선을 검출하여 예측된 거리의 좌표를 추출한다. 이를 보정된 GPS로 간주하며, 사전에 개발한 지하시설물 관리를 위한 AR 애플리케이션에 적용하여 해당 위치의 지하시설물을 구현한다.
CNN 알고리즘으로 구성된 중앙선과의 직선거리 예측 모델의 학습 및 성능 평가를 위해 전체 데이터셋을 훈련 데이터 및 검증 데이터와 테스트 데이터로 구분하여 진행하였다. 최종 모델 성능 평가값은 절대 평균 오차 0.3579로, 약 40cm 이내의 오차 범위 내에서 중앙선과의 직선거리값이 예측될 수 있음을 확인하였다. 이 예측값을 토대로 모바일 GPS 중심의 네이버 지도 이미지와의 맵 매칭을 통해 최종 위치 예측 데이터를 도출하였다. 지하시설물 GIS 데이터를 Ground Truth로 삼아 5회의 GPS 비교 실험 결과 모바일 GPS와 비교하여 약 18%의 위치 오차 보정률을 보여 제안 방안이 모바일 GPS 위치정확도 향상에 기여함을 확인하였다.

다국어 초록 (Multilingual Abstract)

There are difficulties in on-site inspection due to invisibility of underground facilities. To settle this situation, location based AR mobile solution is being suggested. However, it is criticized that there are positional differences because of position error of mobile GPS. DGPS and RTK are generally used to compensate GPS error, but they need extra equipments. It takes lots of energy and costs to carry and attach additional hardwares during routine inspection. Therefore, GPS calibration based on mobile monocular camera is needed.
In this paper, we propose a calibration method for mobile GPS using convolutional neural network(CNN) algorithm and 2D map. In advance, we directly collected dataset that consists of road image where center line is contained and numeric data for distance between center line and mobile. A CNN model pre-trained with this dataset predicts distance from center line. And a coordinate from that predicted distance will be extracted from map image through map matching, by detecting road and center line and calculating point. This will be considered as calibrated GPS, and applied to AR Application for management on underground facilities, where augmented figures will be visualized.
It was confirmed that distance from center line could be predicted approximately within 40cm, with Mean Average Error(MAE) 0.3579. we also conducted experimental performance comparison between mobile GPS and proposed method. We confirmed that proposed method contributes to improvement of mobile GPS positioning with roughly 18% of GPS error correction rate compared to mobile devices.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구 배경 및 목적 1
• 2. 연구 목적 3
• II. 선행 연구 5
• 1. GPS 의의와 한계에 관한 연구 5
• 2. 모바일 GPS 오차 보정 방법에 관한 선행 연구 7
• 가. 별도의 전파 수신을 통한 위치 오차 보정 7
• 1) DGPS 8
• 2) RTK GPS 8
• 나. 딥러닝을 활용한 위치 보정 9
• III. CNN 맵매칭 모듈 제안 11
• 1. CNN 모델을 활용한 거리 예측부 11
• 가. 학습 대상 정의 11
• 나. 데이터 수집 12
• 다. 데이터 전처리 및 라벨링 12
• 라. CNN 모델 설계 14
• 2. 위치 예측을 위한 맵매칭부 16
• 가. 지도 이미지 API 호출 17
• 나. 도로선 검출 18
• 다. 중앙선 도출 21
• 라. 중앙선과 거리 비교 및 예상 위치 픽셀 도출 22
• 마. 해당 픽셀의 GPS 좌표 계산 22
• IV. 시스템 설계 및 구현 24
• 1. Client 25
• 가. User Interface 25
• 나. AR SDK 25
• 다. Network Manager 26
• 라. Modeling Manager 26
• 2. Server 26
• 가. Web Server 27
• 1) REST API Interface 27
• 2) Prediction Manager 27
• 3) Data Manager 27
• 나. CNN 맵매칭 모듈 28
• 다. 데이터베이스 28
• V. 테스트 및 검증 29
• 1. CNN 모델을 활용한 거리 예측 29
• 가. 학습 데이터 29
• 나. 학습 환경 29
• 다. 학습 결과 및 분석 30
• 2. 맵매칭에 의한 위치 예측 34
• 가. 평가 방안 34
• 나. 실험 결과 및 분석 35
• VI. 결론 37
• 참고문헌 39