U-Parking: Distributed UWB-Assisted Autonomous Parking System with Robust Localization and Intelligent Planning

이 논문은 UWB 기반의 강건한 국위 추정과 LLM 지원 계획 알고리즘을 통합하여 복잡한 실내 환경에서도 신뢰성 있는 자율 주차가 가능한 분산형 'U-Parking' 시스템을 제안하고 실차 실험을 통해 그 유효성을 입증합니다.

핵심

🚗 U-Parking: 주차장 안에서도 '눈이 밝은' 자율주행 비서

이 논문은 복잡한 실내 주차장에서 차가 스스로 주차하는 새로운 시스템, **'U-Parking'**을 소개합니다. 마치 고도의 지능을 가진 주차 비서가 차를 안내하고, 정교한 나침반이 길을 찾게 하며, 튼튼한 안전장비가 흔들림을 막아주는 방식입니다.

이 시스템을 쉽게 이해할 수 있도록 세 가지 핵심 역할을 비유로 설명해 드리겠습니다.

---

1. 🧠 '지능형 주차 비서' (LLM 기반 계획)

기존 방식의 문제점:
일반적인 자율주행 차는 주차장을 지도로 기억해 두었다가, 차가 움직일 때마다 "여기 차가 있네, 저기 빈 공간이 있네"라고 하나하나 계산합니다. 하지만 주차장 구조가 바뀌거나 차가 많아지면 계산이 너무 복잡해져서 길을 잃거나 엉뚱한 곳으로 갈 수 있습니다.

U-Parking 의 해결책:
이 시스템은 **거대 언어 모델 (LLM, AI 비서)**을 주차장 서버에 배치했습니다.

• 비유: 마치 숙련된 주차 관리인이 주차장 전체를 한눈에 보고, "오늘은 3 번 구역이 신호가 잘 잡히고 빈 자리도 많으니 거기로 가자"라고 차에게 지시하는 것과 같습니다.
• 효과: AI 비서가 "어디가 가장 안전하고 효율적인가?"를 먼저 판단해 핵심 길목 (Waypoint) 만 알려줍니다. 차는 복잡한 계산을 다 할 필요 없이, 비서가 알려준 핵심 길만 따라가면 되므로 훨씬 빠르고 똑똑하게 주차할 수 있습니다.

2. 📡 '눈이 밝은 나침반' (UWB + 센서 융합)

기존 방식의 문제점:
실내 주차장은 벽과 기둥이 많아 전파가 반사되거나 (멀티패스), 벽 뒤에 가려져 신호가 끊기기도 합니다 (NLOS). 이때 일반적인 GPS 나 센서는 "아! 내가 여기 있었나? 아니면 저기 있었나?" 하며 위치가 갑자기 튀는 (점프) 현상이 발생합니다.

U-Parking 의 해결책:
이 시스템은 초광대역 (UWB) 기술을 사용하지만, 단순히 신호만 믿지 않습니다.

• 비유: 안개 낀 날에 나침반만 믿고 걷는 것은 위험합니다. U-Parking 은 **나침반 (UWB)**과 **계단 수를 세는 발걸음 센서 (IMU)**를 함께 사용합니다.
  • 나침반이 "저기다!"라고 외치는데, 발걸음 센서가 "아니, 방금 그 방향으로 안 갔잖아?"라고 반박하면, 시스템은 "아, 나침반이 착각했구나"라고 판단하고 나침반 신호의 신뢰도를 낮춥니다.
• 효과: 신호가 끊기거나 잘못 잡혀도 차가 미친 듯이 흔들리지 않고, 매우 안정적으로 자신의 위치를 파악할 수 있습니다.

3. 🛡️ '튼튼한 안전장비' (강인한 주행 제어)

기존 방식의 문제점:
위치가 갑자기 튀면 차는 "어? 내가 어디로 간 거지?" 하며 급하게 핸들을 돌리거나 브레이크를 밟아 승객이 멀미를 하거나 사고가 날 수 있습니다.

U-Parking 의 해결책:
차의 제어 시스템 (MPC) 이 신호의 상태를 실시간으로 감지합니다.

• 비유: 미끄러운 빙판길을 달릴 때, 운전자가 갑자기 핸들을 꺾지 않고 부드럽게 핸들을 조작하는 것과 같습니다.
  • 위치 신호가 불안정해지면, 시스템은 "지금 위치가 정확하지 않으니 급하게 움직이지 말고, 속도와 방향을 부드럽게 조절하자"라고 스스로 판단합니다.
• 효과: 신호가 흔들려도 차는 부드럽고 안정적으로 주차선을 따라 이동하며, 급격한 흔들림을 막아줍니다.

---

🎬 실제 시연 결과

연구진들은 실제 주차장에서 이 시스템을 시연했습니다.

• 결과: 기존 방식보다 위치 파악 오차가 훨씬 적었고, 차가 주차선을 따라 부드럽게 들어가는 모습을 확인했습니다.
• 의미: 복잡한 실내 환경에서도 **AI 비서 (계획)**와 **정교한 센서 (위치 파악)**가 협력하면, 차는 더 이상 주차를 두려워하지 않게 됩니다.

💡 한 줄 요약

"U-Parking 은 AI 비서가 최적의 주차 자리를 찾아주고, 정교한 센서가 길을 잃지 않게 하며, 부드러운 제어 시스템이 흔들림을 잡아주는 '완벽한 주차 파트너'입니다."

기술 요약

U-Parking: 분산형 UWB 지원 자율 주차 시스템 기술 요약

1. 문제 정의 (Problem)

실내 주차장 환경에서의 자율 주차는 다음과 같은 주요 난제에 직면해 있습니다:

• 정밀한 위치 추정 어려움: 복잡한 구조, 가려짐 (Occlusion), 그리고 다중 경로 효과 (Multipath effects) 로 인해 고정밀 위치 추정이 어렵습니다.
• 기존 기술의 한계:
  • SLAM 기반 방식: 고정밀 사전 지도와 순차적 스캔에 의존하여 환경 변화에 민감합니다.
  • 기존 경로 계획: 대규모 시설에서는 검색 공간이 너무 커 효율성이 낮고, 전역적 의사결정 능력이 부족합니다.
  • UWB 의 한계: UWB 는 센티미터 수준의 정확도를 제공하지만, 가시선 (LOS) 과 비가시선 (NLOS) 상태 전환 및 다중 경로 효과로 인해 위치 점프 (Positioning Jumps) 가 발생하여 계획 및 제어의 불확실성을 증폭시킵니다.

2. 제안된 방법론 (Methodology)

논문은 U-Parking이라는 분산형 차량 - 주차장 협업 시스템을 제안하며, 다음과 같은 세 가지 핵심 기술로 구성됩니다.

가. 지능형 주차 공간 선정 및 경로 계획 (LLM 기반)

• 서버 측 LLM 활용: 전통적인 A* 알고리즘만 사용하는 대신, 주차장 서버에서 **대형 언어 모델 (LLM, LLaMA-3.3-70B)**을 활용한 계획 프레임워크를 도입했습니다.
• 작동 원리:
  • 장애물 위치, UWB 앵커 배치, 차량 초기 자세, 실시간 주차 공간 가용성 등을 구조화된 입력으로 LLM 에 전달합니다.
  • LLM 은 UWB 신호 품질이 양호하고 연속된 주차 공간이 있는 지역을 우선순위로 선정하여 목표 주차 공간 ID와 **핵심 웨이포인트 (Key Waypoints)**를 출력합니다.
  • 이렇게 선정된 웨이포인트는 개선된 A* 플랜더 (Improved A* Planner) 에 가이드로 제공되어 불필요한 그리드 확장을 줄이고 검색 공간을 효율적으로 제한합니다.
• 경로 최적화: 생성된 경로는 B-스플라인 보간 및 B-제어 곡선 (Piecewise Bézier curves) 을 통해 부드럽게 처리되며, 최종 주차 기동은 곡선 - 직선 기하학적 방법으로 생성됩니다.

나. 계층적 융합 위치 추정 전략 (Robust Localization)

• 3 계층 구조: UWB 의 NLOS/다중 경로 영향을 완화하기 위해 3 계층 계층적 융합 위치 추정 아키텍처를 도입했습니다.
  1. 데이터 전처리: 원시 UWB 거리 측정값을 필터링하여 노이즈를 억제합니다.
  2. 초기 추정: 필터링된 거리 데이터로 2 차원 위치를 추정하고 1 차원 칼만 필터 등을 통해 초기 평활화를 수행합니다.
  3. 적응형 최적화 (IAEKF): 개선된 적응형 확장 칼만 필터 (IAEKF) 를 핵심으로 UWB 위치 추정값과 IMU(관성측정장치) 의 운동 상태를 융합합니다.
     • 혁신 잔차 (Innovation Residual) 기반 가중치 조절: UWB 측정값과 IMU 예측값 간의 오차 ($r_k$) 가 임계값을 초과할 때 (NLOS 등), 필터가 UWB 측정값의 가중치를 동적으로 감소시켜 위치 점프를 보정하고 로버스트성을 확보합니다.

다. 강인한 궤적 추적 제어 (Robust Trajectory Tracking)

• MPC 기반 제어기: 위치 불확실성에 대응하기 위해 모델 예측 제어 (MPC) 기반의 궤적 추적 제어기를 설계했습니다.
• 적응형 비용 함수: 위치 신뢰도에 따라 비용 가중치를 동적으로 조정합니다. UWB 로 인한 급격한 점프가 감지되면, 순간 위치 오차의 가중치를 낮추고 과도한 속도 및 조향 변동을 패널티로 부과하여 차량의 진동과 급격한 제어를 억제합니다.

3. 주요 기여 (Key Contributions)

1. 계층적 UWB 융합 위치 추정: LOS/NLOS 전환 시 발생하는 기존 UWB 시스템의 미터 단위 드리프트를 완화하고 로버스트성을 크게 향상시켰습니다.
2. LLM 지원 서버 측 계획 메커니즘: 주차 공간 선정 및 경로 계획에 대한 고수준 가이드를 제공하여 기존 A* 플랜더의 검색 공간을 효과적으로 축소하고 효율성을 높였습니다.
3. 차량 - 주차장 협업 아키텍처: 로컬 인지 지도를 넘어 전역적인 위치 추정과 의사결정이 가능한 분산형 시스템 구조를 구현했습니다.

4. 실험 결과 (Results)

• 실험 환경: Ubuntu 22.04, ROS2 Humble, 30.2m x 37.9m 실내 주차장, HR-RTLS1 UWB 플랫폼, WHEELTEC N100 IMU, SCOUT 2.0 모바일 플랫폼을 사용하여 실제 차량으로 실험을 수행했습니다.
• 성능 평가 (표 1 참조):
  • 위치 추정 정확도: 제안된 방법 (Integrated Improvement) 은 기존 UWB 단독 (평균 오차 0.240m), UWB+EKF(0.190m), UWB+IAEKF(0.138m) 대비 평균 오차 0.118m로 가장 높은 정확도를 보였습니다.
  • 궤적 추적: 유클리드 거리 오차와 동적 시간 왜곡 (DTW) 지표를 통해 평가한 결과, 제안된 방법은 가장 낮은 오차를 기록했습니다.
  • 특이점: UWB 측정 노이즈로 인해 최대 0.5m 의 일시적인 피크 오차가 관찰되기도 했으나, 이는 드물고 짧게 지속되어 전체적인 주차의 매끄러움과 정확도에 영향을 주지 않았습니다.
• 시연: 실시간 비디오 시연 (YouTube 링크 제공) 을 통해 복잡한 실내 환경에서도 안정적인 자동 주차가 가능함을 입증했습니다.

5. 의의 및 결론 (Significance)

이 논문은 LLM 기반의 고수준 계획, 강인한 위치 추정, 그리고 적응형 제어를 통합한 실용적인 자율 주차 시스템을 제시했습니다. 특히, 실내 환경의 불확실성 (NLOS, 다중 경로) 을 극복하기 위해 UWB 와 IMU 의 융합을 고도화하고, LLM 을 통해 전역적 의사결정 효율성을 극대화한 점이 혁신적입니다. 이는 기존 SLAM 기반 방식의 한계를 보완하고, 대규모 실내 주차 시설에서의 자율 주차 상용화에 중요한 기여를 할 것으로 기대됩니다.