저가형GPS 모듈의 성능 비교 및 위치 관계를 이용한 위치 보정 알고리즘 개발

1. 서 론

로봇은 사람의 도움과 간섭 없이 반복적인 일을 수행하는 기술이다. 현대에 들어서는 고정된 좌표계에서 정해진 작업만을 하는 로봇이 아닌, 주어진 경로를 이동하면서 다양한 작업을 수행하는 자율주행 로봇의 활용이 증가하고 있다. 자율주행 로봇은 다양한 분야에서 사용이 되고 있다. 특히 농업과 국방의 경우, 부족한 인력과 과도한 업무 강도로 인해 관련된 많은 연구가 이루어지고 있다. 예를 들어, 농업에서는 방제로봇^[1], 제초로봇^[2], 콤바인 작업 로봇^[3] 등이 존재한다. 국방 분야에서는 정찰로봇^[4], 보급품 운반 로봇^[5] 등이 있다. 이러한 로봇들이 수행하는 작업은 다양하지만^[6], 모두 정확한 경로 추종 능력이 필수적이다.

로봇 주행 기술에서 핵심적인 요소 중 하나는 경로 추종이다. 정확한 경로 추종을 위해서는 위치 인식의 정밀도와 정확도가 중요하다. 위치 인식에 사용할 수 있는 센서로는 카메라와 LiDAR, GPS (Global Positioning System)가 존재한다. 스테레오 카메라는 상대적으로 저렴하여 경제적인 장점이 있다. 하지만 자율주행 로봇이 주행할 때는 여러 대의 카메라^[7]를 이용하는 것이 일반적이다. 또한, 스테레오 카메라만으로는 절대좌표를 파악할 수 없고^[8], 내부 구조를 알 수 있도록 마커^[9]를 설치하는 등의 사전 작업이 요구된다. LiDAR 센서를 활용했을 때 사용할 수 있는 대표적인 위치 인식 시술로는 SLAM (Simultaneous Localization And Mapping)이 있다. 이는 사전에 준비한 라이다 포인트 클라우드 지도를 기반으로 로봇의 현재 위치를 추정한다. 하지만 환경 변화에 민감하여, 환경이 달라지면 부정확한 위치 데이터를 산출할 가능성이 있다^[10]. GPS는 주행 환경에 대한 별도의 사전 작업 없이도 안정적으로 위치 인식이 가능하다. 따라서, 다른 센서를 사용한 위치 인식 시스템에서도 GPS와의 융합은 필수적이다. 이에 대한 기반으로 단일 GPS를 이용했을 때 위치 정확도와 정밀도를 높이는 연구가 필요하다.

GPS만을 이용하여 위치 정확도를 높이기 위해 RTK (Real-Time Kinematic) 기술이 사용된다. RTK에서 높은 위치 정확도를 달성하기 위해서는 AR (Integer Ambiguity Resolution) 과정을 통해 불확실성을 해소해야 한다. 불확실성이 발생하는 이유는, 위성의 신호를 수신한 후 위상 차이를 기반으로 위치를 계산하는데, 위상의 차이가 여러 주기에 걸쳐 발생하기 때문이다. 실제로 전체 주기를 몇 번 돌았는지에 대한 값을 실수로 추정을 한 후 정수로 변환하는 과정이 AR^[11-13]이다. GPS 데이터의 신뢰성을 판단할 때, 불확실성이 해소되었는지 여부에 따라 Float 상태와 Fix 상태^[14]로 구분한다.

RTK는 위상의 차이 정보를 담은 보정신호를 전달받는 방식에 따라 크게 세 가지로 나뉜다. 첫번째는 고정 기지국을 설치하여 기지국에서 전송된 보정신호를 수신해 위치를 계산하는 방식으로 Single-Base RTK이다. 두번째는 두 개의 GPS 모듈을 일정 간격으로 설치하고, 이동체 위에서 보정신호를 주고받아 위치를 계산하는 방식으로, 이를 Moving Baseline RTK^[1]라 한다. 세번째는 국토지리정보원과 같은 기관의 네트워크를 통해 보정신호를 수신하는 방식으로, Network-RTK^[15]로 불린다. 서로 다른 RTK 기술을 활용하여 위치 정확도를 평가하는 연구^[16]도 진행되었다.

그러나 Network-RTK 방식은 네트워크에 연결하기 위해 통신 요금이 발생하는 단점이 있다. 또한, 통신사별로 사양이 달라 제어가 어려운 점도 있다. 이를 해결하기 위해 네트워크를 사용하지 않고 기지국을 설정하여 보정신호를 수신하는 방식이 활용된다. Moving Baseline RTK의 경우, 이를 지원하는 모듈을 사용해야 하며, 최소 Baseline 길이를 충족해야 한다는 제약이 있다. 고정 기지국을 활용한 첫번째 방식은 가장 보편적인 방법이지만, 기지국과 이동국에서 서로 다른 GPS 엔진을 사용할 경우 동일한 엔진을 사용할 때보다 위치 정확도가 떨어질 수 있다.

본 연구에서는 이러한 문제점을 해결하기 위해 서로 다른 저가형 GPS 엔진의 성능을 비교하고, 위치 및 방향(Heading) 정밀도가 높은 엔진을 평가하고자 한다. 또한, Heading이 안정적으로 출력되는 최소한의 Baseline 길이를 확보하고 길이의 일정함을 이용해 위치를 보정하여 위치 정밀도와 정확도를 향상시키는 방안을 제시한다. 나아가, 하나의 기준국에서 무선 주파수를 통해 다른 유형의 이동국을 보정신호를 전달하여 RTK 기술을 적용할 수 있음을 확인해 다중 로봇 제어 시 네트워크 연결이 필요하지 않아 통신 비용을 절감할 수 있다.

2. 저가형 GPS 모듈 비교

2.1 실험장소 및 방법

본 실험은 홍익대학교 화성캠퍼스 운동장에서 실시했다. 실험에 사용된 저가형 GPS는 U-blox 社의 ZED-F9P의 GPS센서와 HOLYBRO 社의 H-RTK Unicore UM982이다. ZED-F9P와 Unicore의 사양은 각각 [Table 1]과 [Table 2]와 같다. 보정신호의 전달은 Chipsen 社의 RCPORT-TD900을 사용하여 무선 통신으로 데이터를 주고받도록 구성하였다. RCPORT-TD900의 사양은 [Table 3]에서 확인할 수 있다.

[Table 1]

A specification table of U-blox ZED-F9P

[Table 2]

A specification table of H-RTK Unicore UM982

[Table 3]

A specification table of Chipsen RCPORT-TD900

기지국은 F9P와 Unicore 두 종류의 장비를 각각 설정하여 RCPORT를 통해 보정신호를 전송하도록 구성하였다. [Fig. 1]에서는 각 센서가 배치된 형태를 볼 수 있는데, 이동국으로 Unicore 1개와 F9P 2개를 각각 1 m 간격으로 마운트에 고정하였다. Unicore는 듀얼 안테나 모델로 Master 안테나를 기준으로 1 m 거리를 설정하였다. 이동국 역시 RCPORT를 이용하여 보정신호를 수신하도록 하였다.

[Fig. 1]

Sensor configuration

2.2 실험과정 및 결과

본 실험은 기지국으로 서로 다른 GPS 모듈을 사용하여 각각 3일간 동일한 시간대에 대해 2시간동안 데이터를 누적하는 방식으로 진행되었다. 이는 실험 시간대에 따라 위성의 배치와 구성이 달라져 수신 데이터에 차이가 발생할 가능성을 고려하여, 데이터의 신뢰성을 확보하기 위함이다.

반복 실험을 통해 얻은 데이터는 각 GPS 모듈의 위치와 True Heading^[17]을 포함한다. 분산은 모두 가공하지 않은 데이터를 기준으로 산출되었다. [Table 4]와 [Table 5]에서는 F9P가 기준국일 때 분산을 표현하였다. [Table 6]과 [Table 7]에서는 기준국이 Unicore일 때 분산을 확인할 수 있다. 10cm 미만의 분산을 기준으로 기준국이 Unicore일 때 정밀도가 높다는 것을 확인하였다. 위치 데이터는 Fix, Float 상태를 기준으로 구분했으며, 전체 데이터 중 Fix 상태의 비율을 [Table 8]과 [Table 9]에서 확인할 수 있다. Unicore를 기지국으로 사용한 경우 모든 실험에서 99% 이상의 Fix 상태가 나타났다.

[Table 4]

Variance of X coordinates by F9P

[Table 5]

Variance of Y coordinates by F9P

[Table 6]

Variance of X coordinates by Unicore

[Table 7]

Variance of Y coordinates by Unicore

[Table 8]

Fix status ratio by F9P

[Table 9]

Fix status ratio by Unicore

매 실험마다 유사한 결과가 도출되었으며, 대표적으로 첫째 날의 데이터를 시각화하여 제시하였다. [Fig. 2]와 [Fig. 3]은 기지국으로 F9P를 사용한 경우, 가공 전 Raw 데이터와 Fix 상태에 따라 구분한 데이터의 위치 분포를 나타낸 것이다. 또한, [Fig. 4]와 [Fig. 5]에서는 기지국으로 Unicore를 사용한 경우의 위치 분포를 표현하였다.

[Fig. 2]

Position distribution of Raw data by F9P

[Fig. 3]

Position distribution of Fix-state data by F9P

[Fig. 4]

Position distribution of Raw data by Unicore

[Fig. 5]

Position distribution based on Fix status by Unicore

기지국이 F9P인 경우에는 전반적으로 낮은 정확도가 나타났다. 특히, 이동국이 Unicore일 때는 Fix 상태에서도 주기적으로 큰 위치 오차가 발생하였다.

기지국이 Unicore인 경우, 일부 F9P의 Flaot 상태를 제외하고 각 GPS 모듈의 높은 정확도를 확인할 수 있었다. 정확도는 수집한 데이터의 평균과 기준으로 잡은 지점의 위치를 비교하여 판단하였다.

또한, Raw 데이터와 Fix 상태에서 수집한 데이터의 정확도 차이는 Float 상태에서 Fix 상태로 전환되는 데 걸리는 시간에 대한 정보를 제공한다. 기준국이 Unicore일 경우, 전원이 공급되면 매우 짧은 시간 내에 AR 과정이 완료되어 두 그래프의 형상이 유사하게 나타났다. 반면, 기준국이 F9P일 경우에는 GPS 모듈의 종류에 관계없이 AR 과정이 완료될 때까지 시간이 다소 소요되었다.

Unicore와 F9P의 True Heading 변화를 분석하기 위해 동일한 궤적과 알고리즘을 사용하여 주행 실험을 진행하였다. Unicore와 F9P의 True Heading은 10 Hz의 주기로 출력하였으며, 그 결과는 [Fig. 6]에서 확인할 수 있다. F9P는 기준 시간에 대해 이전 값과 차이가 약 30°로 큰 진폭을 보였고, Unicore는 약 1° 차이를 나타냈다. [Fig. 7]은 각 GPS의 True Heading을 시간에 대해 동기화하여 나타낸 분산으로 RMSE는 19.88°로 계산되었다.

[Fig. 6]

Changes of True heading while driving by GPS module

[Fig. 7]

Error of True heading while driving between GPS modules

3. 위치 오차 보정

3.1 문제 상황 파악

이동국은 1 m의 거리를 두고 정삼각형을 이루며, 각 위치의 평균은 삼각형의 무게중심에 해당한다. [Fig. 8]과 [Fig. 9]에서는 기지국이 Unicore일 때 무게중심의 편차를 표현하였다. [Fig. 8]은 X성분의 편차를 나타내며, 이를 통해 계산한 분산은 0.004617 m이다. [Fig. 9]는 Y성분의 편차이며, 이로부터 얻은 분산은 0.004045 m이다. X와 Y성분 모두 분산 4 cm로 높은 정밀도를 확인할 수 있다. [Table 10]은 이동국 간의 안테나 거리를 나타내며, 3가지 조합 모두 기준인 1 m에서 10% 이내의 편차를 보였다.

[Fig. 8]

Error in the X-component of the center of gravity for Unicore Base

[Fig. 9]

Error in the Y-component of the center of gravity for Unicore Base

[Table 10]

Distance between antennas of each Rover when Unicore Base

[Fig. 10]과 [Fig. 11]에서는 F9P가 기지국일 때의 무게중심 편차를 표현했다. 각각 X, Y성분을 나타내며 이때의 분산은 각각 0.5184289 m와 0.2636503 m이다. 분산을 기준으로, Unicore와 비교하여 위치 정밀도가 낮게 나타났다. 정확도의 측면에서는 그래프를 통해, 오차가 측정 전반에서 발생한 것이 아니라 특정 부분의 오차가 크게 발생한 것을 알 수 있다. 오차가 크게 발생한 부분은 총 3군데이며, 분산은 이를 고려하지 않고 전체 데이터를 모두 종합하여 계산된 것이다. [Table 11]에서는 안테나 사이의 거리를 나타내고 있다. F9P 1과 2의 거리는 기준으로 삼은 1 m에 대해 0.5%의 위치 오차를 보인 반면, Unicore와의 거리에서는 45% 이상의 위치 오차가 나타났다. 이를 통해 Unicore의 위치가 부정확하게 표현된 것을 알 수 있다.

[Fig. 10]

Error in the X-component of the center of gravity for F9P Base

[Fig. 11]

] Error in the Y-component of the center of gravity for F9P Base

[Table 11]

Distance between antennas of each Rover when F9P Base

3.2 위치 보정 알고리즘

서로 다른 GPS 모듈을 사용하여 기지국과 이동국을 설정한 결과, GPS의 종류에 따라 일부 GPS 모듈의 위치가 올바르게 측정되지 않는 것을 확인했다. 이를 해결하기 위해 GPS 모듈 간의 위치 관계를 이용한 Moving Baseline RTK 개념을 도입하였다. 본 논문에서 각 GPS는 서로 1 m씩 떨어져 있으며, 다양한 조합을 통해 위치 오차가 큰 GPS 모듈을 찾아내기 위해 총 3개의 GPS 모듈을 사용했다. 따라서 GPS 모듈에서 위치 오차가 크게 발생한 경우, 각 변의 거리가 1 m인 정삼각형의 위치 관계를 이용하여 이를 보정하고자 한다.

본 연구에서 사용한 GPS 모듈은 모두 10 Hz의 주기로 데이터가 출력된다. 정지 상태의 실험에서 데이터의 경향성을 바탕으로 오차가 유의미하게 발생했는지 판단하기 위해 확률적 개념을 도입하였다. 0.1초 주기로 들어온 10개의 데이터에 평균필터를 적용하여 데이터의 평균값을 도출한다. 분산은 측정한 모든 데이터를 기준으로 실시간으로 바뀌는 평균값을 적용하여 계산한다. 데이터는 정규분포를 따른다고 가정하여 평균에서 양쪽으로 1표준편차 범위 안에 실시간으로 들어온 데이터가 포함되는지를 판단한다.

[Fig. 12]에서는 기준 범위 안에 포함된 두 GPS 모듈들 간의 위치 관계를 나타낸다. 기준 범위 안의 두 GPS 모듈의 위치를 각각 (a, b)와 (c, d)라 한다. 두 GPS 모듈이 절대좌표계에서 이루는 각도인 θ는 식 (2)를 이용하여 계산하며, 모듈 간의 거리인 p는 식 (1)에 따라 산출한다. 나머지 GPS 모듈이 존재할 수 있는 후보점인 (x_1,2, y_1,2)는 식 (3)과 식 (4)를 통하여 결정한다. 총 2종류의 후보점이 나오는데 기존 데이터와의 비교를 통해 근접의 후보점을 선택한다.

$\[ p=\frac{\sqrt{{\left(a-c\right)}^2+{\left(b-d\right)}^2}}{2} \]$

(1)

$\[ \theta ={\mathrm{t}\mathrm{a}\mathrm{n}}^{-1}\frac{b-d}{c-a} \]$

(2)

$\[ x_{\mathrm{1,2}}=\pm \sqrt{1-p^2}\mathrm{*}\mathrm{s}\mathrm{i}\mathrm{n} \theta +\frac{a+c}{2} \]$

(3)

$\[ y_{\mathrm{1,2}}=\pm \sqrt{1-p^2}\mathrm{*}\mathrm{c}\mathrm{o}\mathrm{s} \theta +\frac{b+d}{0} \]$

(4)

[Fig. 12]

A Diagram expressing the Correlation of Variables for understanding the Algorithm

일반적으로 GPS의 위치 오차가 RTK 오차 범위를 벗어나 크게 발생한 경우, 기존 데이터를 활용하여 선형 회귀 분석을 통해 데이터 보정^[18]을 진행한다. 그러나 선형 회귀 분석을 수행할 때는 충분한 양의 데이터가 확보되어야 신뢰성 있는 보정 결과를 얻을 수 있다는 한계가 있다. 또한 여러 개의 GPS 모듈을 사용할 경우, 각 모듈이 Fix 상태에 도달하는 시간은 동일하지 않다. GPS 모듈의 차이로 인해 Fix 상태임에도 불구하고 오차가 큰 데이터가 포함될 수 있다.

기준 범위 안에 포함되지 않고 RTK 오차 범위를 벗어난 데이터가 발생한 경우에는 기준 범위 안에 포함된 GPS 모듈의 개수를 파악한다. 1개 이하의 경우에는 기준 범위 끝 값 중 큰 것을 저장한다. 2개 이상일 때는 후보점과 기준 범위 끝 값의 평균을 통해 보정한다.

위의 위치 보정 알고리즘은 본 논문에서 새롭게 제안하며, 데이터의 양이 적은 상태에서 확률적 방식과 GPS의 위치 관계를 통해 효과적으로 경향성을 예상할 수 있다. 1초 주기로 10번씩 들어오는 데이터에 평균필터를 적용하여 실시간성을 반영하였으며, 분산에 포함된 누적된 오차를 줄이기 위하여 후보점과의 평균으로 보정된 좌표를 생성하기에 안정적인 개선에 기여할 수 있다.

3.3 보정 결과

지속적으로 RTK의 오차 범위보다 큰 위치 오차가 발생하는 기지국이 F9P인 상황에 대해 위치 보정 알고리즘을 적용한 결과는 다음과 같다. [Fig. 13]은 무게중심 X성분의 편차이고, 이를 통해 구해본 분산은 0.00928883 m이다. [Fig. 14]는 무게중심 Y성분의 편차이며 분산은 0.01327265 m이다.

[Fig. 13]

Error in the X-component of the center of gravity for F9P Base after correction

[Fig. 14]

Error in the Y-component of the center of gravity for F9P Base after correction

4. 결 론

본 논문은 다른 종류의 대표적인 저가형 GPS 모듈을 사용하여 성능을 비교해보았으며, 센서의 조합에 따라 발생하는 위치 오차를 확률적 개념과 Moving Baseline RTK의 개념을 도입하여 개선하였다. 그 결과 GPS 모듈 무게중심의 정밀도는 90% 이상 향상했다. 본 연구에서는 정적인 상태에 대한 위치 보정으로 1초 주기의 데이터에 대해 평균필터를 적용하였다. 동적인 환경에서는 평균 필터를 쓰는 것이 위험하기 때문에 칼만필터 등의 예측 필터를 적용하는 연구로 확장하고자 한다. 또한 Single-Base RTK 상에서 기지국과 이동국 사이를 무선 주파수를 이용하여 통신을 구성하였다. 다수의 로봇을 제어하는 경우에 저렴한 무선 주파수 모듈을 사용하여 추가적인 통신 비용이 들지 않아 전체적인 제작 비용을 절감할 수 있다.

Acknowledgments

This work was supported by 2024 Hongik University Research Fund.

References

• Y. Yamasaki, K. Ishii, and N. Noguchi, “Speed Control of an Autonomous Electric Vehicle for Orchard Spraying,” Elsevier, 2024, [Online], https://ssrn.com/abstract=4987436, . [https://doi.org/10.2139/ssrn.4987436]
• S. Baek, B. Kim, J. W. Lee, and H. Moon, “Real-time Path Planning Algorithm based on Ridge Detection for Solid-State LiDAR-based Autonomous Agricultural Robot,” Journal of Institute of Control, Robotics and Systems, vol. 28, no. 2, pp. 146-152, Feb., 2022. [https://doi.org/10.5302/J.ICROS.2022.21.0207]
• M. Iida, R. Uchida, H. Zhu, M. Suguri, H. Kurita, and R. Masuda, “Path-Following Control of a Head-Feeding Combine Robot,” Engineering in Agriculture, Environment and Food, vol. 6, no. 2, pp. 61-67, 2013. [https://doi.org/10.11165/eaef.6.61]
• N. S. Usha, S. Priyadharshini, K. R. Shree, P. S. Devi, and G. Sangeetha, “Military Reconnaissance Robot”, International Journal of Advanced Engineering Research and Science, vol. 4, no. 2, pp. 49-56, Feb., 2017, [Online], https://media.neliti.com/media/publications/237036-military-reconnaissance-robot-f12f01f2.pdf, . [https://doi.org/10.22161/ijaers.4.2.10]
• Q. P. Ha, L. Yen, and C. Balaguer, “Robotic autonomous systems for earthmoving in military applications,” Automation in Construction, vol. 107, Nov., 2019. [https://doi.org/10.1016/j.autcon.2019.102934]
• Y. M and C. Sahu, “A Review on Wheeled mobile robot using different Navigation Techniques,” Revista Politécnica, vol. 20, no. 40, pp. 104-123, Jul.-Dec., 2024. [https://doi.org/10.33571/rpolitec.v20n40a7]
• M. Ghliss, L. Kechiche, and K. Chabir, “Security challenges in autonomous vehicles: a case study of Camera and LiDAR sensors,” 2024 IEEE 7th International Conference on Advanced Technologies, Signal and Image Processing (ATSIP), Sousse, Tunisia, pp. 212-217, 2024. [https://doi.org/10.1109/ATSIP62566.2024.10638971]
• T. Kim, J. Lee, and H. C. Moon, “Development of Avoidance and Global Path Returning Algorithm Using Real-time Object Coordinate Generation,” Journal of Institute of Control, Robotics and Systems, vol. 29, no. 12, pp. 994-1001, Dec., 2023. [https://doi.org/10.5302/J.ICROS.2023.23.0151]
• Z. Jiang, S. Ma, Z. Li, X. Jiang, J. Chen, and Y. Li, “A Mobile Robot Indoor Positioning System Based on ArUco Array and Extended Kalman Filter,” 2023 China Automation Congress (CAC), Chongqing, China, pp. 562-567, 2023. [https://doi.org/10.1109/CAC59555.2023.10450326]
• B. S. Kim, I. Nam, J. Ryu, and H. Moon, “A Comparative Study on GPS Module and SLAM Module for Driving Stability of Waypoint-based Autonomous Delivery Robots,” Journal of the Institute of Electronics and Information Engineers, vol. 59, no. 12, pp. 87-94, Dec., 2022. [https://doi.org/10.5573/ieie.2022.59.12.87]
• B. Shu, H. Liu, Y. Feng, L. Xu, C. Qian, and Z. Yang, “Analysis of Factors Affecting Asynchronous RTK Positioning with GNSS Signals,” Remote Sensing, vol. 11, no. 10, May, 2019. [https://doi.org/10.3390/rs11101256]
• H. Liu, Z. Zhang, C. Sheng, B. Yu, W. Gao, and X. Meng, “Fast and Reliable Network RTK Positioning Based on Multi-Frequency Sequential Ambiguity Resolution under Significant Atmospheric Biases,” Remote Sensing, vol. 16, no. 13, Jun., 2024. [https://doi.org/10.3390/rs16132320]
• P. Fan, W. Li, X. Cui, and M. Lu, “Precise and Robust RTK-GNSS Positioning in Urban Environments with Dual-Antenna Configuration,” Sensors, vol. 19, no. 16, Aug., 2019. [https://doi.org/10.3390/s19163586]
• T.-D. Quoc Tran and V.-H. Nguyen, “Heading Estimation for Autonomous Robot Using Dual-Antenna GPS,” International Journal of Mechanical Engineering and Robotics Research, vol. 9, no. 12, pp. 1566-1572, Dec., 2020. [https://doi.org/10.18178/ijmerr.9.12.1566-1572]
• M.-S. Kim and T.-S. Bae, “Evaluation of N-RTK Positioning Accuracy for Moving Platform,” Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, vol. 38, no. 3, pp. 259-267, Jun., 2020. [https://doi.org/10.7848/ksgpc.2020.38.3.259]
• B. Karadeniz, H. Pehlivan, A. F. Altıntaş, and S. Usta, “Comparison of Network-RTK and PPP Technique in terms of Position Accuracy,” Advanced Geomatics, vol. 4, no. 1, pp. 31-36, Sept., 2024, [Online], https://publish.mersin.edu.tr/index.php/geomatics/article/view/1189, .
• J. Keong and G. Lachapelle, “Heading and Pitch Determination Using GPS/GLONASS,” GPS Solutions, vol. 3, pp. 26-36, Jan., 2000. [https://doi.org/10.1007/PL00012800]
• H.-C. Moon, Y.-J. Son, and J.-H. Kim, “The Development of Driving Algorithm for an Unmanned Vehicle with Multiple-GPS,” Journal of Institute of Control, Robotics and Systems, vol. 14, no. 1, pp. 27-35, Jan., 2008. [https://doi.org/10.5302/J.ICROS.2008.14.1.027]