Technology  ______  클라우드 연계 자율주행 맵 시스템 기술동향

공유하기  

   

자율주행을 위한 맵

최근 글로벌 자동차 기업은 물론 IT 업계에서 경쟁적으로 자율주행 기술을 선보이고 있다. 자율주행 기술이 증대되면서 정밀맵의 필요성이 주목받고 있다. 자율주행 맵은 도로의 주행환경 정보와 시간에 따라 변화하는 동적 주행환경 정보로 구성된다. 자율주행 맵을 생성하고 갱신하는 클라우드 연계 플랫폼과 연구 결과를 알아본다.

자율주행 맵과 정밀지도 기술 동향

도로의 주행환경은 차로, 도로 마크, 신호등의 위치, 장애물 출현, 일시적인 통행제한, 긴급한 도로 복구, 교차로 교통 혼잡 등 복잡한 상황들이 존재한다. 자율주행 기술에서는 기존 도로 환경과 시시각각 변화하는 동적 주행환경 정보를 실시간으로 습득하여 변화에 대응하는 것이 중요하다. 자율주행 맵의 구성 내용은 현재의 네비게이션 지도와 다르지 않으나 나타나는 형태는 차로 구분선이나 도로 교통과 관련된 실시간 갱신 주기 측면에서 더욱 세밀하고 정확한 위치 정보가 요구되며 최신성을 유지하는 기능을 가진다. 자율주행을 위한 필수 요소 중 가장 중요한 기능은 출발지에서 목적지까지의 자율주행서비스를 위해 자율주행 맵을 참조하여 인식하고 목적지를 찾아가기 위해 최적의 경로를 계획하는 것으로 고정밀의 맵을 활용한다. 최근에는 클라우드 서버와 연계하여 부분적인 지역에서 수집된 도로인프라정보가 점차 확장되어 점진적으로 세밀해지는 자율주행 맵 생성 플랫폼이 연구되고 있다. 전 세계적으로 지도 데이터의 가치가 높게 평가되고 있다. 특히 자동차업체와 협력하여 향후 성장 가능성이 큰 자율주행차용 정밀지도시장을 선점하기 위해 연구자들이 노력하는 중이다. 정밀지도는 구글에서 자율주행차량에 대한 연구를 진행하면서 급속하게 발전하였다. 구글은 2010년부터 DARPA(Defense Advanced Research Projects Agency)의 2005년 Grand Challenge 우승자들을 중심으로 자율주행차량 개발을 시작하였다. 이외에도 유럽의 대표적인 내비게이션 업체인 Here와 TomTom은 유럽, 미국 등지에서 라이다, 카메라, 항공영상을 모두 활용하여 정밀지도를 제작하고 있다. 기존의 정밀 맵 개발 제작 기술은 대부분 MMS(Mobile mapping system) 기술을 사용하였다. MMS는 GIS 분야에서 널리 사용되는 기술로서 차량 등의 이동체에 GPS, 레이저스캐너, 카메라, INS(Inertial navigation system) 센서 등을 장착하고 이들 데이터를 조합하여 사용하는 이동형 측량 시스템이다. 대부분의 네비게이션 관련 회사에서는 2D, 3D 지도 데이터를 주로 사용하고 있으나 현대엠엔소프트는 향후 자율주행차량에 사용될 수 있는 고정밀지도 기술을 개발하고 있다. 고정밀지도 데이터 획득을 위해 정밀 센서를 탑재한 지도구축 차량을 제작하고, 이를 이용해 실제 주행을 통해 정밀지도 데이터를 획득하고 있다.

글로벌 자동차 기업들의 자율주행 맵

글로벌 자동차 기업들은 다가올 자율주행 시대를 대비해 정밀맵 기술 관련 기관들과 함께 클라우드 맵 서비스를 연구하고 있다. 오픈스트리트맵 재단은 오픈 소스 방식의 참여형 무료 지도 서비스인 오픈스트리트맵(OpenStreetMap)을 서비스하고 있으며, 벤츠는 2013년 정밀맵을 사용하여 벤츠 S500 차량의 100km 자율주행을 시연하였다. 포드는 미시간 대학과 함께 2013년 퓨전 하이브리드리서치 차량을 발표하였고, DGPS(Differential GPS) 및 4대의 32채널 LiDAR(Light detection and ranging) 센서를 사용하여 도심 환경의 3차원 지도를 제작하였다. 2015년 1월 닛산과 미국 NASA는 무인주행이 가능한 무인 차량과 화성 탐사 로봇을 목적으로 공공개발을 진행하기 위하여 5년간의 파트너십을 발표하였다. 국내 국토교통부에서 운영하는 브이월드는 공간정보 오픈플랫폼으로 국가가 보유하고 있는 공개 가능한 공간정보를 자유롭게 활용할 수 있도록 하였다. 현재 일반적인 지도정보 외에도 교통 CCTV, 날씨정보, 지적도, 3차원 건물, 산사태 위험지도 등의 다양한 정보를 제공한다. 맵퍼스에서는 네비게이션에 클라우드 기술을 도입하여 초기 설치 용량을 최소화하고, 별도의 업데이트 과정 없이 언제나 최신지도로 안내하는 기능을 구현한다.

자율주행 맵 플랫폼은 정보 수집단과 정보를 가공하는 클라우드 서버로 구성된다. 플랫폼을 구성하기 위한 정보는 차량으로부터 수집되어 서버로 전달되며 이때에 하나의 공통된 정보전달 프로토콜이 요구된다. 동시에 다양한 서비스 지원을 위해 클라우드 서버는 단일화된 표준 규격을 만족하도록 해야 하며, 정보에 대한 신뢰성 검토과정이 반드시 요구된다. 최근 자동차는 다양한 안전과 편의 서비스를 위하여 ICT와 융합하여 차량에 장착된 카메라 센서 및 위치수집 센서 등으로부터 위험 상황에 대한 경고를 제공하고 직접 제어한다. 이러한 스마트 자동차는 다양한 정보 수집을 위한 센서를 기본적으로 장착하고 있으며, 통신 기능을 통해 수집된 정보를 클라우드 서버로 전송한다. 클라우드 서버에서는 수집된 다양한 도로인프라 정보에 의하여, 기존의 맵 데이터베이스를 점차 확장하고 생성된 도로 인프라 맵과 빅데이터를 기반으로 ICT와 연계하여 교통상황을 예측하고 대응한다.

자율주행 맵 생성과 활용을 위한 정적맵 구축 기술

자율주행 맵 생성을 위해서 카메라, INS, GPS 등 여러 센서의 융합이 필요하다. 센서에서 취득한 데이터는 차량 중심점을 기준으로 변환해서 맵 생성 알고리즘에 활용하기 때문에 센서들의 정확한 설치 위치를 측량하는 것은 매우 중요하다. 초기 캘리브레이션 정보를 이용해 가상의 영상 정보를 만들고, 특징점 정보는 개별 카메라 영상으로 변환된다. 시뮬레이션의 역과정을 통해 좌표 변환을 수행하고, 이를 지도와 매칭 한 뒤 최적화 알고리즘에 반영한다. 동일영역은 수집된 데이터가 기존에 수집된 데이터와 같은 공간에서 수집된 것으로 판단되는 경우를 말한다. 해당 정보는 맵 데이터의 점진적 확장과 정밀도 향상에 사용된다. 동일영역 맵 데이터를 정합하기 위해 수집된 데이터와의 일치성을 검출한다. 새롭게 수집된 데이터의 경로가 기존과 동일한 경우, 두 개의 경로 데이터 정보를 사용하여 정확도를 개선할 수 있다. 차량의 주행 중 위치를 예측하기 위해 사용되는 기술은 주행거리 센서정보와 GPS가 있다. 주행거리 센서정보는 주행거리가 길어질수록 정확도가 낮아지고, GPS는 정확도가 낮다는 단점이 있다. 이 두 방법의 단점을 서로 보완하기 위해 그래프 최적화에 의한 연구결과로 위치 음영지역에서도 강인한 결과를 나타낸다. 클라우드 연계 자율주행맵의 정적 맵에는 속도와 통행 규제를 지시하는 표지판 정보가 포함된다. 이를 위하여 검출 및 인식이 요구된다. 그러나 현재 우리나라에서는 교통표지판에 대한 공개 데이터 셋이 전무한 상태로 대부분의 연구자는 부분적인 표지판 모델을 직접 만들거나 저명한 논문에 소개된 공개 모델을 활용하여 학습기 모델을 연구한다. 신호등의 경우는 나라별로 신호기 설치 위치와 신호구의 개수도 달라 자체 데이터 셋을 갖춰야 하기 때문에 초기 작업이 많이 요구된다. 영상 기반으로 장면에 대해 빠르게 이해하기 위해 오브젝트 단위로 정보를 추출한다. 이해하려는 장면별로 데이터베이스는 다를 수 있으며, 도심도로 환경으로 구성된 Citycapes 데이터베이스와 Pascal 데이터베이스를 사용했다. Pascal 학습 데이터 셋은 분류, 검출, 분리, 행동분류 분야에 대해 사용할 수 있고, Cityscapes는 실제 유럽의 도시 교통 환경에서 얻은 시내 영상으로 도로, 사람, 탈것, 물체 등 총 30개의 분류 기준으로 구성되어 있다. 전방의 장애물과의 거리, 또는 노면의 높이 정보는 환경인식을 위해 가장 중요한 정보나 영상을 이용한 정보 취득은 FPGA(Field-programmable gate array) 또는 GPU(Global positioning system) 등의 가속 장치 없이는 실시간으로 처리하기 매우 어려운 문제로 알려져 있다. 도로 영상은 텍스춰가 거의 없고 이동속도가 빠르기 때문에, 데이터 압축 기술과 해제, 효율적 매칭기법 등이 요구된다. 클라우드 서버에서 생성된 정밀맵의 논리적 저장 모델의 구성요소 중, 자율주행을 위해 가장 필요한 데이터는 차로의 중심선 정보이다. 생성된 자율주행 맵의 차로 중심선은 MMS를 이용하여 구축된 데이터와 비교를 통해 피드백을 수행한다.

안전한 자율주행을 위한 기술

차량에서 검출된 도로상의 일시 점유 또는 움직이는 물체로 분류되는 동적 데이터는 다른 차량에 직접 전달하여 위험 상황에 미리 대처하도록 한다. 차량의 상황판단 모듈에서는 장애물의 특성을 판단하여 필수적인 속도, 위치 등의 정보를 전송한다. 차량 간 정보전송을 위해서는 표준 프로토콜이 필수적으로 요구되며, 장애물 정보 및 빠른 데이터 송수신 주기가 요구된다. 차량과 클라우드 서버 간의 통신은 도로 인프라의 통신 시설을 이용하는 것이 유용하며, 차량 내 저장용량과 통신의 대역폭을 고려하여 전송 주기 및 전송 내용이 결정되어야 한다. 고정밀 맵은 자율주행서비스를 위해 검출과 인식, 판단과 제어 등의 전 단계에 걸쳐 효과적으로 활용할 수 있다. 자율주행서비스를 위해 차량은 최신의 고정밀 맵을 기반으로 차량에 장착된 카메라 센서를 이용하여 횡단보도 앞의 정지선을 인지하고 정지하거나 신호구의 정확한 검출을 위해 활용한다. 주행상황에 대한 속도와 방향 판단을 위해 차선별 위험도 수준을 계산하여 시뮬레이션한 후, 주어진 자율주행 미션을 수행한다. 위험도 측정을 위한 요소로는 충돌시간(TTC: Time to collision), 정지시간(TTB: Time to break), 안전거리(MSM: Minimal safety margin)로 구성되며, 확률적으로 계산한다.

※ 논문 다운받기(논문 저자 : 자율주행시스템연구그룹 최정단 책임연구원·그룹장 / 민경욱 책임연구원 / 성경복, 한승준, 이동진 선임연구원 / 박상헌, 강정규, 조용우 연구원)
- 본 글은 전자통신동향분석 논문을 재구성하여 작성했습니다. 자세한 내용은 논문을 확인해주시기 바랍니다. -