자율주행 관련 기술은 자동운전에 머무르지 않고, 커넥티드 디바이스 및 서비스와 융합된 새로운 형태로 성장하고 있다. 그리고 이와 같은 미래 모빌리티 서비스가 구현되기 위해서는 이종의 학문과 산업의 융합이 가능한 개방적이고 수평적 생태계가 활발히 조성되어야 한다. 현재의 상황과 향후의 과제들에 대해 생각해보고자 한다.
Ⅰ. 서론
고령인구의 증대 및 출생인구의 감소로 과소지와 대중교통 취약지역이 확산되고 있다. 증가하는 교통약자는 이동과 수송에 불편함이 발생되어 독립적인 생활이 불가능하다. 도심은 차량의 포화상태로 대기환경의 질이 나빠지고 도심도로는 주차장으로 변질될 뿐만 아니라, 운전자와 보행자 모두에게 안전의 위협이 되고 있다. 이러한 환경과 이동의 효율성을 극대화 하는 방안으로 친환경자동차와 자율주행 기술의 접목이 연구개발 중이다. 자동차에 국한된 자율주행 기술 발전과 더불어 자율주행택시, 무인물류, 대중교통 셔틀 등과 같은 커넥티드 기반의 다양한 신산업·신서비스가 등장하고 있다.
자율주행차에서는 360도 Safety Belt를 형성하기 위해 대용량 센서 융합 정보가 발생되며 차량과 인프라 간 정보 전달을 위해 V2X connectivity가 요구된다. 또한 차량에서 다수의 카메라와 레이더를 이용한 주변 차량 정보와 차량의 운행제어 정보가 생성됨에 따라 100Mbps급 데이터 전송과 실시간․신뢰성이 요구된다. 뿐만 아니라 차량에서 발생되는 정보는 V2X Connectivity를 통해 주변 차량과 인프라에 제공함으로써 차량 센서의 가격을 줄이고 차량의 인식 한계를 극복할 수 있다. 자율주행차는 인프라와 협력을 위해 V2X 통신을 활용함으로써 차량 레이더 센서의 인지범위와 각도를 크게 확장할 수 있으므로 차량에서의 센서 비용을 줄일 수 있다. 또한 차량의 주행제어 정보를 차량 간에 공유하고 제어 분야에 적용하여 주행 안전성과 편리성이 크게 향상된다. 이러한 커넥티드 기술을 접목하고 다양한 실도로 주행환경을 구축하여 반복재현 학습이 가능한 시뮬레이션 기술 등이 기술의 신뢰성과 완성도를 향상시킬 수 있다. 시뮬레이션은 서비스 워크벤치를 통해 서비스 시나리오를 저작하고 저작된 시나리오를 생성하고 평가하는 전체 시스템을 빠르게 생성할 수 있다. 뿐만 아니라 다양한 주행환경을 인식하고 사고상황을 안전하게 재현 가능하여 자율주행 기술의 안전성을 높일 수 있어 필수적으로 요구된다. 이러한 시뮬레이션 및 서비스 워크벤치 기반에는 오토모티브 규격의 SW 플랫폼이 필요하다.
최근 ETRI에서는 수백 Mbps급 광대역 V2X 무선전송이 가능한 V-Link 기술 연구를 통해 차량 고속주행환경에서 100Mbps급 무선전송을 가능하게 함으로써 동시에 다수의 차량이 통신을 하는 환경에서 Low Latency를 유지하고 무선으로 정보를 제공할 수 있는 기술을 연구하고 있다. 현재의 WAVE 기술이 10MHz 혹은 10MHz 채널 대역에 적합한 IEEE802.11p 및 IEEE1609.x 규격으로 구성되어 있으나 V-Link 기술은 40MHz 이상의 광대역 채널을 활용한 기술로 새로운 광대역 차량용 무선전송 기술이다. 실도로 주행환경 데이터 및 가상환경 데이터를 수집하여 인공지능 학습에 사용하는 기술과 이를 수집하고 저장관리하기 위한 HW 및 SW 플랫폼을 소개한다. 또한 오토모티브 규격에 적합화 및 다양한 모빌리티 서비스를 지원을 위한 워크벤치 플랫폼 동향을 살펴본다.
Ⅱ. 본론
커넥티드 융합 모빌리티 서비스최근의 자율주행 기술은 단순한 이동수단의 범주를 넘어 이동과 수송으로 부가가치가 재생산되는 모빌리티 서비스로 다양화 되고 ICT 기업의 참여가 확대되고 있다. 2018년 CES 기조 연설에서 포드, 도요타 등의 CEO는 이러한 플랫폼으로서의 자율주행 신산업과 신서비스의 등장을 발표한 바 있다. 기계공학적인 자동차와 전자공학, SW 기술, 심리 등 융합연구가 필수적으로 요구되는 등 다양한 서비스 모빌리티로 확장되는 추세이다. 본 연구팀에서는 모빌리티 플랫폼 개발을 통해 아동의 등하굣길을 순찰하거나, 여성의 귀갓길 안전을 지원하는 등 확대되는 교통약자와 일반인의 야간 교통사고 및 안전 위협에 대한 해결방안으로 근거리 이동에 대해 항시 사용할 수 있는 교통 서비스를 연구하고자 한다. 이러한 필요성 및 개념도는 <그림 1>과 같다.
<그림1> 근거리 이동 교통 서비스 필요성 및 개념도
이를 위해서는 다양한 차량 플랫폼의 개발이 요구된다. 이미 정해진 구간을 저속으로 주행하는 셔틀버스 시장과 물류 서비스를 지원하는 소형 로봇 형태의 플랫폼 등이 개발되고 있다. 셔틀 형태의 차량은 미국과 프랑스 등 운전대 없이 탑승 공간을 넓히고, 비상사태에 대비하는 조이스틱 등의 인터페이스를 갖추고 있는 추세이다. 국내에서는 지방자치단체 중심으로 대중교통 연계를 위한 셔틀 서비스 실증이 계획되고 있다.
전통적으로 자율주행차를 구현하는 차량 중심의 방식은 주행환경을 인식하고 예측 불가능의 돌발 상황 대응에서 한계점이 발견되었다. 다양한 센서(카메라, 라이다, 레이더 등)는 환경의 변화에 따라 개별적인 특성을 보완하는 것이 요구되고 있으며, 센서 융합 등으로 해결방안을 모색하였으나, 차량 탑재형 처리 시스템의 활용 가능한 자원의 한계점이 여전히 존재한다. 이러한 한계점을 보완하기 위해 인프라 센서를 이용하여 차량 탑재형 센서인지 범위를 확장하고, 이를 기반으로 최적의 이동경로를 생성하여 행동을 결정하는 엣지 컴퓨팅과 클라우드 서버 기술이 연구 중이다. 이러한 커넥티드 기술을 이용하여 차량에서 수집된 다수 이종의 센서정보는 차량뿐만 아니라, 엣지 및 서버로 분산되어 성능과 정확도, 신뢰성과 안전성이 향상되고 있다.
급변하는 자율주행 서비스 시장을 주도하기 위하여 많은 해외 업체에서 오픈소스 기반 자율주행 SW 플랫폼을 개발·배포하여 협력체계를 구축하고 자사 중심으로 생태계를 조성하기 위한 노력이 진행되고 있다. 오토웨어는 나고야대학교 신페이 교수가 ROS 기반 자율주행차량 구축을 위해 2015년 공개되었으며, 자율주행을 위한 3D 맵 구축, 위치추적, 객체인식과 차량 제어 등을 제공하며 2018년 12월 개방형 자율주행 서비스를 위한 국제 협력 업체로 출범했다.
아폴로는 중국의 바이두가 협력 관계에 있는 업체가 자율주행시스템을 개발할 수 있도록 지원하기 위해 2017년부터 개발하고 있는 자율주행 플랫폼으로 HD 맵 서비스와 시뮬레이션 엔진을 포함하고 있으며 현재 아폴로 3.5까지 공개했다.
NVIDIA DriveWorks는 NVIDIA에서 제공하고 있는 GPU 보드를 이용하여 자율주행 서비스를 할 수 있도록 CUDA에 최적화된 딥러닝 기반의 인식과 판단기능 처리를 위한 다양한 라이브러리와 개발도구 등을 포함하고 있는 SW 플랫폼이다.
대부분 위의 자율주행 SW 플랫폼들은 범용 또는 특화된 SW 플랫폼에 기반을 두고 있다. 로봇용 메타 운영체제로 운영되고 있는 ROS는 로봇 관련 소프트웨어 개발과 시스템 개발을 위해 오픈소스 프로젝트로 다양한 개발도구를 제공하고 있다.
그러나 최근 자율주행 센서가 복잡해지고 처리성능이 확장되면서 실시간성과 보안문제가 대두되었다. 자동차 제조사들은 실시간성과 보안을 보장하는 AUTOSAR 기반의 Adaptive Platform 개발을 진행 중이다. AUTOSAR 협회는 AUTOSAR Adaptive Platform 내에 ADI(Autonomous Driving Interface) 규격을 정의하여 AUTOSAR Adaptive Platform과 다양한 시뮬레이터 간의 통합을 지원하는 표준화된 API를 제공하여 가상 테스트의 편의성을 제공하고 있다.
이러한 오토모티브 규격에 적합한 AUTOSAR Adaptive Platform의 인지와 판단 솔루션 개발은 이동과 수송, 물류 등 교통 서비스를 생산하는 워크벤치로 활용 가능하다.
인공지능 기반 자율주행 SW가 중심이 되는 완전자율주행 서비스는 운용 환경에 대한 대용량의 데이터 구축·공유를 기반으로 하는 유효성 검증이 필수로 요구된다. 커넥티드 융합의 모빌리티 서비스는 완전자율주행 단계에 속하며 주행환경, 교통객체 및 교통법규 등의 학습은 인간 운전자의 수준이다. 정해진 규칙을 기본으로 교통 흐름을 방해하지 않고 흐름에 적응하는 학습이 필요하다. 이러한 다양한 주행환경에의 반복 학습을 위해 가상환경과 실도로 환경을 재현하는 시뮬레이션이 필요하다. 이러한 시뮬레이션의 주요 요소로는 다양한 지형과 환경 요소의 변화를 높은 현실감으로 재현 가능한 그래픽 성능과 가상의 주행 시나리오 생성 가능성, 현실에 가까운 학습 DB 구축 및 참값 생성의 정확도이다. 뿐만 아니라 차량 제어와의 인터페이스를 지원하여 모듈과 응용소프트웨어 등의 고차원에 이르기까지 오류 발생 가능성 등을 검증해야 한다.
아우디의 자회사이자 폭스바겐그룹에서 자율주행 기술 개발을 담당하는 AID(Autonomous Intelligent Driving)는 2018년 6월 이스라엘 코그나타(Cognata)사의 시뮬레이션을 도입, 세계 각지의 도시 환경을 재현해 인공지능에 각 지역의 교통 상황을 학습할 예정이라고 발표했다. 코그나타의 심클라우드(SimCloud)는 시나리오 기반 HD 지도 생성, 센서 에뮬레이션, 날씨와 시간대 조절, 시멘틱 세그멘테이션 주석 데이터 생성 기능을 제공하는 클라우드 기반의 자율주행 시뮬레이션 플랫폼이다.
웨이모는 다양한 환경을 테스트하기 위하여 워싱턴, 캘리포니아, 애리조나, 텍사스 등 23개 도시는 물론 카크래프트(Carcraft)라는 가상공간을 만들어 두 가지 이상의 가상 시나리오로 주행 테스트를 진행하고 있다.
바이두는 유니티와의 협업을 통해 아폴로 협업에 참여하는 개발자에게 현실에서 발생 가능한 상황을 제시, 자율주행차를 테스트할 수 있는 가상환경을 제공하는 시뮬레이션을 사용한다.
본 연구팀에서는 국내 도로환경 및 교통문화에 적합한 그라운드 룰을 적용하기 위한 시뮬레이션 개발을 진행 중이다. 다양한 주행환경 데이터 셋을 가상과 융합하기 위해 실도로 데이터를 수집하는 플랫폼을 구축하여 연동한다. 뿐만 아니라 시뮬레이션의 자원 환경과 SW 플랫폼의 자원 환경을 동일시 하여 시뮬레이션의 활용도를 높일 수 있게 설계하였다.
카크래프트 실도로 주행 영상과 AI 기반 주행 시뮬레이션
코그나타 시뮬레이터를 이용한 아우디 차량 센서 구성
주행 학습용 데이터의 효율적인 구축과 품질 향상을 위해 데이터 서비스 공유 체계 마련이 필요하다. 주행 학습을 위한 영상 및 비디오 데이터를 활용해 의미 있는 정보로 가공하여 자율주행을 위한 인지와 판단 알고리즘 성능 향상에 활용 가능하다. 데이터 가공 프로그램은 데이터의 생산성 향상을 위해 자동화 도구와 품질검사 도구, 수집 플랫폼 기술, 데이터 공유 표준, DB 기술이 필요하며, 수작업의 주석처리와 궤적데이터의 후처리, 곡선피팅 등의 부담을 줄여 오류를 경감시키는 프로그램 개발이 요구된다. 뿐만 아니라 이러한 데이터의 생산은 데이터 요구사항을 만족하도록 해야 하며, 데이터가 적합한 곳에 활용될 수 있도록 배포 활용 서비스 플랫폼이 필요하다. 최근 주행 영상의 세밀한 분석을 위해 영상을 픽셀 단위로 분할하여 의미 이해를 위한 시멘틱 세그멘테이션 기술이 적용되고 있다. 시뮬레이터를 이용하여 다양한 가상환경으로부터 객체를 검출하는 알고리즘의 정확도를 높이는 방법이 사용되고 있다.
차량 전방위의 환경을 수집하기 위해 5쌍의 스테레오 카메라와 4개의 라이다 센서, 차량 내부 센서, GPS 센서를 사용해 차량의 주위를 표현하였다. 이종의 센서로부터 수집된 정보를 동기화 저장하여 사용이 용이하도록 표현해야 한다. 또한 영상의 경우 각 카메라의 내부 파라미터와 스테레오 카메라 간의 외부 파라미터를 동시에 저장한다. 저장된 데이터는 사용자가 직접 캘리브레이션을 변경하여 실험할 수 있도록 했다.
최근에는 자동차안전연구원 내 32만m2 규모의 5G 통신망 기반 가상도시 형태로 구축된 자율주행 실험도시(K-City)에서 파일럿 테스트를 진행했다. 자율주행 시 발생 가능한 다양한 상황에 대한 대응력 실험을 위해 고속도로, 도심, 교외, 커뮤니티 환경을 조성된 환경이다. 스쿨존에서의 감속과 보행자 테스트, 고속구간 자동차선 변경, 터널, 교차로 통과, 하이패스 등의 임무를 운전자 개입 없이 4km 구간을 완주했다.
Ⅲ. 결론
본고에서는 자율주행차와 통신기능의 연계를 통해 인지 범위가 확장되고 다양한 이동과 수송 등 모빌리티 서비스 플랫폼이 가능해졌음 서술했다. 개발 중인 V-Link 기술은 자율주행차 및 미래 자동화도로 시스템의 원천 기술로서 초속거리 이내의 지연시간을 갖는 차량용 통신기술은 현재 연구되고 있는 자율주행에 필요한 핵심 요소이며 또한 다양한 광대역 서비스를 끊김 없이 제공할 수 있는 성능 요구조건을 만족시킴으로써 미래의 스마트카 및 스마트도로의 원천기술로 활용될 것이다.
V-Link 기술은 이러한 안전주행 및 운전자 편의 서비스들을 보다 다양하고 신뢰성 있는 링크를 광대역 서비스를 통해 다수의 차량에게 동시에 제공하는 기반기술 역할을 할 것으로 기대된다.
또한 오토모티브 규격의 보안과 실시간성, 응용프로그램의 유연성과 확장성 지원이 가능한 AUTOSAR adaptive platform과 인공지능 알고리즘의 신뢰성을 위해 시뮬레이션의 활용을 서술했다. 시뮬레이션은 다양한 주행 시나리오 생성이 가능하고 특히 국내 교통규칙이나 교통문화를 반영한 시나리오를 수행함에 있어, 환경인지와 주행판단 기술의 테스트가 가능하다.
뿐만 아니라 가상환경 생성이 가능하고 실도로 데이터의 적용을 통해 사고 등의 위험상황에 대한 반복재현이 가능하다는 장점이 있다. 이러한 국내 도로 및 교통환경에 대한 데이터를 공유함으로써 뒤쳐진 모빌리티 서비스 개발을 위한 ICT 중심 기업의 기반이 되고 시뮬레이션과 서비스 플랫폼을 통해 다양한 모빌리티 서비스가 생성될 수 있는 워크벤치로서의 역할을 기대한다.
Acknowledgement
본 연구는 과학기술정보통신부 및 정보통신기술진흥센터의 정보통신·방송 연구개발사업의 일환으로 수행하였음.
[2017-0-00068, 운전자 주행경험 모사기반 일반도로환경의 자율주행 4단계(SAE)를 지원하는 주행판단엔진 개발]
참고문헌
[1] P. Papadimitratos et al. “Vehicular communication systems: Enabling technologies, applications, and future outlook on intelligent transportation,” IEEE Communications Magazine, vol. 47, no. 11, 2009.[2] IEEE802.11, “IEEE Standard for Information Technology-Telecommunication and Information Exchange Between Systems Local and Metropolitan Area Networks Specific Requirements Part11: Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications,” 2012
[3] Y.J. Li, “An overview of the DSRC/WAVE technology.” Quality, Reliability, Security and Robustness in Heterogeneous Networks. Springer Berlin Heidelberg, 2012.
[4] J. Levinson, and S. Thrun, “Robust vehicle localization in urban environments using probabilistic maps,” in Proc. Robotics and Automation, 2010, pp. 4372-4378.
[5] H. Sobreira, et al., “Map-matching algorithms for robot self-localization: a comparison between perfect match, iterative closest point and normal distributions transform,” Journal of Intelligent & Robotic Systems, Jan., 2018, pp. 1-14.
[6] S-J. Han and J.Choi, “Real-time precision vehicle localization using numerical maps,” ETRI Journal, vol. 36, no. 6, 2014, pp. 968-978
[7] Lee et al., DESIRE: distant future prediction in dynamic scenes with interacting agents, CVPR 2017.
[8] S-J.Han, Robust Ego-motion Estimation and Map Matching Technique for Autonomous Vehicle Localization with High Definition Digital Map, IEEE ICTC 2018(2018), pp. 630-635.
[9] J. Levinson, M. Montemerlo, and S. Thrun, “Mapbased precision vehicle localization in urban environments,” Robotics: Science and Systems, vol. 4. 2007. p.1-8.
[10] Guideline and Requirements Adaptive AUTOSAR for Application Developers V1.4 (2017-05-19)
