자율주행 기술의 현 주소 일반 대중에게 자율주행은 영화에 나오는 막연한 미래 기술로 인식됐지만 2014년 미국 구글(Google)사가 유튜브(youtube) 채널에 공개한 구글카 동영상(Google Self-Driving Car Project, 2014)으로 전 세계적인 관심이 높아지면서 자동차 업체들의 기술개발 경쟁이 더욱 가중되는 계기가 됐다. 국내에서는 2016년 2월12일 자동차관리법 제2조(정의)1의3에 “‘자율주행자동차’란 운전자 또는 승객 조작 없이 자동차 스스로 운행이 가능한 자동차를 말한다”고 추가해 ‘사람이 아닌 기계의 운전’을 공식 인정했다는 측면에서 의미가 크다. 또한 2020년 5월 1일 ‘자율주행자동차 상용화 촉진 및 지원에 관한 법률’을 제정하여 자율주행자동차 도입 및 확산과 안전한 운행을 위한 기반 조성 및 지원에 필요한 사항을 규정하여 자율주행자동차 상용화를 지원하고 있다.
[그림1 미래자동차산업 국가비전 선포식(2019년 10월 15일)]자동차 업체 중심의 자율주행 기술개발 추세인 해외와 달리 국내에서는 국가 차원의 기술개발 노력이 돋보인다. 2019년 10월 15일 ‘2030년 미래차 경쟁력 1위 국가로 도약’이라는 비전과 ‘2027년 전국 주요 도로 완전 자율주행(레벨4) 세계 최초 상용화’를 목표로 하는 ‘미래차 산업 국가 비전 선포식’이 있었다. 오는 2027년까지 세계 최초 자율주행 레벨4(제한된 환경에서 완전자율주행 가능) 상용화를 달성하기 위해 국비 1조원을 투입할 예정이라고 발표했으며 실제 2020년 국비 8,200억원을 사용하는 사업단이 운영되고 있다.
자율주행 기술 소개
[그림2 운전행위 순서(김현수(2016)] 자율주행을 ‘기계에 의한 운전’으로 생각하면 사람이 운전할 때와 비교하면 이해하기 쉽다. 일반적으로 사람의 운전자는 자신의 앞뒤, 양쪽에 있는 차량을 주시하며 차선을 유지한다. 일차적으로는 인접한 차량에 대해서만 주의를 기울이겠지만 실제 앞차, 그 앞차 등 주변 차량에 대해서도 예의주시하고 있다. 또 이동하는 도로구간 특성에 따라 설치된 제한표지판, 주의표지판, 방향표지 등을 눈으로 확인하면서 운전한다. 예를 들어 맨 앞차가 브레이크를 밟으면 이후 모든 차는 순서대로 또는 더 빨리 브레이크를 밟는다. 이 과정은 운전자가 눈으로 앞차와의 거리 변화를 ‘인지’하고 감속 필요성을 ‘판단’해 감속 ‘제어’를 하는 일련의 과정이다. 자율주행은 차량에 설치된 센서를 이용해 주변 차량의 위치, 표지판(제한표지판, 주의표지판, 방향표지판 등), 도로 환경을 인지한다. 인지된 정보를 통해 주행을 위한 최적의 판단과 가감속 또는 차선변경과 같은 제어를 실행한다.
[그림3 현대자동차 자율주행 센서 구성(현대자동차그룹 홈페이지)] 자율주행차 센서에서 영상, 레이더, 라이더 센서가 가장 많이 활용되고 있다. 레이더(RADAR, Radio Detection And Ranging) 센서는 전파를 발생시켜 물체에 부딪혀 돌아온 반사파의 시간차 및 각도를 이용해 거리, 속도, 각도를 인지하는 센서로 현재 가장 많이 활용되고 있다. 영상 센서는 사람의 눈과 같은 원리로 아직 정확도가 떨어지지만 물체의 모습을 인지할 수 있고 가격이 저렴해 발전 가능성이 높다. 라이더(Lidar, light와 radar의 합성어) 센서는 레이더 센서로 전파 대신 레이저를 사용함으로써 고정밀도로 3차원도 가능하지만 고가여서 내구성이 떨어진다. 초음파 센서는 작고 저렴한 가격이라는 장점으로 자동 주차와 같은 근거리 인지에 활용되고 있다. 그림3는 현대차의 자율주행 센서 구성과 감지 영역을 보여준다.
자율주행 센서의 한계 및 동적 정보
[그림 4LDM 레이어 도식화 (Shimada, H.etal. 2015)]
[그림5 독립 자율주행 인프라 지원 시스템] 독립 자율주행(Stand-alone automated driving)에서 센서의 역할은 사람 운전자의 눈과 같지만 어떤 이유로 방해받으면 정상적인 주행이 불가능해질 것이다. 스스로 해결하기 어려운 상황에서 도로 인프라의 지원을 받아 방해를 극복한다면 안전 측면에서 큰 공헌이 될 것이다. 대표적인 센서 한계 상황은 첫째, ‘차량 센서 인지 사각지대 발생’이다. 차량 센서 영역 내에서 물체(대형 차량, 가로수 등)에 가려짐에 따라 발생하는 사각지대 이동체(보행자, 이륜차, 전동킥보드)는 인지하기 어렵다. 이런 경우 도로 인프라에서 도로 반사경처럼 다른 각도에서 사각지대에 위험요소가 있는지 알려주면 한계를 극복할 수 있다. 둘째, ‘차량 센서 인지 범위 초과’다. 교차로 대기 행렬, 정차 차량, 측방 접근 차량 등의 위치는 센서 인지 범위(일반적으로 전방 100m, 측후방 50m)를 초과해 차선 변경과 같은 사전 대응이 어려워진다. 이런 경우 인프라 센서를 활용해 차량 센서 범위 밖의 상황 전달이 가능하다. 셋째, ‘비정형 도로 차단 시설 인지 혼란’이다. 예를 들어 공사 구간에 임시 차선 유도 시설은 매우 다양하고 정형화가 부족해 센서가 혼란스럽다. 이러한 경우 상대적으로 높은 위치의 인프라 센서에 의한 공사 구간의 위치 정보를 전달하면 공사 구간에서 겪을 수 있는 위기를 극복할 수 있을 것이다.자율주행 시 접할 수 있는 도로 환경에서 차량 스스로 해결하기 어려운 상황에 처했을 경우 도로 인프라의 지원을 받아 위기를 극복할 수 있다. 결국 차량 주변 이동체의 실시간 동적 정보를 끊김 없이 탐지할 수 있도록 지원해야 한다.Local Dynamic Map(LDM)은 국제표준(ISO 18750, ETSI 302895)에서 정보의 시공간 분류로 정의된 개념으로 지도, 도로상황, 차량에 관한 정보를 공간적 위치와 유효한 기간을 규격화해 표현하는 기술이다. 일반적으로 LDM은 시공간 정도에 따라 레이어 1부터 레이어 4까지로 나뉘는데, 레이어 4에 해당하는 정보를 동적 정보라고 한다. 그림 4는 LDM 레이어를 설명하기 위한 그림이다.자율주행에 필요한 다양한 정보 중 LDM에서 레이어4에 해당하는 정보는 빠르게 변화하는 차량 주변의 이동체 위치정보를 안정적으로 제공할 수 있다. 자율주행차 입장에서는 정보 신뢰도, 중복 구분 문제가 있고 차량 간 공유 방식만으로는 어렵기 때문에 인프라가 개입된 정보 공유가 필요하다.
독립 자율주행 지원 인프라 시스템
[그림6 인프라 센서를 통해 이동체 추적 과정]
[그림 7 인프라를 잰 서동적 정보 전달 성능]안전한 자율주행 환경을 구축하기 위해 도로 인프라에서 동적 정보를 추출해 차량에 제공하는 독립 자율주행 인프라 지원 시스템을 구축했다. 도로에 설치된 이동체 감지 시스템이 동적 정보를 추출해 차량에 제공하면 자율주행 중 센서의 사각지대에서 인지하지 못한 이동체를 인지하게 된다. 그림5는 독립 자율주행 핸디캡 극복을 위한 인프라 지원 시스템 구성을 보여준다.독립 자율주행 인프라 지원 시스템의 성능을 검토하기 위해 사각지대 이동체를 고무지하로 차량에 전달할 때 발생하는 전송 소요 시간을 산정했다. 그림 7은 각 모듈별 소요시간을 산정하여 총시간을 계산한 것이다.에지 컴퓨팅에 사각지대 이동체동적 정보를 전달하는 데 0.65초, 센터에서 분석 과정을 거쳐 전달할 경우 1.25초가 소요됐다. 골목길에서 갑자기 아이가 튀어나와 나올 때 사람 운전자가 인지하고 정지하는 데 걸리는 시간을 1초 정도로 봤을 때 실험으로 얻은 0.65초는 의미 있는 수치로 판단된다.
향후 전망, 현재 기술개발 중인 자율주행은 독립 자율주행으로 모든 상황을 차량 스스로 해결해야 하기 때문에 인프라 지원이 가능하다면 스스로 극복하기 어려운 핸디캡 상황에서 안전하게 주행 가능할 것이다. 자율주행 기술이 지속적으로 발전하게 되면 협력, 자율주행이 가능해 인프라 지원과 주도를 통한 안전하고 효율적인 자율주행을 예상한다.
출처 : 2021. Vol.05KICTzine
김현수 도로교통연구본부 연구위원
※ 본 글은 ‘도심 도로자율협력주행 기반 안전·인프라 연구’ 과제를 바탕으로 작성했다.
참고자료 구글 Self-Driving Car Project(2014) A First Drive.Retrived from https://www.youtube.com/watch?v=CqSDWoAhvLU 김현수(2016). 자율주행 지원을 위한 도로 인프라 개선 방안. 국토, 6월호, 국토연구원, pp.25-30. 현대자동차그룹(n.d.) 도심 자율주행, https://www.hyundai.co.kr/TechInnovation/Autonomous/Cdp.hub. Shimada, H., Yamaguchi, A., Takada, H. and Sato, K. (2015) Implementation and Evaluation of Local Dynamic Mapin Safety Driving Systems. Journal of Transportation Technologies, pp.1202-112.