Ⅰ. 서 론
자율주행 기술은 수동운전의 0단계에서 완전 자율주행의 5단계까지 분류되고 있다(SAE, 2014). 현재 많은 자동차 제조사들은 1, 2년 이내에 3단계 부분 자율주행 자동차의 양산을 계획하고 있으며, 4단계 자율주행 자동차의 양산 또한 가까운 장래에 이루어질 것으로 전망되고 있다. 4단계 이상의 자율주행 기술은 운전자 의 개입이 없이 차량 스스로가 목적지까지 운행하는 것으로, 이를 위해서는 목적지까지의 전역경로 생성이 필요하다. 자율주행에 사용되는 전역경로는 기존 네비게이션 시스템의 항법지도나 ADAS 시스템에 활용되 는 ADAS 지도와는 다르게, 차선 단위의 정확한 정보를 포함해야 하며, 그렇지 않을 경우 안전을 위한 자율 주행 제어가 오히려 사고를 초래할 수 있다.
이처럼 자율주행 고도화에 따른 전역경로 생성의 필요에 따라, 국토교통부는 고정밀 지도제작 장비인 MMS(Mobile Mapping System)를 기반으로 전국 도로에 대한 정밀도로지도 구축에 많은 지원을 하고 있으며, 2022년까지 총 2만km의 도로에 해당하는 정밀도로지도 구축을 계획하고 있다(MOLIT, 2019; Kim and Yu, 2019). 국토지리정보원은 여러 지자체의 자율주행 테스트베드와 고속도로 및 국도, 총 61곳의 정밀도로지도 를 구축하여 이를 민·관·기업에 무상으로 제공함으로써 효율적인 자율주행 기술 개발을 지원하고 있다(NGII, 2021). 국토지리정보원에서 제공하는 정밀도로지도는 주행 경로, 노면 표시, 도로 구간 등 자율주행에 필수적 인 총 14개의 세부항목을 포함하고 있다.
자율주행에 필요한 다양한 정보를 담고 있고 정밀도로지도라 할지라도 최종적으로 막대한 정보들에 대한 라벨링은 대부분 제작자의 수작업으로 이루어 지고(NGII, 2021), 일부 데이터에는 오류가 존재하게 된다. 이 에 따라 정밀도로지도에 존재하고 있는 오류들을 검출하고 이를 개선하기 위한 연구들이 진행되고 있다. Hong은 정밀도로지도의 제작 과정에서 발생하는 오류를 체계적으로 유형화하고, 오류가 발생하는 상황에 맞 는 3차원 도형무결성 탐색 기법, 공간 관계와 참조 관계 오류 유형 탐색 과정을 제시하여 다양한 오류를 검 출하였다(Hong et al., 2020). MOLIT and KSAE는 자율주행자동차의 안전성과 정확성 향상을 위하여 정밀도 로지도 기반의 동적정보시스템인 LDM을 개발하였으며, 정밀도로지도 제작의 편의성과 정확도 향상을 위해 오류 검증툴을 개발하였다. 오류 검증툴은 일부 항목에 대해 자동화가 가능하도록 개발되었으며, 차로 중심 선과 차선 요소에 대한 기하학적 오류나 위치매칭, Dangle 검수 등 다양한 오류 검증을 할 수 있도록 설계되 었다(MOLIT and KSAE, 2020).
이러한 정밀도로지도의 오류 검출 및 개선을 위한 노력에도 불구하고, 위 연구에서 언급된 방법들은 전역 경로 생성에 핵심적인 정보 중 하나인 링크의 세부적인 오류를 개선하기에는 부족한 점이 있는 것을 볼 수 있었다. 관련된 오류의 예시로는 링크 위치 정보의 순서가 진행 방향과 반대로 저장되어 있거나 링크의 내부 속성값이 일부 누락된 경우를 들 수 있다. 이러한 오류가 개선되지 않은 상태에서 자율주행차가 정밀도로지 도 기반의 전역경로를 주행하게 되면 급격한 조향이 발생하거나 차선을 이탈하는 상황이 발생할 수 있다.
정밀도로지도의 다양한 정보 중 차로의 분기점을 나타내는 노드와 차로의 중심을 나타내는 링크는 전역 경로 생성을 위해 필수적이다. 특히, 링크 정보는 차로의 중심선뿐만 아니라 인접한 차로의 정보를 포함하고 있으므로 전역경로 생성에 중요한 역할을 한다. Na는 정밀도로지도의 노드와 링크를 통한 전역경로 생성과 시뮬레이션 환경에 정밀도로지도를 적용하는 연구를 진행하였다 (Na et al., 2020). Oh는 타일맵 형식의 최근 접 노드 탐색 기법을 적용하여 정밀도로지도 기반 전역경로 생성의 연산시간을 줄이는 연구를 진행하였다 (Oh and Park, 2020). 이들은 정밀도로지도의 노드와 링크 정보를 기반으로 전역경로를 생성하였지만, 이들 간의 연계를 파악하는 작업 즉 도로 네트워크 구축에 대한 연구는 포함하지 않고 있다. 정확한 도로 네트워 크 구축이 중요한 것은 이를 통해 도로 간 주행 가능 여부를 판단할 수 있기 때문이다(Park and Kang, 2010). 하지만 도로 네트워크를 구축하는 작업은 대부분 정밀도로지도 사용자의 수작업으로 이루어지기 때문에 많 은 시간이 필요하고 사용자의 실수가 발생할 수 있다.
앞서 언급한 문제점들을 해결하고자 본 연구에서는 정밀도로지도 기반 전역경로 생성을 위한 링크 오류 개선 및 도로 네트워크 구축 알고리즘을 제안한다. 인접 차로 정보의 누락이나 차로 중심 위치좌표의 역방향 기입과 같은 정밀도로지도의 오류를 개선하는 연구를 진행하였고, 개선된 정밀도로지도를 활용하여 전역경 로 생성에 필요한 정확한 도로 네트워크를 구축하였다. 제안하는 방법을 통하여 실제 정밀도로지도의 오류 를 개선하고 활용성을 증진하였다. 개선된 정밀도로지도를 기반으로 올바르게 생성된 전역경로를 확인하였 으며 이를 통해 본 연구의 유효성을 검증할 수 있었다.
Ⅱ. 정밀도로지도 데이터 구성 및 대상 정밀도로지도 선정
이번 장에서는 본 연구에서 활용하는 정밀도로지도 데이터와 전처리 알고리즘 적용을 위한 대상 정밀도 로지도에 대하여 설명한다. 제안하는 전처리 알고리즘을 활용해 개선된 링크 정보와 도로 네트워크를 획득 하기 위해서 정밀도로지도의 노드, 링크 그리고 노면 차선 표시 정보(Surface Line Mark)가 필요하다.
노드는 차로가 변하는 분기점을 나타내는 포인트로, 정지선 및 진/출입 시점과 같은 도로의 시/종점을 의 미한다. 링크는 주행 경로의 진행 방향을 고려하여 구축된 차로의 중심선이며 세부 속성정보로는 링크의 길 이, 인접 차로, 제한 속도, 차로 번호와 같은 다양한 정보를 포함하고 있다. 노면 차선 표시는 도로의 차선에 대한 정보를 담고 있으며 대표적으로 차선 유형에 대한 코드 값을 포함하고 있다. 차선의 색, 단선-겹선 여 부, 점선-실선 여부의 정보를 코드로 나타내며 해당 정보를 이용하여 차선변경이 가능한 차선의 종류를 판단 할 수 있다(NGII, 2019). <Table 1>은 본 연구에서 활용하는 노드, 링크, 노면 차선 표시 정보의 세부속성을 나타낸다.
본 연구에서는 제안하는 전처리 알고리즘을 적용하기 위해 일반적인 자동차 전용도로가 아닌 다양한 주 행 상황을 포함하고 있는 도심지 테스트베드 두 곳의 정밀도로지도를 선정하였다. 대구 수성 알파시티와 서 울 상암 자율주행 테스트베드를 대상 정밀도로지도로 하였으며 두 정밀도로지도 모두 본 연구에서 활용하고 자하는 3가지 종류의 정보를 포함하고 있다. <Table 2>를 통해 각각의 지도에 대한 정보를 나타내었으며 정 밀도로지도를 구성하고 있는 노드와 링크 그리고 SLM의 개수, 위치 정확도, 구성 레이어 개수, 제작사 정보 를 확인할 수 있다. 위치 정확도의 경우 정밀도로지도 구축 시 활용되는 MMS 차량의 성능검사 지표인 자차 위치정확도를 참고하였다. MMS 차량의 경우 GPS 가시위성 수 5개 이상, 가시위성들의 위치 분포 정도를 나 타내는 PDOP(Positional Dilution of Precision) 값이 3 이하인 상태에서 5cm 이하의 자차위치정확도를 만족해 야 하기 때문이다(NGII, 2019).
Ⅲ. 시스템 아키텍처
자율주행에 사용되는 전역경로 생성을 위해선 차선 단위의 도로 네트워크가 구축되어야 하며 이를 위해 선 정밀도로지도의 링크 정보가 필수적이다. 정밀도로지도의 각 링크 정보에는 해당 차로의 중심선뿐만 아 니라 좌/우차로에 대한 정보까지 포함하고 있기 때문이다. 하지만, 현재 제공되고 있는 정밀도로지도의 링크 정보에는 제작 과정에서 발생한 오류가 존재하며, 지도 위 수많은 링크가 존재하기 때문에 도로 네트워크 구 축에 어려움이 있다.
본 연구에서는 이 같은 문제를 해결하고 전역경로 생성 시 정밀도로지도의 활용성을 높이기 위한 전처리 알고리즘을 제안한다. <Fig. 1>은 본 연구의 정밀도로지도 전처리 알고리즘의 구조를 나타낸다. 전처리 알고 리즘은 크게 링크 오류 개선 알고리즘과 도로 네트워크 구축 알고리즘으로 나뉘게 된다.
먼저, 링크 오류 개선 알고리즘을 통해 차선 단위 전역경로 생성에 치명적인 인접 차로 정보 누락 오류를 개선하고, 차로의 중심선 좌표가 진행 방향과 반대로 입력된 오류에 대한 개선을 진행한다. 그 다음 개선된 링크 정보를 기반으로 도로 네트워크를 구축한다. 도로 간의 연결 가능 여부를 파악하는 도로 네트워크는 행 렬의 형태로 구성된다. 이때 도로의 분기점을 나타내는 노드 정보와 차선변경 가능 여부를 표시하는 노면 차 선 표시 정보를 추가로 활용한다. 각각의 알고리즘에 대한 자세한 설명은 4장과 5장에서 다뤄진다. 앞서 설 명한 전처리 과정을 통해 개선된 링크 정보와 구축된 도로 네트워크 행렬을 얻을 수 있으며, 이를 다익스트 라와 같은 전역경로 생성 기법에 적용하여 전역경로를 생성한다.
Ⅳ. 링크 오류 개선 알고리즘
본 연구에서는 전역경로생성을 위한 정밀도로지도 전처리 알고리즘 개발을 목표로 하므로 전역경로생성 시 중요한 링크 정보의 오류 개선에 초점을 둔다. 본 연구에서 다루고자 하는 링크 정보의 오류는, 인접 차 로의 정보가 누락된 경우와 링크의 차로 중심선 위치 좌표가 도로의 진행 방향과 반대로 입력된 경우이다.
해당 오류들은 <Fig. 2>와 같이 정밀도로지도 제작단계 중 세부속성정보를 기입하는 구조 편집과 지도정 보를 도식화하는 객체 추출 및 묘사 단계에서 발생하게 된다. 인접 차로 정보 누락 오류는 구조 편집과정에 서 <Table 1>에서 언급한 R/L_LinkID의 기입이 누락된 경우이다. 링크의 위치 좌표가 도로 진행 방향과 반대 로 입력된 역방향 링크 오류의 경우 객체 추출 및 묘사 과정에서 진행 반대 방향으로 링크의 위치를 묘사하 여 발생한다. 실제 정밀도로지도에는 <Table 2>와 같이 수백, 수천 개의 링크가 존재하고 있어, 지도제작작업 시 발생하는 오류의 비율을 줄이는 것에는 물리적인 한계가 있다.
또한, 본 연구에서 다루는 2가지 오류의 경우 정밀도로지도 제작단계 중 마지막에 해당하는 품질검사 시 검출되기 어려운 형태를 가진다. 국토지리정보원의 품질검사 매뉴얼에 따르면 인접 차로 정보인 R/L_LinkID 에 대한 누락 오류를 검출하지 않으며, 링크의 좌표가 기준 위치에 묘사되었는지만을 판단하고 진행방향에 따른 링크 좌표의 입력 순서는 고려하지 않음을 확인할 수 있다(NGII, 2021). 이러한 오류들은 전역경로 기반 자율주행 시 예상치 못한 위험 상황을 불러일으킬 수 있으므로 반드시 개선되어야 하며, 본 연구에서는 이를 위한 오류 개선 알고리즘을 제안한다.
1. 인접 차로 정보 누락 오류 개선
정밀도로지도 내에는 <Fig. 3>과 같이 오른쪽 차로와 왼쪽 차로가 존재하지만, 링크 정보의 인접 차로의 정보가 기입되어 있지 않은 경우가 있다. 이런 경우, 차선변경이 필요하고 또 가능한 상황에서 제약이 발생 할 수 있기에 이를 활용한 전역경로의 신뢰성이 떨어질 수 있다.
본 연구에서는 인접 차로 정보 누락 오류를 검출하기 위하여 링크 정보를 기반으로 한 차로매칭 행렬을 구성하였다. 행은 링크가 속해 있는 차로 번호로, 열은 링크의 번호로 구성되며, 차로 번호를 기준으로 인접 차로 정보와 링크 번호를 구성한 행렬에 입력한다.
<Fig. 4>는 차로매칭 행렬을 제작하기 위한 수도-코드와 순서도를 나타낸다. 하나의 링크를 기준으로 인접 차로 정보에 해당하는 다른 링크를 탐색하고 탐색된 링크의 번호를 차로매칭 행렬 내 기준 링크와 같은 열 에 저장하여 차로 번호를 표시한다. 이같이 각 도로 구간에 존재하는 모든 링크에 대한 정보를 행렬에 저장 한다. 이 과정에서 누락된 정보가 존재할 경우 차로매칭 행렬 내에 공백이 발생하게 된다. 누락된 정보들로 인해 발생하는 공백을 보완하기 위해 차로 매칭 행렬 내에 서로 인접한 링크의 정보들을 참조한다.
<Fig. 5>는 인접 차로 정보가 누락된 부분을 찾기 위해 구성한 차로매칭 행렬의 예시이다. 정보가 올바르 게 기입이 된 경우 도로 각 구간의 링크 번호와 차로 번호가 매칭되는 것을 파란색 표시 부분을 통해 확인 할 수 있다. 실제로 좌/우측 인접 차로가 존재하지만 각 차로에 대해서만 링크 번호와 차로 번호가 매칭된 경우는 빨간색 표시 부분을 통해 확인할 수 있다. 이를 이용하여 정보가 누락된 부분을 수월하게 검출할 수 있으며, 해당 도로 구간에 다른 링크의 정보들로 누락된 인접 차로의 정보를 채워 넣음으로써 오류를 개선할 수 있다.
<Fig. 6>은 서울 상암 자율주행 테스트베드와 대구 수성알파시티 자율주행 테스트베드의 정밀도로지도를 이용하여 인접 차로 누락 오류를 보완한 결과이다. 본 연구에서 구성한 차로매칭 행렬을 기반으로 오류가 존 재하는 링크를 확인할 수 있었으며 주변 링크의 정보를 유기적으로 활용하여 누락된 정보를 보완하였다. 그 결과, 서울 상암 자율주행 테스트베드에서는 전체 링크 1882개 중에서 오류 링크 275개를 검출하고 이를 보 완하여 최종 오류의 개수를 30개로 줄일 수 있었다. 검출은 했으나 보완되지 않은 30개의 링크 오류는 기준 링크 차로번호의 오류나 특정 구간의 좌우측 차로 정보가 모두 누락되어 있는 경우로, 이는 사용자가 쉽게 수정할 수 있다. 대구 자율주행 테스트베드의 경우 전체 링크 592개 중 검출된 오류 30개를 모두 보완하여 링크 정보의 인접 차로 정보 누락 오류를 개선할 수 있었다.
2. 역방향 링크 오류 개선
국토지리정보원의 정밀도로지도 구축 메뉴얼에서는 링크를 주행 경로의 진행 방향을 따라 차로 중심선을 기록한 데이터라고 정의하고 있다(NGII, 2019). 하지만 실제 정밀도로지도에 저장된 링크의 좌표를 살펴보면, 저장된 순서가 진행 방향과 반대로 되어있는 경우가 많은 것을 볼 수 있다. <Fig. 7>은 서울 상암 자율주행 테스트베드의 정밀도로지도 일부를 표시한 그림이다. 좌측의 파란색으로 표시된 선이 예시에 해당하는 링크 이며, 해당 링크의 시작 포인트는 파란색 원으로 표시되어 있다.
해당 구간의 실제 진행 방향은 아래쪽으로 향하고 있지만, 정밀도로지도 내 링크들은 진행 방향과 반대로 저장되어 있다. 이를 수정하지 않고 전역경로를 생성한다면 자율주행 차량은 실제 진행 방향과 반대로 된 경 로를 주행하게 될 것이다.
본 연구에서는 링크를 통한 차량의 전역경로를 생성하기 위하여 역방향 오류가 존재하는 링크의 위치를 찾고 이를 수정하였으며, <Fig. 8>는 이를 위한 수도-코드와 순서도를 나타낸다. 각 링크의 시작점의 좌표와 노드의 좌표가 동일하면 이는 링크의 위치 데이터가 진행 방향과 일치하는 방향으로 데이터가 저장되어 있 다고 판단할 수 있다. 이와 같은 방법으로 링크가 저장된 방향을 판별하였으며, 링크의 시작점과 노드의 좌 표가 다른 역방향 오류가 검출되면 저장된 기존 링크의 중심선 위치 좌표를 반전시켜 새롭게 저장하는 방법 을 사용하였다.
<Fig. 9>는 서울과 대구의 자율주행 테스트베드 정밀도로지도를 이용하여 링크의 역방향 오류를 보완한 결과이다. 실제로 두 정밀도로지도 모두 총 링크의 개수 대비, 50% 이상의 많은 링크가 반대 방향으로 저장 되어 있는 것을 볼 수 있었으며, 본 연구의 전처리 알고리즘을 통해 역방향 링크 오류를 모두 찾고 개선할 수 있었다. 그 결과, 서울 상암 자율주행 테스트베드에서는 전체 1882개의 링크 중 960개의 역방향 오류 링 크를 검출하고 이를 보완하였고, 대구 자율주행 테스트베드의 경우 592개의 링크 중 검출된 오류 331개를 보 완하여 링크의 역방향 오류를 모두 개선하였다.
Ⅴ. 도로 네트워크 구축 알고리즘
정밀도로지도를 기반으로 전역경로를 생성하기 위해선 이동 가능한 차로의 연결 나타내는 도로 네트워크 구축이 필수적이다(Kim et al., 2019 ; Guo et al., 2012). 실제 도로 주행 상황에서는 주행 차로를 그대로 유지 하며 운행하는 경우도 있지만, 좌/우회전 및 U턴을 위해 차선변경이 필수적인 경우가 있다. 자율주행차량 스 스로가 주행 상황에 맞는 차선변경을 하기 위해선 차선 단위의 전역경로가 필요하다. 이를 위해선 기존 항법 지도나 ADAS지도가 아닌 정밀도로지도 기반의 도로 네트워크가 요구된다. 정밀도로지도에 존재하는 수많 은 링크들은 <Fig. 10>과 같이 진행 방향을 고려하여 각각 연결되어야 하며, 그렇지 않을 경우 이를 기반으 로 생성된 전역경로는 중앙선 이탈의 위험을 초래할 수 있다. 하지만, 진행방향을 고려하여 도로를 연결하는 작업은 대부분 수작업으로 구축되기 때문에 많은 시간과 실수가 발생할 위험이 있다.
본 연구에서는 위의 문제를 해결하기 위해, 노드, 링크 정보를 이용하여 도로 간 이동 가능 여부와 이동거 리를 자동으로 탐색하고, 탐색된 결과를 행렬의 형태로 저장하여 도로 네트워크를 구축하도록 알고리즘을 설계하였다. 행렬은 정밀도로지도 전체 링크의 수 만큼의 정방행렬 구조를 가진다. 이는 이동 가능한 노드 간의 거리값을 나타내기 위함이며, 행렬은 초기값으로 모든 위치에서 무한대의 값을 가진다. 도로 네트워크 구축에는 링크 ID, 링크의 시작과 끝점에 해당하는 노드(Start_Node, End_Node), 좌/우측 차선의 링크 (Side_Link_ID), 차선의 유형(Surface Line Mark–SLM) 총 5가지 정보가 사용된다. 위 정보를 통해 하나의 기 준 링크에서 이동 가능한 다른 링크들을 탐색한다. 이동 가능한 링크는 주행 중인 차선을 유지하는 링크와 차선을 변경하는 링크로 나뉘게 된다.
<Fig. 11>는 차선을 유지하기 위한 링크를 탐색하는 수도-코드와 순서도를 나타낸다. 특정 노드를 시작점 으로 하는 기준 링크의 끝점 노드를 취득하고 이를 시작점으로 하는 다른 링크를 탐색한다. 하나의 노드가 서로 다른 링크의 시작점과 끝점이 되기 때문에 탐색된 링크는 차선을 유지하는 링크임을 알 수 있다. 이때, 기준 링크의 시작점과 탐색 링크의 시작점에 해당하는 거리값을 도로 네트워크 행렬에 저장한다.
<Fig. 12>는 차선을 변경하기 위한 링크를 탐색하는 수도-코드와 순서도를 나타낸다. 기준 링크로부터 인 접 차로 링크 정보를 취득하고 취득한 링크의 끝점을 시작점으로 하는 링크를 탐색한다. 이때, 기준 링크의 시작점과 탐색 링크의 시작점에 해당하는 거리값을 도로 네트워크 행렬에 저장한다. 또한, 도로교통법상 차 선의 유형이 실선(Solid line)이 아닌 점선(Dotted line)일 경우에만 차선변경이 가능하므로 차선 유형 정보 (SLM)를 함께 확인하여 도로 네트워크 행렬을 구축한다. 차선 유형 정보를 활용한 도로 네트워크 구성을 통 해 차선변경 가능 여부가 고려된 전역경로를 생성할 수 있도록 하였다.
<Fig. 13>은 이와 같은 방법으로 구축된 행렬과 그에 따른 정밀도로지도의 예시를 나타낸다. 각 링크의 시 작점에서 이동 가능한 다음 링크의 시작점까지 거리를 도로 네트워크 행렬에 저장하고, 이동 불가능한 링크 의 거리값은 무한대로 저장하여 이동할 수 없음을 표현한다.
Ⅵ. 알고리즘 검증
이번 장에서는 앞서 소개된 전처리 알고리즘으로 구축된 도로 네트워크를 사용하여 전역경로가 올바르게 생성되는 것을 확인하고자 한다. 전역경로 생성을 위한 여러 가지 방법 중 다익스트라 알고리즘을 사용하였 다. 다익스트라 알고리즘은 목적지까지의 최단 경로를 구하는 알고리즘으로 교통 및 로봇과 같은 다양한 분 야에서 활용되고 있으며(Wang, 2011), 이 알고리즘에 대한 자세한 설명은 생략한다.
<Table 2>에서 언급한 대구와 서울의 자율주행 테스트베드 정밀도로지도를 활용하여 링크 오류 개선과 도 로 네트워크 구축에 대한 전처리 알고리즘의 성능을 검증하였다. 검증을 위하여 목적지로 이동 시 다양한 도 로환경을 포함하도록 정밀도로지도 내 특정 지역을 선정하여 전역경로를 생성하였다. 대구 자율주행 테스트 베드의 경우 교차로 좌회전을 위한 차선변경, 골목길 진입 상황을 고려한 시나리오를 선정하였고, 서울 자율 주행 테스트베드의 경우 회전 교차로 및 유턴을 위한 차선변경 상황을 고려하여 시나리오를 선정하였다.
<Fig. 14> (a)는 대구 자율주행 테스트베드의 정밀도로지도를 이용하여 전역경로를 생성한 그림이다. 빨간 색 선으로 표시된 것이 자율주행차량의 전역경로이며, 파란색으로 표시된 부분은 생성된 전역경로와 같은 방향의 모든 차로를 표시한 것이다. 초록색으로 표시된 깃발은 목적지이다. 보도와 인접한 차량의 위치에서 좌회전 차선으로 변경되는 전역경로를 생성함으로써 목적지까지의 최단 경로를 계산할 수 있었다.
<Fig. 14> (b)는 서울 자율주행 테스트베드의 정밀도로지도를 이용하여 전역경로를 생성한 그림이며 황색 깃발은 경유지를 나타낸다. 경유지와 목적지로 이동하는 경로 생성 과정에서 회전 교차로 및 유턴과 같은 다 양한 도로환경이 고려되는 것을 확인할 수 있다. 또한, 유턴이 필요한 상황에서 차선변경을 포함한 경로를 생성함으로써 차선 단위의 경로 생성이 이루어지는 것을 확인할 수 있다.
<Fig. 15> (a)는 차량이 위치한 링크의 우측 차로 정보가 누락된 경우, 본 연구에서의 전처리 과정 없이 생 성된 전역경로를 나타내는 것으로, 목적지에 도착하기 전 거쳐야 하는 경유지가 있는 경우이다. 경유지에 도 착하기 위해서 차량의 현재 위치에서 우회전하는 것이 최단 경로이지만, 링크의 차로 정보 누락으로 인해 현 재 위치에서 우회전이 불가한 도로 네트워크가 구축된다. 이로 인해 목적지까지 이동 시 12개의 링크를 통과 하며 먼 거리를 우회하도록 전역경로가 생성된 것을 확인할 수 있다. <Fig. 15> (b)는 본 연구에서 제안하는 전처리 알고리즘을 통해 링크의 차로 정보 누락 오류를 개선하여 전역경로를 생성한 그림이다. 이전 경우와 는 다르게 직진이 아닌 우회전 경로를 생성하여 목적지까지 6개의 링크만을 통과하는 경로를 생성하는 것을 확인할 수 있다.
본 연구에서 제안하는 전처리 알고리즘을 통해 개선된 링크 정보와 구축된 도로 네트워크를 활용하여 차 선 단위의 정밀한 전역경로를 생성하였으며, 다양한 교차로 및 유턴 상황을 반영하여 목적지까지의 최단 전 역경로를 생성하는 것을 확인할 수 있었다. 특히, 정밀도로지도 내의 링크 오류를 개선함으로써 생성되는 전 역경로 상의 링크 수를 줄여 목적지까지의 최적 경로 주행이 가능하도록 하였다. 이처럼 정밀도로지도 상에 존재하는 오류를 개선하고, 효율적으로 도로 네트워크 구축함으로써 본 연구의 전처리 알고리즘을 통해 정 밀도로지도의 활용성을 증진할 수 있음을 확인하였다.
Ⅶ. 결 론
자율주행 4단계 이상에서는 차량 스스로가 목적지까지 주행하기 위해 차선 단위의 전역경로를 생성하는 것이 필수적이며, 이를 위해 정밀도로지도 활용에 관한 연구가 활발히 진행되고 있다. 정밀도로지도 기반 전 역경로 생성을 위해서는 정확한 링크 정보를 통해 도로 네트워크를 구축하는 것이 필수적인데, 현재 공개된 정밀도로지도는 이 부분의 구현을 어렵게 하는 다양한 오류를 포함하는 것을 볼 수 있다.
본 논문에서는 이러한 문제를 해결하기 위해 전역경로 생성 시 정밀도로지도의 활용성을 높이기 위한 연 구를 수행하였다. 차선 단위 전역경로 생성에 치명적인 인접 차로 정보 누락과 차로 중심선 좌표가 진행 반 대 방향으로 입력된 링크의 오류를 검출하고 개선하는 전처리 알고리즘을 개발하였다. 이를 실제 대구와 서 울의 자율주행테스트베드에 적용하여 상당수의 링크 정보 오류를 개선할 수 있었다. 또한, 개선된 링크 정보 를 활용하여 도로 네트워크를 구축하였으며, 실제 차선변경이 가능한 차선의 유형도 함께 고려함으로써 정 밀한 차선 단위의 전역경로 생성이 가능하도록 하였다.
전처리 알고리즘으로 개선된 링크와 구축된 도로 네트워크를 다익스트라 알고리즘에 적용함으로써 올바 른 전역경로가 생성되는지 검증하였으며, 교차로 및 유턴 차로 등 다양한 도로환경에서도 전역경로가 올바 르게 생성되는 것을 확인할 수 있었다. 본 연구의 전처리 알고리즘을 통해 정밀도로지도 내부의 오류를 검출 하고 개선함으로써 전역경로 생성 시 경로 안전성을 확보할 수 있었으며, 정밀도로지도를 기반으로 도로 네 트워크를 효율적으로 구축하는 방법을 제시하여 정밀도로지도의 활용성을 증진할 수 있었다.
