Ⅰ. 서 론
자율주행기술은 센서를 통해 도로와 주변상황을 인식하고, 수집된 정보를 기반으로 차량을 제어한다. 운 전자의 눈 역할을 하는 자율주행 센서는 영상(Vision), 라이다(Light detection and ranging, 이하 LiDAR), 레이 더(Radar), 초음파(Ultrasonic)등 다양한 유형이 활용되며, 각각은 작동하는 원리와 영향을 주는 요인이 달라 주 검지 영역, 대상 등도 차별화 된다(KICT, 2021). 센서 기술 및 수집된 데이터를 처리하는 알고리즘의 발달 로 자율주행기술은 빠르게 수준이 향상되고 있지만, 아직은 완벽한 자율주행기술 구현에는 이르지 못하고 있으며, 이런 한계점을 인프라를 중심으로 한 자율협력주행(Co-operative Autonomous)을 통해 극복하려는 움 직임이 지속되고 있다. 국내에서는 자율협력주행 구현을 위해 자율주행차량과 시설물 간 통신, 정밀지도와 LDM(Local Dynamic Map), 자율주행차량 교통관제 등으로 구성된 협력 인프라를 기반으로 자율주행기술을 상용화하고자 한다(Kim, 2020). 자율협력주행의 협력인프라 기술은 디지털 정보와 통신을 중심으로 연구되고 있는데, 인프라의 구축을 위한 시간소요가 있어 현장에서는 아직은 센서의 인식정보를 최우선으로 활용하고 있다. 향후 협력인프라가 구비된 상황에서도 통신 단락 등이 발생될 경우를 대비한 상호보완성(Redundancy) 를 확보하기 위해 센서의 역할은 여전히 중요할 것으로 예상된다(KICT, 2021). 특히 자율주행차량의 절대측 위는 GPS를 기반으로 수행하게 되나, GPS의 오류를 보정하기 위하여 주변의 차선과 표지판 등의 도로시설 물을 센서로 인식하고, 상대측위하여 보정하는 과정을 거친다. 즉, 센서는 주변환경 정보를 수집 및 검지하 는 역할도 수행하지만, 점차 자율협력주행에 필요한 연속적 자차측위를 위한 참조시설물 검지역할도 수행 한다(Kim and Park, 2022).
자율주행을 위한 여러 센서 중 현재 자율주행차량 기술을 주도하는 것은 LiDAR로 평가받고 있다(Li, and Ibanez-Guzman, 2020). LiDAR는 근적외선을 조사(Irradiation)하여 물체와 센서간의 거리를 측정하는 원리로 작동하며, 센서에서 1초당 수십만번의 레이저를 조사하여 주변환경에 대한 정보를 수집하기에 높은 해상력 과 정확도를 가지는 장점이 있다. 다만, 제작비용의 문제, 차량진동 등에 대한 안정성의 문제 등으로 테슬라 와 같이 영상 중심의 자율주행 기술을 선보이는 곳도 존재한다. 하지만, 국내 자율주행차량을 인증하는 자동 차안전연구원에 따르면, 2022년 국내 자율주행 임시운행 허가 차량의 85%, 총 213대중 180대, 이상이 LiDAR 를 장착하고 있어 현재 연구 및 실증 단계에 있는 대부분의 자율주행차량은 LiDAR를 활용하는 것으로 나타 났다. LiDAR가 널리 활용되는 이유는 조도, 강우와 안개 등의 악천후 시에 성능이 크게 감소하는 영상센서 와 비교하여 상대적으로 강건하며, 물체에 대한 측정거리 정확도가 높은 점이 큰 이유로 작용한다(Tang et al., 2020). 이러한 장점과 특징으로 인해 LiDAR는 자율주행차량에 있어 중요한 도로상의 정적·동적 물체의 검지, 인식, 추적, 분류, 위치 등의 정보를 수집하는 역할을 담당하고 있다(Li, and Ibanez-Guzman, 2020). LiDAR는 물체에 근적외선을 조사(Irradiation)하고, 반사되어 돌아오는 시간을 통하여 조사한 물체와의 거리 를 검지한다(Guan et al., 2016). 따라서, 검지대상 물체의 재질이나 색깔 등에 따라 검지성능에 차이가 발생하 는데, 알루미늄이나 재귀반사시트와 같이 높은 반사도의 재질은 검지성능을 향상시키며, 파장을 흡수하는 검 은색보다는 반사성이 높은 흰색에서 검지성능이 우수한 것으로 연구조사 되어있다(Park and Kim, 2021;Kim et. al., 2021). 이러한 LiDAR의 특성과 검지대상과의 관계에 대한 연구결과를 바탕으로 도로표지판 등의 재 질, 색깔과 배치 등의 물리적 위치를 LiDAR의 검지성능을 향상시키거나, 검지가 원활한 재질과 검지가 어려 운 재질을 섞어 패턴을 만들어 특정 정보를 제공하는 방법 등의 LiDAR 전용 도로시설물이 연구·개발 중에 있다(KICT, 2021).
본 연구는 도로표지를 LiDAR가 검지할 때, 도로표지의 모양이나 높이가 검지성능에 영향을 주는지 규명 하고자 하였다. 이를 위해, 자율주행차량의 상단에 설치된 32Ch LiDAR를 활용하여 600mm×600mm 크기의 서로 다른 형상을 가진 표지판 4종(면적이 1.5배인 표지까지 총 5종)에 대한 실도로 구간 주행실험을 수행하 였다. 이를 통해 LiDAR 활용시 도로표지의 높이와 모양, 센서와 표지의 횡간격(차선)에 대하여 검지성능 지 표 변화를 관찰하고, 도로표지에 대한 LiDAR의 검지 특성 등을 알아보았다. 검지성능 지표는 점군데이터 (Point Cloud Data, 이하 PCD)의 형상과 점군데이터의 수(Numbers of Point Cloud, 이하 NPC)로 선정하였다. 이러한 연구는 자율주행차량이 도로상의 고정시설물들의 위치를 인식하여 자율주행차량이 상대측위 보정을 수행할 수 있도록 시설물 배치에 대한 이해도를 제고함과 동시에, 센서 간의 상호보완성(Redundancy)강화 및 도로시설물 인프라를 통한 자율협력주행을 보완할 수 있을 것으로 기대한다.
Ⅱ. 선행연구검토
LiDAR는 근적외선 대역인 760nm~1900nm 파장(wave Length)의 레이저를 조사하여 물체와의 거리를 측정 하는 장비로 위상차(Phase Shift) 방식 또는 TOF(Time of Flight, 이하 TOF) 방식이 활용되며, 최근에는 조사 속도가 빠르고 물체와의 거리에 영향이 적은 TOF 방식이 보편적으로 활용 된다(Chen et al., 2021). LiDAR는 물체에 반사되어 돌아오는 레이저의 시간차이, 반사강도 등을 통해 물체와의 거리를 산출하기 때문에 물체 의 재질, 색깔 등에 따라 검지성능의 차이가 발생한다는 특징이 있다(Kim and Park, 2022;Park and Kim, 2021).
LiDAR는 높은 가격에도 불구하고, 현재의 자율주행차량의 발전을 주도하는 핵심 센서로 역할하고 있는 데, 이에는 LiDAR의 높은 거리정확도와 3차원 공간에 대한 정보를 수집하는 특성이 크게 작용한다(Li and Ibanez-Guzman, 2020). 또한, 영상센서가 조도변화, 저조도, 강우, 강설, 직사광선 같은 다양한 환경변화에 큰 영향을 받는 것과는 달리 LiDAR는 조도의 영향이 매우 작고, 우천과 안개 상황에서도 비교적 강건한 특성을 보인다(GSAGlobal). 최근 자율주행차량은 동적인 물체인 보행자, 신호등, 주변 차량, 자전거, 오토바이 등의 정보들을 수집하는데 LiDAR에 의존하고 있으며(Tang et al., 2020), 가장 높은 안전성을 가진 것으로 평가받 는 구글의 웨이모 역시 돌발물체 등의 검지에 활용하고 있다(Jeon and Kim, 2021). 장애물이나 시설물 검지 외에도 정밀지도기반의 자율주행에서 필수적인 측위(Localization)의 역할을 수행하기도 하는데, 주변의 차선 과 표지판 등의 도로시설물을 인식하고, 미리 만들어진 Intensity Map과 맵매칭(Map Matching)하거나, 시설물 위치를 매칭하여 GPS 기반의 절대측위를 보정하는데 활용된다(Park, 2022).
앞서 제시된 바와 같이 LiDAR는 다양한 환경변화에 비교적 강건하지만, 우천과 안개, 강설과 같은 악천후 상황에서는 검지 성능이 감소하며(Stock, 2018), 자율주행차량이 안전성 확보를 위해서는 이에 대한 대응과 개선이 필요하다. Goodin et al.(2019)은 LiDAR의 우천 시 성능저하 원인을 물체에 빗방울에 의한 레이저 간 섭으로 설명하였는데, 강우 시에는 조사된 레이저가 물체에서 반사되기 전/후에 빗방울에 부딪히는 경우가 발생하고 이에 따라 레이저가 소실되거나, 물체와의 거리정확도가 저하되는 문제가 발생한다. 대기 중 수분 에 의한 간섭이 주 원인이므로 안개상황에서도 우천과 유사한 이유로 성능이 저하되며, 실도로 실험이나 기 상챔버실험에서 그 영향이 제시된 바 있다(Kutila et al., 2016;Montalban et al., 2021).
<Table 1>은 LiDAR를 물체를 검지할 때 예상되는 검지성능의 결과와 실제 도로상에서 성능을 검증한 결 과를 요약‧비교한 것이다(Kim et al., 2021). LiDAR의 물체에 대한 검지성능은 센서에서 취득되는 PCD지표로 설명할 수 있으며, 검지대상에서 반사되어 돌아온 포인트의 수를 나타내는 NPC와 각 포인트가 가진 반사강 도를 의미하는 Intensity가 대표적이다. 검지하는 물체의 거리가 멀어질수록 기대되는 성능지표(Performance Indicator)가 모두 하락하였으며, 검지하는 물체의 재질에 따라 특정한 값을 가지되, 강수량이 증가하면 성능 지표 하락의 정도가 재질에 따라 다르게 발생됨을 보였다.
<Table 1>
Summary of the performance validation results of the various test items for performance verification of LiDAR
 |
한국건설기술연구원에서는 반사되는 물체의 재질별로 Intensity의 값 차이가 발생됨에 착안하여, LiDAR 전 용 도로시설물을 개발 중에 있다. 시설물의 개발은 LiDAR 원리기반의 특성을 통하여 이루어지는데, 제시된 원리기반 특성은 반사되는 물체의 재질, 색깔, 모양 그리고, 배치 등이다(Park, 2022). <Fig. 1>은 도로상황을 운전자의 시각(영상센서 시각)에서 본 것과 LiDAR를 통해 본 것을 시각화한 그림으로, 왼쪽은 일반적인 영 상, 오른쪽은 LiDAR의 PCD로 보여지는 그림의 예시이다. 영상으로 인식하는 공사 중이라는 표지판(왼쪽)을 특수 처리하여, LiDAR의 PCD가 마름모(오른쪽)로 검지하게 하였다. 이러한 마름모 모양은 공사 중을 대표하 게 규칙을 정한다면, 자율주행차량에 간단한 정보도 제공할 수 있을 것으로 기대된다. (KICT, 2021)는 이러 한 시설물을 통하여 악천후 시에 영상센서를 보완하며, 통신단락 시에 센서의 상호보완성(redundancy)를 확 보하고자 하였다.
<Fig. 1>
Road-traffic facilities of Future Highway using LiDAR (left : view of vision sensor / right : veiw of LiDAR sensor)
이러한 연구 동향을 고려하면, 미래시점에 통신 기반의 협력 인프라가 구현되더라도 통신 단절 상황에 대 한 대응, 차량 측위 지원 등을 위해 기존 센서들의 역할은 계속 유지될 것이며, 각 센서의 개별적 활용을 넘 어 센서 간의 융합이 현재보다 활발해질 것으로 기대된다(Kim and Park, 2022). 또한, 주로 장애물 검지‧추적 에 국한된 현재 LiDAR의 활용은, 향후 해상도의 향상을 통해 시설물이나 도로구조물의 검지와 더불어 패턴 인식을 통한 정보 제공역할도 가능할 것으로 예상된다.
이러한 측면에서 자율주행차량을 지원하는 도로시설물 개발을 위해서 도로표지판 등의 도로시설물에 있 어 LiDAR의 검지성능과 그 영향요인에 대한 연구는 지속적으로 수행될 필요가 있다(Park and Kim, 2021). 여 러 영향 요인 중 검지물체의 재질과 색깔 등의 영향요인에 따른 검지성능의 변화는 여러 연구를 통해 제시 된바 있으나(Kim and Park, 2022;Park and Kim, 2021;Kim et al., 2021), LiDAR를 고려한 시설물의 모양 및 배치 특성에 관한 연구사례는 많지 않았다. 이에 본 연구에서는 자율주행차량이 정보취득과 측위를 위해 활 용하는 도로표지에 대한 LiDAR 검지 시의 특성을 분석하고, LiDAR 대응 시설물 설계 시 고려해야 할 높이 와 모양 등의 검지영향요인을 연구하였다.
Ⅲ. 분석방법론
1. 실험 장비
본 실험에 활용한 장비는 한국건설기술연구원에서 국토교통부의 자율주행임시면허를 취득한 연구용 자율 주행 차량으로 <Fig. 2>와 같이 상용 투싼 모델에 LiDAR 3식, radar 2식, 영상센서 1식 등 다양한 자율주행 센서를 부착하였다. 장착된 LiDAR 센서는 두 종류로 차량 중앙 상단부에는 전방위 360도를 스캔할 수 있는 32채널 사양이, 좌우측 범퍼부에는 16채널 사양이 설치되어 있다. 자율주행차량에는 주행시스템과 함께 DAQ(data acquisition) S/W가 탑재되어 LiDAR, Radar, 모빌아이 등 차량에 설치된 센서를 통해 수집된 데이터 를 저장 및 분석할 수 있다. 본 연구에서는 16채널 대비 분해능이 뛰어나며, 일반적으로 설치될 것으로 기대 되는 상단부 32채널 LiDAR의 PCD를 활용하였다.
<Table 2>는 주요 1세대 rotation 타입 32Ch LiDAR의 성능사양을 비교한 표이다. 제시된 항목 중 수평 각 도 분해능(Horizontal Angular Resolution)은 360˚로 회전하며 주변을 스캐닝하는 rotation 타입 LiDAR의 특징이 수치화된 것으로 수평으로 놓인 점간의 각거리(Angular Distance)를 의미한다. 이는 LiDAR의 회전속도와 연 결되어 있어, 회전속도가 느리면 수평 각도 분해능이 작아지고, 회전속도가 빠르면 수평 각도 분해능이 커지 게 된다(5Hz에서 0.1˚, 20Hz에서 0.4˚). 수직 각도 분해능(Vertical Angular Resolution)은 수직으로 놓인 점간의 각거리를 의미하며, 수직 시야각(Vertical Fov)은 수직으로 분포한 레이저 채널의 범위를 의미한다. 수직 각도 분해능은 시야각 범위 내에서 레이저 채널을 설정하는 것에 따라 조금씩 차이가 발생하며, 모든 채널 간의 간격이 동일하게 설정할수도 있고(XT-32), 이용자의 목적에 따라 간격을 조절할 수도 있다. 초당 포인트 측 정값(Points Per Second)은 LiDAR 센서의 장치가 회전하며 1초당 수집하는 포인트의 수를 의미한다.
본 연구에서는 RS-32를 활용하여 실험을 수행하였으며, 회전속도 10Hz로 수평 각도 분해능 0.2˚로 세팅하 여 다른 32ch LiDAR와 비교시 수평 각도 분해능은 다른 센서들과 유사하였고, 상단 시야각 역시 큰 변동이 없도록 하였다. 다만, 상단 시야각은 RS-32, Ultar-Puck, XT-32가 모두 15˚로 유사하고, OS1-32가 22.5˚로 타 제품에 비해 보다 넓은 시야각을 지닌 차이점은 있었다.
2. 측정방법 및 상황 설정
본 연구는 LiDAR를 통해 물체를 스캔한 PCD에서 획득된 표지의 형상과 NPC를 성능지표로 보았으며, 이 에 영향을 주는 요인을 <Table 3>과 같이 4가지로 설정하였다. <Fig. 3>은 실험환경도이며, 표지판의 모양, 순서 및 표지판과의 거리 등이 표현 되어 있다.
제시된 요인 중 거리(Distance)는 물체와 센서 간의 종방향 거리로, 고정된 수직‧수평 각도 분해능을 가진 LiDAR의 특성상 센서와 검지대상의 거리가 멀어질수록 대상 표면에 반사되는 레이저의 수는 감소하게 된 다. <Fig. 4>는 이를 도식화한 것으로 동일한 면적의 물체를 대상을 LiDAR로 검지할 때 거리증가에 따라 NPC가 감소하게 되는 것을 보여주고 있다.
차로(lane)의 경우 센서와 검지물체 간의 횡간격 및 입사각 변화를 반영한 요인으로 차량이 도로변에 설치 된 시설물을 검지하는 상황을 설정한 것이다. 실험에서는 주행차로의 위치로 조정하였으며, 중앙선에 가까운 차로가 1차로(lane1), 노변에 가까운 차로가 3차로(lane3)이다. 1차로로 갈수록 표지와 센서 간의 입사각이 커 지고, 횡간격은 3.5m 씩 멀어지게 된다(Fig. 3 참조).
높이는 현재 도로시설물 중 표지 설치 요건을 준용하여 1.5m, 2m, 2.5m의 세 가지 높이를 설정하였다. 이 는 표지의 최하단부터 지면까지의 높이로 설정된 값이며, 센서와 표지가 가까운 상황에서 높은 높이를 가진 시설물은 LiDAR의 높이인 1.8m와 상대적 차이가 커지고 이에 시야각 범위에서 이탈하여 전체 형상에 대한 검지가 되지 않는 문제가 발생한다. 반면, 높이 설치된 시설물도 충분한 거리가 확보되면 시야각 범위에 들 어오게 되나 이 경우에는 거리증가에 따라 NPC가 감소하게 된다. 이에 본 연구에서는 높이를 시설물 배치의 한 요인으로 설정하였으며, 각 설정에 따라서 LiDAR의 검지 결과에 미치는 영향을 살펴보았다.
마지막으로는 모양을 영향요인으로 고려하였다. 이는 면적은 동일하지만 형상이 달라질 경우 LiDAR 검지 에 있어 변화가 발생하는지 확인하기 위한 부분으로, 실험을 위해 면적이 동일한 4가지 모양과 면적이 1.5배 인 표지까지 총 5개 유형의 표지를 제작하여 LiDAR를 활용한 PCD를 측정하였다. <Fig. 5>에는 5개 유형의 표지에 대한 설계사항이 나타나있으며, 각각 정사각형(squ), 원형(cir), 삼각형(tri), 직사각형(rec), 큰 정사각형 (bsqu, 면적 1.5배) 이며, 큰 정사각형을 제외한 각 유형은 정사각형의 면적인 60cm * 60cm로 동일한 면적을 가지고 있으며 재질은 백색 재귀반사시트로 동일하게 제작되었다.
실험은 <Fig. 3>과 같이 도로표지가 일렬로 배치된 도로를 주행하며 수행되었다. 각 표지는 20m 거리의 간격을 두어 서로 간에 간섭이 없도록 하였다. 도로표지의 높이와 주행차로를 변경하면서 각각 5회씩 데이 터 수집을 하였으며, 전체 PCD에서 표지부 영역에 ROI(Region of Interest)를 설정하여 데이터를 추출하고 표 지의 모양과 높이에 따른 PCD의 형상과 NPC를 비교 분석하였다.
Ⅳ. 성능지표변화 분석 결과
1. 거리에 따른 점군도 비교 분석
1) 표지 모양별 점군도
모양에 따른 LiDAR 검지결과를 비교확인 하기 위해 거리-모양별 PCD의 점군도를 출력하여 서로 비교하였 다. <Fig. 6>은 실험에서 취득한 PCD에서 각 거리에 위치한 표지의 PCD들을 추출하여 정면에서 바라본 시점으 로 출력한 그림이다. 여러 실험 조건 중 표지 높이 2m, 2차로에서 측정한 결과를 대표로 작성하였으며, 각 열은 표지 모양, 각 행은 표지와 센서 간의 거리를 의미한다. 각 점의 색은 반사도를 나타내는데, RS-32 센서에서는 Intensity를 0-255로 표현하며, 재귀반사시트에서 반사된 점은 주로 200 이상의 값을 가진다.
각 표지는 재귀반사시트을 붙였기에 검지는 최대 170m 거리까지도 가능하며 이는 실험에 활용한 LiDAR 의 range 범위인 200m에 근접하고 있다. 다만 <Fig. 6>에서는 100m 거리까지 만을 출력하였는데, 이는 100m 이후에서는 NPC가 10아래로 감소하여 모양을 파악하기에는 현저히 적은 수치가 되기에 제외하였다.
점군도를 보면 20m 이내의 근거리에서는 표지를 받치고 있는 기둥부(하단 푸른색 점군), 표지부(중앙 붉 은색 점군)으로 구성된 형상을 확인할 수 있으며, 각 표지의 모양에 따라 점군도의 형상이 나타나고 있다. 전 체적으로 30m 이내의 근거리에서는 주광하에서 재귀반사시트를 LiDAR로 검지할 때 자주 발생하는 현상인 산란현상(그림 중 표지부의 상하위주로 발생한 푸른색 점군)이 관측되는 공통점이 있었다. 본래 표지의 모양 을 고려할 때 점군도를 통해 표지의 모양을 확인할 수 있는 거리는 약 30-40m 가 한계인 것으로 판단된다. 모양별로 보자면, 삼각형이나 직사각형은 모양의 특성이 점군도에 보다 잘 드러나고 있지만, 원형과 정사각 형은 서로 유사한 점군형태를 보여, 정확한 모양을 구분할 수 있는 거리는 20m 안쪽으로 보다 좁혀지는 것 으로 분석되었다.
실험에 활용한 LiDAR는 Rotation 타입의 32Ch 방식으로 작동원리에 따라 검지대상과 센서와의 거리가 멀어 질수록 점군의 수가 감소한다(Fig. 4 참고). 이러한 특성은 출력된 점군도에서도 동일한 결과가 나타나고 있으 며, 표지와 센서의 거리가 증가할수록 각 점간의 좌우간격 및 상하간격도 점차 크게 벌어졌다. 특징적으로 볼 수 있는 부분 중 하나는 직사각형 유형의 점군형상으로, 근거리(30m 이내)에서는 직사각형 형상이 비교적 정확 하게 측정되지만, 거리가 멀어질수록 점군의 형상이 좌우로 틀어지고 있으며 정사각형 표지에서도 일부 현상 이 관측되었다. 이는 차량에 부착한 LiDAR 센서가 이동하며 측정함에 따라 발생하는 skewing 현상으로, 레이 저 펄스가 조사되어 1회전 하는 동안 발생한 센서의 이동, 회전정도가 포인트 측정에 반영되어 본래 물체의 위치와 다른 곳에 점군이 생성되는 현상이다(Al-Nuaimi et al., 2016;He et al., 2020;Kang et al., 2021).
2) 높이 및 차로별 점군도
<Fig. 7>은 정사각형 표지를 대상으로 전체 PCD에서 Intensity 수치 200이상의 데이터만을 필터링하여 다 시 작성한 점군도로, 왼쪽(a)은 높이 2m에서 차로별로, 오른쪽(b)은 2차로에서 표지 높이별로 작성한 그림이 다. Intensity 200이상의 기준은 재귀반사시트에 반사된 포인트만을 추출하기 위한 것으로, RS-32에서는 재귀 반사시트의 표면에 대해 검지를 수행하면 Intensity 100이상의 수치로 측정되며, 대부분은 250 이상으로 나타 나 설정하였다(Park and Kim, 2021).
필터링한 결과 산란되어 발생한 점군은 모두 제외되어 근거리에서 보다 정확한 형상이 드러나게 된다. 반 사도가 낮은 기둥부의 점군역시 대부분 제외되므로, NPC 수치는 전체 데이터 대비 감소하게되나, 산란데이 터를 통제하여 보다 정확한 표지모양을 파악할 수 있는 장점이 있다.
<Fig. 7>의 a를 통해 차로별 점군도를 보면 3차로에서 1차로로 갈수록 표지와 센서의 횡간격이 멀어지고, 입사각이 커짐에 따라 NPC가 감소하는 패턴이 확인되었으나, 점군도의 형상은 변화가 미미하거나 없는 수 준인 것으로 나타났다. 본문에 싣지는 않았지만 다른 모양의 표지에서도 차로변경에 따른 형상의 변화는 크 지 않았다. 차로변화에 따라서 NPC도 변화하였으나 이는 거리(Distance) 변화에 따른 NPC 변화에 비해선 미 미하였고, 거리가 멀어지는 경우 차로 간 변화폭은 더욱 미미해지고 일정하지 않은 패턴을 보였다. 이는 실 험에서 설정한 차로의 폭은 3.5m로, 표지에서 가장 먼 1차로에서 주행하여도 횡간격은 10m 수준으로 근거리 에서는 충분한 영향을 주나, 표지와 거리가 멀어질수록 큰 영향을 주지 않기 때문인 것으로 분석된다. <Fig. 7>의 b는 2차로에서 각기 다른 높이의 정사각형 표지의 PCD 형상을 나타낸 그림이다. 가장 가까운 10m 거 리에서는 2.0m 높이까지는 표지의 모양을 파악하는데 문제가 없는 수준으로 나타났으나, 높이가 2.5m가 되 자 표지의 모양에 맞는 형상정보가 취득되지 않는 문제가 발생하였다. 이러한 문제는 표지의 높이(2.5m)와 센서 높이(1.8m) 간의 상대적 차이가 커져서 표지가 센서 시야각을 이탈하여 발생한 것으로, 타겟과 센서의 거리가 30m가 되어서야 해소되었다. NPC 수치 역시 높이가 증가할수록 감소하는 패턴이 나타났으나, 이는 20m 이내에서만 확인되며, 30m 거리 이상에서는 오히려 2.5m 높이가 다른 높이에 비해 많은 NPC 수치를 보 였다.
높이 차이에 의한 데이터 변화는 물체(표지판)와 센서(LiDAR)간의 거리가 증가할수록 편차가 완화되어 30m 거리부터는 형상과 NPC 모두 큰 차이를 보이지 않았다. 이는 거리가 증가함에 따라 표지가 센서의 시 야각 내로 위치하게 되어 점군도의 형상은 큰 차이가 없어지고, 거리 증가에 따른 NPC의 감소가 더 크게 작 용하는 것으로 해석된다.
점군도를 통해 분석된 내용은 시설물이 가진 외형의 정확한 인식이 필요한 시설물의 경우, 근거리에서 배 치할 때 적정 높이를 고려해야 함을 시사한다. 본 분석의 결과는 센서와 10m 거리 수준에서의 검지를 목표 로 하는 경우 검지대상의 높이를 센서 높이와 일치시키거나 ±50cm 이내로 맞추어야 정확한 형상이 측정될 수 있음을 보여준다.
2. NPC 비교
1) 높이 변화에 따른 NPC 비교
본 절에서는 거리와 높이, 차로, 형상의 조건에 따라 측정된 NPC를 비교하여 차이가 발생하는지를 살펴보 았다. <Fig. 8>은 조건에 따라(높이, 차로, 형상) NPC의 변화를 그린 그래프로, 각 행은 표지의 모양을, 각 열 은 표지의 차로로 고정되어 있으며 높이별 NPC 그래프가 서로 비교할 수 있도록 제시되어 있다.
전체 그래프에서 공통적으로 확인되는 패턴은 근거리에서 측정한 NPC가 가장 높고, 표지의 높이가 증가 할수록 수치가 감소하는 패턴이다. 특히 2차로와 3차로의 10m 거리에서는 2.5m의 높이에서, LiDAR의 시야 각에서 벗어나게 되어 NPC 감소가 크게 발생하는 것으로 판단되며(lane2 – 2.5m 높이 그래프 참조), 1.5m 높이에 있을 때 대비 50% 이하 수준으로 감소한다. 다만 이러한 감소폭은 표지와 센서 간의 거리가 증가함 에 급격히 완화되었으며, 2차로에서는 20m에서부터, 3차로에서는 30-40m부터 ,높이에 따른 NPC 차이는 미 미한 수준으로 감소하였다.
이러한 결과는 LiDAR를 고려한 시설물의 경우 센서 위치를 고려한 설치가 필요하다는 점을 보여주고 있 으며, 장애물이 있는지 여부 정도만을 파악하는 것이 아니라 시설물의 전체적인 형상과 정보를 파악하는 것 이 중요한 경우 LiDAR의 시야각 범위에 있어야 그 역할을 수행할 수 있음을 다시 한번 시사한다. 반대로 LiDAR를 활용하여 전방 장애물 여부만을 따지는 경우, 초고휘도 재귀반사시트를 활용하는 경우 최대 70m 거리까지도 10개 이상의 NPC 확보가 가능한 것으로 나타나, 시설물 설계에 있어 고휘도, 고반사 재질의 필 요성이 보다 강조된다.
2) 차로 변화에 따른 NPC 비교
<Fig. 9>는 차로에 초점을 맞추어 NPC의 변화를 그린 그래프로, 각 행은 표지의 모양을, 각 열은 표지의 차로로 고정되어 있으며 높이별 NPC 그래프가 서로 비교할 수 있도록 제시되어 있다.
각 표지유형과 거리별로 측정된 NPC를 비교해보면, 차로 변화에 따라 NPC 변화가 발생하고 있으나, 같은 높이 내에서는 그 편차가 비교적 작은 것으로 확인된다. 다만, 일반적으로는 lane1(근거리)에서 lane3(원거리) 로 갈수록 NPC는 감소하는 추세를 보이나, 거리별로, 표지유형별로 조금씩 다른 패턴을 보이고 있으며, 거리 가 멀어지는 경우, NPC 수치가 감소하면서 편차 역시 협소하게 줄어드는 것으로 나타났다. 이러한 분석결과 는 물체와 센서간의 횡간격이 증가함에 따라 NPC가 감소하는 패턴이 확인된 결과로 보여지나, 감소폭은 매 우 미미하다는 점 역시 확인되었다.
3. 표지 모양별 NPC 비율 비교
<Fig. 10>은 표지의 높이에 따른 NPC를 표지 모양별로 비교한 것으로, 각각의 실선은 기준값인 정사각형 표지의 NPC 대비 다른 모양의 NPC의 비율을 의미한다. 거리에 따른 실제 NPC 값의 참고를 위해 정사각형 의 NPC 값을 파란색 음영으로 축을 분리하여(왼쪽) 제시하였다. 차선에 따라 NPC가 변화하기도 하지만 그 영향은 표지의 높이에 비해서는 작으며(Fig. 10참고), 이에 현재 분석에서는 100m 이내 구간에서 종합적인 높이의 영향을 살펴보고자 차로의 변화는 고려하지 않고 결과를 제시하였다.
NPC 비율은 기준으로 설정한 형상인 정사각형 형상과 비교하여 동일 환경에서 다른 표지들이 가지는 NPC를 비교하여 가늠해볼 수 있는 장점이 있다. 설명을 위해 예시를 들면 그림 가장 상단의 1.5m 높이 그래 프에서 30m 거리 기준 정사각형(squ)의 NPC는 약 30개이며, 이때 큰 정사각형(bsqu)의 ratio는 1.4이다. 이는 큰 정사각형에서 약 42개의 NPC가 관측되었다고 해석할 수 있다. 다만, 앞서 표지유형별 점군도에서 제시된 바와 같이 정확한 형태의 인식을 위해서는 NPC가 최소 20-30 개 이상이 확보되어야 하며, 10개 미만의 NPC 는 물체의 존재 여부 정도만 가늠할 수 있다. 또한 NPC는 특정 거리에서 관측된 point의 숫자로 정해지기 때 문에 거리가 멀어지고 NPC가 현저히 낮아지게 되면, 1-2개 포인트의 차이도 NPC 비율에서는 크게 확대 될 수 있다. 즉, NPC 비율 척도는 실제 NPC값을 고려하여 결과를 해석해야 하며 기준이 되는 정사각형 NPC가 최소 10 이상이 되는 거리 구간에서 유의미한 결과를 가질 것으로 기대된다.
먼저 1.5m 높이의 자료를 보면(최상단), 원형과 삼각형 표지를 제외한 직사각형, 큰 정사각형은 전 구간 정사각형에 비해 높은 NPC 비율을 보이고 있다. 큰 정사각형은 면적 자체가 정사각형 대비 1.5배이기에 1을 초과하는 비율은 자연스럽게 기대되는 값이다. 다만 면적이 1.5배인 것에 반해 NPC 비율은 1.1~1.5 수준을 보여, 정사각형 대비 많은 NPC를 보였지만, 면적의 증가가 곧바로 NPC 비율의 증가로 이어지지는 않았다.
직사각형의 경우 정사각형 표지와 면적은 동일하나, 전반적으로 높은 NPC 비율을 보였는데 30m 이내에 서도 높은 수치가 나온 것은 표지의 높이가 1.5m로 센서 높이인 1.8m와 차이가 크지 않아, 센서 시야각 범위 내애 직사각형 표지 전체가 포함되어 나타난 결과로 보여진다. 거리 40-50m 이상에서도 꾸준히 높은 비율을 보여 좌우폭 보다는 상하폭이 큰 것이 Rotation 타입 LiDAR 활용시에는 더욱 검지에 유리하다는 점을 보여 주고 있다. 원형과 삼각형 표지의 경우 50m 이내 거리에서는 정사각형과 큰 차이가 없거나 오히려 낮은 수 치를 보였고, 60m 이후에서는 정사각형 대비 우수한 NPC 비율을 보이기도 하였으나 1.2 수준이 최대로 효과 는 크지 않았다. 이러한 패턴은 2.0m, 2.5m 높이에서도 유사하였다. 큰 정사각형은 전 구간에서 NPC 비율이 1 이상으로 높게 나타났으며, 직사각형은 근거리에선 NPC 비율이 1이하로 낮았다가(시야각 외로 이탈), 거리 가 멀어질수록 점차 수치가 높아졌다.
시설물에 대한 NPC를 전체 형상의 온전한 정보의 취득을 목적으로 하는 경우 충분한 PCD 취득이 중요한 부분이며, <Fig. 6>, <Fig. 7>의 결과를 토대로 보면 NPC가 20-30개 수준은 확보되어야 유의미한 형상정보 취 득이 된다고 볼 수 있다. 이러한 측면에서 볼 때, 정사각형 기준 NPC 20이 확보되는 40m 이내 구간에서는 정사각형이 아닌 다른 형상의 표지가 NPC 확보에 있어 유리하다고 언급할 수 있는 구간은 없거나 협소하게 나타난다. 단, NPC가 20 이하로 감소하는 50m 이후 구간에서는 대부분의 형상이 정사각형에 비해 높은 NPC 수치(NPC 비율 1이상)을 보이고 있어, 형상정보가 불완전하더라도 검지를 우선하는 상황에서는 가로폭이나 세로폭을 확대하는 것이 동일 면적 기준으로는 보다 유리한 선택이 될 것으로 분석되었다.
V. 통계적 검정
<Fig. 9>에서 제시된 바와 같이 표지를 대상으로 한 NPC측정결과는 차로에 의한 영향보다는 높이 및 모 양에 따라서 보다 큰 NPC 변화가 발생하며, 이 또한 거리가 증가하면 미미한 차이만 보이는 것으로 확인되 었다. 이에 본 연구에서는 측정조건 변화에 따른 NPC의 변화가 통계적으로 유의한 지 검정하기 위해 T-test 와 분산 분석(Analysis of Variance, 이하 Anova)을 수행하였다.
동일한 모양의 표지에 있어 높이가 변화할 때 NPC가 변화하는지 통계적으로 검정하기 위해 T-test를 수행 하였으며, 높이는 1.5m를 기준 환경으로 2.0m와 2.5m를 실험군으로 설정하였다. Anova는 동일환경 조건(거 리, 높이)에서 표지 모양 간의 NPC 차이가 있는 집단이 있는지 검정하였으며, 차이가 확인된 환경조건에서 사후검정을 수행하였다. 실험에서는 다양한 거리에서 표지를 대상으로 측정과 데이터 추출을 수행하였으나, 통계적 검정은 조건 간의 NPC 수치 차이가 비교적 크게 발생하는 50m 이내를 대상으로 수행하였다.
1. 높이 변화에 따른 NPC 변화
본 절에서는 표지의 높이 변화에 따른 NPC 변화를 T-test를 통해 검정하였다. 표지의 높이는 1.5m, 2.0m, 2.5m로 3가지 그룹으로 분류되므로 Anova 분석을 수행하는 것이 적절하나, 표지 모양과 표지와 센서간의 거 리와 같은 변인도 존재하며, 표지 높이 증가에 따라 NPC가 감소하는 패턴이 명확하기에 1.5m 대비 2.0m, 2.5m 높이 표지의 NPC 변화를 검정하는 방식으로 자료를 분석하였다.
<Table 4>에서와 같이 1.5m와 2.0m 높이의 간에는 10m 거리에서 모든 유형의 표지가 통계적으로 유의한 차이를 보였으며, 높이가 50cm 증가 시 NPC가 감소하였다(양의 t-value). 하지만, 20m 부터는 일부 유형에서 만 유의한 차이가 발생하고 대부분은 통계적 유의성이 없었다. 이는 1.5m와 2.0m 높이가 LiDAR 센서의 높 이인 1.8m과 유사한 수준이기에 10m 거리에서는 50cm차이로 NPC에 유의한 변화를 주지만, 거리증가 시 높 이차이가 주는 영향이 완화됨을 의미한다. 눈에 띄는 부분은 직사각형(rec) 표지의 20m거리에서 유의한 차이 가 확인된 것으로, 다른 모양의 표지에 비해 상부 높이가 특히 길어 1.5m 대비 하단 높이가 길어지는 것이 거리증가에도 불구하고 NPC 감소에 영향을 준 것으로 해석된다.
<Table 5>와 같이 1.5m와 2.5m 높이의 표지 간에는 앞서와 달리 대부분 통계적으로 유의한 차이를 보이고 있으며, 공통적으로는 20m 이내에서는 2.5m 높이로 상승시 NPC가 감소하는 것으로 나타났다. 반면, 30m 부 터는 직사각형을 제외한 표지에서 2.5m 높이가 오히려 NPC 확보가 원활한 모습을 보였다. 이는 표지와 센서 간의 거리가 길어짐에 따라, 1.5m 높이의 물체는 오히려 적정 시야각 범위에서 벗어나게 되기 때문인 것으 로 분석된다.
추가적으로 2.0m와 2.5m 높이의 표지 간의 NPC 차이도 분석한 결과는 <Table 6>과 같다. 1.5m와 2.5m 간 의 차이와 유사하게, 20m 이내에서는 2.0m 높이가 보다 유리하고, 30m 부터는 오히려 2.5m가 보다 유리한 패턴을 보였다. 단, 직사각형은 상하폭이 큰 특성상 30m 까지도 2.5m 높이가 오히려 높은 NPC가 측정된 결 과를 보였다.
2. 표지 모양에 따른 NPC 변화
1) Anova 분석
본 절에서는 동일한 높이와 거리 조건에서 표지모양별 NPC 수치에 차이가 있는지 통계적 검정을 수행하 였다. 단, 표지유형 중 큰 정사각형은 면적 증가에 따라 NPC가 명확한 차이를 보이고 있어 면적이 동일한 4 가지 유형의 표지만을 대상으로 분석하였다. 일원배치 분산분석을 수행한 결과는 <Table 7>과 같다. 대부분 의 높이와 거리에서 통계적으로 유의한 NPC 차이가 나타났으며, 일부 조건에서만 유의한 차이가 없는 것으 로 나타났다.
2) 사후검정
Anova분석에서 유의한 통계량을 보인 조건을 대상으로 사후검정을 <Table 8>과 같이 수행하였다.
tukey-PSD를 통해 집단 간 차이를 살펴본 결과, 1.5m 높이에서는 주로 원형 표지와 다른 표지들 간의 차이 가 발생하는 것이 대부분인 것으로 나타났다. 반면, 2.0m 높이에서는 직사각형 유형의 표지와 다른 유형 간 의 차이가 주로 유의하였으며, 10m 거리에서는 직사각형의 NPC가 작고, 40m 거리에서는 반대로 직사각형의 NPC가 다른 유형에 비해 큰 특징을 보였다. 2.5m 높이에서도 주로 직사각형 표지가 다른 표지에 비해 낮은 수치를 보이고 있었다.
Ⅴ. 결 론
LiDAR가 물체를 검지할 때, 검지성능의 영향을 미치는 검지영향요인은 센서(LiDAR) 측면과 물체(도로표 지)측면으로 구분된다. LiDAR 센서 측면에서의 검지영향요인은 제조사별로 채널 수, 레이저의 파장과 강도 등이 있으며, 물체(표지판)측면은 물체와의 거리, 물체의 재질, 색상, 모양 및 배치 등이 검지영향요인이다.
본 연구에서는 동일한 재질과 색깔의 물체를 LiDAR가 검지할 때, 검지성능에 영향을 주는 표지판(검지물 체)의 높이와 모양에 따라 검지성능이 영향을 받는지 여부를 연구하였다. 이를 위해, 자율주행차량의 상단에 설치된 32Ch LiDAR를 활용하여(높이 1.8m) 600mm×600mm 크기의 서로 다른 모양을 가진 표지 4종(면적이 1.5배인 표지까지 총 5종)에 대한 실도로 구간 주행실험을 수행하였다. 이를 통해 LiDAR로 시설물을 검지할 때, 시설물의 높이, 시설물의 모양, 센서와 시설물의 거리, 센서와 시설물의 횡간격(차로변화)에 따른 검지 성 능지표의 변화를 관찰하고, 도로표지에 대한 LiDAR의 검지 특성을 알아보았다.
표지의 높이 및 측정위치와 관련된 연구 결과를 보면 근거리(20m이내)에서는 표지의 높이와 센서 높이의 상대적 차이가 큰 영향을 주어, 센서 대비 50cm 이상으로 표지가 높아질 경우 센서의 시야각에서 이탈하게 되므로 점군도에서 형상을 완전히 표현하지 못하게 되며, 30m 거리가 확보되어야 온전한 형상정보를 취득할 수 있다. 반면, 차로변화로 센서와 표지의 횡간격과 입사각이 커지게 되면 NPC가 소폭 감소하나 근거리 높 이 변화에 비하면 미미한 차이를 보였다.
표지의 모양과 관련해서는 다음의 결과를 확인하였다. 첫째로, 점군도를 통해서 완전한 표지의 모양을 인 식하려면 직사각형이나 삼각형의 30-40m 거리가 한계인 것으로 보여지며, 원형과 정사각형은 형상이 비교적 유사하여 20m 이내로 보다 짧은 거리에서만 가능할 것으로 분석되었다. 둘째, 큰 직사각형 표지는 모든 배 치 조건에서 다른 표지에 비해 높은 NPC를 보였으나 면적이 1.5배인 것에 반해 NPC는 1.5배를 충족하지 못 하여, 면적 비율이 그대로 NPC에 반영되지는 않았다. 셋째, 직사각형표지는 상하폭이 크기에 근거리에서 LiDAR의 수직 시야각 이탈에 따른 영향을 특히 크게 받았다. 넷째, 50m 이상의 원거리에서는 NPC가 10개 수준으로 감소하며, 정사각형보다는 삼각형, 직사각형 등의 형상이 높은 NPC를 확보함에 있어 유리하였다. 다섯째, 100m 이상에서도 재귀반사시트를 부착한 표지에서 점군이 관측되며, 약 170m 거리에서 5개 수준의 NPC가 확보되었다. 연구결과를 종합할 때, LiDAR 활용하여 도로시설물을 검지함에 있어 전체 형상을 파악 하는 것이 중요한 표지판 등의 경우 LiDAR의 시야각 범위와 거리에 따른 분해능을 고려한 높이가 필요하며, 일반적인 32Ch LiDAR의 차량 상단부 배치일 경우 10-20m 거리에서 표지판을 1.5~2.0m 내에 배치하여야 온 전한 형상에 대한 점군을 취득할 수 있다는 점을 확인하였다. 반면, 정확한 형상은 아니더라도 물체 존재 여 부를 파악하기 위한 목적이라면 최대한 많은 점군을 확보할 수 있는 설계가 필요하며, 시설물의 상하폭이나 좌우폭을 보다 늘려주거나, 고휘도, 고반사 재질을 활용하여 점군이 취득될 수 있는 거리를 최대한 확보하는 것이 유효한 방법인 것으로 나타났다. 이러한 연구결과는 향후 LiDAR 전용 도로시설물 개발과 설치 시에 활 용될 수 있을 것으로 기대된다.
현재 연구결과로 제시된 사항들은 여러 32Ch LiDAR 중 특정 제조사의 제품을 통해 획득된 결과라는 한 계점은 존재한다. 특히, 근거리에서 LiDAR와 표지의 상대적 높이 차이에 의해 발생되는 영향은 LiDAR의 수 직 시야각(Vertical Fov)에 크게 좌우 되는 부분으로, 본 연구에서 활용한 Robosense의 RS-32는 Velodyne의 Ultra Puck, Hesai의 XT-32와는 상단 시야각 범위가 15˚로 동일하였으나, Ouster의 OS1-32는 다른 제조사 보다 더 넓은 22.5˚의 상단 시야각을 가지는 차이점이 있었다. 상단 시야각이 넓을 경우 근거리에서 높게 설치된 도로표지 정보를 수집함에 있어 다른 센서 대비 높이의 제약조건이 보다 완화될 것으로 예상된다. 다만 시야 각이 보다 확장되는 만큼 수직 각도 분해능은 다른 센서에 비해 치밀성이 떨어지게 되므로, 장거리에 위치한 표지에 대한 정보 취득에 있어서는 불리할 것으로 판단된다. 이러한 센서 제조사의 차이, 세팅으로 인한 차 이에 따라 동일한 물체에 대한 검지를 수행하여도 그 결과가 달라질 수 있어 LiDAR를 고려한 시설물은 서 로 다른 센서 간의 사양 차이를 고려하여 설계, 배치되어야 할 필요성이 있으며, 향후에도 다양한 사양의 센 서와 시설물을 활용한 연구를 통해서 보다 일반적으로 적용할 수 있는 시설물의 설계 기준과 배치 방법론이 검토되어야 할 것이다. 본 연구에서는 표지의 높이와 모양에 따른 점군도와 NPC의 차이를 제시하였는데, NPC 수치의 증감이 LiDAR를 활용한 시설물 정보 취득에 있어 어떠한 영향이 있는지 규명하지 못한 한계가 있다. 이러한 한계점은 추후 PCD 기반의 도로시설물 인식 및 분류 알고리즘 연구를 통해 보완하고자 한다.
