Ⅰ. 서 론

자율주행은 차량에 설치된 센서를 이용하여 주변 상황을 인지하고 이를 바탕으로 차량을 제어하는 기술 (KICT, 2021)이다. 현재 전 세계적으로 상용화를 위해 다양한 기술 개발과 투자가 이루어지는 분야로, 우리 나라 역시 정부의 주도 하에 2027년 세계 최초로 4단계 자율주행 서비스 상용화를 목표로 집중적인 기술개 발이 진행중에 있다(Kim, 2020). 실제로 2022년 상암동 자율주행차 시범운행지구에서는 자율주행 택시서비스 가 시범운영중에 있으며, 강남구 일대에서도 ‘로보라이드’가 시범운영을 하는 등, 4단계 자율주행의 상용화 에 대한 기대감을 높이고 있다. 국내 뿐 아니라 해외에서도 자율주행 상용화의 준비에 박차를 가하고 있다. KPMG(2020)에 따르면, 미국과 유럽의 세계적인 IT 업체와 자동차 제조사들을 필두로 하여 3단계 이상 자율 주행자동차의 상용화 계획을 경쟁적으로 발표하고 있다.

상용화에 대한 기대감과는 다르게 다양한 실증 또는 시범운영 중에 안전사고도 적지 않게 발생하고 있어 자율주행에 대한 우려도 제기되고 있다. 2018년 미국 애리조나에서 발생한 우버 택시 사고는 3단계 이상의 자율주행 중 발생한 첫 번째 사망 사고이다. 자율주행시스템에서는 보행자를 물건, 차량 등으로 오인식하였 고, 비상제동 시스템 작동을 위해 운전자에게 제어권을 이양하였지만, 운전자의 전방 주시 의무 미준수로 인 해 사고가 발생하였다(KICT, 2021). 이보다 낮은 2단계 ADAS(Advanced Driving Assistance System) 차량에서 도 사고는 지속적으로 보고 되고 있으며 대표적인 것은 미국 테슬라의 오토파일럿 및 FSD(Full Self Diving) 기능이다. 2016년 중국과 미국에서 각각 발생한 운전자 사망사고를 시작으로 현재까지도 매년 수십건의 사 고가 보고되고 있으며, 최근에는 미국 도로교통안전국(NHTSA)에서 오토파일럿 기능에 대해 결함 조사를 진 행하고 있다(YTN, 2022).

상기 사례를 포함한 대부분의 자율주행 관련 사고를 분석해보면 주요한 원인은 인지 기술 수준의 부족으 로 귀결이 된다. 자율주행 프로세스는 크게 인지, 판단, 제어 3단계로 진행되는데, 인지 단계에서 차량의 센 서와 통신 등을 활용하여 주변 환경을 인식하고, 이에 맞춰 주행전략과 경로를 생성하고 차량을 제어한다. 상기 사례에서도 인지 단계의 문제가 주요한 것으로 작용하였는데, 우버 로보택시 사고는 보행자에 대한 오 인식 문제가 사고를 촉발했으며, 테슬라 오토파일럿은 카메라 센서 중심의 자율주행 기술로 많은 사고의 원 인이 카메라가 정지된 차 또는 장애물을 인식하지 못한 것이었다.

현재 기술수준에서 자율주행차량의 인지 단계는 센서 중심으로 작동하고 있으며, 결국, 센서가 주변 상황 을 정확히 인지하지 못하거나 인지하는데 필요한 시간이 충분히 확보되지 못한다면 사고로 이어질 가능성이 매우 높아진다(KICT, 2021). 자율주행 기술이 안전한 방향으로 한 단계 도약하기 위해서는 자율주행자동차의 눈과 귀 역할을 하는 센서 성능의 한계점을 극복하는 것이 필수적이다.

최근에는 인프라를 통한 자율주행차량 지원을 통해 보다 높은 수준의 자율주행단계를 실현하는 자율협력 주행이 연구의 기조가 되고 있다. 이는 자율주행 핸디캡이 발생하는 비규칙적 도로상황, GPS(Global Positioning Sysyem) 음영지역 진입, 악천후 등의 상황에서의 센서의 검지성능 하락, 자율주행 시스템의 인지- 판단 성능 감소에 대응하여 노변 장치(RSU; Road Side Unit)와의 통신이나 물리적 인프라가 차량을 지원하는 방식이다.

본 연구에서는 대표적 핸디캡 상황 중 하나인 공사구간과 강우상황에서 대응할 수 있는 개선된 시선유도 시설을 개발하고 물리적 인프라의 자율주행차량에 대한 지원 효과를 실증하였다. 공사구간은 차량이 차선대 로 움직일 수 없는 환경이 되거나, 흙먼지나 공사 진행으로 인한 도로구간이 불명확해지는 등 자율주행 핸디 캡이 발생하는 구간이다. 이러한 구간에서는 센서를 통한 물체, 주변환경의 검지가 더욱 중요해지며 시선유 도시설은 차량의 안전한 주행을 위해 필히 인지되어야 하는 시설물이 된다. 특히, 강우에 의한 센서 검지 성 능의 약화는 매우 유의해야 하는 상황으로 시설물에 대한 검지 중요성은 더욱 높아진다.

시설물 개선 방식은 자율주행 구현을 위한 핵심 센서로 평가받고 있는 LiDAR(Light Detection and Ranging) 를 대상으로 검토 및 설계되었다. 이는 LiDAR가 높은 정확도로 주변 환경에 대한 3D 정보를 구축할 수 있 고, 카메라와 달리 저조도에 영향을 받지 않는 특성 등으로 현재 대부분의 자율주행 차량에 활용되고 있기 때문이다.

개선 시설물은 시선유도시설물 중 교통콘으로 선정하였으며, 기존의 원뿔형 형태에서 LiDAR의 작동원리 에 따라 평면형과 직교형의 두 가지 형태를 제작하고 그 효과를 자율주행차량에 탑재된 LiDAR 센서를 활용 하여 평가하였다. 이러한 연구를 통해 자율주행차량의 특성에 대응하여 개선된 물리적 인프라가 자율주행 핸디캡 상황에서 차량의 안전한 주행에 기여할 수 있는지 확인해보고자 한다.

Ⅱ. 선행연구검토

자율주행 차량은 인간의 개입없이 자율적으로 주행하는 시스템으로 인지, 판단, 제어의 프로세스로 작동 하게 된다. 이중 인지 단계는 주로 센서에서 수집된 데이터를 바탕으로 주변환경과 도로에 대한 정보를 인식 하게 되는데, 센서에 영향을 주는 상황 발생 시 센서의 검지성능이나 인식 성능이 하락하게 되며, 순차적으 로 판단과 제어 과정의 문제로 이어져 자율주행 차량의 안전 유지가 어렵게 된다. Schoettle(2017)은 자율주행 센서의 성능이 저하되는 케이스를 정리하였으며, 악천후, 센서 표면의 물리적 장애물, 어두움 또는 눈부심 현상, 물리적 장애물(건물, 지형 등), 혼잡한 교통상황 등이 대표적인 상황으로 제시되었다.

현재 단계에서 실증 또는 시범운영되는 자율주행 차량은 센서 성능 저하 등으로 자율주행 시스템이 스스 로 판단할 수 없는 상황이 발생하면 인간 운전자에게 다시 제어 권한을 돌려주는 제어권 이양이 발생한다. 캘리포니아 DMV(Department of Motor Vehicles)에서는 해당 지역에서 실증주행 하는 자율주행 차량을 대상으 로 이러한 제어권 이양 리포트(Disengagement Report)를 제출하도록 규제하고 있다. Yun et al.(2018)은 약 180 만 km에 이르는 자율주행 이력이 담긴 리포트를 분석하여 자율주행 중 발생한 제어권 이양의 원인을 제시 하였다. 해당 연구에 따르면 총 3,271건의 제어권 이양이 발생하였으며, 이 가운데 차량 요인이 53.4%로 가 장 높았고, 환경 요인 24.8%, 운전자 요인 21.7% 순으로 분석되었다. 차량 요인에는 다양한 원인이 포함되지 만 가장 큰 비중을 차지한 것은 주변 환경 인식센서의 결함이었다. 같은 보고서를 서로 다른 요인 기준으로 분석한 Favarò et al.(2018)의 연구에서도 차량 결함 요인이 제어권 이양에 가장 큰 영향을 끼치는 것으로 나 타났으며, 그 다음으로 외부요인 중 공사구간, 도로 상태가 영향을 끼친다고 밝혔다.

Roh and Im(2020)은 자율주행 전문가 23인을 대상으로 AHP(Analytic Hierarchy Process) 분석을 수행하였으 며, 제어권 이양이 빈번하게 발생되는 8개의 특정 주행 구간(Section)과 특정 상황(Situation)을 나누어 제시하 였다. 또한 이러한 특정 구간과 상황을 자율주행 핸디캡으로 정의하여, 자율주행 주행안전성 확보를 위한 자 율주행핸디캡의 극복 순위를 선정하였다. 자율주행 레벨 4의 자율주행차량 상용화를 위하여 기술 현황 파악 이 중요하며, 미국 캘리포니아의 사례와 같이 국내에서도 자율주행 실증 차량을 대상으로 한 시험주행 현황 보고서 작성 및 제출이 필요하다는 점을 강조하였다.

위 연구내용을 기반으로 Jeon and Kim(2021)은 자율주행 핸디캡의 발생 원인과 이의 해결을 위한 중점 기 술개발 항목 등을 파악하기 위하여 교통 전문가와 차량 전문가를 대상으로 IPA(Importance - Performance Analysis) 분석 분석을 수행하였다. 이를 통해 <Fig. 1>과 같이 정의된 핸디캡 구간 및 상황 중 공사구간, 폭 우/폭설 상황이 중요도에 비해 기술의 만족도가 낮아 최우선으로 연구개발 및 대응이 필요한 유형임을 제시 하였으며, FGI(Focus Group Interview)를 추가로 수행하여 핸디캡 발생에 도로 인프라의 불량, 센서 성능이 가 장 큰 원인임을 밝혔다.

이렇듯 다양한 환경에서 핸디캡이 발생하는 것은 센서의 데이터 수집 단계에서의 문제와 데이터를 바탕 으로 판단하는 알고리즘의 한계를 주된 원인으로 볼 수 있으며 각각이 개별적으로, 복합적으로 작용하고 있 다. 자율주행 핸디캡 상황에서의 문제를 극복하고 자율주행을 지원하기 위해서는 특히, 데이터 수집 단계에 서 센서가 실제 도로를 주행하면서 자동차, 보행자, 도로시설물 등 주변 물체로부터 어떻게 데이터를 수집하 는 지 이해가 필요하다.

자율주행에서 주로 활용되는 센서는 LiDAR, 영상센서, 레이다, 초음파 등이 활용되고 있다. 이중 자율주 행 기술에 주요한 발전에 기여한 센서는 영상과 LiDAR로 볼 수 있다. 언급된 두 센서가 다른 센서와 차별성 을 보이는 부분은 높은 해상력과 정확도 및 활용도에 있다고 볼 수 있다. 영상센서는 사람의 눈으로 보는 것 과 같이 가시광선을 이미지 센서를 통해 영상으로 변환하는데, 종전에는 비정형 데이터에 대한 처리 기술의 난이도로 활용성이 비교적 낮았으나, 딥러닝을 기반으로 한 영상처리 기술의 발전과 함께 활용성이 급격히 상승하여, 현재는 차선인식, 차량 및 보행자 인식, 신호 인식, 도로표지 인식 등 대부분의 부분에서 역할하고 있다.

LiDAR는 근적외선 파장의 레이저 펄스를 조사(irridiation)하여 물체와의 거리를 측정하는 원리로 작동하는 센서로, 1초 수십만번 조사되는 레이저 펄스를 통해 주변 환경에 대한 세세한 정보를 3차원 형태로 수집할 수 있는 특징을 지닌다. 이러한 장점을 바탕으로 LiDAR는 센서 주변의 차량, 보행자 등 물체 검지, 분류, 추 적 및 map matching 기반의 차량 측위 지원 등에 활용이 되고 있으며(Tang et al., 2020;Park, 2022), 구글의 웨이모를 포함한 국내외 대부분의 자율주행 차량에서 활용되고 있다.

LiDAR와 영상센서의 공동활용은 서로 간의 단점을 보완하는 상호보완성(redundancy) 확보 측면에서 큰 의 의가 있다. 영상 데이터는 가시광선을 기반으로 수집되어 수많은 정보를 포함하고 있지만 저조도, 터널 진입 전후(급격한 밝기 변화), 직사광선, 악천후 등 다양한 조도, 기상 환경에 극심한 영향을 받는다는 한계점이 존재한다(KICT, 2021). 반면, LiDAR는 근적외선 레이저 펄스를 활용하고 있어 조도의 영향이 매우 미미하고, 영상센서에 비해서는 비교적 악천후의 영향이 적게 나타나며(Lee and Seo, 2015), 유효 범위 내에서는 높은 해상도의 정보를 수집할 수 있다. 하지만, 레이저 펄스가 닿지 않는 부분에 대한 정보는 취득할 수 없고, 물 체의 색상 정보는 파악하기 어려우며, 물체와 센서간의 거리증가에 따라 취득되는 데이터가 크게 감소한다 는 한계점도 있어, 두 센서는 서로 간의 단점을 보완하며 활용되고 있다.

각 센서의 특성을 바탕으로 하여 물리 인프라를 통해 자율주행을 지원하는 기술도 연구된 사례가 있다. 먼저 영상센서 쪽을 보자면, Snyder et al.(2018)은 기존의 표지판 내에 IR(적외선) 카메라에 반응하는 코드를 코팅한 스마트코드를 제안하였다. 스마트코드는 사람의 눈에는 기존과 동일한 표지판이 보이지만, 자율주행 자동차에 설치된 IR 카메라는 코팅된 스마트코드를 읽음으로써 다양한 정보를 획득할 수 있다.

LiDAR의 경우 센서에 대한 특성을 이해하기 위한 다양한 기초 연구가 먼저 수행되어 왔다. 기본적으로 레이저의 반사를 이용한 센서이기 때문에 물체에 따른 성능지표 영향이 매우 크게 나타나며, 물체 반사면의 색상이 백색에 가까울수록, 그리고 반사도가 높은 재질일수록 해당 물체에 대한 LiDAR의 검지성능이 우수 해진다(Kim et al., 2021;Park and Kim, 2021). 또한, 영상센서에 비해서는 비교적 강건하지만, 기상상황에서 검지 성능을 감소하며, 강우 및 강설 시에는 조사된 레이저가 대기중 수분입자에 흡수되어 소실되거나, 측정 거리 값의 정확도가 감소하는 등의 문제가 발생한다(Goodin et al., 2019;Kutila et al., 2016;Montalban et al., 2021;Kim and Park, 2022). Goberville et al.(2020)은 기상조건(맑음/흐림/비/약한 눈)에서의 객체에 대한 측정 점(포인트 클라우드)의 개수를 집계하여 LiDAR의 검지성능을 정량화한 연구를 수행하였으며, Lambert et al.(2020)과 Im et al.(2015)는 LiDAR의 성능 검증 및 비교를 위하여 측정환경 변화에 따른 타겟에 대한 측정 점 개수(NPC, Number of Point Cloud)를 집계하였다.

이러한 물체의 재질별로 다른 반사강도를 가지는 특성과 측정점의 개수 변화에 착안하여, 한국건설기술연 구원에서는 LiDAR에 대응한 시설물의 컨셉을 제시한 바 있다(Park, 2022). 도로 표지의 표면을 특수 처리하 여, 사람의 눈이나 영상센서로 보면 일반적 형태로 보여지나, LiDAR로 검지시 특수한 패턴이 나타나며, 이 를 활용하여 자율주행 차량에 간단한 정보를 제공할 수 있을 것으로 기대하였다.

이렇듯 LiDAR 센서와 관련한 물체의 재질 특성을 활용한 기초연구는 많이 수행되어 왔으나, 물체의 모양 이나 물리적 형상에 초점을 두고 진행된 연구사례는 많지 않았으며, 시설물의 개선 사례 역시 많지 않았다. 이에 본 연구는 물리적 형태 개선을 통해 LiDAR 검지를 지원하는 도로 시설물을 개발하고 그 효과를 실증 하였다.

Ⅲ. 연구방법론

1. 실증 실험의 목적

본 실증 실험의 목적은 LiDAR의 반사 특성을 고려하여 교통콘의 형상을 개선하였을 때, 실제로 기존의 교통콘에 비해 LiDAR의 검지성능이 향상되었는지를 확인하는 것이다. 이를 확인하기 위해 기존 교통콘과 개선된 교통콘이 배치된 공사구간을 실도로에 재현하였으며, 특히 다양한 악천후 상황 가운데 비교적 구현 이 용이하며, 실제 환경에서도 자주 접할 수 있는 강우상황도 구현하여 선행연구(KICT, 2021)에서 제시된 자 율주행차량의 대표적인 핸디캡 구간과 상황을 모두 반영한 조건에서의 개선 교통콘의 성능 향상을 확인해 봄에 의의가 있다.

2. LiDAR 검지성능 확인 지표

기존의 문헌들에서도 많이 활용되는 지표 가운데에서 본 실증에서 활용하고자 하는 LiDAR의 검지성능 확인 지표는 NPC이다. NPC는 LiDAR에서 발산된 뒤 목표물(본 실험에서는 교통콘)에 반사가 되어 LiDAR Receiver로 돌아온 레이저 포인트의 수를 의미한다. LiDAR 데이터를 이용한 객체 인지는 군집화가 가능한 일정 규모 이상으로 포인트 클라우드가 취득되는 상황에서 수행된다. 따라서, NPC가 많을수록 포인트 클라 우드의 군집화가 유리하며, 교통콘의 형상 역시 정확하게 파악할 수 있다.

LiDAR 검지성능은 교통콘과 LiDAR 사이의 거리를 기준으로 비교한다. 그 이유는 <Fig. 2>와 같이 실증 실험에 활용한 회전형 LiDAR의 물리적인 특성 상 물체와의 거리가 가까워질수록 물체는 더 많은 수의 레이 저 펄스 Layer(이후 Layer)와 만나기 때문이다. Layer는 LiDAR로부터 발산되는 각 레이저 펄스를 의미하며, 본 연구에서 활용한 LiDAR는 32채널이므로, 동시에 32개의 Layer가 발산된다.

따라서, 서로 다른 거리에서의 검지 결과를 비교하는 것은 무의미하며, 서로 다른 조건 하에 동일한 거리 에서의 측정 결과끼리 비교함으로써 LiDAR의 검지성능을 확인한다.

3. 지표 검증 방법

교통콘의 개선에 따른 LiDAR 검지성능 개선 여부를 검증하는 과정은 다음과 같다.

첫 번째, 설정된 시나리오에 맞춰 LiDAR 데이터를 취득하는 테스트를 수행한다.

두 번째, 수집된 데이터로부터 강우상황 별로 각 교통콘의 거리별 데이터를 표와 그래프를 통해 비교하고 이에 대한 해석을 진행한다. 검지성능 확인 지표인 NPC 값의 비교를 통해 수치적으로 교통콘의 개선안이 기 존 교통콘과 비교하여 얼마나 개선 효과가 있는지 확인한다.

세 번째, 수치적으로 발생한 차이가 통계적으로도 유의한지 검정하였다. ANOVA 검정과 사후검정을 통해 동일 강우량 및 거리 조건에서 교통콘의 형상 차이에 따른 NPC 취득 결과 차이가 통계적으로 유의한지를 확인하였다.

4. 실증 실험의 준비 및 실증 수행

1) 교통콘 개선방안 도출 및 제작

본 논문에서는 LiDAR에서 사용하는 지향성이 우수한 레이저 펄스의 반사 원리(KICT, 2021)를 반영하여 교통콘의 형상을 개선하였다. 기존의 교통콘은 원뿔형태이기 때문에 <Fig. 3>과 같이 반사율이 떨어지게 된 다. 이를 극복하여 반사율을 향상시킬 수 있도록 두 가지 방안으로 형태를 개선한 시작품을 제작하였다. 두 방안은 각각 평면화와 직교화이며, 두 방안에 대한 LiDAR 반사 성능의 개선 여부를 확인하고자 한다. 개선 설계안은 운전자의 혼란을 최소화하기 위하여 기존 교통콘의 형상을 최대한 유지하면서 평면화된 면적을 증 가시켜 LiDAR의 지향성에 유리하도록 하였다.

교통콘의 규격은 국토교통부의 [도로 공사장 교통관리지침] 및 [도로안전시설 설치 및 관리지침]에 제시된 기준을 준용하였으며, 소재 역시 기존 교통콘과 같은 PE 소재와 재귀반사시트를 이용하였다. 다만, 개선 교 통콘이 두 가지 방안으로 모두 활용할 수 있도록 조립식으로 제작하였기 때문에 하부에 스테인레스스틸 지 지대를 추가하였다. <Fig. 4>는 최종 제작된 평면형 교통콘, 직교형 교통콘을 기존 교통콘과 함께 세워둔 모 습이다.

2) 데이터 취득 장비 구축

데이터를 취득하는 차량은 한국건설기술연구원에서 제작한 자율주행차량으로 <Fig. 5>와 같이 LiDAR, Radar, Vision(Mobileye and Cameras) 센서가 장착되어 있다. 본 연구는 차량 지붕에 설치되어 있는 32ch LiDAR만으로 데이터를 취득하여 분석하였다. LiDAR의 사양은 <Fig. 6>과 같으며, 설치 높이는 지면으로부터 2m이다.

3) 실증 환경 구성

교통콘 개선에 대한 실증은 한국건설기술연구원의 연천 SOC실증연구센터 내의 시험주행로의 기상환경 재현시설을 활용하여 진행하였다. 시험주행로는 700m 이상의 직선 도로구간으로 충분한 거리에서부터 차량 의 속도를 맞추어 주행이 가능하며, 기상재현시설을 활용하여 주행로에 50 mm/h 이상의 강우상황까지 재현 할 수 있어 실제 도로환경 속에서 기상과 거리의 변화에 따른 LiDAR 데이터 취득이 가능하다.

본 연구에서는 시험주행로에 교통콘이 활용되는 도로공사구간을 재현하여 실험을 수행하였다. 공사구간 은 도시부 도로(제한속도 50 km/h)에서의 단기 차로차단 공사 상황으로 가정하였으며, <Fig. 7>과 같이 교통 콘을 완화구간(Transition Area)에 10m 간격으로 6개, 공사구간의 종점을 알리는 종결구간에 1개 설치하였다. 실험대상은 아니지만 실제적인 공사구간 재현을 위해 작업구간(Work Zone)에도 시선유도봉을 설치하였다.

4) 실증 시나리오 구성과 실증 수행

실증 시나리오는 LiDAR의 검지성능에 영향을 미치는 요인을 거리, 강우량, 교통콘의 형상으로 설정하여 <Table 1>과 같이 구성하였다.

거리는 센서와 교통콘 간의 거리를 의미하며, 활용하는 LiDAR 장비의 일반적인 유효 검지거리 범위에 따 라 10m에서부터 100m까지 10m 단위를 측정 및 비교 수준으로 설정하였다. 강우량 요인은 Kim et al.(2021)의 결과를 반영하여 다음의 3단계로 설정하였다. 이상적인 조건은 맑은 날로 강우가 없는 상황이며(0 mm/h), LiDAR의 검지성능이 하락되기 시작하는 비교적 강한 비는 20 mm/h, LiDAR 데이터의 결측이 크게 발생하는 강한 비는 강우량 50 mm/h으로 설정하고 재현시설을 통해 구현하였다.

주행실험은 교통콘 3종과 기상조건 3종에서 3회씩 반복(Test Set)하여 총 27회의 주행이 수행 되었으며, 일 반적인 주행상황에서 자동차의 주행속도는 LiDAR의 검지성능에 영향을 미치지 않아(Kim et al., 2021), 설정 된 공사상황의 제한속도인 50 km/h로 정속주행 하였다.

교통콘에 대한 점군데이터를 추출은 <Fig. 8>과 같이 최초로 관측되는 교통콘과의 거리가 50m, 40m, 30m, 20m, 10m 가 될 때마다 전체 배치된 교통콘에서 점군데이터를 추출하는 방식으로 수행되었다. 따라서 완화 구간에 사선으로 배치된 교통콘에서 거리별 점군데이터를 추출은 다음의 <Table 2>와 같이 측정되었다.

<Fig. 9>는 교통콘이 배치된 공사구간을 기상상황에서 주행하며 데이터를 수집 중인 자율주행차량의 모습 이다.

Ⅳ. 실증 결과

1. 교통콘 종류별 데이터 측정 결과

1) 기존 교통콘 측정 결과

기존 교통콘에 대한 강우조건 별 3회 주행 데이터를 종합한 결과는 <Table 3>과 같다.

기존 교통콘 데이터 확인 결과, 일반적인 LiDAR의 기상/거리 조건에 따른 NPC 변화 추이를 그대로 따르는 것을 확인하였다. 일부 거리의 20 mm/h 조건에서 맑은 날 보다 NPC가 많이 측정되었지만, 강우에 따른 NPC 감소 추이에 반하는 정도는 아닌 것으로 판단된다. 또한 강우 20 mm/h 시 100m 지점, 50 mm/h 시 70m 지점부 터는 NPC 취득이 불가하였다. 강우 변화에 따른 기존 교통콘에 대한 NPC 감소 정도를 보면, 맑은 날 대비 20 mm/h 시 평균 85.8%, 50 mm/h 시 평균 37.2% 수준으로 확인된다.

2) 개선 교통콘 측정 결과 – 1 (직교형 교통콘)

개선 교통콘 가운데 첫 번째인 직교형 교통콘에 대한 강우조건 별 3회 주행 데이터를 종합한 결과는 <Table 4>와 같다.

직교형 교통콘 데이터 확인 결과, 기존 교통콘과 마찬가지로 전반적으로는 일반적인 LiDAR의 기상/거리 조건에 따른 NPC 변화 추이를 그대로 따르는 것을 확인하였다. 마찬가지로 일부 거리의 20 mm/h 조건에서 맑은 날 보다 NPC가 많이 측정되었지만, 강우에 따른 NPC 감소 추이에 반하는 정도는 아닌 것으로 판단된 다. 또한 강우 20 mm/h 시에는 모든 거리에서 데이터 취득이 이루어졌으나, 50 mm/h 시 40m 지점부터는 NPC 취득이 불가하였다. 강우 변화에 따른 직교형 교통콘에 대한 NPC 감소 정도를 보면, 맑은 날 대비 20 mm/h 시 평균 96.6%, 50 mm/h 시 평균 32.7% 수준으로 확인된다.

3) 개선 교통콘 측정 결과 – 2 (평면형 교통콘)

개선 교통콘 가운데 두 번째인 평면형 교통콘에 대한 강우조건 별 3회 주행 데이터를 종합한 결과는 <Table 5>와 같다.

평면형 교통콘 데이터 확인 결과, 이전의 두 교통콘과 마찬가지로 전반적으로는 일반적인 LiDAR의 기상/ 거리 조건에 따른 NPC 변화 추이를 그대로 따르는 것을 확인하였다. 마찬가지로 일부 거리의 20 mm/h 조건 에서 맑은 날 보다 NPC가 많이 측정되었지만, 강우에 따른 NPC 감소 추이에 반하는 정도는 아닌 것으로 판 단된다. 또한 실증을 수행한 세 가지의 교통콘 가운데 강우 조건에서도 모두 NPC가 취득되었다. 강우 변화 에 따른 평면형 교통콘에 대한 NPC 감소 정도를 보면, 맑은 날 대비 20 mm/h 시 평균 99.1%, 50 mm/h 시 평 균 58.6% 수준으로 확인된다.

4) 교통콘 종류별 NPC 측정 종합결과 및 시사점

기존의 교통콘과 외형을 개선한 2종류의 교통콘을 대상으로 측정거리와 기상조건(강우) 변화에 따른 LiDAR 센서의 NPC 취득 실험의 결과, 모든 종류의 교통콘에서 일반적인 LiDAR의 NPC 취득 패턴이 유지됨 을 확인하였다. 다만, 교통콘의 종류에 따라 NPC 취득 양상은 다르게 나타났음도 함께 확인하였다. 기준이 되는 기존 교통콘의 강우조건 별 NPC 감소 수준과 비교하였을 때, 직교형 교통콘은 20 mm/h 강우 조건에서 는 맑은 날 수준의 NPC가 확보된 반면, 50 mm/h 조건에서는 측정조차 되지 않는 구간이 증가하고 맑은 날 에 비해서 NPC 감소율도 더 크게 나타났다. 또한, 평면형 교통콘은 두 강우 조건에서 모두 기존 교통콘보다 맑은 날 대비 NPC 감소율이 적은 것을 확인하였다.

이는, 직교형 교통콘은 강우량이 20 mm/h 이하인 비교적 비가 덜 오는 지역에서는 기존 교통콘에 비해 LiDAR 대응에서 개선효과가 있으며, 평면형 교통콘은 강우량이 매우 많은 지역에서도 충분히 기존 교통콘 에 대한 개선효과가 있다는 것을 보여준다.

2. 기상 조건별 데이터 분석

앞 절에서 정리한 결과를 기상 조건별로 나누어 동일한 조건에서의 NPC 비교를 통해 개선 교통콘에 대한 LiDAR 대응 검지성능 개선효과를 확인하였다. <Fig. 10>은 동일한 강우 조건에서 세 교통콘의 거리별 NPC 를 그래프로 표현한 것으로, 최상단 그래프는 비강우 상황, 중앙은 20mm/h 강우 상황, 최하단은 50mm/h 강 우 상황의 그래프이다.

맑은 날은 세 교통콘이 모두 비슷한 수치를 보이며 LiDAR 검지성능이 유사하게 나타났다. 수치적인 비교 를 하면 기존 교통콘에 비하여 직교형 1.52배, 평면형 1.62배의 NPC 증가가 확인되었다. 20 mm/h 강우 조건 에서도 전반적으로는 세 교통콘 모두 LiDAR 검지성능이 유사하게 나타났다. 다만, 기존 교통콘은 100m 지 점에서 측정이 되지 않았으며, NPC의 증가 비율은 직교형 1.59배, 평면형 1.87배로 맑은 날에 비해 증가 정 도가 커짐을 확인하였다. 두 기상 조건 모두 개선 교통콘 2종에 대한 LiDAR 검지성능이 기존 교통콘에 비해 다소 우수함을 알 수 있다.

50 mm/h 강우 조건에서는 뚜렷하게 평면교통콘의 LiDAR 검지성능이 우수한 것으로 확인되었다. 70m ~ 100m 지점에서 측정이 된 교통콘은 평면형 밖에 없었으며, NPC의 증가 비율도 20 mm/h보다 커진 1.92배로 측정되었다.

일반적으로 거리가 가까워질수록 NPC가 증가하는 특성을 보이는 LiDAR의 특성과 다르게 결과가 측정된 10m – 20m 의 경우는 아래의 <Fig. 8>로 설명될 수 있다. 실증에 사용한 LiDAR의 Layer 가운데 지면을 향 하는 21개 Layer를 조사각에 맞춰 그린 후, 교통콘을 높이(0.75m)에 맞춰 측정 거리별로 배치하면 <Fig. 8>로 표현된다. 10m 에서는 2개의 레이저 펄스가 교통콘과 만나지만 20m 에서는 5개의 펄스가 교통콘과 만난다. 동일한 물체와 만나는 레이저 펄스가 많을수록 NPC는 커지기 때문에 본 연구의 데이터 측정환경에서는 20m의 측정값이 10m의 측정값보다 높음이 설명될 수 있다. <Table 6>은 지면을 향하는 21개 Layer의 조사각 및 각 거리별 도달 높이를 정리하고, 교통콘 높이(0.75m)에 만족하는 Layer를 음영으로 표시한 것이다.

본 실증은 2m 높이에 설치된 LiDAR를 이용하여 데이터를 취득하여 위와 같은 결과를 얻었으나, 자율주행 차량에 따라 설치되는 LiDAR의 위치는 상이할 수 있다. 이를 실측 데이터로는 비교할 수 없기 때문에 LiDAR의 높이가 변화하였을 때 NPC 취득의 변화를 예측해보기 위하여 LiDAR의 높이가 3.5m(대형버스 및 트럭의 지붕 높이), 1m(SUV의 사이드미러 높이), 0.5m(승용차의 범퍼 높이)일 경우를 <Fig. 12> ~ <Fig. 14> 와 같이 표현해보았다.

<Table 7>과 같이 LiDAR의 높이에 따라 각 거리에서 교통콘에 도달하는 레이저 펄스의 수를 비교한 결과 근거리인 10m 지점에서는 펄스의 밀집도가 높아 낮은 높이에서 많은 펄스가 교통콘에 도달하는 차이를 보 였으나 20m 이후에서는 높이에 상관없이 거의 비슷한 값을 확인할 수 있었다. 이는 LiDAR의 설치 위치가 지면에 설치된 시설물을 검지함에 있어 큰 영향이 없음을 의미한다.

앞 절에서 비교한 맑은 날 대비 감소율 뿐 아니라, NPC 취득 역시 개선 교통콘이 기존 교통콘에 비해 개 선된 결과를 확인함에 따라 연구진이 제시한 교통콘 개선안이 LiDAR를 대상으로 하는 시설물 개선의 효과 가 있을 것이라는 실증의 목적을 달성하였다. 특히 평면형 교통콘은 단순히 NPC 값만 높은 것이 아니라 기 존 교통콘에서는 취득이 되지 않았던 강우량 50 mm/h 조건에서도 100m 까지 측정이 되었다는 점은 개선 교 통콘의 뚜렷한 개선 효과이다.

3. LiDAR 데이터를 활용한 시설물 분류 가능성 검토

포인트 클라우드의 군집으로 형성되는 LiDAR 데이터를 ‘육안으로 교통콘의 형상이 확인 가능한 수준의 NPC가 집계되는 최대 거리’를 확인하였다. 이는 향후 LiDAR 데이터를 활용한 도로·교통 시설물 분류를 하 는 과정에서 수반될 수 있는 과정이며, 데이터 분석 과정에서는 분석자의 주관적인 판단에 따라 기준이 서로 다르게 설정될 수도 있다. 서로 다른 기준은 시설물을 더욱 엄격하게 구분하느냐의 문제이지 정답의 문제가 아니기 때문에 연구를 수행한 연구진 간의 기준값 설정 후 이 값이 충분히 적절한지에 대해서는 LiDAR 데 이터 분석 전문가의 의견을 통해 확인하였다. 연구진이 설정한 교통콘 형상 확인을 위한 최소 NPC 값은 10 이다. 연구진이 설정한 기준에 만족하는 측정 조건을 <Table 8>에 음영으로 표시하였다.

맑은 날과 20 mm/h 강우 조건에서 세 종류의 교통콘 모두 30m까지 식별이 가능한 것으로 나타났다. 또한, 50 mm/h 강우 조건에서는 기존 교통콘은 식별할 수 없었으나, 직교형 교통콘은 10m에서, 평면형 교통콘은 20m에서 식별이 가능한 것으로 확인되었다. 평면형 교통콘은 모든 강우 조건에서 식별 가능 거리가 20m 이 상 확보됨을 확인하였으며, 특히 가장 좋지 않은 50 mm/h 에서도 맑은 날 기존 교통콘에 준하는 수준의 데 이터가 확보된다는 점에서 평면형 교통콘의 LiDAR 검지성능 개선효과가 가장 큰 것을 검증하였다.

V. 통계적 검정

실험 결과에서 제시된 바와 같이 교통콘의 형상에 따라서 발생된 NPC 차이가 발생하고 있으며, 기존의 형 상보다는 직교형 또는 평면형이 보다 우수한 NPC 수치를 보이는 것으로 나타났다. 본 절에서는 동일 강우량 및 거리조건에서 형상간 NPC 차이가 통계적으로도 유의한지 검정하기 위해 ANOVA 검정을 수행하였으며, 유의한 그룹간 차이가 발생한 조건에 대해 Tukey 사후검정을 수행하였다. 전체 데이터는 100m 거리까지 수집 되었으나 통계적 검정은 조건 간의 NPC 수치 차이가 비교적 크게 발생하는 50m 이내를 대상으로 수행하였다.

강우량 및 거리조건에 따른 NPC 측정값에 있어 교통콘 형상 그룹간의 차이가 발생하는지 살펴본 결과, 20 mm/h 강우 조건까지는 10m 거리를 제외한 모든 거리구간에서 통계적으로 유의한 차이를 보인 그룹이 있 었다. 반면, 50 mm/h 강우에서는 20m 거리에서만 유의한 그룹이 있는 것으로 나타났다.

ANOVA 분석에서 유의한 통계량을 보인 조건을 대상으로 사후검정을 수행하여 통계적으로 유의한 차이 를 보인 그룹을 살펴본 결과에서도 일반 교통콘 대비 직교형 또는 평면형 교통콘의 NPC가 높다는 결과가 확인되었다.

Ⅵ. 결 론

자율주행은 차량에 설치된 센서를 이용하여 주변의 상황을 인지하고 이를 바탕으로 차량을 제어하는 기 술로, 현재 전 세계적으로 상용화를 위한 다양한 기술 개발과 투자가 이루어지고 있다. 국내외를 막론하고 많은 실증 연구와 시범 운영이 이뤄지고 있음에도 불구하고 기술적 한계로 인해 아직 완전한 상용화 단계에 는 이르지는 못해 지속적 연구가 필요한 분야이다.

이러한 한계의 근간에는 자율주행 프로세스 3단계인 인지, 판단, 제어 중 인지 단계에서의 기술적 한계가 주요한 원인이 되고 있다. 현재 기술수준에서 자율주행 차량의 인지 단계는 센서 중심으로 작동하고 있어 공 사구간, GPS 음영지역, 악천후 상황 등 자율주행 핸디캡 상황에서 센서가 주변 상황을 정확하게 인지하지 못하거나 인지하는데 소요되는 시간이 충분히 확보되지 못한다면 자율주행 차량의 사고로 이어질 수 있어 센서 성능의 한계점을 극복할 수 있도록 인프라의 지원이 필요한 실정이다.

이에 본 연구에서는 대표적 핸디캡 상황 중 하나인 공사구간과 강우상황에서 대응할 수 있는 개선된 시선 유도시설을 개발하고 물리적 인프라의 자율주행차량에 대한 지원 효과, 즉 검지 성능 개선 효과를 실증하였 다. 다양한 시선유도시설 중 교통콘을 개선 대상으로 선정하였으며, 레이저 펄스의 반사를 통해 거리를 측정 하는 LiDAR의 특성을 고려, 기존의 원뿔형이 아닌 평면형과 직교형의 2가지 형태를 설계 및 제작하였다.

개선효과에 대한 실증은 한국건설기술연구원의 연천 SOC실증연구센터 시험주행로에서 자율주행차량을 활용한 주행실험을 통해 확인하였으며, 시험주행로에 공사구간의 교통관리 지침에 따라 기존 교통콘 및 개 선 교통콘을 배치하고, 기상재현시설을 활용하여 강우상황을 재현하였다. 개선 효과에 대한 평가는 자율주행 차량에 탑재된 LiDAR 센서를 활용, 각 교통콘에 대해 측정된 NPC를 서로 비교하는 방식으로 이루어졌다.

연구결과, 전반적인 NPC는 맑은 날과 20 mm/h의 강도의 강우 상황에서 거의 같은 수준의 데이터가 취득 되어 약한 강우는 검지 성능에 대한 영향이 크지 않았다. 하지만, 시계가 극히 제한되는 50mm/h 강우 상황에 서는 기존 교통콘과 직교형 교통콘은 큰 폭의 검지 성능 저하를 보인 반면, 평면형 교통콘은 시야확보가 거 의 불가능한 50 mm/h에서도 맑은 날 대비 58.6% 수준의 데이터가 취득되어 강우 상황에서의 검지 성능 저 하가 현저히 적은 것을 확인하였다. 강우 상황에서의 데이터 감소 뿐 아니라 절대적인 데이터 취득 양도 평 면형 교통콘이 최대 1.92배 많이 측정되었으며, 50 mm/h 에서도 20m까지 10개 이상의 포인트 획득이 가능한 것으로 확인되어 평면형 교통콘의 LiDAR 검지성능 개선효과가 충분한 것으로 검증되었다.

본 연구는 자율주행에서 사용되는 다양한 센서 중 핵심적 역할을 수행하고 있는 LiDAR에 대응하는 개선 된 시설물을 제작, 실증하여 개선된 교통콘이 기존의 교통콘에 비해 LiDAR에 대한 검지성능이 향상되었음 을 확인하였다. 다만, 연구진이 수행한 실험에서는 완화구간에 사선으로 배치된 각각의 교통콘에 대한 차별 성을 두지 않고 분석을 수행하여 센서와 교통콘 간의 횡간격 변화로 인한 입사각과 반사각의 변화를 반영하 지 못한 한계가 있다. 또한, 현재 시작품으로 제작한 직교형 및 평면형 교통콘은 실제 도로 공사현장에서 적 재 및 배치하기에 최적화 된 구조는 아니며, 자율주행 차량과 일반운전자가 모두 활용하는 시설물이기에 본 연구결과를 바탕으로 하여, 실제 현장에서도 적용이 될 수 있으며, 운전자의 거부감이 최소화할 수 있는 방 향으로 개선 방안을 발전시켜 나가야 할 필요성이 있다.