Ⅰ. 서 론

자율주행 기술은 자동차에 설치된 센서들을 통해 주변 상황을 인지하고 이를 바탕으로 차량을 제어하는 기술 (KICT, 2021)이다. 본격적인 자율주행으로 여겨지는 3단계 자율주행자동차의 상용화가 2022년 독일에서 시작되 었으며, 올해에는 미국과 우리나라에서도 이루어질 전망이다(Mercedes-Benz Group, 2023.; Maeil Premium, 2023). 자율주행자동차의 상용화가 시작된 현재 전 세계적으로 자율주행 기술의 저변을 확대하기 위해 다양한 분야에서 기술 개발과 투자가 지속되고 있으며, 대한민국 정부에서도 2027년 세계 최초의 자율주행 4단계 서비스 상용화를 실현하기 위하여 집중적인 연구 개발을 지원하고 있다(Kim, 2020). 상암동 자율주행차 시범운행지구, 강남구 일대, 청계천 주변 등에서 시범운영중인 자율주행 택시 및 버스 서비스 등을 통해 이러한 4단계 자율주행 상용화 의 기대감을 높이고 있다. 국내 뿐 아니라 미국과 유럽의 세계적인 IT 업체와 자동차 제조사들을 필두로 하여 3단계 이상 자율주행자동차의 상용화 계획을 경쟁적으로 발표하고 있다(KPMG, 2020).

현재 전 세계적으로 2단계 수준인 첨단 운전자 보조 시스템(Advanced Driver Assiatance Systems, ADAS)이 포함된 부분적 자율주행 기술의 활용과 자율주행시스템(Autonomous Driving Systems, ADS)에 의한 3단계 이상의 자율주행 실증이나 시범운영 중에도 인명사고를 포함하여 안전사고가 적지 않게 발생하고 있어 자율주행에 대한 우려도 제기되고 있다. ADAS 및 ADS 작동 상황에서 발생한 사고 가운데 원인이 밝혀진 테슬라 사고와 우버 자율주행택시 사고 등은 대부분 인지 기능에서의 오류에 기인하는 것으로 알려지고 있다(KICT, 2021). 인지 기능은 자율주행 기술 수행 과정의 첫 번째 단계로 인지 단계의 오류나 오작동은 자율주행 기능을 유지하지 못하거나 사고 등을 유발할 수 있다. 인지 단계는 차량에 설치된 센서에서 수집한 주변 정보를 기반으로 하기 때문에 센서로부터 정확한 데이터를 취득하는 것이 가장 중요하다. 현재 대부분의 ADAS 기능 탑재 차량은 인지 기능을 영상센서에 의존하고 있다. 그러나 영상센서는 필연적으로 강우/강설/안개 등 기상상황에 취약하며, 조도 또는 직사광선 등에 매우 민감하기 때문에 주행설계영역(Operational Design Domain, ODD)이 매우 좁을 수 밖에 없으며, 강우 정도에 따라 검지가 불가능한 경우까지 발생하는 것으로 알려져 있다(Roh and Im, 2020). 이를 보완하기 위해 3단계 이상 자율주행에서 주목을 받는 센서가 LiDAR(Light Detection And Ranging)이다. LiDAR는 수 마이크로초 이내에 장거리 공간 정보를 정밀하게 측정할 수 있는 능력으로 3단계 이상의 자율주행에 서 널리 사용되고 있다(Park et al., 2023). 영상센서의 검지 가능 범위를 넘어서는 강우환경이나 직사광선 환경 등에서도 검지가 가능하다(Kim et al., 2021). 실제로 소비자 판매를 목적으로 양산중인 자율주행차량은 모두 LiDAR를 포함하고 있다. LiDAR가 영상센서의 인지 기술 한계를 보완하거나 극복하기 위해 점차 필수요소로 인정받고 있음을 알 수 있다.

자율주행자동차의 발전 과정을 살펴보면 차량에 탑재된 센서에만 의존하는 Stand-alone 자율주행차 (Autonomous Vehicle, AV)의 개발이 진행되었으며, 최근에는 기존의 C-ITS 등과 연계된 Connected Vehicle(CV)의 개념을 AV에 더하여 자율협력주행자동차(Connected and Autonomous Vehicle, CAV)에 대한 개발이 활발히 진행되 고 있다. 일반적으로 CV는 통신기능을 통해 주변 인프라 또는 차량과 정보를 주고 받는 반면 CAV는 통신 뿐 아니라 센서를 통해서도 협력기능을 수행한다. 특히 4단계 이상의 자율주행 구현과 자율주행 ODD의 확장을 위해서 인프라를 통한 협력주행이 크게 강조되고 있다(KICT, 2021).

본 연구는 선행연구(Kim and Kim, 2022)의 연구방향에 맞춰 자율주행자동차의 대표적 핸디캡 상황인 강우 상황의 공사구간에서 LiDAR를 이용하여 안전한 주행을 유도할 수 있는 개선된 시선유도시설을 개발하고 개 발한 물리 시설물의 자율주행차량에 대한 지원 효과를 실증하였다. 공사구간은 기존의 차선과 관계없이 주 행을 해야 하거나, 주행구간이 불명확한 상황이 발생하는 등 자율주행 핸디캡이 발생하는 구간이다. 이러한 구간에서는 명확한 주행구간의 안내 및 사고 방지를 위하여 시선유도시설의 시인성 확보가 무엇보다 중요하 다. 특히 이러한 공사구간에서 강우와 같은 기상현상은 센서의 시인성을 저해하기 때문에 시설물에 대한 검 지 중요성은 더욱 높아진다.

시설물의 개선은 강우상황에서의 LiDAR 대상 검지성능 확보를 목표로 진행하였다. 이는 LiDAR가 높은 정확도로 주변 환경에 대한 3D 정보를 구축할 수 있고, 카메라와 달리 저조도에 영향을 받지 않는 특성 등 으로 현재 대부분의 자율주행 차량에 활용되고 있기 때문이다(Kim and Kim, 2022).

개선 시설물은 시선유도시설물 중 교통콘과 드럼으로 선정하였으며, 교통콘은 기존의 원뿔형 형태에서 사 각뿔 형태로, 드럼은 원기둥형에서 6각기둥형/8각기둥형으로 제작하고 그 효과를 자율주행차량에 탑재된 LiDAR 센서를 활용하여 평가하였다. 이러한 연구를 통해 자율주행차량의 특성에 대응하여 개선된 물리적 인프라가 자율주행 핸디캡 상황에서 차량의 안전한 주행에 기여할 수 있는지 확인해보고자 한다.

Ⅱ. 선행연구검토

허용된 ODD 내에서 주행하는 자율주행자동차는 운전자의 개입 없이 ADS를 통해 인지 – 판단 - 제어의 과정으로 주행한다. 인지 단계에서는 자율주행자동차에 설치된 센서로부터 수집된 데이터를 바탕으로 주변 정보를 인식하게 되는데, 외부 요인에 의해 검지에 영향을 받는 경우, 센서의 성능이 떨어지거나 불능상태가 되어 이후의 단계인 판단과 제어 과정으로 이어지지 못해 자율주행 기능이 안전하게 유지되기 어려워진다. Schoettle(2017)은 자율주행 센서의 성능이 저하되는 대표적인 경우를 악천후, 센서 표면의 물리적 장애물, 어 두움 또는 눈부심 현상, 물리적 장애물(건물, 지형 등), 혼잡한 교통상황 등으로 제시하였다.

Roh and Im(2020)은 자율주행 전문가를 대상으로 AHP(Analytic Hierarchy Process) 분석을 수행하여 ADS의 제어권 전환이 자주 발생되는 자율주행 핸디캡 구간과 상황을 나누어 제시하였다. Jeon and Kim(2021)은 이 연구를 기반으로 IPA(Importance - Performance Analysis) 분석을 수행하여 자율주행 핸디캡의 발생 원인과 이 의 해결을 위한 중점 기술개발 항목의 관계를 파악하고, 이 가운데 공사구간, 폭우/폭설 상황이 중요도에 비 해 기술의 만족도가 낮아 최우선으로 연구개발 및 대응이 필요한 유형임을 제시하였다. 또한, FGI(Focus Group Interview)를 통해 핸디캡 발생에 도로 인프라의 불량, 센서 성능이 가장 큰 원인임을 밝혔다.

선행연구를 바탕으로 보면, 자율주행 핸디캡이 발생하는 것은 인지 단계에서 센서의 성능저하 문제와 판 단 단계에서 판단 알고리즘의 한계가 주된 원인이라고 판단할 수 있다. 자율주행 핸디캡을 극복하고 자율주 행자동차의 안전한 주행을 지원하기 위해서는 자율주행 단계의 구분과 인지 단계에서 자율주행 센서가 주변 의 자동차, 보행자, 도로시설물 등 주변 사물을 어떻게 검지하고 있는지에 대한 이해가 필요하다.

현재 자율주행은 미국 자동차 공학회(SAE)의 J3016 문서에서 규정한 6단계를 세계 표준 수준으로 따른다 (SAE International, 2018). 6단계는 0-2단계의 운전자 보조와 3-5단계의 자율주행으로 구분된다. 0단계는 단순 한 경고나 순간적인 보조만 행한다. 긴급제동, 사각지대경고, 차로이탈경고 등이 해당된다. 1단계는 단방향 (가감속 또는 조향) 움직임에 대해서만 운전자를 보조한다. 차로중앙유지나 어댑티브 크루즈 컨트롤 등이 해 당된다. 2단계는 복합방향에 대해 동시에 보조합니다. 차로중앙유지나 차로변경과 어댑티브 크루즈 컨트롤 을 동시에 수행하는 것으로, 현대자동차의 HDA(Highway Driving Assistance)나 테슬라의 Autopilot 등이 대표 적인 예이다. 2단계까지의 운전자 보조 기능을 ADAS라고 한다.

3단계는 2단계와 동일하지만 판단의 책임이 운전자가 아닌 ADS(자동운전시스템)에 있다. ADS는 스스로 제어를 못하는 상황이거나 ODD를 벗어나는 경우라면 사전에 운전자에게 제어권 이양을 해야 하기 때문에 운전자는 항상 상황을 주시해야 한다. 벤츠의 DRIVE PILOT이나 현대의 HDP(Highway Driving Pilot)가 여기 에 해당된다. 4단계는 조건부 완전자율주행이라고도 한다. 정해진 ODD 내에서는 ADS가 제어권 이양을 하 지 않기 때문에 운전자가 필요 없다. 따라서 4단계부터는 페달이나 스티어링 휠이 필요 없을 수도 있다. 가 장 대표적인 기술사례로 자동발렛파킹이나 WAYMO와 같은 로보택시가 있다. 4단계에서 ODD 제한이 없어 진 경우가 완전자율주행인 5단계이다.

ADAS 차량이나 자율주행자동차(ADS)가 보편적으로 사용하는 센서로는 영상센서, 레이더, 초음파, LiDAR 등이 있다. 이 가운데, ADAS에서 ADS로의 전환에 가장 큰 기여를 하고 있는 센서는 영상센서와 LiDAR이 다. 영상센서는 사람의 시각정보 판단과정과 동일한 원리를 이용하여 정확한 형상 및 색상 정보를 파악할 수 있기 때문에 ADAS 차량에서부터 차선과 일부 표지판 정보, 주변 물체 인식을 위해 핵심적인 역할을 하고 있다(IRS Global, 2020). ADS에서는 신호정보 확인 등 인식 대상이 크게 넓어지고 있다.

LiDAR는 근적외선 파장의 레이저 펄스의 반사 원리를 활용하여 물체와의 거리를 측정하는 센서로, 주변 환경에 대한 3차원의 정확한 정보 수집이 가능하다(IRS Global, 2020). 이러한 장점을 바탕으로 주변의 차량, 보행자 등 물체 검지, 분류, 추적 및 맵매칭 등에 활용이 되고 있으며(Tang et al., 2020;Park, 2022), ADS에서 가장 크게 주목을 받으며 웨이모를 포함한 국내외 대부분의 자율주행 차량에서 활용되고 있다.

영상센서와 LiDAR의 공동 활용은 상호보완성(redundancy) 확보 측면에서 큰 의의가 있다. 영상센서로부터 수집된 데이터는 가시광선을 기반으로 수집되어 객체에 대한 다양한 정보(물체식별, 크기, 거리, 색상 등)를 포함하고 있지만 저조도 환경, 터널 진입 전후와 같은 급격한 밝기 변화를 경험하는 환경, 직사광선, 악천후 상황 등과 같이 환경에 극심한 영향을 받는다는 한계점이 존재한다(KICT, 2021). 이에 반하여, LiDAR는 근 적외선 레이저 펄스를 사용하여 조도의 영향이 매우 미미하고, 영상센서에 비해서는 악천후의 영향이 적게 나타나며(Lee and Seo, 2015), 유효 범위 내에서는 높은 해상도의 정보를 수집할 수 있다. 하지만, 영상센서에 비해 FOV(Field of View, 시야범위)가 좁아 정보를 취득할 수 있는 범위가 다소 한정적이며, 물체의 색상 정 보나 정확한 형상 등은 파악하기 어려우며, 물체와 센서간의 거리증가에 따라 취득되는 데이터가 크게 감소 한다는 한계점도 있어, 두 센서는 서로 간의 단점을 보완하며 활용되고 있다.

LiDAR가 본격적으로 자율주행에서 적용이 되기 위하여 센서의 특성을 이해하기 위한 다양한 기초 연구 가 먼저 수행되어 왔다. LiDAR는 근적외선 레이저 펄스의 반사를 이용한 센서이기 때문에 물체에 따른 반사 정도 차이가 매우 크며, 물체 표면이 백색에 가까울수록, 그리고 일반적으로 반사도가 높은 재질일수록 해당 물체에 대한 LiDAR의 검지성능이 우수해진다(Kim et al., 2021;Park and Kim, 2021). 또한, 영상센서와 비교 하면 상대적으로 우수하지만, 강우나 강설 상황에서 검지 성능이 감소하며, 조사된 레이저가 대기중 수분입 자에 흡수되어 소실되거나, 측정거리 값의 정확도가 감소하는 등의 문제가 발생하는 것이 확인되었다 (Goodin et al., 2019;Kutila et al., 2016;Montalban et al., 2021;Kim and Park, 2022). LiDAR의 검지 성능을 확 인하기 위한 지표로는 측정점(포인트 클라우드)의 개수((NPC, Number of Point Cloud)를 집계하는 것이 보편 적이다. Goberville et al.(2020)은 서로 다른 기상조건(맑음/흐림/비/약한 눈)에서 NPC의 비교를 통한 LiDAR의 검지성능 정량화 연구를 수행하였다. Lambert et al.(2020)과 Im et al.(2015)는 측정환경 변화에 따른 타겟에 대한 NPC 비교를 통해 LiDAR의 성능 검증을 수행하였다. Kim et al.(2021)도 기상조건(맑음/강우)과 타겟 재 질의 변화에 따른 LiDAR의 검지 성능을 NPC를 통하여 확인하였다.

Park(2022)은 반사체의 재질 변화에 따른 반사성능 차이를 활용하여, LiDAR에 대응한 도로 시설물의 컨셉 을 제시한 바 있으며, 본 연구의 선행연구인 Kim and Kim(2022) 역시 LiDAR의 검지 성능을 극대화 하기 위 하여 교통콘의 형상을 평면화한 실증 실험을 수행하였다.

기존의 LiDAR를 대상으로 하는 연구들을 살펴보면, 센서 자체의 특성인 반사 및 검지 성능을 활용한 기 초연구는 많이 수행되어 왔으나, 실제 시설물의 실용화를 염두한 형상을 적용하여 수행한 연구 사례는 많지 않았음을 알 수 있다. 이에 본 연구는 실제 공사구간에서도 큰 불편 없이 사용할 수 있는 사용성을 감안한 시설물의 물리적 형태 개선을 통해 LiDAR 검지를 지원하는 도로 시설물을 개발하고 그 효과를 실증하였다.

Ⅲ. 연구방법론

1. 실증 실험의 목적

본 연구의 목적은 LiDAR의 반사 성능이 잘 확보될 수 있도록 교통콘의 형상을 변경하였을 때, 현재 사용 되고 있는 교통콘과 비교하여 LiDAR에 대한 검지성능이 향상되었는지를 확인하는 것이다. 기존의 교통콘과 개선된 교통콘을 각각 공사구간으로 모사한 실도로 환경에 배치한 뒤, 선행 연구들(KICT, 2021;Kim et al., 2021)에서 수행한 대표적인 자율주행자동차의 핸디캡 상황인 강우 상황을 재현함으로써 실증 연구의 일관성 을 확보하였으며, 이러한 환경 내에서의 새롭게 제시하고자 하는 개선된 교통콘의 핸디캡 상황에서의 개선 효과를 확인해보는 것이 본 실증 실험의 의의라고 할 수 있다.

2. LiDAR 검지성능 확인 지표

LiDAR의 검지 성능을 확인하기 위한 지표는 NPC로 선정하였다. NPC는 앞선 선행연구분석에서도 언급된 바와 같이 LiDAR 성능을 분석한 기존의 문헌들에서도 많이 활용되는 지표 가운데 하나이다. NPC를 지표로 선정한 이유는 포인트 클라우드의 형성이 LiDAR 데이터의 활용에 가장 큰 기본이 되기 때문이다. 반사체에 대한 일정 규모 이상의 포인트 클라우드가 모이는 군집화가 이루어져야 객체의 인지가 가능해지기 때문에, NPC가 많이 취득될수록 군집화가 유리해지며, 객체의 형상도 정확히 파악할 수 있게 된다.

취득된 모든 LiDAR 데이터는 교통콘과 LiDAR 사이의 거리를 기준으로 비교한다. 본 연구에서는 자율주 행자동차에서 아직까지 일반적으로 사용되는 회전형 LiDAR를 이용하여 데이터를 취득하였다. 회전형 LiDAR는 정해진 각도로 레이저 펄스를 발산하기 때문에 반사체와의 거리가 가까워질수록 반사체와 만나는 레이저 펄스의 수가 많아진다(<Fig. 1>). 따라서, 서로 다른 거리에 있는 반사체에서 취득된 데이터를 동일한 기준으로 비교하는 것은 의미가 없다.

3. 지표 검증 방법

교통콘의 형상 변경에 따른 LiDAR의 검지성능 개선 효과를 확인하는 과정은 다음과 같다.

첫 번째, 설정된 시나리오에 따라 기존의 교통콘과 개선된 교통콘의 LiDAR 데이터 취득 테스트를 수행한 다. 두 번째, 수집된 데이터로부터 강우상황 별로 각 교통콘의 거리별 데이터를 표와 그래프를 통해 비교하 고 이에 대한 해석을 진행한다. 검지성능 확인 지표인 NPC 값의 비교를 통해 수치적으로 교통콘의 개선안이 기존 교통콘과 비교하여 얼마나 개선 효과가 있는지 확인한다.

4. 실증 실험의 준비 및 실증 수행

1) 교통콘 개선방안 도출 및 제작

본 논문의 선행 연구(Kim and Kim, 2022)에서는 LiDAR에서 사용하는 지향성이 우수한 레이저 펄스의 반 사 원리(KICT, 2021)를 반영하여 교통콘의 형상을 평면화하는 방향으로 개선하여 LiDAR에 대한 검지능력 개선이 발생하는지 확인하였다. 선행 연구에서 제작한 교통콘은 <Fig. 2>와 같으며, 기존의 교통콘과 같은 PE 소재와 재귀반사시트를 이용하여 제작하였다. 교통콘의 규격은 국토교통부의 [도로 공사장 교통관리지 침] 및 [도로안전시설 설치 및 관리지침]에 제시된 기준을 준용하였다.

선행 연구의 결과 교통콘의 평면화는 자율주행자동차의 시인성(주로 영상센서 입장의 시인성)이 크게 저 하되는 강우상황에서 LiDAR를 통한 검지성능 개선에 충분한 효과가 있는 것으로 확인되었다. 해당 선행 연 구에서 지적된 한계점은 차로에 수직방향으로 배치된 평면과 차량의 진행방향이 상이하여 생긴 입사각과 반 사각의 변화를 반영하지 못한 점, 그리고 직교형 및 평면형 교통콘이 실제 도로 공사현장에서 적재 및 배치 하기에 최적화된 구조가 아니라는 점이다.

본 논문에서는 이러한 선행 연구에서의 한계점을 극복하기 위하여 교통콘의 표면 평면화를 유지하면서 실제 공사구간에서 사용하기 용이하도록 실용적 측면을 반영하여 2차 개선 교통콘을 제작하여 평면형 교통 콘과 유사한 수준의 개선효과를 얻을 수 있는 지에 대한 확인을 하고자 한다. 기존 교통콘의 가장 큰 장점은 다수의 교통콘을 위로 겹쳐 세움으로써 보관, 이동 및 관리 등이 매우 용이하다는 점이다. 이러한 기존 교통 콘의 실용적 장점을 2차 개선 교통콘에 적용하여 사각뿔 형태로 제작하였다.

추가적으로, 사각뿔 교통콘과 함께 규모가 다소 큰 공사구간 등에서 교통콘 대신 사용되는 시선유도용 드 럼에 대한 개선품도 함께 제작하였다. 개선 드럼 역시 기본 규격은 기준을 지키며 밑면의 형태만 원형에서 육각형과 팔각형으로 변형을 하여 평면이 확보될 수 있도록 하였다. <Fig. 3>은 실제로 제작된 사각뿔 교통 콘, 6각기둥 및 8각기둥 드럼의 형상이다.

2) 데이터 취득 장비

본 논문에서 LiDAR 데이터의 취득은 한국건설기술연구원에서 제작한 자율주행자동차(<Fig. 4>)를 통해 수행하였다. 해당 자율주행자동차는 LiDAR, Radar, Vision(Mobileye and Cameras) 센서가 장착되어 있으며, 실 험 데이터는 차량 지붕에 설치되어 있는 32채널 LiDAR로 취득한 뒤 분석하였다. LiDAR의 사양은 <Fig. 5> 와 같으며, 설치 높이는 지면으로부터 2.0 m이다. 선행연구부터 본 연구에 이르기까지 동일한 장비를 이용하 여 데이터를 취득함으로써 취득 데이터 품질 및 분석 결과의 일관성을 유지하도록 하였다.

3) 실증 환경 구성

교통콘과 드럼 개선에 대한 실증 실험은 한국건설기술연구원의 연천SOC실증연구센터 내의 시험주행로의 기상환경 재현시설을 활용하여 진행하였다. 시험주행로는 충분한 거리에서부터 속도를 맞추어 주행이 가능 하며, 기상재현시설을 활용하여 50 mm/h 이상의 강우상황까지 재현할 수 있기 때문에 실제 도로환경 속에서 기상과 거리의 변화에 따른 LiDAR 데이터 취득이 가능하다.

본 연구에서는 선행연구에서 수행한 방법과 동일한 방법으로 실험을 수행하였다. 공사구간은 도시부 도로 (제한속도 50 km/h)에서의 단기 차로차단 공사 상황으로 가정하였으며, <Fig. 6>과 같이 교통콘과 드럼을 각 각 완화구간(Transition Area) 내에 시점과 종점을 제외하고 10m 간격으로 4개 설치하였다.

4) 실증 시나리오 구성과 실증 수행

실증 시나리오는 LiDAR의 검지성능에 영향을 미치는 요인을 시설물, 거리, 강우량으로 설정하여 <Table 1>과 같이 구성하였다.

선행 연구를 통해 가혹한 강우 조건에서도 유효한 검지거리가 50m까지 확보된다는 것을 확인하였기 때문 에 본 실증에서는 10m 단위로 10m에서 50m까지를 측정거리로 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 발생하기 시작하는 강한 비는 강우량 40 mm/h으로 설정하고 재현시설을 통해 구현하였다. 선행 연구와의 차이는 가혹 강우조건을 50 mm/h에서 40 mm/h로 변경하고, 측정거리를 50m로 제한하였다는 점이다.

주행실험은 각 시설물 별로 3회씩 반복하여 진행하였다. 자동차의 주행속도는 LiDAR의 검지성능에 영향 을 미치지 않는다는 기존 연구(Kim et al., 2021)의 결과를 반영하여, 설정된 공사상황의 제한속도인 50 km/h 로 정속주행 하였다.

<Fig. 7>은 교통콘이 배치된 공사구간을 기상상황에서 주행하며 데이터를 수집 중인 자율주행차량의 모습이다.

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 2>와 같다.

기존 원뿔형 교통콘 데이터 확인 결과, 일반적인 LiDAR의 기상/거리 조건에 따른 NPC 변화 추이를 그대 로 따르는 것을 확인하였다. 대부분의 거리에서 맑은 날과 20 mm/h 조건에서의 NPC가 유사한 추세로 측정 되었으며, 40 mm/h 조건에서는 거리가 멀어질수록 NPC가 크게 감소하였다. 강우 변화에 따른 기존 교통콘 에 대한 NPC 확보 정도를 보면, 맑은 날 대비 20 mm/h 시 최소 70.2%(50m), 40 mm/h 시 최소 25.5%(50m) 수 준으로 확인된다. 맑은 날은 반복 측정에 따른 NPC 취득의 편차가 거리와 관계없이 일정한 수준을 유지하였 으나, 강한 강우 조건(40 mm/h)에서는 특히 근거리(20m)에서 반복 측정에 따른 NPC 취득 편차가 매우 크게 발생함을 확인하였다. 이는 NPC 취득량이 가장 많은 거리가 20m이기 때문에 Kim et al. 2021에서 언급된 빗 방울로 인한 포인트 클라우드 손실의 영향이 가장 크게 나타나며, 그 이상의 거리에서는 절대적인 NPC 수가 적기 때문에 표준편차도 크지 않을 수 있음을 예상해볼 수 있다.

2) 개선 교통콘(사각뿔형 교통콘) 측정 결과

개선 교통콘인 사각뿔형 교통콘에 대한 강우조건 별 3회 주행 데이터를 종합한 결과는 <Table 3>와 같다.

사각뿔형 교통콘 데이터 확인 결과, 기존 교통콘과 마찬가지로 전반적으로는 일반적인 LiDAR의 기상/거 리 조건에 따른 NPC 변화 추이를 그대로 따르는 것을 확인하였다. 40 mm/h 조건은 맑은 날이나 20 mm/h와 비교하여 대부분 50% 미만의 NPC가 측정되었다. 강우 변화에 따른 사각뿔형 교통콘에 대한 NPC 확보 정도 를 보면, 맑은 날 대비 20 mm/h 시 최소 69.0%, 40 mm/h 시 최소 52.4% 수준으로 확인된다.

3) 교통콘 종류별 NPC 측정 종합결과 및 시사점

기존의 원뿔형 교통콘과 외형을 개선한 사각뿔형 교통콘을 대상으로 측정거리와 기상조건(강우) 변화에 따른 LiDAR 센서의 NPC 취득 실험의 결과, 두 종류의 교통콘에서 모두 일반적인 LiDAR의 NPC 취득 패턴 이 유지됨을 확인하였다. 기상 조건의 변화에 대해서도 두 형태의 교통콘 모두 맑은 날 > 20 mm/h > 40 mm/h의 결과를 얻었다. 강우 수준의 강화에 따른 NPC 감소 정도에서 두 교통콘의 차이가 확인이 되었다. 기 존 교통콘은 40 mm/h – 50m 조건에서 맑은 날 동일 거리 대비 25.5%의 NPC가 취득되었지만, 개선한 사각 뿔 교통콘은 52.4%로 NPC 손실 수준이 절반으로 줄어들었음을 알 수 있다.

다만, 반복 측정에 따른 측정값의 표준편차 값은 개선 사각뿔 교통콘이 크게 나왔는데, 이는 어느 각도에 서나 동일한 면을 측정하는 원뿔형과 달리 위치와 각도에 따라 면을 측정하기도 하고 모서리를 측정하기도 하는 사각뿔의 형상 특성이 반영된 결과라고 할 수 있다. 이 점은 향후 연구에서 최적의 형상을 선정하는 데 에 추가적으로 고려되어야 할 것이다.

2. 드럼 종류별 데이터 측정 결과

1) 기존 드럼 측정 결과

원기둥 형태의 기존 드럼에 대한 강우조건 별 3회 주행 데이터를 종합한 결과는 <Table 4>와 같다.

기존 원기둥형 드럼의 LiDAR 측정 데이터 확인 결과, 일반적인 LiDAR의 기상/거리 조건에 따른 NPC 변 화 추이를 그대로 따르는 것을 확인하였다. 대부분의 거리에서 맑은 날과 20 mm/h 조건에서의 NPC가 유사 한 추세로 측정되었으며, 40 mm/h 조건에서는 측정값이 크게 감소하는 특징은 기존 교통콘과도 유사하다. 강우 변화에 따른 기존 교통콘에 대한 NPC 확보 정도를 보면, 맑은 날 대비 20 mm/h 시 최소 94.9%, 40 mm/h 시 최소 49.0% 수준으로 확인된다.

2) 개선 드럼 1 (6각기둥형 드럼) 측정 결과

개선 드럼 중 첫 번째 형태인 6각기동형 드럼에 대한 강우조건 별 3회 주행 데이터를 종합한 결과는 <Table 5>와 같다.

6각기둥형 드럼의 측정 데이터 확인 결과, 기존 드럼과 마찬가지로 전반적으로는 일반적인 LiDAR의 기상 -거리 조건에 따른 NPC 변화 추이를 그대로 따르는 것을 확인하였다. 강우 20 mm/h 조건은 맑은 날보다 NPC가 비슷하거나 다소 적게 측정되었으며, 40 mm/h 조건에서 크게 줄어듦을 알 수 있다. 강우 변화에 따른 6각기둥형 드럼에 대한 NPC 확보 정도를 보면, 맑은 날 대비 20 mm/h 시 최소 60.6%, 40 mm/h 시 최소 29.9% 수준으로 확인된다.

3) 개선 드럼 2 (8각기둥형 드럼) 측정 결과

개선 드럼 중 두 번째 형태인 8각기동형 드럼에 대한 강우조건 별 3회 주행 데이터를 종합한 결과는 <Table 6>와 같다.

8각기둥형 드럼의 측정 데이터 확인 결과, 기존 드럼과 마찬가지로 전반적으로는 일반적인 LiDAR의 기상 /거리 조건에 따른 NPC 변화 추이를 그대로 따르는 것을 확인하였다. 20 mm/h 조건은 맑은 날보다 대체적으 로 NPC가 비슷하거나 크게 측정되었으며, 40 mm/h 조건에서는 다소 줄어들었음이 확인되었다. 강우 변화에 따른 8각기둥형 드럼에 대한 NPC 확보 정도를 보면, 맑은 날 대비 20 mm/h 시 최소 96.8%, 40 mm/h 시 최 소 52.7% 수준으로 확인된다.

4) 드럼 종류별 NPC 측정 종합결과 및 시사점

기존의 원기둥형 드럼과 외형을 개선한 6각기둥형/8각기둥형 드럼을 대상으로 측정거리와 기상조건(강우) 변화에 따른 LiDAR 센서의 NPC 취득 실험의 결과, 세 종류의 드럼에서 모두 일반적인 LiDAR의 NPC 취득 패턴이 유지됨을 확인하였다. 기상 조건의 변화에 대해서 세 형태의 드럼 모두 맑은 날 > 20 mm/h > 40 mm/h의 결과를 얻었다. 다만, 강우 수준이 강해짐에 따른 NPC의 감소 정도에서 세 드럼의 차이를 확인할 수 있었다. 기존 드럼은 40 mm/h – 50m 조건에서 맑은 날 동일 거리 대비 49.0%의 NPC가 취득되었으며, 6각 기둥형 드럼은 동일 조건에서 55.4%, 8각기둥형 드럼은 61.7%가 취득되었다. 이 수치만을 보면 두 개선형 드 럼 모두 기존 드럼에 비해 개선 효과가 있다고 볼 수 있으나, 40m 거리에서 맑은 날 대비 29.9%의 NPC가 취 득된 6각기둥형 드럼은 기대했던 개선 효과가 크지 않음을 알 수 있다. 이에 반하여 8각기둥형 교통콘은 악 조건인 40 mm/h 상황의 대부분의 거리에서 기존 교통콘보다 맑은 날 대비 NPC 확보율이 크게 계산되어 개 선의 효과를 기대할 수 있었다.

특히한 점은 반복 측정에 따른 NPC의 편차에서 6각기둥형 드럼이 가장 적은 값을 보인 부분이다. 교통콘 의 경우 사각뿔 형태이기 때문에 면과 면 사이의 각도가 90도로 급격한 변화를 보이지만, 6각기둥형은 120도 로 다소 완만한 변화를 보인다. 8각기둥형은 내각이 135도로 6각기둥형에 비해 완만하지만, 단면의 폭 자체 가 좁기 때문에 LiDAR의 고른 측정 자체에는 6각기둥형이 다소 유리한 것으로 추측된다. 다만, 편차를 고려 한 NPC 수치 자체가 종합적인 NPC 차이에 크게 영향을 주는 정도는 아니라고 판단이 되어 6각기둥형 보다 는 강우상황에서도 NPC가 더 잘 유지되는 8각기둥형의 개선효과가 더 큰 것으로 판단된다.

3. 기상 조건별 데이터 분석

앞 절에서 정리한 결과를 기상 조건별로 나누어 동일한 조건에서의 NPC 비교를 통해 개선 교통콘과 드럼 에 대한 LiDAR 대응 검지성능 개선효과를 확인하였다.

1) 교통콘의 기상 조건별 데이터 분석

<Fig. 8>은 동일한 강우 조건에서 두 교통콘의 거리별 NPC를 그래프로 표현한 것으로, 최상단 그래프는 비강우 상황, 중앙은 20mm/h 강우 상황, 최하단은 40mm/h 강우 상황의 그래프이다.

맑은 날은 사각뿔형 교통콘의 NPC가 전반적으로 큰 것으로 나타났다. 수치적으로 비교를 하면, 기존 교통 콘에 비하여 최대 1.64배 증가하며, 모든 거리 평균 1.21배 증가하였다. NPC가 감소는 50m 에서만 발생하였 으나, NPC 0.5개 차이로 사실상 같은 값이라고 봐도 무방한 차이이다.

20 mm/h 강우 조건에서는 20m/30m에서 기존 교통콘보다 큰 NPC가 측정되었으며, 평균 0.93배 증가한 결 과를 얻었다. 즉, 20 mm/h 강우 조건에서는 개선의 효과를 기대하기 어렵다는 결과를 도출할 수 있다. 다만, 두 측정 값의 차이가 모두 1 미만이기 때문에 0.93배의 결과가 검지성능이 오히려 하락했다고 단정하기는 어 렵다.

40 mm/h 강우 조건에서는 사각뿔형 교통콘의 NPC가 모든 조건에서 가장 큰 최대 1.83배 증가하며, 평균 적으로 1.2배 증가하는 것으로 확인되었다. 10m에서 0.92배 증가는 0.5 정도의 수치기이 때문에 거의 동일한 측정값이라고 판단할 수 있다.

이러한 결과를 종합하면, 본 연구에서 개선안으로 제시한 사각뿔형 교통콘은 전반적으로 현재의 원뿔형 교통콘에 비해 NPC 확보가 유리하며, 특히 강한 강우 조건에서 LiDAR에 대한 검지성능이 우수할 것으로 기 대된다. KICT(2021)에 따르면, 강우량 30 mm/h에서 영상센서(Mobileye)의 시인성(View Range)가 주행 속도에 따라 최소 50% 이상 짧아지며 60 km/h로 주행할 경우 시인성이 전혀 확보되지 않게 되는 강우량이 30 mm/h 이며, LiDAR를 이용한 물체 검지성능이 크게 떨어지기 시작하는 강우량이 40 mm/h인 연구결과(Kim et al., 2021)를 감안하면, 강우량 40 mm/h에서도 충분히 시인성이 확보되는 사각뿔형 교통콘은 개선의 효과를 충분 히 얻을 수 있을 것으로 기대된다.

2) 드럼의 기상 조건별 데이터 분석

<Fig. 9>는 동일한 강우 조건에서 세 드럼의 거리별 NPC를 그래프로 표현한 것으로, 최상단 그래프는 비 강우 상황, 중앙은 20mm/h 강우 상황, 최하단은 40mm/h 강우 상황의 그래프이다.

맑은 날 개선 드럼 2종의 NPC 수치는 기존 드럼의 NPC와 비교하여 전반적으로 크거나 같은 것으로 나타 났다. 수치적으로 비교를 하면, 기존 교통콘에 비하여 6각기둥 드럼은 최대 1.16배 증가하며, 모든 거리 평균 1.02배 증가하였으며, 8각기둥 드럼은 최대 1.07배 증가, 모든 거리 평균 1.00배 증가하였다. 즉, 맑은 날은 미 미한 정도이지만 6각기둥 드럼이 8각기둥 드럼에 비해 큰 개선효과를 확인할 수 있었다.

20 mm/h 강우 조건에서는 6각기둥 드럼은 20m에서만 기존 드럼보다 큰 NPC 측정되었으며(1.12배), 모든 구간에서 평균 0.83배 증가하여 기존 드럼에 비하여 검지성능이 떨어짐을 확인할 수 있었다. 이에 반해 8각 기둥은 30m 이내의 근거리에서 NPC가 크게 증가하여 최대 1.55배 증가하며, 모든 거리 평균도 1.20배 증가 함이 확인되어 개선 효과가 매우 큰 것으로 나타났다.

강우량 40 mm/h 조건에서 6각기둥 드럼은 모든 거리에서 기존 드럼보다 적은 0.70배의 NPC가 취득되었으 며, 8각드럼은 최대 1.21배, 평균 1.09배의 NPC가 측정되었다. 즉, 강우 조건에서 8각기둥형 드럼은 기존 원 기둥형 드럼보다 NPC 확보가 유리할 것으로 기대된다.

4. 통계적 검정

실험의 결과를 통해 교통콘과 드럼의 형상 변화에 따라서 NPC 취득에 차이가 발생하는 것을 확인할 수 있 었으며, 교통콘은 기존의 원뿔형보다 사각뿔형이, 드럼은 기존의 원기둥형보다 8각기둥형의 NPC가 대체적으 로 높은 것으로 나타났다. 본 절에서는 동일한 거리 및 기상 조건에서 각 시설물의 형상 간의 NPC 측정값의 차이가 통계적으로도 유의한 지를 검정하기 위하여 t-test를 통해 검정을 수행하였다. 교통콘의 t-test는 기존 교통콘 – 사각뿔 교통콘을 대상으로 하였으며, 드럼의 t-test는 기준이 되는 기존 드럼과 6각기둥형드럼 – 8각기둥형드럼을 각각 나누어 진행하였다. <Table 7>은 거리와 강우량 변화에 따른 시설물 별 NPC 측정값에 대한 t-test 결과이다.

표의 음영 영역은 NPC의 수치 비교 결과 기존 시설물에 비해 높은 NPC가 측정된 조건이다. 즉, 수치적으 로 개선효과가 있을 것으로 기대되는 영역이다. 또한, p-value 뒤에 * 표시된 조건이 t-test 결과 통계적으로 유 의미한 차이가 있음이 확인된 조건이다.

교통콘의 경우, 통계적으로 유의미한 차이가 발생한 조건은 맑은 날 10 ~ 30m 구간으로 확인되었다. 즉, 각 기상환경에서 5개 거리 중 3개 거리 이상에서 수치적인 증가가 확인되었으며, 나머지 구간도 거의 같은 수준 으로 측정이 되었지만, 이 차이가 통계적으로는 큰 의미가 없다고 해석되었다.

6각기둥형 드럼의 경우, 대부분의 조건에서 NPC가 오히려 감소하는 결과를 확인하였다. 이러한 감소치는 통계적으로도 매우 유의미한 차이가 있는 것을 확인할 수 있다. 개선이 확인된 3개의 조건 역시 통계적으로 개선의 차이를 확인할 수 있었다.

8각기둥형 드럼의 경우, 모든 기상환경에서 30m 까지의 수치적인 개선의 결과를 얻었으나 이 가운데 통계 적으로 의미가 있는 조건은 강우 20 mm/h 조건으로 확인되었다. 맑은 날 20m 역시 통계적으로 유의미한 차이 가 확인되었다. 수치적인 차이(Fig. 9)에서는 맑은 날 20m 보다 40 mm/h에서 10m와 20m의 두 시설물 간의 차 이가 커 보이지만, 큰 표준편차값이 영향을 미친 것으로 파악된다.

5. 실험결과의 정리 및 의의

본 연구는 LiDAR의 반사특성을 고려하여 기존의 시설물에 비해 반사성능이 향상될 것으로 기대하는 형 태로 시설물의 형상을 변경하여 측정환경(거리 및 강우량)의 변화에 따른 LiDAR 데이터 측정값을 비교하여 그 효과를 확인하고자 하였다. 실험의 결과를 요약하면 다음과 같다.

교통콘의 경우, 개선 형상이 사각뿔형 교통콘이 대부분의 경우에서 기존 교통콘보다 큰 NPC가 취득될 수 있었으나, 이 차이가 통계적으로는 유의미한 값을 확보하는 데에는 한계가 있었다. 드럼의 경우, 개선형상 가운데 6각기둥형 드럼은 오히려 NPC 수치가 작아지는 결과를 확인할 수 있었으며, 8각기둥형은 악조건인 강우 40 mm/h 환경에서도 NPC 확보 및 검지성능 저하에 큰 영향을 받지 않아 충분히 기존 드럼을 대체할 수 있을 것으로 기대되었으나, 역시 통계적으로는 일부 조건에서만 유의미한 결과를 확인할 수 있었다.

다만, 실제 자율주행자동차에서 LiDAR의 포인트 클라우드 데이터를 처리하는 과정에서는 이러한 통계적 인 유의미성에 의존하지 않는 경향이 있기 때문에 통계적 검정 결과로 인해 본 시설물 들의 개선효과가 없 다라고 단정하기는 어렵다. LiDAR를 통해 수집된 포인트 클라우드 데이터는 일정 수 이상의 군집이 형성될 때 객체를 인식하는 의미를 가질 수 있기 때문에 동일한 조건에서 포인트 클라우드가 많이 취득되는 것은 군집 형성에 더욱 유리하다고 볼 수 있다. Park et al., 2023 같은 자동차 분야에서 진행한 LiDAR 데이터 분석 연구를 살펴보더라도 통계적인 분석보다는 서로 다른 조건의 포인트 클라우드 데이터의 수치 비교를 통해서 결과를 도출하고 있음이 이를 뒷받침한다. 이러한 관점에서 기존에 시도하지 않은 시설물의 형상 변경이 LiDAR의 검지 결과에 어떠한 영향을 미치는지에 대한 결과를 얻은 것만으로도 본 연구의 의의가 있다고 판 단한다. 하지만, 본 연구를 통해 확인된 결과를 바탕으로 측정 회차별로 발생한 표준편차를 줄이고 대부분의 조건에서 고르게 데이터가 취득될 수 있는 시설물의 형상 조건과 설치 조건(검지 조건)에 대한 부분은 추가 적으로 보완할 필요가 있는 것으로 판단된다.

V. 결 론

자율주행자동차의 ADS에서 상황을 판단하여 운전자를 대신해 안전한 제어를 수행하기 위해서는 인지단 계에서 주변 상황을 더욱 정확하게 인지할 필요가 있다. 이를 위한 방법으로 인지를 담당하는 센서의 성능을 향상시키는 것과 인지의 대상을 센서가 더 잘 볼 수 있게 개선하는 두 가지 방법이 있다. 본 연구는 이 가운 데 인지의 대상에 대한 센서(LiDAR)의 검지 성능을 향상시키기 위한 방안을 실증을 통해 직접 확인하고자 하였다. 이를 위하여 자율주행의 대표적인 핸디캡 구간인 공사구간과 핸디캡 상황인 강우상황으로 복합적인 시나리오를 구성하고 공사구간에서 활용되는 시설물 중 교통콘을 대상으로 LiDAR의 검지 성능 변화를 직접 자율주행자동차를 이용하여 확인하였다.

실증 결과, 교통콘과 드럼 모두 전반적인 NPC는 맑은 날과 20 mm/h의 강도의 강우 상황에서 거의 같은 수준의 데이터가 취득되어 약한 강우는 검지 성능에 대한 영향이 크지 않음을 확인할 수 있었다. 반면, 시야 가 극히 제한되는 40mm/h 강우 상황에서는 NPC가 크게 줄어들어 검지 성능이 저하됨을 확인할 수 있었다. 교통콘은 대부분의 조건에서 기존 교통콘에 비해 사각뿔형 교통콘의 NPC가 많이 측정이 되어 시설물의 개 선효과가 있음을 확인할 수 있었다. 다만, 선행 연구에서 평면형 교통콘에 대한 검지성능이 강우환경 50 mm/h에서도 맑은 날의 기존 교통콘 수준으로 확보된 것과 비교하면 사각뿔형 교통콘의 검지성능은 다소 떨 어진다. 평면 교통콘은 LiDAR의 측정 프레임마다 모든 포인트가 동일한 입사각과 반사각을 갖기 때문에 NPC 취득에 매우 유리한 반면, 사각뿔형 교통콘은 모서리를 기준으로 입사각과 반사각이 크게 변하기 때문 에 이로 인한 포인트의 손실이 많이 발생할 수 있다는 점에 기인한 것으로 판단된다.

드럼의 경우, 선행 연구가 진행되지 않았기 때문에 교통콘의 개선 원리를 그대로 적용하여 6각기둥과 8각 기둥 형태로 각각 제작하여 실증하였다. 실증 결과, NPC의 확보 측면에서는 8각기둥형이 가장 유리하며, 특 히 강우 환경에서 기존 드럼에 비해 우수한 검지 성능을 확보함을 확인하였다. 6각기둥형보다 8각기둥형의 검지 성능이 우수한 이유는 교통콘의 경우와 같이 모서리를 기준으로 하는 면과 면 사이의 각도가 LiDAR 포인트의 입사각과 반사각에 영향을 끼치기 때문이라고 판단된다.

두 시설물의 검증 결과를 토대로 LiDAR에 더욱 적합한 교통콘은 8각기둥과 같이 사각뿔보다 많은 다면체 형태의 교통콘이나, LiDAR를 바라보는 면을 최대한 평면화하는 것이 유리하며, 이러한 결과를 적용한 2차 개선 교통콘의 제작을 통해 추가적인 검증을 진행할 필요가 있다. 드럼 역시 교통콘과 유사하게 추가 개선을 하여 검증을 해보고자 한다. 시선유도시설은 도로에 세워두어 운전자 또는 자율주행차량에게 명확한 주행구 간을 알려주는 역할을 함과 동시에 관리자에게는 보관/적재 등의 편의성을 확보해주어야 한다. 따라서 이러 한 점을 충분히 고려하여 향후 연구에서 관리자 편의성이 유지되며 LiDAR 대응 검지성능이 더욱 향상된 교 통콘과 드럼의 형태를 다시 제시해보고자 한다. 기기적 사양이 유사한 LiDAR라고 하더라도 레이저 펄스의 분사각도가 서로 상이할 수도 있기 때문에 이러한 점을 감안하여 LiDAR 제원에 따른 차이점을 확인하는 것 도 의미가 있을 것이다.

본 연구는 자율주행에서 점차 핵심적 역할을 수행하고 있는 LiDAR에 대응하는 개선된 시설물을 제작, 실 증하여 개선된 교통콘과 드럼이 기존의 시설물에 비해 검지성능이 일정부분 향상되었음을 확인하였다. 다만, 선행 연구를 토대로 개선한 시설물이 연구진이 기대한 수준의 개선효과가 확보되지는 못하였으며, 통계적으 로는 유의미한 차이를 확인하지 못한 것이 연구 결과의 한계점이다. 이에 향후 연구를 통해 자율주행차량과 일반 운전자가 모두 활용할 수 있으며, 실제 공사 현장에서도 충분히 적용 가능한 방향으로 개선 방안을 발 전시켜 추가적인 개선 시설물의 제작과 실증 결과를 발표하고자 한다.