Ⅰ. 서 론
1. 개요
최근 20여 년간 자율주행 차량의 상용화를 위한 법률과 규제가 제정되었으며, 다양한 기업들이 자율주행 차량의 상용화를 선보이고 있다(Ministry of Science and ICT, 2020). 그러나 인프라 및 네트워크 기술의 한계 로 자율협력주행 분야의 연구는 아직 활발히 이루어지지 않고 있으므로 자율주행 및 V2X 네트워크 기술에 대한 심층적인 연구가 필수적이다. 또한, 차량의 자율주행, V2X(Vehicle to Everything) 네트워크에서의 여러 프로토콜 설계 및 네트워크 구축 등 각 분야에서 개별적으로 수행되고 있다(Ahmed et al., 2017; Perez-Gil et al., 2017; Alex et al., 2020). 자율주행 차량의 운행은 Grid Map을 이용한 목표 지점 경로 생성, GPS를 사용한 waypoints 기반 주행, LiDAR 및 Radar 센서를 활용한 경로 생성 방식 등이 존재한다. 본 연구에서는 CARLA Simulator를 기반으로 도심에서 자율협력주행을 수행하며, waypoints 기반 주행과 더불어 새로운 주행 기법을 제시해 자율협력주행 연구의 통합 및 최적화를 이룩하고자 한다(Song and Lee, 2014).
기존의 선행 연구들은 자율협력주행 및 군집 주행을 고속도로와 같은 외력이 적은 공간에서 수행한 경우 가 많았다(Lin et al., 2021). 도심에서는 급격한 차선 변화 없이 연속적인 곡선 형태의 도로가 많고, 신호 체 계나 차량 흐름에 따라 주행 방식이 유동적으로 변할 필요가 있다. 이에 따라 본 연구에서는 주행 모드를 동 적으로 전환하여 도심 환경에서도 안정적이고 효율적인 자율협력주행이 가능함을 검증한다. V2X 네트워크 를 활용함으로써 향후 지리 정보 시스템(GIS)에서 제공하는 좌표를 기반으로 다양한 환경에서 자율협력주행 을 가능하게 할 수 있을 것이다(Lim et al., 2018).
제안하는 TSB(Throttle-Steer-Brake) 주행에서는 선두 차량의 엔진 출력(Throttle), 차량 조향 각도(Steer), 브 레이크(Brake) 값을 추종 차량이 전달받아 추가적인 계산 없이 입력값으로 사용하는 방법을 통한 자율주행이 가능하다. 그러나 추종 차량이 단순히 선두 차량의 TSB 정보를 통해 따라가는 방식으로는 곡선 주행 시에 추종 차량 환경에 맞는 자율주행을 구현할 수 없으며, 이로 인해 안정성이 감소할 수 있다. 이를 해결하기 위해 선두 차량의 현재 좌표와 앞 경로들의 좌표를 이용해 도출한 값이자, 상대적 방향성의 차이인 yaw_diff(yaw difference)를 시계열 데이터로 만들어 주행 방식 결정 모델의 입력으로 사용하고 직선, 곡선 경 로 추정을 통하여 TSB 주행과 waypoints 기반 주행을 결정하는 방안을 제시한다. 이 방식은 추종 차량의 연 산량을 감소 및 지속적인 차량 위치 갱신을 통해 더욱 안전하고 효율적인 자율협력주행을 가능하게 한다.
주행 방식 결정 모델에는 시계열 데이터 분석에 강한 RNN(Reccurrent Neural Network) 모델을 사용하였으 며, 직선 주행 시에도 경로 오차를 정밀하게 보정하기 위해 50번의 정보 전달마다 선두 차량의 현재 좌표를 1회 추가로 전송하여 보정값으로 활용하였다. 이 방식은 선두 차량과 추종 차량의 연결성을 강화해 향후 자 율협력주행의 안정성을 향상시키는 데 기여할 뿐만 아니라, 차량이 자율주행 모드를 유독적으로 전환하면서 연상량을 효과적으로 절감하는 데에도 성과가 있다(Lee et al., 2022). 본 연구는 자율협력주행의 발전과 다양 한 자율주행 기법 선택의 폭을 넓혀 선박, 무인 항공기 등 다른 분야에도 적용 가능하며. 스마트시티 구축의 토대를 마련할 수 있다는 점에서 차별성을 가진다(Felski and Zwolak, 2020).
Ⅱ. 선행연구 검토
1. 자율주행 관련 연구
자율주행 방법에는 waypoints 기반 주행과 센서를 이용한 주행 등 다양한 접근 방법이 존재한다.
Lekkas(2014)는 차량의 자율성을 향상시키기 위한 경로 계획 및 안내 시스템에 대해 연구한 논문이다. 경 로 계획과 안내 시스템은 네 개의 모듈로 구성된 더 넓은 맥락에 속하는 두 개의 모듈로 볼 수 있으며, 나머 지 두 모듈은 내비게이션 및 차량 제어로 이루어진다. 이 모듈들은 상호작용하며 자율주행을 실현한다. 본 논문에서는 경로 계획을 위해 새로운 충돌 회피 전략을 제시하였다. 특히, “페르마의 나선(FS)” 기반 경로 생 성과 “Voronoi 다이어그램(VD)” 방법을 결합하여 차량이 경로상의 장애물들로부터 안전한 거리를 유지하면 서 불필요한 방향 변경을 피할 수 있도록 부드러운 경로 생성이 가능하게 되었다. 그러나, 알려지지 않은 외 력의 영향을 받는 3D 공간에서의 경로 추적에 대한 추가적인 연구가 필요하다.
(Kang et al., 2017)는 선두 차량이 제공하는 waypoints의 불규칙성을 고려하여, 추종 차량이 안전하고 편안 하게 주행하면서 waypoints를 최소 제곱 오차로 추적할 수 있도록 Clothoid 경로를 생성하고 예측 제어를 적 용하는 방법을 제안한 연구이다. 생성된 경로를 따라 추종 차량이 주행할 수 있도록 예측 제어를 적용하여 동적 환경에서의 안정성과 성능을 향상시켰다. MATLAB/Simulink와 CarSim을 활용한 검증 결과, 추종 차량 이 선두 차량의 waypoints를 효과적으로 추적하고 주행할 수 있음을 확인하였다. 그러나 검증 환경이 고속도 로에 한정되었고, waypoints 기반 주행과 경로 생성 두 가지 연산을 수행하므로 높은 성능을 요구한다.
2. V2X 네트워크 관련 연구
(Abboud et al., 2016)는 V2X 네트워크를 위한 효율적인 솔루션을 제시하며, 전용 단거리 통신(DSRC)과 셀 룰러 네트워크 기술의 상호 운용성에 대해 다룬 논문이다. V2X 네트워크를 위한 다양한 연구 분야를 제시하 고 있으며, 특히 통신사, 자동차 제조업체, 그리고 클라우드 서비스 제공업체 간의 협력을 통해 커넥티드카 서비스를 상용화하고 있는 현황을 설명한다. 커넥티드카 서비스는 다양한 ECU 및 온보드 센서, SNS, 가정 및 기업 네트워크의 정보를 상호 연결하는 여러 활용 방안을 제공한다. 이러한 활용 방안은 V2X 네트워크에 서 얻은 데이터를 융합하여 성능을 향상시킬 것으로 기대되나, 기존 ADAS(Advanced Driver Assistance System) 시스템과의 통합 방법에 대한 추가 연구가 필요하다. 본 연구는 자율협력주행 구축을 위한 연구로 수행되었기 때문에 추가적인 V2X 네트워크 활용 기술이 필수적이라고 할 수 있다.
(Luoto et al., 2017)는 V2X 네트워크 성능 향상을 위해 차량 클러스터링 기법을 제안한 논문이다. V2V Vehicle to Vehicle) 네트워크와 V2I(Vehicle to Infrastructure) 네트워크를 결합하여 성능을 평가한 이 연구는 차량 밀집 지역에서 SINR(Signal to Interference plus Noise Ratio)이 낮은 차량들을 클러스터링하고, 선두 차량 이 대신 서비스를 제공하는 방식을 제시한다. 이를 통해 V2I 링크를 V2V 링크로 오프로드하여 통신 신뢰성 을 약 6.4% 향상시켰다. 그러나 단순한 LTE 기반 V2X 네트워크 모델을 구축하여 네트워크 성능에 의존도가 높아 신뢰성을 보장할 수 없으므로 통신 환경의 조건에 따라 자율주행 보조 기법이 필요하다.
3. RNN 모델 및 경로 예측 인공지능 관련 연구
Koutnik et al.(2014)은 순차 예측 및 분류 문제를 해결하기 위해 제안된 순환 신경망(RNN) 아키텍처의 변 형에 관한 논문이다. 순차 예측 및 분류는 시간적으로 먼 입력 간의 복잡한 의존성을 식별해야 하는 도전적 인 문제로, 기존의 RNN은 장기 기억이 필요한 경우 학습이 어려운 문제가 있었다. 본 논문에서는 표준 RNN 모델의 은닉층을 여러 개의 모듈로 분할하여 각 모듈이 고유한 시간적 세분화로 입력을 처리하도록 설계했 다. 이로 인해 계산은 지정된 클록 속도로만 수행되며, 모델은 여러 시간적 세분화에 맞춰 효율적으로 동작 한다. 개발된 CW-RNN(Clockwork-RNN) 모델은 오디오 신호 생성, TIMIT 음성 단어 분류, 온라인 필기 인식 의 세 가지 분야에서 실험되었으며, 표준 RNN 모델과 LSTM(Long Short-Term Memory)을 능가하는 성능을 보였다. 특히, CW-RNN은 장기적인 시간 의존성을 학습할 수 있는 능력이 뛰어나며, 다양한 동적 시간 척도 를 효율적으로 학습할 수 있다는 장점이 있다. 향후 연구에서는 다양한 강화 학습 문제 클래스와 같은 다른 문제들에 대한 추가 테스트가 이루어질 예정이며, 순차 데이터 처리에 대한 연결주의 모델의 비교 연구에도 활용될 수 있다. 이와 같은 CW-RNN의 접근 방식은 경로 예측과 같은 분야에서도 유망한 응용 가능성을 가 지고 있으며, 특히 자율주행 차량의 경로 예측에 활용될 수 있는 잠재력을 지닌다. 경로 예측 인공지능은 차 량의 현재 상태와 환경을 기반으로 미래의 경로를 예측하는 데 중요한 역할을 하며, RNN은 이러한 동적 환 경에서의 경로 예측 문제를 해결하는 데 효과적인 도구가 될 수 있다.
4. 본 연구의 차별성
본 연구는 V2X 네트워크, 자율주행 차량 제어, 그리고 도심 환경에서의 자율협력주행을 모두 통합하여 수 행했다. V2X 네트워크에 따른 차량의 자율주행은 다양한 외력에 영향을 받을 수 있다. 차량 다수의 협력 주 행은 3D 도심 환경이라는 외력을 고려하여 수행되었기 때문에, 큰 안정성을 지닌다.
TSB 주행은 본 연구에서 제안하는 차량 주행 기법이다. 다양한 시뮬레이션에서 단순 속도를 입력값으로 사용하는 것과 달리, 차량의 Throttle, Steer, Brake 값을 직접 선두 차량에서 수신해 추종 차량이 사용한다. 이 러한 방식은 실제 차량의 임베디드 시스템을 활용한 주행에서도 사용이 가능할 것이다. 시뮬레이션 환경에 서 다양한 외력을 고려해 연구를 수행하고, 결과를 실제 차량에 바로 적용 가능하다는 점은 매우 큰 장점을 가진다. TSB 주행은 waypoints 기반 주행보다 미터당 가능한 연상량이 많다. 따라서 다수의 차량과 여러 외 력이 존재하는 3D 도심 환경에서 빠른 계산으로 안전한 자율협력주행을 수행할 수 있다.
본 연구는 V2X 네트워크를 활용하여 차량 간의 통신에 더불어 Server와 통신까지 수행한다. 스마트시티나 커넥티드카에 대한 연구 및 상용화가 활발히 이뤄지고 있다는 점에서 본 연구는 추후 도로 교통 체계의 초 석을 제시한다. TSB 주행의 개념 제시, 3D 도심 환경에서의 공학적 연구 통합, 추종 차량의 연산량 감소 등 의 측면으로 미루어 보아 큰 차별성을 지닌다.
Ⅲ. TSB 자율주행 예측 모델 설계
1. 자율주행 예측 모델 : TSB 주행을 위한 경로 및 조향 상태 예측 시스템
본 연구에서는 정확한 실험을 위해 <Fig. 1>과 같은 전체적인 아키텍처을 구축하였으며, 이를 토대로 연구 를 진행하였다. 자율협력주행에서 안전한 주행을 실현하기 위해서는 회전 상황에서 waypoints와 현재 위치를 통한 차량의 조향 상태를 정확히 예측하는 과정은 필수적이다. 특히, 차량의 yaw rate를 활용한 조향 제어는 조향 안정성 확보에 효과적인 방법으로 제시된 바 있다(Ackermann, 1998). 그러나 직선 상황에서는 선두 차 량의 Throttle, Steer, Brake 값을 입력값으로 사용하는 방법만으로도 추종 차량이 선두 차량과 유사한 움직임 을 보일 수 있다.
전역 좌표 시스템과 지역 좌표 시스템에서 방향 벡터와 선두 차량의 현재 좌표를 통해 계산된 yaw_diff들 을 시계열 데이터를 사용하여 선두 차량이 주행할 방향을 예측하는 RNN 모델을 구축하고, 이를 기반으로 TSB 주행과 waypoints 기반 주행을 결정하는 자율협력주행 시스템을 구현한다.
차량은 주행 방법 결정 모델의 결과에 따라 임계값인 0.5를 기준으로 차량이 직진 상황이라고 예측될 경 우, 차선 이탈이나 충돌의 위험이 적기 때문에 추종 차량은 선두 차량의 Throttle, Steer, Brake를 그대로 따라 주행하는 TSB 주행을 결정하고, 회전 상황으로 예측할 경우, 차선 이탈의 위험이 커지므로 추종 차량은 waypoints 기반 주행을 결정한다.
2. Yaw Diff 계산
Carla Simulator에서 제공되는 차량의 x, y 좌표와 차량의 진행 방향을 나타내는 yaw를 활용하여 전역 및 지역 좌표에서 yaw_diff를 계산하였다. 실제 환경에서는 차량의 현재 yaw가 제공되지 않을 가능성을 고려하 여, GPS 센서만을 사용한 자율협력주행 시나리오를 기반으로 실험을 진행하였다. 차량의 이동 경로인 waypoints에서 도출되는 거리 벡터를 전역 좌표 시스템으로 간주하고, 차량의 현재 좌표와 다음 경로 좌표에 이동하기 위한 yaw와 현재 차량 yaw의 차이를 지역 좌표 시스템으로 간주한다.
본 논문에서 제안하는 TSB 주행 방식은 직진 구간에서 Throttle, Steer, Brake 정보만을 활용하여 주행을 수 행하는 효율적인 접근법으로 설계되었다. 이 방식은 직진 주행 시 Pure-Pursuit 알고리즘을 최소한으로 사용 하여 차량 내부 시스템이 불필요한 계산을 수행하지 않도록 하여 높은 효율성을 낼 수 있고, 충분한 주행 성 능을 발휘할 수 있다는 점을 기반으로 한다.
반면, 곡선 구간에서는 waypoints의 x, y 좌표를 활용하여 차량의 방향을 정밀하게 제어함으로써 주행 안 정성을 보장한다. 이러한 설계는 직진과 곡선 주행 간의 모드를 명확히 구분함으로써, 각 상황에 적합한 제 어 방식을 결정할 수 있는 유연성을 제공한다. 결과적으로, 다양한 도로 환경에 효과적으로 대응할 수 있는 주행 알고리즘을 구현할 수 있으며, 차량의 주행 효율성과 안정성을 동시에 향상시킬 수 있다.
1) 전역 좌표를 통한 yaw 계산
Carla Simulator는 전체 World의 정보를 포함하며, Traffic, Actor, Map 등의 다양한 데이터를 자체적으로 제 공한다(Carla simulator Documents, 2024). Actor는 보행자, 자전거, 차량 등을 포함하며, 각 Actor 객체는 Carla Simulator 내에서 x, y 좌표, speed, yaw 등 위치와 관련된 정보를 가지고 있다. 본 연구에서는 각 차량 Actor 가 보유한 x, y 좌표와 Map 객체가 제공하는 waypoints의 x, y 좌표를 활용하여 전역 좌표에서 Actor의 yaw를 계산하였다. yaw를 계산하는 과정은 두 점 사이의 기울기를 기반으로 한다. Actor의 현재 x, y 좌표와 목표 waypoints의 x, y 좌표 간의 벡터를 사용하여 수식 (1)을 통해 yaw를 도출한다:
실제 환경에서는 Carla Simulator 내부에서 제공되는 Map 및 Actor 정보가 존재하지 않을 가능성이 높다. 따라서 실제 환경과 유사한 조건을 가정하여 실험을 설계하였다. 본 연구에서는 Actor 객체가 보유한 yaw를 사용할 수 없다고 가정하고, 대신 GPS 센서를 활용하여 계산하였다. GPS 센서는 차량의 위치 데이터를 제공 하며, 차량의 현재 위치와 이전 위치 간의 상대적 변화로부터 방향(yaw_diff)을 계산할 수 있다. 여기서 (xt,yt) 는 현재 차량의 좌표를, (xt+1,yt+1)는 다음 waypoints 좌표를 나타낸다. 이 계산 방식은 차량의 지역 좌표에서 상대적인 방향을 도출하며, 외부 정보에 의존하지 않고 차량 자체 데이터를 기반으로 방향을 예측할 수 있도 록 설계되었다.
2) 방향성 예측을 위한 yaw_diff 계산
전역 좌표를 통해 얻은 yaw로 지역 좌표 기반에서 yaw_diff를 계산하기 위해, 차량의 이동 중인 x, y 좌표 와 현재 x, y 좌표를 수식 (1)에 대입하였다. 계산된 yawt+1와 yawt의 차가 yaw_difft가 된다. 실제 주행 환경에 서는 GPS 또는 IMU 센서의 데이터를 기반으로 차량의 yaw_diff를 측정한다고 가정한다.
yaw_diff는 차량이 현재 상태에서 이후 상태로 이동하면서 발생한 방향 변화를 의미하고, 지역 좌표를 기 준으로 차량의 방향 변화량을 계산하며, 차량의 제어 주기마다 반복적으로 계산된다. 계산된 yaw_diff는 차량 이 이동 중인 방향 변화량을 실시간으로 반영하며, 이는 곡선 도로나 경사로 등을 예측하는 모델에 입력값으 로 활용됨으로써 다양한 주행 환경에서 차량의 동적 안정성을 확보하는 데 중요한 역할을 한다.
본 연구에서는 계산된 yaw_diff 5개를 1개의 데이터 단위로 묶어 하나의 Time Step으로 관리한다. 각 Time Step은 수행의 편리성 및 효율성을 위한 파이썬 패키지인 Numpy 라이브러리의 Array 형태로 저장되며, 이를 통해 경로 흐름에 따른 차량의 방향 변화를 효과적으로 표현할 수 있다. 이러한 데이터 처리 방식은 차량의 주행 방향을 주행 모드 결정 모델에 효과적으로 전달하여, 주행 모드 간의 전환을 용이하게 한다.
3. RNN 구조를 활용한 주행 모드 결정 모델 아키텍처
계산된 yaw_diff들을 활용하여 차량의 주행 모드를 결정하기 위해 RNN 모델의 구조를 사용하였다. 선두 차량이 waypoints 기반 주행을 수행할 때, 차량이 차선을 유지하기 위해 Oscillation(진동) 현상이 발생할 수 있다. 임계값을 사용한다면 선두 차량의 Oscilation 현상도 곡선으로 판단할 것이고, 이러한 현상이 반복될 경 우, waypoints 기반 주행을 지속적으로 실행하게 되어 TSB 주행을 실행하지 않는 문제가 발생할 수 있다.
이러한 문제를 효율적으로 해결하기 위해 경로 방향성의 예측을 통한 주행 모드 결정이 필수적이며, 이전 상태의 연속적인 관계를 학습하여 시공간적 성질을 충분히 반영할 수 있는 RNN 모델의 구조를 선택하여 실 험을 진행했다. <Fig. 2>와 같이 yaw_diff를 시계열 데이터로 변환하여 차량의 주행 방향성을 입력값으로 갖 는 RNN 모델을 통해 주행 모드를 결정하여 안정적인 주행 제어를 구현하였다.
본 연구에서 사용된 앞바퀴 중심과 뒷바퀴 중심 사이 거리인 축거는 2.85m이다. 축거의 절반인 1.425m로 waypoints 사이의 거리를 설정해야 경로 이탈 없이 안전한 주행이 가능하다. 그러나, 정확히 1.425m마다 waypoints 경로를 생성하는 것은 실험 환경의 한계로 인해 불가능하다. 따라서 waypoints 사이의 거리를 1m 로 설정하여 지연 및 오류 등이 발생하여도 안전 임계값인 1.425m를 벗어나지 않도록 하였다. 이를 토대로 차량의 명확한 이동 방향성을 명확히 나타낼 수 있도록 5개의 waypoints를 기준으로 하여 약 5m에 걸친 이 동 방향을 예측할 수 있는, RNN 모델의 입력 데이터를 구성하기 위해 Window Size를 5로 설정하였다.
RNN 모델의 학습 과정에서 충분한 표현력을 제공하기 위해 Hidden Layer의 개수를 10개로 설정하였다. 이는 복잡한 주행 데이터 패턴을 효과적으로 학습하면서도 과도한 파라미터로 인해 발생할 수 있는 과적합 문제를 방지하기 위한 결정이다. 또한, 활성화 함수로는 Tanh 함수를 사용하였다. Tanh 함수는 출력 범위를 [-1, 1]로 제한해 시계열 데이터 학습을 세밀히 수행한다. 특히, 주행 데이터와 같이 값의 변화가 연속적이거 나 방향성을 포함하는 경우에는 Tanh 함수가 적합한 활성화 함수로 평가된다.
모델의 입력은 5개의 yaw difference 값을 시계열 형태로 구성한 Numpy 배열이며, 이에 대응되는 주행 모 드에 따라 정답 라벨을 부여하여 학습을 수행하였다. 주행 모드 라벨은 직선 주행을 0, 곡선 주행을 1로 정 의하였다. 전체 1,253개의 데이터 중 1,002개를 학습용(Train), 125개를 검증용(Validation), 126개를 테스트용 (Test)으로 분할하여 사용하였으며, 모델의 출력은 각 입력에 대해 직선 또는 곡선 주행일 확률을 0에서 1 사 이의 실수값으로 예측하도록 구성하였다.
4. V2X 네트워크
서버는 선두 차량에 waypoints를, 추종 차량에 TSB 정보와 waypoints 등을 전달하기 위한 V2X 네트워크 구조(Lee et al., 2020)를 갖추고 있으며, 이는 <Fig. 3>에 제시되어 있다. 실제 환경에서는 RSU를 통해 서버와 통신하지만, 본 연구에서는 별도로 구현된 Socket Server가 RSU와 서버의 역할을 대신하여 차량 간 정보를 교환하였다. Socket Server는 각 차량의 클러스터링 정보를 기반으로 선두 차량와 추종 차량를 식별하고 이를 활용해 데이터 교환을 수행한다.
Socket Server가 가지고 있는 정보는 Vehicle ID, 좌표 또는 TSB Information, Mode, Protocol, Front ID, Rear ID 등이 포함된다. 이 중 Vehicle ID는 차량 본인의 식별 코드이며, 주행 모드 결정 모델의 결정에 따라 해당 차량은 좌표 정보 또는 TSB 정보를 서버로 전송한다. Mode는 주행 모드 결정 모델이 결정한 주행 방식을 나 타내고, Protocol은 군집 형성을 위한 식별 및 동작 기준 정보를 포함한다. Front ID와 Rear ID는 각각 군집 내 선두 차량과 추종 차량의 ID로, 차량 간 관계를 정의한다.
또한, 통신 주기는 별도로 고정되어 있지 않으며, 각 차량의 내부 제어 주기 수행 시마다 정보 송수신이 이루어지는 구조로 설계되었다. 이러한 방식은 차량의 운행 상태 변화에 따라 통신 타이밍이 동적으로 조정 될 수 있도록 하여, 상황 변화에 대한 민감한 반응과 실시간성 확보가 가능하도록 한다.
서버는 수신된 데이터를 내부 큐(queue)에 저장하고, 큐에 저장된 정보를 비동기적으로 처리하여 추종 차 량에 전달한다. 이 방식은 다수의 차량이 동시에 통신하는 상황에서도 서버의 안정적인 처리와 빠른 응답을 가능하게 하며, 병목 현상을 줄이고 확장성을 확보하는 데 효과적이다.
선두 차량이 정보를 서버에 전송하면, 서버는 Rear ID를 참조하여 해당 정보를 추종 차량에 전달한다. 추종 차량은 서버로부터 받은 정보를 기반으로 동작을 수행하며, 전달받은 Mode 값에 따라 TSB 주행 또는 waypoints 기반 주행을 선택하여 실행한다.
5. 실험 환경 및 경로 설정
본 연구에서 제안하는 TSB 자율협력주행 알고리즘의 성능을 평가하기 위해 Carla Simulator 버전 0.9.12를 사용하여 실험을 진행하였다. 실험 환경은 고성능 하드웨어 기반으로 구성하였으며, 그래픽 카드로는 NVIDIA RTX 3080을 사용하였고, RAM 64GB로 구성하였다.
이러한 환경을 선택한 이유는 Carla Simulator의 복잡한 물리 엔진과 고해상도 시뮬레이션 실행 시 요구되 는 높은 컴퓨팅 자원을 충분히 제공하기 위함이다. RTX 3080은 고성능 GPU로, 차량 및 주변 환경의 그래픽 처리를 원활히 수행할 수 있어 시뮬레이션 과정에서의 프레임 드롭과 지연을 최소화한다. 또한, 64GB의 메 모리는 다수의 차량, 센서, 및 시뮬레이션 요소를 포함한 대규모 데이터를 안정적으로 처리하기 위한 최적의 메모리 용량이다. 이와 같은 실험 환경을 통해 제안한 TSB 자율협력주행 알고리즘이 실제 응용 환경에서도 안정적이고 효율적으로 동작할 수 있음을 검증하고자 하였다.
실험은 <Fig. 4>에 그려진 화살표의 진행 방향을 따라 다양한 주행 상황을 고려하여 수행되었다. 경로는 먼저 직선 주행으로 시작한 후, 긴 곡선 주행을 거쳐 다시 직선 주행으로 전환하는 과정을 포함하였다. 이 경로는 짧은 직선 주행 후 곡선 주행을 수행하고, 마지막으로 긴 직선 주행으로 전환하는 실험을 추가하여 다양한 환경에서의 주행 성능을 평가할 수 있도록 설정하였다. 이를 통해 TSB 주행이 도심 환경에서도 다양 한 주행 조건에 대응할 수 있음을 입증한다.
Ⅳ. TSB 자율협력주행 비교 및 평가
1. 주행 모드 결정 모델 학습 및 평가
학습에 사용한 데이터 셋의 비율은 <Table 1>의 Quantity와 같고, Epoch 수는 50, batch size는 64로 설정하 여 진행한다. 이때 주행 결정 모델의 Accurace는 99%, Loss는 0.04를 기록하였고 Validation과 Test의 결과에서 도 높은 Accuracy, Loss를 나타내 TSB 주행의 가능성을 확인하기에 충분한 수치를 보였다. 결과적으로, 본 연 구에서 제안한 RNN 모델은 yaw_diff 데이터를 통한 차량의 경로 방향성 정보를 효과적으로 활용하여 곡선, 직선 두 가지의 경우로 차량의 주행 모드를 분류하였으며, 이를 통해 선두 차량이 데이터를 전송 시 보내는 정보를 달리해, 추종 차량의 주행 간의 상호작용을 안정적으로 유지할 수 있었다.
<Table 1>
Train and Validation and Test dataset information
| Train_Data | Validation_Data | Test_Data | |
|---|---|---|---|
| Quantity | 1002 | 125 | 126 |
| Accuracy | 0.9900 | 0.9840 | 0.9921 |
| Loss | 0.0400 | 0.0492 | - |
2. TSB 주행 자율협력주행 시 보정값의 빈도별 정확도 및 효율성 비교
실제 차량은 고속으로 주행할 경우, 작은 yaw의 차이도 시간이 지남에 따라 차이는 기하급수적으로 벌어 지게 된다. 이는 차량의 주행 경로와 안정성에 큰 영향을 미치며, 특히 자율협력주행 환경에서는 추종 차량 의 경로 이탈이나 충돌 위험을 증가시킬 수 있다. 이를 방지하기 위해, 본 연구에서 제안하는 TSB 주행 자율 협력주행 시스템은 클러스터 차량 간의 거리를 15m로 유지함으로써 급격한 조향을 방지하였고, 선두 차량의 현재 x, y 좌표를 보정값으로 활용하여 추종 차량의 yaw를 지속적으로 조정하는 방식을 채택하였다. 이를 통 해 추종 차량이 선두 차량의 궤적을 정확히 추적하고, 충돌을 방지하며, 연산 효율성을 극대화할 수 있다.
효율적인 보정 빈도를 결정하기 위해, 본 연구에서는 TSB 정보를 보내는 중간에 보정값을 보내어 1:0, 25:1, 50:1, 75:1, 100:1로 다양한 보정 빈도를 설정하고, 각각의 빈도에서 정확도와 시스템 효율성을 비교하였 다. 빈도가 증가하면 보정 정확도는 향상될 수 있지만, 시스템의 계산 부담이 커질 수 있다. 따라서, 주행 성 능과 계산 효율성의 균형을 고려하여 최적의 보정 빈도를 선택하는 것이 중요하다.
1) 선두 차량과 추종 차량의 경로 오차 계산을 통한 보정 값의 빈도별 정확도 확인
추종 차량의 궤적이 선두 차량의 궤적을 얼마나 정확히 추적하는지를 분석하기 위해 두 차량 간의 거리 데이터를 활용한다. 이를 통해 추종 차량의 주행 성능과 궤적 일치도를 정량적으로 평가한다. 본 연구에서는 유클리드 거리(Euclidean Distance)를 이용하여 두 차량의 이동 경로 간의 거리를 계산하였다(Gheorghiu et al., 2022). 계산 식은 수식 (2)와 같다. 추종 차량이 선두 차량의 궤적을 따라 주행할 때 차선을 넘지 않는 것을 옳은 주행으로 간주하여, e는 Carla Simulator 내의 차선 폭 길이인 3.5M와 실험 차량 폭의 길이인 2.0M의 차 에 2를 나누었을 때 나오는 값을 기준으로 0.75M로 설정하였다. 거리 Different Distancet 가 e 이하인 경우를 기준으로 궤적 일치 여부를 판단하여, 정확도는 모든 시간 스탬프에 대해 수식 (3)으로 계산된다.
여기서 Different Distance t는 선두 차량과 추종 차량의 경로 간 최소 거리를 나타내고 (xtlead,ytlead)는 시간t에 서 선두 차량의 좌표, (xtfollow,ytfollow)는 시간t에서 추종 차량의 좌표를 나타낸다. I는 지시 함수로, 조건이 참 일 경우 1, 거짓일 경우 0을 반환한다.
보정값을 보내지 않는 보정 빈도 1:0의 경우에서는 추종 차량의 비정상적 운행으로 인하여 주행이 불가능 하였음으로 제외하고 25:1, 50:1, 75:1, 100:1 비율의 보정 빈도를 갖는 추종 차량과 선두 차량의 경로 오차 거 리를 분석하였다. <Fig. 5>는 각 비율의 경로 오차를 시각적으로 나타낸 결과로, 50:1, 75:1, 100:1 세 가지의 비율은 특정 구간에서 큰 이상치를 보여 안전한 주행 환경에 적합하지 않음을 확인할 수 있다. 이러한 이상 치는 오차의 분산을 크게 증가시키며, 주행 경로의 안정성을 저하시킬 가능성이 크다. 반면, 보정 빈도 10:1 와 25:1는 임계값인 0.75M를 넘지 않아 차선을 넘지 않았으며, 평균 오차와 최대 오차가 상대적으로 낮아 안 정적인 자율협력주행을 유지하는 데 적합한 성능을 보인다. 특히 보정 빈도 10:1은 평균 오차 0.2189, 최대 오차 0.4939로 가장 낮은 오차를 기록하였고, 보정빈도 25:1 또한 평균 오차 0.2857, 최대 오차 0.6363로 유사 한 성능을 유지하면서 높은 주행 안정성을 보인다.
<Table 2>에 따르면, 보정 빈도 50:1, 75:1, 100:1는 평균 오차가 각각 0.3906, 0.6322, 0.8084로 비율이 높을 수록 증가하고, 최대 오차가 각각 1.2448, 3.0960, 3.2532로 높은 값을 기록하고 있다. 이는 차량이 곡선 주행 후 작은 yaw 차이를 빠르게 바로잡지 못해 생기는 오차이며 특히, 보정 빈도 75:1부터는 비교적 평균 오차가 낮음에도 최대 오차가 크게 증가하여, 일부 이상치가 극단적인 거리 차이를 유발한다.
<Table 2>
Results of error comparison between different ratios
| Ratio | Mean Error Distance | Max Error Distance | All/False | Accuracy |
|---|---|---|---|---|
| 10:1 | 0.2189 | 0.4939 | 549/0 | 100% |
| 25:1 | 0.2857 | 0.6363 | 452/0 | 100% |
| 50:1 | 0.3906 | 1.2448 | 560/109 | 81.56% |
| 75:1 | 0.6322 | 3.0960 | 344/95 | 72.38% |
| 100:1 | 0.8084 | 3.2532 | 362/136 | 62.43% |
이에 비해 보정 빈도 25:1은 보정 빈도 10:1 와 유사한 성능을 보이면서도 waypoints 기반 경로 계산의 복 잡성을 줄이고 빈도 수와 계산 효율성의 균형을 이루어 가장 적합한 비율로 평가할 수 있다. 따라서 보정 빈 도는 25:1가 효율적이고 안정적인 주행 경로를 형성하며, 가장 적합한 비율로 확인되었다.
2) 선두 차량과 추종 차량, Carla Simiulator 내의 오토파일럿과의 비교를 통한 효율성 확인
waypoints 기반 주행 차량, TSB 주행 차량, 그리고 Cㄴarla Simulator 내 Autopilot 차량의 궤적을 비교 분석 하여 TSB 주행 시스템의 효율성을 평가한다. 세 가지 시스템 차량과 waypoints 간의 경로 오차를 계산하여 각 시스템의 궤적 추적 성능을 정량적으로 분석하고, TSB 주행 시스템의 성능이 실제 사용에 적합한지를 검 토한다. 유클리드 거리 계산과 정확도 계산은 기존에 정의된 수식 (2), (3)을 그대로 사용하며 정확도 계산 시 임계값은 앞서 설정한 값인 0.75m로 진행한다.
Carla Simulator 내의 Autopilot, waypoints 기반 주행, 그리고 TSB 주행과 waypoints 경로의 거리 오차를 정 량적으로 분석하였다. <Fig. 6>는 각 주행 방법의 거리 오차를 시각적으로 나타낸 결과로, waypoints 기반 주 행과 Carla Autopilot은 평균 오차와 최대 오차가 낮고, 이상치가 크지 않아 매우 준수한 성능을 보였다. TSB 주행은 두 가지 방법에 비하면 낮은 성능을 보였으나, 임계값을 넘지 않아 차선 내에서 이탈하지 않아 전반 적으로 안정적인 주행 경로를 유지할 수 있음을 보여준다. 이는 자율주행 시스템의 안정성을 평가하는 데 있 어 여전히 의미 있는 성능으로 볼 수 있다. 특히, TSB 주행은 최대 오차 값을 효과적으로 억제하면서 안정적 인 주행 경로를 유지한다는 점에서 실질적인 활용 가능성을 제시한다.
<Table 3>의 통계값을 종합적으로 분석한 결과, TSB 주행은 평균 오차와 최대 오차 모두 다소 큰 값을 보 였지만, 임계값은 넘지 않아 TSB 주행이 안정적인 추종 주행을 가능하게 함을 확인하였다. 이러한 결과는 TSB 주행이 제한된 환경에서 자율주행 시스템의 대안적인 접근법으로서 충분히 의미 있는 가능성을 가지고 있음을 나타낸다. TSB 주행은 평균 오차가 0.1652, 최대 오차는 0.6308로 waypoints 기반의 주행, Carla Simulator 내의 Autopilot에 비해 낮은 성능을 보여주었다. 그러나 네트워킹, 인공지능 모델 등의 관련 기술 최 적화를 수행하지 않은 점에서 더 발전할 수 있다는 가능성이 있다.
<Table 3>
Results of Error comparison between waypoins and autonomous driving cars
| Based | Mean Error Distance | Max Error Distance | All/False | Accuracy | Count/Meter |
|---|---|---|---|---|---|
| Autopilot | 0.0171 | 0.0384 | 505/0 | 100% | 1.69 |
| Waypoints | 0.0177 | 0.0425 | 417/0 | 100% | 1.40 |
| TSB | 0.1652 | 0.6308 | 452/0 | 100% | 1.53 |
세 가지 기술의 미터당 계산 횟수(Count/Meter)는 통신을 진행하지 않는 Carla Simulator 내의 Autopilot이 가장 높은 1.69번을 기록하였고, V2X 네트워크 기술을 활용한 waypoints 기반의 주행과 TSB 주행은 각각 1.40, 1.53번의 기록을 얻었다. TSB 주행은 Autopilot 주행보다 낮은 성능을 보여주고 있으나 이는 V2X 네트 워크 기술을 사용하여 진행한다는 점에서 차이가 있다. 또한 waypoints 기반의 주행과 비교했을 때는 1.40과 1.53번의 기록으로 큰 차이를 보이지는 않으나, 계산이 아닌 입력값만으로 가능하여 효율성이 크다는 장점이 있다.
결론적으로, TSB 주행은 높은 성능의 waypoints 및 Autopilot 주행과 비교했을 때 경로의 거리 오차는 큰 차이를 보였으나 임계값을 넘지는 않았고, 전반적으로 안정적인 성능을 유지하며, 특정 상황에서는 충분히 경쟁력 있는 대안으로 평가될 수 있다. 또한 V2X 네트워크를 통한 통신에도 불구하고, 효율적인 계산을 사 용하여 TSB 주행이 최적화에 도움이 된다는 사실을 입증했다. 이러한 결과는 TSB 주행의 추가적인 개선 가 능성을 제시하며, 자율주행 시스템에서의 실질적인 활용 가능성을 확인했다.
Ⅴ. 결론 및 시사점
본 연구는 CARLA Simulator를 활용하여 자율협력주행의 안정성과 효율성을 극대화하기 위해 TSB(Throttle- Steer-Brake) 주행 모델을 제안하고, waypoints 기반 주행 및 Autopilot과의 비교 분석을 통해 TSB 주행의 활용 가능성을 입증했다. 차량의 전역, 지역 좌표에서 yaw_diff 계산을 통한 RNN 모델의 활용은 다양한 주행 환경에서 안정적으로 작동하며, 자율협력주행의 효율성을 향상시키는 데 효과적임을 확인했다. 또한, 보정 빈도를 25:1로 설정할 때 최적의 주행 안정성과 계산 효율성을 달성할 수 있음을 실험적으로 도출하였고, 평균 오차를 효율적인 계산을 통하여 효과적으로 억제하며 안정적인 주행 경로를 제공하는 TSB 주행의 실용 가능성을 확인했다. 본 연구는 복잡한 도심 환경에서도 안정적인 자율협력주행이 가능하여 스마트시티 구현에 기여할 수 있는 중요한 기술적 기반을 제시하며, 교통 시스템의 효율성과 안전성을 높이는 데 기여할 것으로 기대한다. 향후 실제 환경에 서의 적용 가능성을 높이기 위해 날씨에 따른 동작의 정확성, 장애물 상황 시 대처, 네트워크 지연 발생 등의 다양한 변수를 고려한 추가 연구와 강화 학습 기반 AI 모델과의 결합을 통해 알고리즘의 성능을 더욱 개선할 필요가 있다.
