Ⅰ. 서 론
자율주행 시스템의 단계적 상용화가 진행되면서, 운행설계영역(Operational Design Domain, ODD) 확장 시 기상 조건 임계값 설정이 핵심 과제로 부상하고 있다. 빗방울은 LiDAR 레이저 빔을 산란시켜 3D 점군 정보 손실을 유발하고, 눈발은 시야를 물리적으로 차폐하여 객체 탐지를 어렵게 만든다. 그러나 이러한 저하 양상이 기상 유형별로 어떻게 다른지를 실제 데이터로 정량화한 연구는 아직 미비하다. 자율주행 ODD의 국제 표준인 ISO 34503:2023 Clause 10은 강우를 mm/h 단위로, 강설을 가시거리 기준으로 별개 조건으로 분류하면서도, 각 조건이 자율주행 시스템(ADS) 센서 신뢰도(sensor fidelity)에 미치는 저하 강도와 메커니즘의 실증적 수치를 제시하지 않아 ODD 기상 조건 세분화의 실무적 근거가 부재하다. 국내 자율주행 규제 당국이 운행 허가 기준 수립 시 이 표준을 참조한다는 점에서 임계값 공백은 현장 운용 가이드라인의 부재로 이어진다. 나아가 눈 조건의 시야 차폐는 원거리에서 탐지되지 못한 객체가 근거리에서 갑자기 출현하는 근접 위험도를 구조적으로 높여, 보행자·이륜차 등 취약 도로 이용자의 안전을 위협할 수 있다. 따라서 기상 유형별 검지 저하 메커니즘을 실증적으로 구분하고, 근접 위험도를 정량화하여 이에 대응하는 ODD 운행 기준을 마련하는 것이 시급하다.
본 연구는 과학기술정보통신부와 한국지능정보사회진흥원이 운영하는 국가 AI 개발 지원 플랫폼 ‘AI허브’ 승용 자율주행차 악천후 데이터(1,810씬, 72,021프레임)의 3D 어노테이션을 전수 파싱하여 날씨 조건별 센서 가시성 저하를 정량 분석하고, 기상 조건별 대표 프레임의 포인트클라우드 시각화를 통해 저하 메커니즘을 직관적으로 제시하며, ODD 확장을 위한 기상 조건 임계값 설정의 정책적 근거를 도출하는 것을 목적으로 한다. 핵심 연구 질문은 다음과 같다. (RQ1) 악천후 조건에서 자율주행 센서 성능은 맑은 날 대비 어느 정도 저하되는가. (RQ2) 가시성 저하 양상은 비와 눈이 서로 어떻게 다른가. (RQ3) 날씨와 도로유형의 조합이 센서 가시성에 미치는 교호작용 효과는 어떠한가. (RQ4) 기상 조건별 가시성 저하 메커니즘과 근접 위험도는 ODD 기상 조건 세분화 및 운행 제한 기준 설정에 어떤 실증적 근거를 제공하는가.
Ⅱ. 선행연구고찰
악천후 환경에서의 LiDAR 센서 성능 저하에 관한 연구가 활발히 진행되고 있다. Dreissig et al.(2023)은 악천후 LiDAR 인지에 관한 종합 리뷰를 통해 센서 기술 기반 대응, 포인트클라우드(Point Cloud) 잡음 제거(denoising), 강건한 인지 알고리즘, 센서 퓨전(sensor fusion)의 네 가지 접근법을 분류·정리하였다. Zhang et al.(2023)은 악천후가 카메라·LiDAR·레이더 전반에 미치는 영향을 체계적으로 정리하고, 각 센서의 물리적 저하 메커니즘을 비교하였다. Gupta et al.(2025)은 눈·비·안개 조건에서 LiDAR 인지 알고리즘의 성능 한계를 실증하고, 포인트클라우드 필터링 방법의 효과를 비교하여 악천후 유형별로 최적 대응 전략이 다름을 확인하였다.
실도로 및 통제 환경에서의 실증 연구도 다수 수행되었다. Kim et al.(2023)은 국내 실제 도로에서 비(10~40mm/h)와 안개(가시거리 50~150m) 조건별 LiDAR 포인트클라우드 수(Number of Point Clouds, NPC)와 반사 강도(intensity) 저하를 ANOVA 검정으로 실증하였다. 강우 40mm/h 이상 조건에서 최대 탐지 거리가 맑은 날 대비 약 30% 감소하고 NPC가 45% 감소함을 확인하였다. Choe et al.(2024)은 강우 시 LiDAR 성능 저하의 두 원인을 규명하였는데, 첫째는 빗방울 충돌로 인한 포인트클라우드 수 감소이고, 둘째는 레이저 빔이 빗방울에 먼저 반사되어 객체까지의 거리 정확도가 감소하는 것이다. Kutila et al.(2018)은 핀란드 안개·빗속에서 차량용 LiDAR 성능 검증을 수행하였으며, Heinzler et al.(2019)은 다양한 강우·안개 조건에서 LiDAR 신호 감쇠 특성을 정량화하였다. Sezgin et al.(2024)은 레이더·LiDAR 센서의 비·안개 조건별 보행자 탐지 최대 거리를 통제 환경에서 실측하고 Weather Filter 예측 모델을 개발하여, 기상 조건에 따른 탐지 거리 저하가 정량적으로 예측 가능함을 보였다. Wu et al.(2024)은 다양한 강설 강도와 LiDAR 모델을 대상으로 눈 조건에서 차량 탐지율이 50%, 보행자 탐지율이 20% 감소함을 실증하고, 강설이 차량보다 보행자 탐지에 더 심각한 영향을 미침을 확인하였다.
센서·인지 알고리즘을 넘어 차량의 자동긴급제동(Automatic Emergency Braking, AEB) 작동 결과 수준에서 악천후와 안전성을 연결한 연구로는 Rahman et al.(2023)의 연구가 있다. 맑음·비·눈 조건에서 AEB 성능을 실도로에서 측정한 결과, 충돌 감지 거리·제동 개시 거리·AEB 성공률 모두 악천후 조건에서 유의하게 저하되었으며, 악천후 첨단운전자지원시스템(Advanced Driver Assistance Systems, ADAS) 성능 저하의 정량화가 ODD 설계와 직결됨을 결론으로 제시하였다.
자율주행차 ODD 분류 체계와 관련하여 ISO 34503:2023은 ODD를 배경 요소(Scenery), 환경 조건(Environmental), 동적 요소(Dynamic)의 3대 축으로 분류하는 국제 표준이다. 그러나 Clause 10(Environmental Conditions)이 기상 조건을 분류 항목으로 제시하면서도 강우량·강설량 등 구체적 임계값을 제시하지 않고 있어 ODD 확장 실무에서 정책적 공백이 발생한다. Lee et al.(2023)은 ISO 34503을 기반으로 국내 도로·기상·교통 여건을 반영한 ODD 분류 체계를 제안하였으며, Kim et al.(2020)은 도심 도로에서 ODD 기반 자율주행 평가 체계를 제안하였다.
기존 연구들은 LiDAR 포인트클라우드(point cloud)의 포인트 수(Number of Point Clouds, NPC)·반사 강도(intensity) 등 원시 신호를 직접 측정하거나, 딥러닝 알고리즘의 성능 개선에 초점을 맞추었으며, 대부분 단일 기상 조건을 분석하는 소규모 통제 실험에 머물렀다. 본 연구는 다섯 가지 차원에서 기존 연구와 구별된다. 첫째 데이터 규모로, 72,021프레임을 전수 파싱하여 기존 연구 대비 수십~수백 배에 달하는 분석 규모를 확보하였다. 둘째 분석 방법으로, 검수 완료 JSON 어노테이션을 파싱하여 객체 수준에서 3D 위치정보 미획득(3D null) 비율과 시야 차폐 비율(occluded ratio)을 직접 산출하였다. 셋째 기상 조건으로, 맑음·흐림·비·눈 4가지 기상 조건을 동일 데이터셋 내에서 동시에 비교하여 비와 눈의 저하 메커니즘 차이를 최초로 실증적으로 비교하였다. 넷째 교호작용 검정 및 정책 연결로, Scheirer-Ray-Hare 검정(날씨·도로유형 두 요인이 동시에 센서 성능에 미치는 영향을 비모수 방식으로 검증하는 이원분산분석)을 통해 날씨와 도로유형 간 교호작용 효과를 실증하고, 분석 결과를 자율주행 ODD 기상 조건 임계값 설정에 필요한 실증적 근거로 제시하였다. 다섯째 근접 위험도 정량화로, 시야 차폐 효과가 5m 이내 객체 돌출 출현 빈도(근접 위험도)로 이어지는 인과 고리를 실증하고, 도심 3차로 이상 통제 조건에서 비 조건 내 보행자가 있는 프레임의 시야 차폐 비율(52.6%)이 보행자 없는 프레임(44.1%) 대비 유의하게 높아(Mann-Whitney, p<0.001), 보행자 밀집 환경에서 시야 차폐가 심화되고 근접 위험도(12.5%)가 높아짐을 실증하였다.
Ⅲ. 분석 방법
1. 데이터셋 개요
자율주행 센서 성능 연구는 크게 ① 원시 포인트클라우드(raw LiDAR point cloud)를 직접 처리하여 포인트 수(NPC)·반사강도(intensity)·탐지 거리 등 신호 수준 지표를 측정하는 방법(Kim et al., 2023; Heinzler et al., 2019)과 ② 전문 어노테이터가 검수한 3D 어노테이션 파일을 파싱하여 객체 수준 지표를 산출하는 방법으로 구분된다. 본 연구는 후자를 채택하였으며, 이에 대한 방법론적 근거는 다음과 같다.
Geiger et al.(2012)이 KITTI 데이터셋에서 차폐 속성(occlusion)을 0~3단계로 정량화하고 3D 바운딩박스의 크기·위치(dimension·location) 필드를 표준화한 이래, 자율주행 어노테이션 데이터는 단순한 학습용 레이블을 넘어 센서 인지 성능의 확정적 지표로 활용되어 왔다. Zhu et al.(2019)은 어노테이션 기반 3D 바운딩박스 속성이 원시 포인트클라우드의 신호 수준 지표와 높은 상관성을 보임을 실증하였으며, Braun et al.(2019)은 공개 어노테이션 데이터셋의 기상 조건별 분석이 센서 성능 저하의 유의미한 대리 지표가 됨을 확인하였다. Liu et al.(2024)는 265개 자율주행 데이터셋 분석에서 어노테이션 품질이 인지 시스템의 성능과 안전성에 직접 영향을 미침을 종합적으로 확인하였다.
이러한 근거에 기반하여 본 연구는 원시 LiDAR 포인트클라우드 처리 없이 AI허브 어노테이션 JSON 파일만으로 분석을 수행하였다. 어노테이션에 기록된 3차원 경계박스(3D bounding box)의 크기·위치(dimension·location) 필드 누락 여부(3D 위치정보 미획득, 이하 3D null ratio)와 시야 차폐 속성(occluded)의 시야 차폐 비율(occluded ratio)은 전문 어노테이터가 실제 센서 출력을 확인·검수한 결과로서 센서 성능 저하를 반영하는 확정적 정보이다. 이 접근법은 연구 재현성이 높고 AI허브 공개 데이터를 활용한 후속 연구 확장이 용이하다는 장점이 있다. 데이터셋의 센서, 규모, 날씨 및 수집 도시는 <Table 1>과 같다.
<Table 1>
Dataset overview
| Item | Description |
|---|---|
| Dataset | Adverse Weather Data for Passenger AV (AI Hub 092) |
| Sensors | Camera (1920×1080) + 3D LiDAR + Radar |
| Scale | 1,810 scenes × 40 frames = 72,021 (after dedup) |
| Weather | Cloudy 1,490 / Rain 261 / Clear 32 / Snow 27 |
| Cities | Sejong, Daegu, Ulsan, Hwaseong(KATRI), Seongnam(Pangyo) |
데이터 수집 차량은 국토부 자율주행 임시운행허가를 취득한 제네시스 G80(DH)과 현대 DN8 두 차종이며, 두 차량은 32채널 LiDAR(탐지거리 200m 이상), 16채널 LiDAR(100m 이상), 풀HD(Full High Definition, FHD) 카메라 5채널, 레이더로 동일하게 구성되었다. 단, 날씨 조건별 수집 차량이 상이하여(맑음: DN8, 흐림·눈: G80, 비: G80+DN8 혼재) 차량별 수집 환경 차이가 날씨 조건 간 비교의 잠재적 교란 요인이 될 수 있다. 그러나 AI허브 데이터 구축 가이드라인에 따르면 두 차량은 동일한 센서 사양과 동일한 센서 구성으로 이루어졌으며, 라이다 센서 장착 위치는 360도 인지가 가능한 위치로 표준화되었고 시간 동기화 및 캘리브레이션이 수행되었다(AI Hub, 2022b). 날씨 구분은 각 씬의 어노테이션 파일 내 Environment_meta.weather 필드에 기록된 값을 사용하였으며, 비 및 눈 조건은 기상청 관측값 기준 시간당 3mm 이상의 강수가 발생한 경우로 정의된다. 기상청 ASOS 관측 자료(지점번호: 세종 239, 대구 143, 울산 152, 수원 119) 기준으로 비 수집일의 일강수량은 최소 0mm에서 최대 76.8mm(2022.7.18. 세종)였으며, 눈 수집일(2022.12.6.)의 수원 일강수량은 3.9mm, 적설량은 3.8cm였다. 흐림 및 맑음 수집일의 일강수량은 0mm(일부 날짜 5.1mm 이하)로 강수 없는 조건이 확인된다. 날씨별 탐지 객체의 구성 비율 및 보행자 유무에 따른 가시성 저하 차이는 Ⅴ-1절 <Fig. 1>에 제시하였다. 센서 사양 및 수집 절차의 상세 내용은 AI Hub 데이터 설명서를 참고한다(AI Hub, 2022a; 2022b).
<Fig. 1>
(a) Object type composition by weather condition (% of total detected objects). Snow condition contains no pedestrians or two-wheelers (vehicle ratio 95.6%). (b) LiDAR visibility degradation metrics for rain frames with vs. without pedestrians (Mann-Whitney U test; occluded & proximity: p<0.001).
2. 분석 지표 정의 및 산출 방법
본 연구는 3D 어노테이션 JSON 파일에서 4가지 지표를 산출하였다. 각 지표는 개념·산출식·자율주행 안전 관련성·해석 주의사항으로 구성하여 서술한다.
1) 3D 위치정보 미획득 비율(3D null ratio)
3D 위치정보 미획득 비율(3D null ratio)은 센서가 객체의 존재는 감지했으나(2D 인식), LiDAR가 그 객체의 3차원 위치(x, y, z)와 크기(width, height, length)를 획득하지 못한 객체의 비율이다. AI허브 어노테이션에서 차원(dimension) 및 위치(location) 필드가 누락(null)으로 기록된 경우에 해당한다.
여기서 Nnull은 차원(dimension) 및 위치(location) 필드가 누락(null)으로 기록된 객체수, N은 프레임 내 전체 탐지 객체수이다.
강우 시 빗방울이 LiDAR 레이저 빔을 산란·흡수하여 레이저가 목표 객체에 도달하지 못하거나 빗방울에 먼저 반사된 신호가 잘못된 거리 정보를 반환하면(Choe et al., 2024), 객체의 3D 바운딩박스 좌표를 계산할 수 없게 된다. 3D null 상태의 객체는 존재는 인식하나 정확한 위치·크기를 알 수 없는 상태이므로, 자율주행 시스템의 경로 계획(path planning) 및 충돌 회피 알고리즘에 직접적인 입력값을 제공하지 못한다. ‘3D 위치정보 미획득 비율(3D null ratio)’은 본 연구의 조작적 정의이며, 유사 개념으로 선행연구에서는 탐지 누락률(missing detection rate), 3D 위치 추정 실패율(LiDAR 3D localization failure rate), 희박 포인트클라우드(sparse point cloud) 등의 표현이 사용된다.
2) 시야 차폐 비율(Occluded ratio)
시야 차폐 비율(Occluded ratio)1)은 전체 탐지 객체 중 다른 객체 또는 환경 요인에 의해 시야가 가려진 객체의 비율이다. AI허브 어노테이션에서 시야 차폐(occluded) 필드가 1로 기록된 경우에 해당한다.
여기서 Nocc는 occluded 필드가 1(차폐)로 기록된 객체수, N은 프레임 내 전체탐지 객체수이다. 시야 차폐(occluded) 판정은 두 가지 원인으로 발생한다. 첫째, 객체 간 상호 차폐(inter-object occlusion)로 앞차가 뒷차를 가리는 경우이다. 둘째, 강설·눈발에 의한 환경적 차폐로, 눈발이 카메라·LiDAR 시야를 물리적으로 가로막는 경우이다. 본 연구에서 눈 조건의 시야 차폐 비율(69.3%)이 다른 기상 조건(47~49%)과 20%p 이상 차이나는 것은 두 번째 원인인 환경적 차폐 효과가 지배적이기 때문이다. 시야 차폐는 자율주행 데이터셋의 표준 어노테이션 속성으로, Geiger et al.(2012)이 KITTI 데이터셋에서 최초로 0(완전 노출)·1(부분 차폐)·2(대부분 차폐)·3(불명)의 4단계로 정량화한 이래 주요 자율주행 데이터셋의 공통 속성으로 정착하였다. 단, 각 데이터셋의 세부 판정 기준은 통일되어 있지 않아(Zhao et al., 2024), 본 연구에서 사용한 이진(0/1) 판정은 AI허브 어노테이션 가이드라인에 따른 것임을 명시한다.
3) 평균 탐지 거리(average detection distance)
평균 탐지 거리는 탐지된 객체와 자율주행차(자차) 사이의 평균 거리(m)로, AI허브 어노테이션의 distance 필드 값을 날씨 조건별로 평균한 값이다. 3D null 객체는 거리 산출이 불가하여 제외한다.
여기서 dw는 날씨 조건 w의 평균 탐지 거리, sw는 조건 w에서 3D null이 아닌 유효 객체 집합, Nw는 해당집합의 크기, di는 객체 i의 거리(distance) 필드값(m)이다.
탐지 거리가 짧을수록 자율주행 시스템이 객체를 인지하는 시점과 충돌 가능 시점 사이의 시간 여유가 줄어든다. 평균 탐지 거리는 날씨별 전반적 탐지 성능을 나타내는 지표이나, 탐지된 객체의 평균값이므로 가장 가까운 객체의 돌출 위험은 반영하지 못한다. 이를 보완하기 위해 다음 지표 (4)를 함께 사용한다.
4) 근접 위험도(Proximity Hazard, PH)
근접 위험도(Proximity Hazard, PH)는 프레임 내 자차와 가장 가까운 객체의 거리(min_distance)가 5m 이하인 프레임의 비율로, 충돌 회피가 불가능한 순간의 발생 빈도를 정량화한 지표이다. 본 연구에서 ‘탐지 신뢰성(detection reliability)’은 기상 조건별로 자율주행 시스템이 객체를 얼마나 충분한 거리에서 안정적으로 검지할 수 있는가를 나타내는 개념으로, 평균 탐지 거리(전반적 탐지 성능)와 근접 위험도(순간 충돌 위험)를 통 해 조작적으로 정의한다.
여기서 i는 프레임 인덱스, min-distancei는 프레임 i에서 탐지된 객체 중 자차와의 최소 거리(m), N(min-distancei≤5m)는 최소탐지 거리가 5m 이하인 프레임수, N은 날씨 조건 w의 전체 프레임 수이다. 시속 30km 주행 시 5m는 반응 가능 시간 0.6초에 해당하며(Rahman et al., 2023), 이 거리 이내에서 객체가 최초 탐지될 경우 충돌 회피가 사실상 불가능하다. 주행 속도가 높아질수록 동일 시간 내 이동 거리가 길어지므로, 5m는 도심 저속에서도 회피가 불가능한 절대 하한 거리이며, 본 연구의 통제 분석 대상인 자동차전용도로·고속 조건에서는 더욱 엄격한 기준으로 작용한다. 실제로 맑은 날 시속 60km 조건에서도 자동긴급제동 제동 개시 거리가 약 13~15m임을 고려하면(Rahman et al., 2023), 5m 이내 최초 탐지는 어떤 주행 속도와 환경에서도 충돌 회피가 불가능한 임계 거리로 볼 수 있다. 근접 위험도는 시야 차폐 효과로 인해 원거리에서 탐지되지 못한 객체가 근거리에서 갑자기 출현하는 돌출 위험의 빈도를 정량화한 지표이다.
Ⅳ. 분석절차
분석 지표의 정규성(Shapiro-Wilk 검정, p<0.001)과 등분산성(Levene 검정, p<0.001)이 모든 날씨 그룹에서 충족되지 않아 비모수 검정을 채택하였다. 분석은 4단계로 수행하였다.
1단계로 AI허브 3D 어노테이션 JSON 파일(1프레임=1파일)에서 어노테이션 목록(annotations 배열)을 파싱하여 객체별 class·dimension·location·occluded·distance·track_id 필드를 추출하고, 상기 식 (1)~식 (4)에 따라 프레임별 4개 지표(3D 위치정보 미획득 비율, 시야 차폐 비율, 평균 탐지 거리, 근접 위험도)를 산출하였다. 파이썬(Python)을 사용하여 72,021개 JSON 파일을 전수 파싱하였다. 날씨별 핵심 지표(Ⅴ-1절)와 교차분석(Ⅴ-5절)은 탐지 객체 수를 합산한 비율로 산출하였으며, 통계 검정과 근접 위험도 분석은 프레임별 지표값을 관측치로 사용하였다. 2단계로 씬 메타데이터(날씨, 도로유형, 시간대, 교통량, 속도유형, 엣지케이스(edge case))를 프레임별 지표에 병합하여 분석용 데이터프레임을 구성하였다. 3단계로 통계 검정을 수행하였다. 날씨 4그룹 간 차이 검증을 위해 Kruskal-Wallis H검정을 사용하였다. 이는 맑음·흐림·비·눈 4개 날씨 그룹의 지표값 분포가 서로 다른지를 확인하는 비모수 검정으로, 정규분포를 가정하지 않아 LiDAR 센서 데이터처럼 분포 형태가 불규칙한 경우에 적합하다. 사후 쌍대 비교에는 Mann-Whitney U검정을 적용하였는데, 이는 두 날씨 조건(예: 비 vs 눈)이 실제로 차이가 있는지를 1:1로 비교하는 검정이다. 여러 조합을 동시에 비교할 때 발생하는 우연에 의한 오류를 줄이기 위해 Bonferroni 보정을 적용하였다.
통계적 유의성 외에 실질적 차이의 크기를 나타내기 위해 Cliff’s delta(δ)를 산출하였다. 이는 두 그룹에서 임의로 각 1개를 뽑았을 때 한쪽이 다른 쪽보다 클 확률의 차이를 나타내며, 0에 가까울수록 두 그룹이 비슷하고 ±1에 가까울수록 완전히 다름을 의미한다. Romano et al.(2006)의 기준에 따라 |δ|<0.147을 negligible(무시 가능), 0.147~0.33을 small(소), 0.33~0.474를 medium(중), |δ|≥0.474를 large(대) 효과로 분류하였다.
날씨와 도로유형이 동시에 센서 성능에 미치는 영향을 분석하기 위해 Scheirer-Ray-Hare 검정을 적용하였다. 이는 두 가지 요인(날씨·도로유형)이 각각, 그리고 서로 결합될 때 지표값에 어떤 영향을 미치는지를 한 번에 검증하는 비모수 이원분산분석으로, 예를 들어 “비가 오는 도심”과 “눈이 오는 고속도로”처럼 조건이 조합될 때 나타나는 상호작용 효과를 파악한다. 날씨와 도로유형 간 교락 정도(두 변수가 얼마나 서로 얽혀 있는지)는 카이제곱 독립성 검정 및 Cramér’s V로 정량화하였다. Kruskal-Wallis·Mann-Whitney·카이제곱·Cramér’s V 검정은 파이썬(Python) scipy 라이브러리를 활용하였으며, Scheirer-Ray-Hare 검정 및 Cliff’s delta는 R의 rcompanion·effsize 패키지를 활용하였다.
4단계로 자동차전용도로·고속(속도유형 3) 통제 조건(n=9,566프레임)에서 근접 위험도를 산출하여 날씨 조건 간 비교를 수행하였다. 이는 도로유형과 속도 조건이 날씨 조건별로 다르게 분포되어 있어 이를 동일하게 맞춘 후 순수한 날씨 효과만을 비교하기 위한 것이다.
Ⅴ. 분석결과
1. 날씨별 센서 가시성 핵심 지표
<Table 2>는 날씨 조건별 센서 가시성 핵심 지표를 집계한 결과이다. ‘▲’는 해당 지표에서 가장 위험한 값(3D null·occluded 최고, 탐지 거리 최소)을 나타낸다.
<Table 2>
Sensor visibility metrics by weather condition (72,021 frames)
| Weather | Scenes | Frames | 3D null | Occluded | Dist(m) |
|---|---|---|---|---|---|
| Clear | 32 | 1,280 | 54.3% | 47.0% | 28.9 |
| Cloudy | 1,490 | 59,226 | 56.1% | 49.6% | 27.9 |
| Rain | 261 | 10,435 | 65.4% ▲ | 47.2% | 30.4 |
| Snow | 27 | 1,080 | 47.9% | 69.3% ▲ | 26.6 ▲ |
비 조건의 3D 위치정보 미획득 비율(3D null ratio, 65.4%)이 전 기상 조건 중 최고치를 기록하였다. 맑음(54.3%) 대비 약 11%p 높아 비 조건에서 탐지된 객체 3건 중 2건 이상의 3D 위치 정보가 소실되며, 자율주행 시스템의 경로 계획 및 충돌 회피 알고리즘에 필요한 입력값을 제공하지 못하게 된다. 눈 조건의 시야 차폐 비율(occluded ratio)(69.3%)은 나머지 기상 조건(47~50%)과 약 20~22%p의 격차를 보이며, 탐지된 객체의 약 70%가 가림 판정되어 자율주행 시스템이 객체의 정확한 위치 파악과 경로 예측이 어려운 상태가 된다. 이는 빗방울 산란에 의한 3D 위치정보 소실이 지배적인 비 조건과 본질적으로 다른 메커니즘이다. 이러한 기상 유형별 차별적 패턴은 어노테이션 오류로는 설명되지 않는다. 어노테이션 오류라면 날씨와 무관하게 균등하게 분포해야 하나, 비에서 3D 위치정보 미획득 비율이, 눈에서 시야 차폐 비율이 각각 최고치를 기록한 것은 각 기상의 물리적 메커니즘(빗방울 산란, 눈에 의한 시야 차폐)과 정합하는 체계적 패턴으로, 관측된 저하가 실제 센서 효과임을 시사한다.
<Fig. 1(a)>은 날씨 조건별 탐지 객체의 유형 구성을 나타낸다. 눈 조건에서는 차량이 95.6%를 차지하고 보행자·이륜차가 사실상 부재하며, 비·흐림 조건에서만 보행자(4.5~6.3%)와 이륜차(3.9~4.3%)가 탐지된다. <Fig. 1(b)>는 비 조건에서 보행자가 있는 프레임(n=1,858)과 없는 프레임(n=8,577)의 가시성 저하 지표를 비교한 것이다. 도심 3차로 이상 통제 조건에서 보행자가 있는 프레임의 시야 차폐 비율(52.6%)이 보행자 없는 프레임(44.1%) 대비 유의하게 높아(Mann-Whitney, p<0.001), 보행자가 밀집한 도심·비 환경에서 시야 차폐가 심화되고 5m 이내 근접 위험도(12.5%)가 높아짐을 실증하였다.
2. 통계적 검정 결과
모든 핵심 지표에서 날씨별 차이가 통계적으로 유의하였다(p<0.001). 시야 차폐 비율의 H 통계량(2,320.18)이 3D null(754.75)의 약 3배에 달하는 것은 날씨에 따른 시야 차폐 변화가 LiDAR 3D 정보 손실 변화보다 훨씬 더 뚜렷함을 의미한다. 사후 쌍대 비교(Mann-Whitney U, Bonferroni 보정)에서 맑음과 눈 조합의 시야 차폐 차이가 가장 두드러졌으며, Cliff’s delta δ=−0.703(large)으로 실질적 효과 크기도 매우 컸다. 카이제곱 검정의 Cramér’s V 값이 0.237인 것은 날씨와 도로유형 간 교락이 상당한 수준임을 나타내며, 날씨 변수만으로는 개별 프레임의 지표값을 완전히 설명하지 못하고 도로유형·교통량 등 교락 변수의 영향이 병존함을 시사한다(<Table 3>).
<Table 3>
Kruskal-Wallis H-test results (df=3, *** p<0.001)
| Metric | H statistic | Sig. | Interpretation |
|---|---|---|---|
| 3D null ratio | 754.75 | *** | Highly significant across weather groups; notably elevated under rain conditions |
| Occluded ratio | 2,320.18 | *** | H statistic ~3× that of 3D null, indicating strongest weather effect on occlusion |
| Avg distance | 786.99 | *** | Shortest under snow; detection distance significantly differentiated by weather |
3. 기상 조건별 이미지 비교
<Fig. 2>는 기상 조건별 대표 프레임의 LiDAR 포인트클라우드를 측면뷰(Side View)로 시각화한 것이다. 측면뷰는 가로축이 실험차량(Ego vehicle) 기준 전방 거리(m), 세로축이 지면(0m) 기준 높이(m)이다. 포인트 색상은 반사강도(intensity)를 나타내며, 진회색은 차량·구조물 등 강한 반사 물체를, 연회색은 빗방울·눈송이 등 약한 반사 노이즈를 의미한다. 우측의 컬러바는 약반사(WEAK, 연·노이즈)에서 강반사(STRONG, 진·차량)로의 반사강도 기울기를 나타낸다. 붉은색(▲)은 임계 수준(>60%)을 나타낸다. 하단 수치는 <Table 2>의 전체 프레임 평균값 기준이다.
날씨 조건별 비교는 다음과 같다. 맑음 조건(대구 자동차전용도로, 3D 위치정보 미획득 비율 54.3%, 시야 차폐 비율 47.0%)에서는 포인트가 전방 40m 이상까지 고르게 분포하며, 차량 형상(진회색 직사각형, 지붕 높이 약 1.5m)이 뚜렷하게 식별된다. 다수의 탐지 객체(6~38m)가 파란 점선 박스로 표시되어 LiDAR가 원거리까지 3D 정보를 충실히 획득하고 있는 정상 상태임을 확인할 수 있다. 이는 다른 날씨 조건과 비교하는 기준이 된다.
흐림 조건(세종 청사교차로, 3D 위치정보 미획득 비율 56.1%, 시야 차폐 비율 49.6%)에서는 3D 위치정보 미획득 비율(56.1%)과 시야 차폐 비율(49.6%) 모두 임계값(60%) 미만으로, 흐림 자체가 LiDAR 성능에 미치는 기상 효과는 크지 않음을 의미한다. 탐지 박스는 정상(파란 점선)으로 표시된다. 원거리(30~55m) 구역이 비어 있는 것은 기상 효과가 아닌 수집 장소(세종 청사교차로)의 장면 구조 차이에 기인한다. 시야 차폐 비율(49.6%)은 도심 교차로의 복잡한 교통 환경에서 객체 간 상호 차폐가 발생한 교통 환경 효과이다.
비 조건(세종 도심 3차로, 3D 위치정보 미획득 비율 65.4%▲, 시야 차폐 비율 47.2%)에서는 3D 위치정보 미획득 비율이 65.4%로 임계값을 초과하여 탐지 박스에 빨간 점선이 적용된다. 원거리(30~55m) 구역에 파란색 포인트(빗방울 노이즈)가 수평 줄무늬 패턴으로 가득 차 있는 것이 관찰된다. 이는 빗방울이 레이저 빔을 산란·반사하여 실제 물체가 아닌 빗방울 위치가 약한 반사강도의 포인트로 검출된 것이다. 마치 카메라 렌즈에 빗방울이 맺혀 피사체가 흐릿해지는 것처럼, LiDAR도 빗방울을 물체로 인식하여 실제 물체의 3D 위치 파악에 실패한다. 중거리(15~30m) 구역에서도 포인트 밀도가 맑음 대비 감소하며, 하단 브래킷은 노이즈가 집중되는 구간(Noise-dominant zone, 30~55m)을 표시한다.
눈 조건(화성 KATRI, 3D 위치정보 미획득 비율 47.9%, 시야 차폐 비율 69.3%▲)에서는 시야 차폐 비율이 69.3%로 임계값을 초과한다. 전방 약 25m 지점의 보라색 점선(눈 커튼 경계)을 기점으로 포인트가 급격히 소멸하며, 그 이후 구간(탐지 불능 구간, 25~55m)에서는 탐지 자체가 불가능하다. 근거리(0~15m)에서는 눈송이가 약반사 포인트로 과밀 검출되어 실제 물체와 뒤섞인다. 이처럼 눈발이 LiDAR 시야를 물리적으로 가로막아 그 너머의 객체를 탐지할 수 없게 만드는 것이 시야 차폐 비율 69.3%의 지배적 원인이다.
이와 같이 비는 빗방울 산란으로 인한 3D 위치정보 손실(65.4%▲)이, 눈은 시야 차폐로 인한 원거리 탐지 불능(69.3%▲)이 각각 지배적인 메커니즘으로 나타나, 두 기상 조건이 질적으로 다른 방식으로 LiDAR 성능을 저하시킴을 포인트클라우드 시각화를 통해 확인할 수 있다.
<Fig. 2>
LiDAR point cloud by weather condition (Side View). Point color = reflection intensity: dark gray = strong (vehicles, structures), light gray = weak (rain/snow noise). Blue points in Rain panel = rain noise (weak-reflection artifacts from raindrop scattering). Metrics shown = full-frame average (Table 2 basis). Bold red values (▲) indicate critical level (>60%).
Source: Created by the authors using generative AI assistance.
4. 날씨 × 도로유형 교차분석
<Table 4(a)>는 날씨와 도로유형의 조합별 3D 위치정보 미획득 비율을, <Table 4(b)>는 시야 차폐 비율을 교차 집계한 결과이다. 3D 위치정보 미획득 비율의 교차분석에서 도심 3차로 이상+비 조합이 66.0%로 도심 구간 중 최고치를 기록하였다. 고밀도 교통류와 강수가 결합될 때 3D 위치정보 손실이 극대화되는 복합 메커니즘을 반영한다. 반면 자동차전용도로+흐림 조합의 3D 위치정보 미획득 비율(64.3%)이 높게 나타난 것은 고속 주행 환경에서 탐지 거리가 길어지면서 원거리 객체에 대한 LiDAR 정확도가 저하되는 환경적 효과로 해석되며, 흐림 기상 자체의 영향보다 도로 환경 특성이 지배적인 것으로 판단된다. 눈 조건은 자동차전용도로에서만 수집되어 도심 조건과 직접 비교가 어렵다.
<Table 4>
Sensor Degradation by Weather Condition × Road Type (%):(a) 3D Null Ratio, (b) Occluded Ratio
3D null: □ ≥63% High □ 50–62% Moderate □ <50% Low | Occluded: □ ≥60% High □ 45–59% Moderate □ <45% Low | – = No data ★ = Highest ▼ = Lowest in column
a: Clear and Snow: collected on Expressway only – urban road comparison not available. b: Rain (Expressway) occluded 22.2% notably lower than urban rain (46.9–49.2%): fewer inter-object occlusions at highway speed. c: Rain (Urban) ≥3 lanes) 3D null 66.0% = highest across all combinations. d: Snow (Expressway) occluded 68.8% = highest across all combinations; snow curtain effect dominant.
| Weather Condition |
(a) 3D Null Ratio | (b) Occluded Ratio | Footnote Ref. |
||||
|---|---|---|---|---|---|---|---|
| Urban ≤2 lanes | Urban ≥3 lanes | Expressway | Urban ≤2 lanes | Urban ≥3 lanes | Expressway | ||
| Clear (맑음) | – | 68.4% | 51.2% | – | 42.4% | 43.8% | a |
| Cloudy (흐림) | 49.7% | 57.8% | 64.3% | 47.9% | 47.2% | 47.9% | |
| Rain (비) | 63.4% | 66.0% ★ | 52.6% | 49.2% | 46.9% | 22.2% ▼ | b, c |
| Snow (눈) | – | – | 47.0% | – | – | 68.8% ★ | a, d |
시야 차폐 비율의 교차분석에서는 자동차전용도로+눈 조합이 68.8%로 전 조합 중 압도적으로 높아, 고속 주행 환경에서 눈발에 의한 시야 차폐 효과가 가장 치명적으로 작용함을 확인하였다. 주목할 점은 자동차전용도로+비 조합의 시야 차폐 비율(22.2%)이 도심+비(46.9~49.2%)보다 현저히 낮다는 것이다. 이는 고속도로에서 강수 시 객체 간 상호 차폐가 상대적으로 적게 발생하는 환경적 특성에 기인하며, 동일한 기상 조건에서도 도로유형에 따라 센서 성능 저하 양상이 크게 달라짐을 보여준다. 이러한 교호작용은 Scheirer-Ray-Hare 검정에서 3D 위치정보 미획득 비율(H=50.61, p<0.001) 및 시야 차폐 비율(H=71.90, p<0.001) 모두 통계적으로 유의하게 확인되었으며, ODD 기상 임계값 설정 시 도로유형을 반드시 교호 인자로 고려해야 함을 시사한다. 표의 위험 수준 구분(High·Moderate·Low)은 본 데이터셋 전체 조합의 분포를 고려하여 설정하였다.
5. 근접 위험도 분석
<Table 5>의 수치는 자동차전용도로·고속 통제 조건(n=9,566)의 부분 집합 기준으로, <Table 2>의 전체 데이터 기준값과 다소 차이가 있다. 탐지 거리와 근접 위험도는 도로유형·속도 조건의 영향을 받으므로, 4개 날씨 조건이 모두 수집된 공통 조건인 자동차전용도로·고속(속도유형 3) 프레임(총 9,566프레임)을 대상으로 비교하였다. 눈 조건의 5m 이내 근접 위험도(33.5%)는 비(1.2%)·맑음(5.1%) 대비 현저히 높으며(Snow vs Rain, occluded: Cliff’s δ=0.973, min_dist: δ=−0.875, p<0.001), occluded>60%와 min_distance<15m가 동시에 발생하는 프레임이 76.4%에 달해 가려진 객체가 이미 근거리에 위치한 상태가 구조적으로 나타남을 확인하였다. 이는 강설 시야 차폐(69.8%)가 원거리 탐지 실패로 이어져 객체가 근거리에서 갑자기 출현하는 돌출 위험을 근접 위험도 차원에서 실증한 결과이다. 단, 날씨별 수집 도시가 상이하므로 도로 기하 효과의 완전한 통제에는 한계가 있다.
<Table 5>
Proximity Hazard Assessment by Weather Condition (Controlled: Expressway + High-speed (speed type 3), n=9,566 frames)
| Weather | Frames(n) | Occluded | Avg dist(m) | Min dist(m) | Proximity ≤5m(%) |
|---|---|---|---|---|---|
| Clear | 800 | 37.8% | 29.4 | 18.6 | 5.1% |
| Cloudy | 5,526 | 41.2% | 30.9 | 26.4 | 1.1% |
| Rain | 2,360 | 16.5% | 35.4 | 32.0 | 1.2% |
| Snow | 880 | 69.8% | 24.8 | 8.5 | 33.5% |
Ⅵ. 결론 및 정책 시사점
본 연구는 AI허브 승용 자율주행차 악천후 데이터(1,810씬, 72,021프레임)의 3D 어노테이션을 전수 파싱하여 날씨 조건별 센서 가시성 저하를 정량적으로 실증하였다. 비 조건에서는 LiDAR 3D 위치정보 미획득 비율이 65.4%로 빗방울에 의한 레이저 빔 산란 효과가 지배적인 반면, 눈 조건에서는 시야 차폐 비율이 69.3%로 눈발에 의한 시야 차폐 효과가 주된 원인임을 확인하였다. 기상 유형별로 저하 메커니즘이 명확히 구분되었으며, 모든 핵심 지표에서 날씨별 차이가 통계적으로 극히 유의하였다(Kruskal-Wallis, p<0.001). 특히 눈 조건의 시야 차폐 효과는 Cliff’s delta δ=−0.703(large)으로 실질적 효과 크기도 매우 컸다. 본 연구의 결과는 임계값을 직접 규정하는 것이 아니라, ISO 34503 Clause 10의 기상 조건 범주별 LiDAR 저하 강도의 정량적 참조 기준값을 제공함으로써 ADS 개발자와 규제 당국이 임계값을 설정하는 데 필요한 실증적 근거로 기능한다.
분석 결과는 기상 유형별(비·눈)로 질적으로 다른 저하 메커니즘에 따라 차별화된 센서 보완 전략과 ODD 운행 기준의 필요성을 시사한다. 비 조건에서는 3D 위치정보 미획득 비율(65.4%)이 높아 보행자·이륜차가 밀집한 도심 구간에서 LiDAR 3D 위치 정보 소실이 지배적 위험 유형이다. 도심 3차로 이상 통제 조건에서 보행자가 있는 비 조건 프레임의 시야 차폐 비율(52.6%)과 5m 이내 근접 위험도(12.5%)가 보행자 없는 프레임 대비 유의하게 높아(Mann-Whitney, p<0.001), 보행자 밀집 환경에서 시야 차폐와 근접 위험도가 동시에 심화됨이 확인된다. 눈 조건에서는 시야 차폐 비율(69.8%)로 인한 원거리 탐지 실패가 근접 위험도(33.5%)로 이어져, 가려진 객체가 5m 이내에서 갑자기 출현하는 돌출 위험이 프레임의 약 3분의 1(33.5%)에서 구조적으로 발생한다. 이처럼 비는 위치 소실형 위험, 눈은 돌출 충돌형 위험이라는 질적으로 다른 두 안전 위협 유형이 실증되었으며, 기상 유형별로 차별화된 센서 보완 전략과 ODD 운행 제한 기준 마련이 요구된다. 단, 본 연구는 AI허브 데이터의 날씨 분류(비/눈)에 기반하므로 ISO 34503의 mm/h 단위 강우 강도 분류와의 직접 매핑은 향후 연구 과제로 남는다. 비 조건에서는 LiDAR 3D 위치정보 미획득 비율이 65.4%에 달하므로 레이더 또는 카메라 보조 센서의 보완 운용 기준 마련이 요구되며, ODD 확장 기준은 기상 조건 단독이 아닌 도로유형과의 조합으로 설정하는 것이 바람직하다.
연구의 한계로는 눈(27씬)과 맑음(32씬)의 표본 불균형, 눈 데이터가 자동차전용도로(KATRI)에 집중되어 날씨 효과와 도로유형 효과의 분리가 불완전하다는 점이 있다. 이를 완화하기 위해 프레임 단위 분석과 효과크기(Cliff’s delta) 병기를 적용하였으나, 눈 표본의 절대 규모가 작아 결과의 일반화에는 신중을 요하며 향후 추가 강설 데이터 수집을 통한 검증이 필요하다. 또한 데이터 수집에 제네시스 G80과 현대 DN8 두 차종이 활용되었으며, 두 차량은 동일한 센서 사양으로 구성되었으나 날씨 조건별 수집 차량이 상이하고(맑음: DN8, 흐림·눈: G80, 비: G80+DN8 혼재) 특히 두 차량 간 센서 장착 위치·각도 및 캘리브레이션 차이가 날씨 조건 간 비교의 잠재적 교란 요인이 될 수 있다. 다만 3D 위치정보 미획득 비율이 가장 높게 나타난 비 조건은 두 차종이 혼재된 수집 조건임에도 전 기상 조건 중 최고치(65.4%)를 기록하였으므로, 차종 효과보다 날씨 효과가 지배적인 것으로 판단된다. 나아가 본 연구는 LiDAR 3D 어노테이션만을 분석 대상으로 하였으며, 동일 차량에 탑재된 카메라·레이더 센서의 악천후 성능 저하는 분석 범위에 포함되지 않는다. 향후 다중 센서 퓨전 환경에서의 기상 조건별 센서 간 성능 비교 연구가 필요하다. 이와 함께 향후 연구로는 ISO 34503 Clause 10 항목의 세부 매핑, AI허브 주간 데이터(dataSetSn=71854)와의 동일 세종 구간 교차 비교 연구가 필요하다. 또한 강수 강도 기반 LiDAR 성능 임계값 규명을 위해서는 동일 도로유형·동일 구간에서 다양한 강수 강도 조건의 데이터를 수집하여 강도 효과만을 통제한 후속 연구가 필요하다.
