협력형 자율주행 제어 시스템 아키텍처의 이해
—
Ep.22
협력형 자율주행의 배경
최근 자율주행 기술이 고도화되면서 차량 단독 자율주행이 아닌, 차량-차량(V2V), 차량-인프라(V2I), 차량-클라우드(V2X)간 실시간 협력을 통한 ‘협력형 자율주행(협력자율주행)’ 연구가 진행되고 있습니다.
기본적으로 자율주행 차량은 센서를 통해 차선이나 주변 객체 또는 인프라 정보를 인식하여 주행하는데, 차량 단독으로는 센서의 인지 영역에 한계가 존재합니다. 또한, 인프라 음영/미지원 지역에서는 단독 자율주행만으로는 안전성 확보가 어려운 상황이 존재할 수도 있습니다. 마지막으로, 2대 이상의 자율주행 차량이 주행할 경우, 상호 간의 주행 경로를 최적화하고 추돌을 회피하여 운행하는 전략(Multi-agent Control)이 필요합니다.
<교차로에서 3대의 자율주행차가 각자 다른 판단을 내리면 어떻게 될까?> | 출처 : AI 생성 이미지즉, 자율주행 차량의 더 높은 안정성과 효율을 위해 ‘인지 증강화 및 협력형 제어 기술’로 최적의 경로를 산출하고 위험을 회피하는 것이 중요하며, 이를 위해 협력형 자율주행 시스템 아키텍처를 설계하게 되었습니다.
협력자율주행의 개념
1. 인지 영역 확장과 협력형 측위
협력자율주행의 1차적인 요소는 텔레매틱스 기술입니다. 이는 차량의 위치, 속도, 센서 정보 등의 데이터를 외부와 통신으로 주고받는 기술입니다. 그리고 이를 통해 자차(Ego Vehicle)와 주변차량(Surround Vehicle)의 정보를 공유하여 인지 영역을 확장할 수 있습니다.
<자차 및 주변차량의 인지 증강화의 개념>인지 영역 확장으로 차량이 직접 인지하지 못하는 상황에서도 네트워크(LTE, 5G-NR 등)를 기반으로 정보를 공유할 수 있는데요. 이를 통해 사전에 경로 계획을 변경하거나 최적화하여, 주행 안정성을 확보할 수 있습니다.
자율주행 차량은 기본적으로 LiDAR, Radar, Camera 등 센서퓨젼 디바이스가 있습니다. 또한, GPS, IMU 등을 통해 차량의 위치 뿐만 아니라, 객체 인식 및 Point Cloud 기반 지도 생성(LiDAR SLAM, Visual SLAM), 공간/거리 감지 등이 이루어집니다. 이것은 자차(Ego Vehicle)에서 이루어지며, 텔레매틱스 모듈(V2X OBU)을 통해 주변차량과 데이터를 공유합니다.
<차량의 센서 정보를 활용한 데이터 융합 및 산출>그렇다면 센서 데이터 융합을 통해 측위를 하는 과정을 보도록 하겠습니다.
<칼만 필터(Kalman Filter)를 통한 센서 데이터 융합 모델 개념도>GPS, IMU, LiDAR/Radar를 통해 수집/융합된 데이터는 칼만 필터를 통해 자차의 위치를 인식합니다. 또한, 인지 증강화 기술로 자차 및 주변 차량과의 협력형 측위를 통해 각 차량의 위치를 끊임없이 보정하게 됩니다.
<HMI형태에서 출력되는 협력형 측위의 예시> | 출처 : AI 생성 이미지자차 단독의 측위보다 주변 차량과의 협력형 측위가 더욱 중요한 이유는, 서로의 위치 정보를 공유하고 보정하면서 더 정확한 위치 인식이 가능하기 때문입니다.
예를 들어, A 차량은 GPS 수신이 약한 지하차도 진입 구간에 있고, B 차량은 GPS 신호가 양호한 고가도로에서 주행을 한다고 가정해 보겠습니다. 이 두 차량이 서로 상대의 위치를 실시간으로 공유하면, A 차량은 B 차량의 고정밀 측위 결과를 활용해 자신의 위치를 추정 및 보정할 수 있습니다.
<도심에서의 협력형 측위 활용 예시> | 출처 : AI 생성 이미지2. Multi-agent Control과 C-MRM 전략
인지 증강화와 협력 측위에 이어, 다음으로 경로 최적화 및 협력 자율주행 제어 알고리즘 설계 시에는 다음과 같은 내용을 고려해야 합니다.
첫 번째로 ‘Multi-agent Control’에 대한 이해가 필요합니다.
이는 자차 및 주변차량(Agent)이 서로 상호작용하여 공동의 목표(경로 최적화 등)를 달성하도록 제어하는 체계인데요. 여기서 각 차량은 단독 주행이 아니라 공동 상황을 인식/협력, 의사 결정/분산 제어를 하여 군집 주행이나 교차로 협상, 병렬 합류 등 다양한 상황에서의 협력 제어를 수행합니다.
예시를 들어볼까요?
고속도로에서 두 대의 차량이 병합(Merging) 구간에 진입할 경우, 차량 A(Agent A)는 합류로에서 본도로로 진입, 차량 B(Agent B)는 본도로에서 차량 A의 진입 의도를 공유받아 속도를 제어하는 시나리오입니다.
<Multi agent Control - 합류 시나리오>
여기서 차량 A는 진입 타이밍과 속도를 계획하고, 차량 B는 이를 인식하여 속도를 제어합니다. 두 차량의 목표는 충돌 없이 유연한 합류(Merging) 및 정체 최소화 입니다.
두번째로는 협력형 MRM(Minimal Risk Maneuver)의 개념을 이해해야 합니다.
이는 전통적인 MRM을 협력형 자율주행 환경에서 확장한 개념으로, 단독 차량의 회피 판단을 넘어 주변 차량들과의 V2X 협력을 기반으로 ‘집단적’ 위험 회피 전략을 조율하는 방식입니다. 즉, 다수의 자율주행 차량이 협력하여 위험 상황에 최소 리스크 방식으로 대응하는 전략입니다.
예시를 들어보겠습니다.
<협력형 MRM 전략 예시>위의 예시는 차량 A가 센서 오류로 비상 정지를 한 상태이며, 차량 B/C/D는 V2X 기반으로 상황을 인지하고 차량 B는 우측 차선 변경, C는 속도 감속 유지, D는 좌측으로 회피한 상태입니다.
이를 통해 자율주행 차량 운행의 안정성 향상 및 예측성과 일관성을 확보하고, 도로의 흐름을 유지할 수 있으며, 자율주행의 복잡한 도심 환경으로의 확장 등의 이점을 얻을 수 있습니다.
이 두 전략이 협력 제어의 핵심이고, 이를 적용한 실도로 시나리오를 보도록 하겠습니다.
<Multi agent-control과 C-MRM 전략의 실도로 시나리오 예시>3차선 고속도로를 주행하던 차량 A가 센서 오류로 1차선에 정지해 있고, 뒤따르던 차량 B/C/D는 V2V(Vehicle-to-Vehicle) 기반으로 위험 인지 및 회피를 실행합니다.
각 차량들의 주행 제어 전략은 다음 표와 같습니다.
C-MRM와 Multi-agent control이 협력 제어 기술의 주요 알고리즘입니다.
협력형 자율주행 시스템 아키텍처
그렇다면, 자율주행 차량에서 이러한 인지 증강화/협력 측위 기반 협력형 제어 기술을 구현할 수 있는 아키텍처 및 플랫폼은 어떻게 설계될까요?
위에서 설명한 모든 기술들(인지 영역 확장, 협력형 측위, Multi-agent Control 및 C-MRM 전략)이 융합된 협력형 자율주행 제어 기술을 구현하기 위해서는 인지, 측위, 제어가 가능한 센서와 컴퓨팅/연산 모듈이 탑재된 시스템 아키텍처를 구성해야 합니다.
<협력형 자율주행 시스템 아키텍처 기본 개념>아키텍처를 구성하는 개별 하드웨어 모듈의 역할은 다음과 같습니다.
LiDAR, Camera, Radar : 3DPoint Cloud 및 초음파 센싱을 통한 공간/거리/속도 감지, 비전 기반 객체 인식
V2X OBU : 텔레매틱스(LTE 또는 5G-NR) 기술 기반 차량, 인프라, 네트워크 서버와의 데이터 송/수신, 차량 위치 정보 전송
RTK/INS : GPS 기반 위치 정보를 cm 수준까지 정밀 보정을 통한 절대 위치 제공(측위)
IPC : Multi-agent Control 및 MRM(Minimal Risk Maneuver) 등 협력 제어 로직의 실시간 수행을 담당하는 고성능 연산 플랫폼
Cooperative Control Computing Module : NVIDIA Jetson 기반 고성능 연산 플랫폼에서 실시간 알고리즘을 수행하는 핵심 임베디드 모듈
또한, 자율주행 차량 플랫폼 설계 시, 인지 센서인 LiDAR나 Radar는 FoV(Field of View)를 감안하여 자유롭게 배치할 수 있는데요. 이때 블라인드 스팟(Blind Spot/사각지대)을 최소화하여 설계하는 것이 좋습니다.
<LiDAR FoV를 감안한 센서 레이아웃 예시>위의 예시에서는 고정식과 회전식 LiDAR를 조합하여 블라인드 스팟을 최소화하였습니다. 이와 비슷하게 Camera와 Radar도 배치 가능합니다. 이를 위해서는 각 센서의 사양을 근거로 아키텍처를 설계합니다.
이를 구성하면 이런 네트워크 토폴로지가 형성됩니다. 이를 기반으로 협력형 자율주행 시스템 아키텍처가 적용된 차량 플랫폼 구축이 완성됩니다.
—
by 아이나비시스템즈 사업기획팀 임용준
✨ 국내 가격 경쟁력 1위! 아이나비가 만든 차별화된 지도 솔루션, iMPS 바로가기
#자율주행자동차 #협력형자율주행 #칼만필터 #V2X #V2V #텔레매틱스 #지도 #아이나비시스템즈
