1. 서 론

최근 자율주행 관련 연구는 안전운전 보조기술(ADAS, advanced driver assistance system)의 개념을 넘어 운전자 없이 차량 스스로 판단하여 목적지까지 운행이 가능한 상용차 기술로까지 발전해왔다. 차선과 주변 차량을 탐지하고, 주행 경로를 파악하여 진로를 결정하는 등의 일반적인 주행 뿐 아니라, 도로 낙하물, 급정거 등의 다양한 돌발 상황까지 차량 스스로 인지하고 회피하는 수준의 기술이 요구됨에 따라, 자율주행 차량은 이제 ‘주행’을 위한 자동차 본연의 핵심 기술인 동력 계통을 비롯하여 ‘자율’이라는 기술적 진보를 위해 사람의 눈을 대신할 고성능 센서들을 무수히 장착한 거대한 컴퓨터 시스템으로 발전하고 있다(^{Ziebinski et al., 2016}).

하지만, 자율주행 차량의 센서 기술 성능이 향상되어감에도 불구하고, 자연환경의 변화에 ​​대한 자율 주행 차량의 안정성에 대한 연구는 많은 시행 착오를 겪고 있다. 기존의 차량용 레이더, LiDAR 및 비전 센서와 같은 장비들은 민감도가 높아질수록 외부 환경의 변화에 대한 관측오차가 증가하고 대응능력은 감소한다(^{Gourova et al., 2017}; ^{Stock, 2018}; ^{Roh and Park, 2019}). 특히 도로상의 눈, 비, 안개 등이 발생할 경우 앞서 언급한 센서 장비들의 직접적인 관측 정확도가 급격히 저하되며, 2차적으로는 노면상태에도 악영향을 끼쳐 그로 인해 많은 사고를 유발하는 등 안전 문제를 겪고 있다. 자율주행 4단계 이상에서는 강수나 노면온도에 대한 실시간 정보가 주행차량의 자율적인 제어를 위해서는 필수적으로 요구된다. 그러나 현재는 도로 밖에 간헐적으로 설치되는 고정식 도로기상관측시스템에 의존하기 때문에 실시간 기상 정보취득의 공간적 제한과 효율적 활용에 한계가 있다. 한국건설기술연구원에서는 ‘차량센서 기반 주행환경 관측·예측·안전운행 도로기술 개발’ 연구를 통해 차량 자체를 주행환경관측 센서로 활용하여 노면온도, 도로기상, 교통밀도 등의 도로주행환경을 관측, 분석함으로써 자율주행 시대의 주행안전을 보장하고자 하였다(^{KICT, 2019}). 본 논문은 그 중 차량레이더를 이용하여 주행 중 강수를 관측하고 관측 자료를 이용하여 강수정보를 추정하는 방법에 대한 것이다.

최근 차량에 장착된 다양한 센서들을 이용하여 강수를 추정하는 방법에 대한 연구들이 진행되고 있다(^{Kim et al., 2018}; ^{Bertoldo et al., 2018}; ^{Jang et al., 2019}). ^{Kim et al.(2018)}은 차량용 레인센서를 이용하여 강우관측을 위한 반사도와 강우량(Z-R)의 관계식을 개발하였다. 이는 차량용 강우센서에서 송·수신되는 광신호 반사율의 강도를 이용하여 강우량을 관측하는 것이다. G ^{Bertoldo et al.(2018)}은 77 GHz 차량레이더를 근거리 마이크로파 우량계로 사용될 수 있는 방법에 대한 사전 분석 결과를 제시하고 W 대역의 Mie 산란 분석을 수행하여 새로운 Z-R 관계식을 제안하였다. 이러한 방법들은 강수강도에 따라 수신된 신호의 세기가 다르다는 사실을 이용하여 강수정보를 산출한다. 강수강도와 신호 세기의 직접적인 관계에 의한 강수강도 산출이라는 장점이 있지만 레인센서나 차량레이더가 잘 유지 관리되어 관측값의 정확성이 높아야한다는 한계가 있다. 관측값의 정확성이 떨어지면 강수정보의 정확성도 현저히 떨어지는 단점이 있다. ^{Jang et al.(2019)}은 차량 전후방 추돌 방지용으로 사용되는 77 GHz FMCW 차량레이더에 기반하여, 강수와 비강수 객체를 분리하고 강수 강도를 정성적으로 추정하는 기술을 제안하였다. 본 연구에서는 ^{Jang et al.(2019)}의 방법을 발전시켜 실제 차량 주행 중 강우를 관측하고 주행 구간 별 강우지수 추정의 정확성을 향상시키는 방법론을 제안하고자 한다.

본 논문은 다음과 같이 구성된다. 2장에서는 본 연구에서 사용된 차량레이더에 대해 간략히 소개하고 3장에서는 제안된 차량레이더 자료 기반 강수정보 추정에 대해 기술하였다. 4장에서는 제안된 기법의 여러 강우사상에 대한 비주행 시험관측과 주행 시험관측 결과를 논의하였다. 마지막으로, 5장에서는 본 연구에서 제시한 방법과 결과들에 대해 간략히 요약 정리하였다.

2. 연구배경

2.1 차량통합센싱시스템(VISS)

한국건설기술연구원의 ‘차량센서 기반 주행환경 관측·예측·안전운행 도로기술 개발’ 연구에서 개발된 VISS는 도로 환경 관측 및 분석을 위한 차량 센서 관측 자료(외기온도, 습도 및 대기압 센서, GPS, 및 레이더 기상관측 센서)를 통합 관리하고 인터넷 망을 통해 빅데이터 분석 서버로 실시간 전송하기 위한 차량용 통합 센싱시스템을 의미한다(Fig. 1). 차량 주행 중 다양한 센서로부터 획득되는 환경 정보들을 관리하고 빅데이터 서버로 전송해주는 소형 서버시스템의 기능을 수행한다. 본 논문에서는 VISS의 여러 기능 중에서 강수정보 산정 기법에 대해 기술한다.

Fig. 1.

Configuration of VISS

2.2 시험용 차량레이더

강수 추정을 위한 소형 차량레이더 시스템으로써 본 연구에서는 TI사의 IWR1642 mmWave 센서칩을 사용하였다(Fig. 2). 이 센서칩은 76-81 GHz 주파수에서 작동하며 4 GHz 첩 대역폭을 갖춘 FMCW (Frequency-modulated continuous-wave) 레이더이다. 시험관측에 사용한 시스템 제원은 Table 1과 같다.

Fig. 2.

Assembly Picture of TI AWR1642 mmWave

Table 1. Autonomous Radar (TI AWR1642 mmWave) Specification for Field Testing

이 차량레이더 칩셋은 기본적인 레이더 신호처리뿐 아니라 오브젝트 검출 알고리즘까지 탑재되어 있어, 상용차량에 바로 탑재하여 ADAS 시스템을 구축할 수 있는 장점이 있다. ADAS 차량 레이더 시스템은 레이더 안테나로부터 수신된 신호로부터 거리와 속도 프로파일들을 계산하는 레이더 신호처리 파트와, 오브젝트 검출 파트로 표시된 전방추돌감지 및 장애물 탐지 등의 ADAS 활용을 위한 객체검출 파트로 구분된다. 여기서 일반적으로, 신호처리 과정에서는 도플러 속도를 이용한 클러터 필터링이 함께 수행되어 현재 도로에서 같이 이동중인 객체가 아닌 클러터들을 제거한다. 한편, 오브젝트 검출 과정에서는 CFAR (constant false alarm rate) 알고리즘을 통해 객체를 검출한 후, 각 패치 안테나에 수신되는 객체의 위상차를 이용하여 목표물의 좌표를 추정한다. Fig. 3은 차량레이더 칩셋에 탑재된 신호처리 및 객체 검출 알고리즘을 이용한 목표물 검출 및 거리 프로파일 해석 결과를 나타낸다. 좌측 스캐터 플롯 상에서 레이더 관측 반경에 있는 나무와 가로등, 주차되어 있는 차량 등이 객체로 검출됨을 알 수 있다.

Fig. 3.

Example of Object Detection and Range Profile of an Automotive Radar

차량레이더의 객체 검출은 자율주행 및 차량 주행안전에 매우 중요한 기술이다. 본 연구에서 개발된 기술은 기존 차량레이더의 주요 기능인 객체 검출 기능을 그대로 유지한 채, 강수정보 추정 알고리즘을 추가하여 두 가지 기능을 동시에 수행할 수 있도록 설계하였다.

3. 차량레이더 자료 기반 강우정보 추정

^{Jang et al.(2019)}은 차량레이더를 활용하여 객체 탐지와 강우정보 추정을 동시에 수행하는 기술을 제안하였다. Fig. 4는 ^{Jang et al.(2019)}이 제안한 시스템의 블록도를 나타낸다. 제안된 강수정보 추정 기법은 비기상 신호를 제거하는 자료 품질관리 단계와 품질관리된 자료를 이용한 강수정보 추정단계로 구분되어진다.

Fig. 4.

Block Diagram of Precipitation Information Retrieval and Object Detection for the Automotive Radar

3.1 차량레이더 비기상에코 제거 기법

충돌방지 차량레이더는 차량이나 사물 등에 대한 객체 정보만을 이용한다. 그러나 강수정보 추정을 위해서는 주변 사물 등의 비기상 신호가 제거된 순수 기상 신호만을 사용하여야 한다. 비기상 에코가 적절하게 제거되지 않은 경우엔 강수정보가 과소 또는 과대 추정될 수가 있다. 일반적으로 차량레이더는 반사된 신호를 획득한 후 1차 신호처리를 통해 도플러 속도를 이용해 정지해 있는 물체, 즉 클러터로 간주되는 물체를 신호에서 제거한 후, 차량, 사람 등의 이동하는 물체의 거리와 위치 및 상대적 속도를 계산 한다. ^{Jang et al.(2019)}은 레이더 신호로부터 정확한 강우 강도 신호를 추출하기 위해, 기존 차량레이더 신호처리 과정에서 1차 신호처리 된 신호로부터 이동하는 객체를 제거하는 별도의 과정을 추가하였다. 강우는 차량 등 개개의 객체보다 훨씬 넓은 공간분포를 가지므로, 차량이 빠른 속도로 주행 중 임에 따라 통계적으로 레이더 신호의 거리프로파일 상에서 동일 거리에서 동일 객체가 관측되는 시간보다 동일한 양의 강우가 관측되는 시간이 상대적으로 훨씬 길어진다. 이 점에 착안하여 통계적으로 이동 중인 객체를 제거한 상태에서 강수 정보 추출하는 알고리즘을 제안하였다. 최대 관측거리 $i_{max}$를 갖는 차량레이더로부터 차량의 이동 시간 $∆t_f$ 동안 관측된 N개의 각 거리 프로파일 $p_n=\left(b_0, b_1, b_2,..., b_{max}\right)$의 관측 거리 $I_n=\left(i_0, i_1, i_2,..., i_{max}\right)$ 내의 i번째 거리에서의 빈(bin) $b_i$가 가변되는 편차를 추적함으로써 최근 관측된 거리 프로파일 $p_{N-1}$의 해당 빈이 이동 객체에 의해 반사된 신호인지 지속적으로 떨어지는 강우에 의한 신호인지 구분할 수 있다. 관측신호로부터 이동 객체에 의한 반사 신호를 강수 신호 평균 $b_i^{\text{'}}$로 치환함으로써 객체를 필터링하는 식을 Eq. (1)에 나타내었다

여기서 $\overline{B_I}$ 및 $\sigma \left(B_I\right)$는 각각 N개의 i번째 거리 빈들의 평균 및 표준편차를 의미하며, $d_i$는 강우와 객체를 구분하는 $\sigma \left(B_I\right)$의 허용 임계치로 적용되었다. Fig. 5는 통계적 객체 제거 기법을 적용한 사례이다. 회색 실선은 거리에 따른 원시 관측자료 프로파일이고 객체를 제거한 후의 자료는 빨간색 실선으로 표현하였다. 점선은 객체가 없는 노이즈 신호로서 객체 제거 결과 비교를 위해 도시하였다. 이 결과로부터 차량이나 주변 사물들이 통계적 알고리즘에 의해 잘 제거됨을 알 수 있다.

Fig. 5.

An Example of Data Quality Control (Object Suppression)

3.2 강우정보 추정 기법

일반적으로 레이더를 이용한 강수추정은 강수강도에 따라 강수로부터 돌아온 레이더의 수신신호의 세기가 다르다는데 사실에 근거하여 레이더 신호의 반사도와 강수량의 관계식을 이용한다. 그러나 이러한 관계식을 이용한 강수추정은 레이더 시스템 신호 편차나 강수크기분포의 변동성 등에 의해 오차가 발생하는 한계가 있다. 반사도와 강수강도 관계식을 이용하기 위해서는 레이더자료 보정 및 강수크기분포에 따른 관계식의 재설정 등이 필요하다. 본 연구에서 제안하는 신호감쇠에 의한 강수정보 산정 기법은 레이더 시스템 편차나 강수크기분포에 의한 영향이 거의 없다는 장점이 있다. Fig. 6은 주파수 및 강수강도에 따른 신호감쇠 정도를 보여준다. 77 GHz와 같은 높은 주파수 대역에서는 강수에 대해 주로 Mie 산란 특성이 나타난다. 만약 약 50 mm/hr 강도의 비가 내린다면 77 GHz 레이더에서는 왕복(송신/수신) 1 km에서 약 40 dB의 신호 감쇠가 발생하며 레이더 시스템 보정이나 강수크기분포 등과 관계없이 신호기울기가 약 40 dB/km (two way)로 나타나게 된다. 본 연구에서는 시험관측자료가 충분하지 않은 관계로 신호감쇠로부터 강수강도를 산정하는 대신에 거리에 따른 수신신호의 기울기인 강수지수를 산정하였다. 추후 연구에서 강수지수를 강수강도로 변환하는 연구를 진행할 예정이다.

Fig. 6.

Signal Attenuation According to Frequency

강수지수는 다음과 같이 구해진다. Eq. (1)에 의해 객체에 의한 반사 신호가 필터링된 거리 프로파일 $p_n^{\text{'}}$로부터 관측 순간의 강수지수, $r_n$을 Fig. 7과 같이 거리 프로파일 $p_n^{\text{'}}$의 특정 구간 $i_s$~ $i_e$ 사이의 반사 신호의 1차 기울기 값으로 계산한다. 그에 따라, $r_n$이 0에 수렴할수록 반사 신호의 강도가 약해지므로 강수가 없거나 아주 약함을 의미하며, 음(-)의 값으로 증가할수록 강수에 의한 반사 신호가 커짐을 의미하므로 강한 강수임을 추정할 수 있다. 한편 Eq. (1)을 이용하여 비강수 객체를 어느 정도 제거한다 하더라도 자동차의 속력과 주변 환경에 따라 객체를 완벽히 제거하기는 어려우며, 강수 역시 넓은 면적에서 발생한다 하더라도 시공간적으로 그 강도가 일정한 것은 아니다. 따라서 주행 중 강수지수를 보다 정확히 관측하기 위해서는, 특정 지점에서의 강수지수를 추정하는 것보다, 시공간적 구간의 강수지수를 추정하는 것이 효율적이다. 그러므로 본 논문에서는 차량의 속력에 따른 주행 시구간 $∆t_s$ 사이 강수지수의 최대값과 최소값의 중간값을 해당 구간의 평균 강수지수로 결정하는 방법을 적용하였다.

Fig. 7.

An Example of Precipitation Information Retrieval from Autonomous Radar Signal

4. 강수정보 추정 결과 및 분석

차량용 레이더 기반 강수지수 산정 기법에 대한 타당성 검증을 위해 두 단계의 시험을 수행하였다. 먼저 정지상태의 개방된 환경에서 시험 관측을 하였다. 이는 주변환경(차량이나 건물 등)이나 주행 중 진동 등에 의한 레이더 신호 영향이 최소화된 조건에서 시험을 위한 것이다. 그리고 주행 중 비강수 및 다양한 강수 환경에서 테스트를 수행하였다. 이를 통해 실제 주행 중 강수정보 추정의 가능성을 검토할 수 있었다.

4.1 비주행 시험관측

Fig. 8은 다양한 강우사상에 대해 정지된 상태에서 수행한 강수지수 추정 결과를 나타낸다. Fig. 8(a)는 약 1시간 동안의 비강수 시 강수지수 추정 결과로 약 0.0026에서 변동함을 알 수 있다. Fig. 8(b)는 2 mm/hr 이하의 약한 강수에서 20 mm/hr의 강수로 변하는 과정에서 강수지수의 변동을 나타낸다. 파란색 실선은 비강수시 추정된 강수지수의 평균값을 나타내고 녹색 실선은 관측시점에서의 강수지수이다. 여기서 지상의 정량적 강우는 차량레이더 관측 지점과 가장 가까운(약 7 km) 환경부 TM 관측자료(김포)를 사용하였으며 이는 강우지수의 타당성을 평가하기 위한 정성적인 자료로서 사용되었다. Fig. 8의 결과로부터 강수지수 추정 결과가 매우 정밀하게 변화함을 알 수 있으며, 또한 이 결과로 부터 1차 선형 추세선에 기반한 강수지수 산정 기법이 어느 정도의 잡음에 강인한 경향을 보임을 알 수 있다.

Fig. 8.

Precipitation Index for Various Rainfall Types

4.2 주행 시험관측

차량레이더 자료를 이용하여 강수정보를 산정하기 위해 무강우 및 다양한 강우 환경에서 차량주행 시 시험관측을 수행하였다(Fig. 9). Fig. 10은 제안 방법을 이용하여, Fig. 9와 같은 무강우, 약한 강우(1~5 mm/h) 및 일반적인 강우(5~15 mm) 환경에서 약 60 km/h의 속력으로 주행했을 때의 강수지수 추정 결과이다. Fig. 10의 파란색 실선은 무강우에서의 강수지수를 나타낸 것이고, 녹색, 빨간색 실선은 각각 약한 강우, 보통 강우일 때 강수지수의 변화를 나타낸다. 산정된 강수지수가 불규칙하게 변하는 듯 보이지만, 각 그래프의 구간별 강우강도 지표 최대값 및 최소값과 중간값을 비교해보면 강우강도에 따른 강수지수 추정값에 분명한 차이가 있음을 알 수 있다.

Fig. 9.

Field Test in Various Driving Environment

Fig. 10.

Precipitation Information Retrieval Result of Field Test

또한 Fig. 10의 결과로부터 산정된 강수지수를 이용하면 강수유무 및 강수유형에 대한 판단이 가능함을 알 수 있다. 강수유무 판별에 대한 비교를 위해 실제 주행영상과 추정된 강수유무와 비교 검증을 하였다. Figs. 9 and 10으로부터, 제안한 기법이 시험주행 전 구간에 걸쳐 강수 유무를 판별하는 데 약한 강수 환경에서 75 % 이상, 일반적인 강수환경에서 86 % 이상의 강수유무 판별 정확도를 보였다. 실험적으로 약한 강수일수록 주변 필터링을 하였음에도 불구하고 비강수 객체에 대한 판별력이 떨어짐을 확인 할 수 있었다. 반면, 강한 강우일수록 제안 기법의 강우 강도에 대한 신뢰성이 향상되며, 강우강도의 변화를 보다 잘 추정할 수 있음을 확인하였다. 제한된 시험관측 자료에 의해 강수지수 추정방법에 대한 검증 한계가 분명하게 있지만 제안된 방법에 대한 타당성은 충분히 검증되었다고 판단된다.

5. 결 론

강수는 도로 상의 수막을 형성하여 미끄럼을 유발하거나 전방 시야를 가림으로써 차량의 주행을 방해하는 차량사고의 위험 요소 중 하나이다. 현재 도로 강수를 관측하기 위해 주로 고정형 센서를 이용하고 있으나 장비의 설치 및 운영에 막대한 비용이 소요되기 때문에 고밀도의 상시관측이 어려우며 도로 강수 측정 정밀도와 공간적 해상도에 제한이 따른다. 본 연구에서는 이러한 한계를 극복하기 위해 차량에 장착된 레이더 센서를 이용하여 저비용 고효율의 강수 관측시스템을 구현하였다. 이미 장착된 차량레이더 본연의 기능을 유지하면서, 추가적으로 차량 주행 중 정밀 강우 강도를 추정할 수 있는 방법을 제안하였다. 실험 결과, 차량 주행 중 안전운행을 저해할 수 있는 일반적인 강도의 강우 환경 이상일 때, 강수지수를 적합하게 추정할 수 있음을 확인하였다. 향후, 알고리즘 개선 및 AI 기술 적용을 통해 제안 기술의 신뢰성을 향상시킴으로써 자율주행 시대에서 도로환경의 변화에 안전한 자동차 기술을 실용화 할 수 있을 것으로 기대한다. 또한, 제안 기술과 함께 다중센서를 복합적으로 활용함으로써 주행 중 노면결빙 및 물고임에 대한 상황판단에 유용한 정보를 제공할 수 있을 것으로 기대한다.