3.1 지도 데이터 변환

^{Horita and Schwartz(2015)}는 자율주행을 위한 ADAS 어플리케이션의 필요 데이터 량을 낮추는 한편, 자율주행이 가능하도록 충분한 데이터 제공의 최적점을 찾기 위해 ADASIS (advanced driver assistance systems interface specification) v2 및 LDM의 개념을 확장하고자 하였다. 결과적으로 MPP (most probable path) 개념 기반 설정된 경로를 거시적 관점의 path map과 미시적 관점의 spatial map을 유동적으로 사용하는 하이브리드 형태의 데이터 모델을 구축하였다. 이를 활용하여 실험한 결과, 30 km/h 수준의 자율주행 테스트에 성공하였으며, 차선 변경 및 교차로 운행이 가능한 것으로 나타났다. 또한 링크 수가 많은 구간의 경우, 데이터 감소율이 최대 80 %까지 나타나 자율주행 환경에서의 데이터 사용량 감소 측면에 많은 이점이 있는 것으로 판단된다. ^{Yang et al.(2017)}은 LDM 데이터의 빠르고 정확한 송·수신 효율을 높이기 위해 국토정보지리원의 정밀전자지도 데이터 구조의 변환과 LDM의 자체적인 DM (dynamic map) 프로토콜을 제안하였다. 결과적으로 전방의 데이터 활성화 구간이 넓어질수록 데이터의 크기와 데이터 처리 소요시간이 증가하는 것으로 나타났으며, 이를 바탕으로, 0.2 s 기준 최대 250 m의 데이터 구간에 대한 데이터 처리 기준을 제시하였다.

3.2 교통정보 생성

^{Yang and Jeon(2018a)}은 자율주행 환경에 높은 정확도의 위치정보가 필요하며, 다양한 지도 정보 간의 위치정보를 교환하는 방법론 개발이 필요하다고 언급하였다. 이를 위해 지도 간 공유 데이터베이스 없이 위치정보의 교환이 가능한 동적위치참조 방법을 개발하였다. 인코딩/디코딩의 과정을 통해 오차 25 cm 미만의 정확도를 가지는 L-LRM (lane-level location referencing method) 프레임워크를 설계하였으며, 구축된 평가 툴을 활용하여 방법론을 평가하였다. 더 나아가 지도 정보뿐 아니라 도로 위 이벤트 정보에 대한 차로 수준의 위치 파악이 가능한 동적위치참조방법을 개발하였으며, 이벤트 동적정보의 활용이 가능한 디지털 도로 이벤트 관리 시스템을 개발하였다^{(Yang and Jeon, 2018b; Yang and Jeon, 2018c)}.

3.3 어플리케이션 개발

^{Blervaque et al.(2006)}은 센서 정보 기반의 ADAS를 디지털 지도와 차량 위치 정보를 활용하여 전방 도로·교통 상황을 파악하여 그 기능을 확대하고자 하였다. 또한, ADAS 어플리케이션 지원이 가능한 지도 데이터의 표준 인터페이스를 개발하고 평가하였다. 결과적으로 지도 데이터의 ADAS 어플리케이션 접근은 가능하였으며, 통신 대역폭 요구 사항은 버스 용량 0.1 ~ 1.5 %로 나타났다. 또한 백그라운드 트래픽에 부과되는 대기시간은 최대 0.53 ms로 나타났으며, 지도-ADAS간 데이터 스트림 대기시간은 최대 1 ms로 나타났다. ^{Shimada et al.(2015)}은 C-ITS 관점에서 차량 제어 메커니즘 연구를 수행하였으며, 충돌 감지 어플리케이션 기반 LDM을 구현하고 평가하였다. 차로, 차량속도 데이터를 활용하여 정지시거 산출, 정지거리 알고리즘(stopping distance algorithm: SDA) 적용한 추돌 위험 경고(longitudinal collision risk warning: LCRW) 어플리케이션에 대한 실험을 진행하였다. LCRW 산출 주기는 100 ms, 500 ms이며, 차량정보는 50 ms마다 갱신하였다. 결과적으로 컴퓨터 성능에 따라 데이터 응답시간이 6 ~ 15 ms로 큰 시간 차이를 보였으며, 차량 대수가 증가함에 따라 LDM 내부 연산 부하가 높아지는 것으로 나타났다. 성능이 낮은 컴퓨터의 경우, 차량 정보 산출이 되지 않는 경우도 발생하는 것으로 나타났다.

3.4 자율주행 실험

^{Kim et al.(2017b)}은 DGPS (differential global positioning system), 3D LiDAR 정보 없이 정밀도로지도 정보만 활용하여 자율주행이 가능한 시스템을 개발하였다. LiDAR, RADAR, GPS 정보와 정밀 도로지도를 비교하며 필요 데이터의 정확성을 높였으며, 자차 위치정보 및 노드·링크 정보 기반 경로를 생성하였다. 결과적으로 40 km/h 이하 속도에서 자율주행이 가능한 것으로 나타났다. ^{Jung et al.(2021)}은 고정밀 지도를 기반으로 차선정보 및 차량 주변 정보를 활용하여 자율주행 환경에 맞는 경로 정보를 생성하는 연구를 진행하였으며, 목적지까지 주행 중 경로 위에 있는 장애물 회피를 목적으로 경로 생성 알고리즘을 제안하였다. 시뮬레이션을 통해 경로 생성 알고리즘의 효과를 측정하였으며, 결과적으로 경로의 길이가 늘어날수록, 장애물의 개수가 늘어날수록 연산양은 증가하는 것으로 나타났다. 하지만 도출된 알고리즘은 DWA (dynamic window approach)의 한계점을 보완하며, 프레넷 좌표 경로의 장점을 어느 정도 가질 수 있는 효과적인 알고리즘으로 판단된다.

3.5 요약 및 시사점

기존 LDM 관련 연구를 검토한 결과, 연구 주제별 특징을 도출할 수 있었다. 먼저, 데이터 표준과 관련된 연구의 경우, ISO 18750, ESTI TR 102 863, OpenDRIVE 등 다양한 표준을 비교하며, 보완점을 찾아가려는 시도가 주를 이루었다. 지도 데이터 변환과 관련된 연구에서는 지도 데이터 활용에 대한 효율성에 유의미한 연구 결과가 나타났다. 하지만 LDM layer를 중심으로 연구된 사례는 미흡하였으며, 대부분 정밀도로지도 데이터 중심의 표준 연구가 진행된 것으로 나타났다. 최근 Vehice LDM. RSU (road side unit) LDM 데이터에 처리속도에 대한 요구사항을 제시하거나^{(Roh, 2020)}, ISO 22726-1이 새로 표준화되고 있으며,‘Belt’와 같은 새로운 형식의 정밀도로지도가 적용되고 있는 만큼 표준 정립에 대한 다양한 연구사례가 지속적으로 이루어져야 할 것으로 보인다.

다양한 LDM 데이터를 기반으로 다른 도로·교통정보를 생성하여 도로 운영에 활용하거나^{(Yang and Jeon, 2018a; Yang and Jeon, 2018b; Yang and Jeon, 2018c)}, 자율주행 자동차가 주행 중 필요한 정보(SDA, LCRW 등)를 생성하여 주행 안전성을 높이는 것이 가능한 것으로 나타났다. ^{Joung et al.(2021)}에서는 LDM 데이터 전송거리 증가 및 전송주기 감소에 관한 연구가 진행되기도 하였다. 하지만 LDM 데이터를 활용한 자율주행 실험은 매우 제한적인 데이터만을 활용하여 진행되었으며, 실험결과는 제한적으로만 활용될 수 있을 것으로 판단된다.

차량 센서만 의존한 자율주행에는 한계가 존재하며, 센서로 수집하지 못하는 공간에 대한 교통상황을 대처하기 위해 더 넓은 공간에 대한 정보 수집이 필요하다. 그러나 기존 연구들의 경우, LDM 데이터 속성 정의, LDM 데이터 활용성 및 효율성 중점의 연구 등 데이터 측면에서의 연구가 주류를 이루었으며, 주행 중 활용해야 할 LDM 데이터의 시공간적 제공범위에 대한 고려는 이루어지지 않은 것으로 나타났다. 따라서 완전한 자율주행을 위해서는 LDM 데이터의 시공간적 활성화(ADAS horizon) 전략에 대한 연구가 필요하다.

4.1 도로·교통정보 활성화 구간 특성

자율주행을 위해서는 수많은 자동차 및 도로 인프라 센서로부터 수집되는 빅데이터를 수집, 분석, 활용하는 것이 필요하다. 그러나 교통상황이나 도로상황, 차량 상태를 고려하지 않은 무분별한 도로·교통정보 수집은 비효율적이며 자율주행 자동차의 데이터 연산에 부하가 주어질 수 있다. 따라서 운전자가 주행 중 교통정보를 선별하여 활용하듯 자율주행 자동차도 스스로 주행에 필요한 정보를 선별하여 주행할 필요가 있다. 즉, 도로·교통정보 활성화 구간 산정을 위한 프레임워크도 동일한 방식으로 진행될 수 있으며, 정보의 활성화 산정을 위해서는 몇 가지 가정이 필요하다.

자율주행 자동차는 목적지가 정해지면 추천 경로로 주행하게 된다. 이때 자율주행 자동차의 도로·교통정보 활성화 구간은 주행 경로 상 전방도로구간에 설정되며, 도로·교통정보 활성화 구간 내 존재하는 링크에 대한 정보 수집이 가능한 것으로 가정하였다. Fig. 3은 도로·교통정보 활성화 구간 내 존재하는 링크 구간에 따라 교통정보 수집 범위를 나타낸 그림이다.

Fig. 3. Relationship Between the ADAS Horizon and Information Collection Section

다음으로 자율주행 자동차가 경로 상 링크를 통과할 때마다 새로운 추천 경로를 탐색하는 것을 가정하였다. Fig. 3는 전방에 돌발 상황 위치 및 차량 위치에 따라 자율주행 자동차의 주행 경로 선택 상황을 보여준다. Case1의 경우 자율주행 자동차가 전방 돌발 상황에 대한 대처가 불가능한 상황이다. Case2의 경우 다행히도 목적지까지의 원활한 주행이 가능한 상황이지만 도로상황에 따라 Case3처럼 주행 경로 상에서 크게 벗어나야 할 경우가 발생하기도 한다. 반면, Fig. 4에서와 같이 전방 돌발 상황 정보를 미리 수집할 수 있다며, Fig. 4의 Case3과 같은 상황에서도 다른 경로 선택을 통해 안정적인 주행을 할 수 있다.

마지막으로 자율주행 환경에서 자율주행 자동차가 처리해야 할 도로·교통 정보는 방대하며, 주행에 필요한 데이터를 구별하여 수집·활용하며, 상황별로 유연하게 적용가능 해야 한다. 예를 들어, 시내부 도로의 경우, 주행하는 경로 주변에 도로 및 교차로가 밀집되어 있기 때문에, 도로·교통 정보의 양은 증가하게 된다. 그러나 차량의 속도는 고속도로 대비 상대적으로 낮기 때문에 광범위한 공간에 대한 정보를 수집할 필요는 없다. 반면, 고속도로의 경우, 완전 분리된 시설이기 때문에 분기점(junction: JC)과 나들목(interchange: IC)을 제외한 인근 도로와 교차로에 대한 정보를 수집할 필요는 없다. 그러나 차량의 속도는 상대적으로 높기 때문에 상대적으로 긴 주행 경로에 대한 정보가 미리 수집되어야 한다. 이와 같은 개념을 적용하여, 도로 상황별 도로·교통 정보 수집 구간이 유연하게 변화될 수 있는 도로·교통정보 활성화 구간 산정 프레임워크를 제안하고자 한다.

Fig. 4. Selection of a Driving Path for Each Case

4.2 도로·교통정보 활성화 구간 산정 프레임워크 설계 방향

자율주행 자동차는 전방 돌발 상황에 대한 대처가 가능해야 하며, 주행 경로 변경 시 추천 경로에서 크게 벗어나지 않기 위해 현재 위치한 링크와 연결된 두 개 링크 구간에 대한 도로 교통 정보가 수집되어야 한다. 즉, 현재 주행 중인 링크를 제외한 전방 두 개 링크 및 이를 연결하는 두 개 노드에 대한 도로·교통 정보가 수집되어야 하며, 도로·교통정보 활성화 구간 내 노드·링크 수가 충분하지 않을 경우 도로·교통정보 활성화 구간을 점진적으로 늘려나가는 메커니즘이 포함되어야 한다.

한편, 도로·교통정보 활성화 구간이 늘어남에 따라 자율주행 자동차가 처리해야할 데이터 크기도 늘어나게 된다. 자율주행 자동차가 실시간으로 수집되는 데이터 크기를 판단하여 활용해야할 데이터 크기를 조절할 일련의 과정이 필요하다. 주행 중 필요한 데이터의 크기를 줄이거나 우선순위가 떨어지는 데이터를 수집·활용하지 않는 방법 등을 통해 데이터의 지연성을 줄이고 주행 안정성을 높일 필요가 있다.

마지막으로 해당 시내부도로 혹은 고속국도와 같은 서로 다른 도로·교통 상황에 따라 유연한 적용이 가능하여야 하며, 이는 도로·교통정보 활성화 구간과 정보 수집이 가능한 링크들의 길이 합 정보를 통해 구분할 수 있을 것으로 판단된다. Fig. 5은 이러한 개념을 적용하여 설계해본 도로·교통정보 활성화 산정 프레임워크이며, 이러한 개념을 활용한다면, 자율주행 자동차가 목표 경로상 도로·교통정보 활성화 구간을 최적으로 설정하고 설정된 범위 내의 도로·교통 정보만을 수집함으로 데이터 송·수신 및 처리 속도 향상을 기대할 수 있다. Fig. 5에 제시된 각 단계에 대한 설명은 다음과 같다.

① 자율주행 자동차가 주행을 시작하면 목적지에 대한 경로 선택

② 초기 도로·교통정보 활성화 범위 설정

③ 선택된 경로 위, 활성화 범위 내 도로 데이터 정보 활성화

④ 활성화된 도로 데이터 정보를 처리하는데 소요되는 시간 파악 및 시간 별 활성화 데이터 크기 조절

⑤ 활성화 범위 내 포함되는 노드와 링크 수를 파악하고 그 수에 따라 활성화 범위 조절

⑥ 활성화 범위 내 노드 및 링크의 수와 데이터 크기가 적절할 경우, 해당 활성화 기준을 가지고 주행하며, 노드를 지날 때마다 프로세스 반복

Fig. 5. Framework for Calculating Road and Traffic Information Activation Section