2.1 정적 자료 기반 e-horizon

최초의 e-horizon은 2006년 독일의 Siemens VDO사가 Adaptive Cruise Control (ACC) 기능을 개선하기 위해 BMW5 시리즈에 적용되었다^{(Varnhagen, 2017)}. 초창기 ACC는 선행 차량이 도로에서 사라졌을 때, 급격한 커브 길에서 갑작스런 차량의 가속현상이 발생하는 한계가 존재했었다. BMW는 e-horizon 정보를 활용하여 도로의 선형이나 출구 정보 등을 제공하여 이처럼 위험한 상황이 발생하는 지역에서의 가속을 줄이고자 하였다. 이러한 개념의 e-horizon은 BMW 자체 프로토콜, 데이터 모델 및 API (Application Programming Interface)를 기반으로 하였기 때문에, 유럽의 지능형교통체계(Intelligent Transportation System, ITS) 조직인 ERTICO (European Road Transport Telematics Implementation Coordination)에서는 첨단운전자보조시스템(Advanced Driver Assistance Systems, ADAS)의 정보교환에 필요한 인터페이스 사양을 다루기 위해 ADASIS (ADAS Interface specifications) 포럼을 조직하였다. 이 조직에서는 e-horizon 관련 개방형 표준화 데이터 모델 및 구조를 정의하며, 이들 자료의 접근이 가능한 개방형 표준 API를 정의한다. 즉, 현재 우리가 말하는 e-horizon 개념을 정의한 것이다.

2014년 ADASIS에서 정의한 e-horizon은 단순히 지도의 속성정보를 고려하여 최대 직선거리 8,192 m (13 bit)에서 32 bit 수준이었다^{(Varnhagen, 2017)}. 그러나 자율주행을 위해서는 정밀지도 즉, 차로 단위의 도로 속성, 도로의 경계, 도로 시설, 표지판 등의 정보가 포함되고 과거 미터 단위의 해상도에서 센티미터 단위의 정밀한 HDM이 필요하며, 나아가 동적으로 변하는 정보가 필요하게 되었다. 이를 위해 기존 데이터 속성값의 범위와 크기는 더욱 증가하게 될 것이며, ADASIS 포럼에서는 이러한 속성정보로 차량의 위치, 속도, 방향, 현재 통행하고 있는 도로의 유형, 차로 수, 평면선형의 곡선 반지름, 경사도, 고도, 전방 교차로, 제한속도, 잠재적 정지지점, 그 외 다양한 도로관련 정보가 포함될 것으로 예상하였다^{(Varnhagen, 2017)}. ^{Eckerle et al.(2017)}는 e-horizon 개념을 대형 트럭에 적용할 경우, 엔진의 가감속, 기어 사용 등을 통해 4.6 ~ 6.8 %의 연비 개선 효과가 발생할 것으로 보고하였다.

한편, e-horizon 정보 기반 경로를 구성할 경우, 운전 중 발생할 수 있는 다양한 상황에 대하여 대안 경로를 고려할 수 있다. 따라서 하류부의 연속되는 도로 구간을 연결하여 다양한 대안 경로를 탐색하며 운행할 수 있다. 이 경우, ^{Varnhagen(2017)}은 자료의 처리를 위한 작업량이 상당하며, 주행 경로 전방의 최대 직선거리를 2 km 수준으로 설정할 경우, 경로 구축을 위해 최대 25~30초 수준이 소요되는 것으로 분석하였다. 따라서 도로 주행 조건에 따른 e-horizon 구간의 효율적 운영이 불가피하다고 할 수 있다.

2.2 실시간 자료 기반 e-horizon

전술한 e-horizon은 정적인 자료를 기반으로 운영되는 개념과 사례에 대한 것이다. 그러나, 교통상황, 기상상황과 같은 실시간으로 변화하는 자료를 포함하는 개념으로 e-horizon은 발전하고 있다^{(Huber and Grossner, 2017)}. 연구진은 대형 화물차량에 실시간 e-horizon을 활용할 경우, 최대 연비 감소율을 계산하기 위해 네 가지 주행 시나리오에 대한 시뮬레이션을 수행하였다. 시뮬레이션 결과 동적인 e-horizon 활용은 연료 사용량을 큰 폭으로 감소시키는 것으로 나타났으며, 전방에 정체 상황이 발생할 경우 0.4~0.9 리터의 연료를 절약할 수 있는 것으로 나타났다. 특히, 정지와 출발이 반복되는 극심한 정체 상황(Stop-and-Go)에서는 42 ~ 46 %의 연료 소모량을 감소시키는 것으로 나타났다.

최근, ^{Milton et al.(2019)} 연구진은 교통 시뮬레이터인 SUMO (Simulation of Urban Mobility)를 활용하여 동적 e-horizon의 효과를 평가하였다. 이 실험에서 연구진은 시공간적 영역의 구성을 위해 공간적으로는 250 m, 시간적으로는 60초를 활용하였다. 도로 소통상황에 따라 차량의 속도에는 편차가 발생하였으며, 속도 편차($\pm$5 ~ 10 km/h)에 따라 연료소모는 2.56 ~ 5.23 %까지 감소하는 것으로 분석되었으며, 통행시간은 1.2 ~ 1.63 %까지 감소하는 것으로 나타났다.

한편, 최근 전 세계적으로 조명을 받고 있는 자율주행 자동차(Autonomous Vehicle, AV) 관련 기술을 위해 차량 자체의 센서(레이더, 라이다, 영상 센서 등) 기술뿐만 아니라 동적인 e-horizon 기술이 자율주행의 핵심 기술이 될 것으로 예상된다^{(Varnhagen, 2017)}. 성공적인 자율주행 자동차의 운영을 위해서는 기존 e-horizon 개념이 적용되는 디지털 맵과 차별되는 HDM이 필요하다.

2.3 자율주행을 위한 HDM

현재 개발 중인 자율주행 자동차(Autonomous Vehicle, AV)는 운전자의 역할을 차량 스스로가 판단하고 제어하며 운행하는 차량으로, 주행 중 도로 주변의 상황 판단을 위해 센서 기술(레이더, 라이다, 카메라 등) 개발에 집중해 왔다. 그러나 전술한 바와 같이, 이들 센서의 검지 영역은 매우 제한적이기 때문에, 급격히 변화하는 도로의 기하구조, 돌발상황 등에 대응하기 위한 추가 정보의 제공은 AV가 직면한 상황의 판단에 도움을 주게 될 것이다. 이러한 추가 정보는 수 cm 이내의 정확도를 가지는 HDM을 통해 보완이 가능하다. 도로의 차로, 도로 폭 및 가장자리 위치, 신호, 표지판, 노면표시, 가로등 등 대부분의 도로 시설물에 대한 정확한 위치정보와 속성정보를 포함한다. 또한, 일시적 도로의 공사, 차로 차단, 교통상황 등과 같은 동적인 정보도 포함할 수 있으며, 도로의 운행 규칙(제한속도, 추월금지 등), 도로의 포트 홀, 낙하물, 공사 구간, 교통사고와 같은 이벤트 정보가 포함되기도 한다. 이러한 정보는 정보의 특성에 따라 레이어(layer)로 구분하여 관리하는 것이 일반적이다.

매우 정교한 정적 정보와 더불어 동적 정보를 포함한 HDM의 용량은 기존 디지털 맵과 비교할 수준은 아닐 것으로 예상된다. HDM의 구축 기관과 활용 목적에 따라 다른 형식으로 구축되어왔다. 예를 들어, Table 1에서 ISO 22726-1 ^{(ISO, 2019)}, 내비게이션 데이터 표준(Navigation Data Standard, NDS) 협회의 OpenLaneModel ^{(NDS, 2022)}, 자동화․측정시스템 표준화 협회(Association for Standardization of Automation and Measuring System, ASAM)의 OpenDRIVE (Open Dynamic Road Information for Vehicle Environment) ^{(ASAM, 2022)}, 그리고 국내 국토지리정보원의 HDM ^{(NGII, 2022)} 등이 구축되었다. 그러나 이들 지도는 도로 구간, 차로, 교차로, 도로표지, 도로 시설물 등을 표현하기 위한 데이터 모델링 측면에서 서로 차이가 존재하는 것으로 알려져 있다^{(Lee et al., 2021)}.

최근 자율주행기술개발혁신사업단에서 추진하고 있는 도로교통융합신기술 사업에서는 자율주행 지원을 위해 HDM을 구성하였다. Fig. 1에서 연구진은 경기도 성남시 판교 일대 약 9.3 km 구간에 대하여 국토지리정보원 HDM을 ISO 77726-1 형식으로 보완 및 변환 작업을 완료하였다. 그 결과 전체 도로 구간에 대한 데이터 크기는 약 3.5 Mb 수준에 이르는 것으로 나타났다.

Fig. 1. Example of HDM Encoded in the Pankyo area, Sungnam

3.1 시뮬레이션 파라미터 정의

본 연구는 Fig. 2와 같이 다양한 교통류가 혼재된 부산광역시 부산진구, 연제구, 수영구, 동래구, 금정구의 일부 구간을 포함하는 약 9 km × 13 km 범위의 네트워크를 구축하고 도로의 기능과 유형에 따라 다양한 실제 제한 속도(30 kph, 50 kph, 60 kph, 80 kph, 100 kph)를 적용하였다. 또한, 단속류 구간에서의 교통신호 정보는 공공기관의 협조를 통해 구축하였다. 교통류를 연속류와 단속류로 정의하는 방식은 도로의 제한속도를 기준으로 하였으며, 오전 첨두시간을 대상으로 다양한 교통류를 주행하는 차량을 특정하여 분석에 활용하였다. 효과척도는 e-horizon의 변화에 따른 AV 인식범위 내의 링크 수와 링크 길이의 합으로 정의하였다. Table 2는 본 연구에서 사용되는 시뮬레이션 파라미터와 정의를 나타낸다.

Fig. 2. VISSIM Study Network, Some Area of Busan Metropolitan City

3.2 시뮬레이션 구현 방식

본 연구는 VISSIM의 사용자 인터페이스인 VISSIM COM을 이용하여 차량의 발생, 새로운 링크에서의 경로변경과 차량의 속도 제어뿐만 아니라 시뮬레이션 시간 0.05초 단위 차량의 주행 링크, 위치, 속도 등을 도출하는 과정을 구현하였다. 또한 AV의 다양한 인식 거리(즉, e-horizon) 내에 포함되는 링크의 속성(링크의 수, 링크 길이의 합)을 분석하였다.

Fig. 3은 시뮬레이션의 전반적인 구현방식을 나타내고 있다. 구체적으로 살펴보면, AV 차량을 발생한 후 해당 차량이 네트워크를 진출할 때까지 시뮬레이션 시간인 0.05초 단위로 AV 차량을 이동시키면서 지속적으로 인식 거리 내에 포함되는 링크의 수와 링크 길이의 합을 확인하고 새로운 링크에 진입할 경우 차량의 경로를 재정의하고 개별 링크에 정의된 제한속도를 AV 차량에 적용한다.

Fig. 3. Simulation Flow Chart

4.1 링크 수와 링크 길이의 합

Fig. 4는 0.05초 단위 시뮬레이션 시간(X축)에 따른 AV의 e-horizon 영역 내 링크 수(Fig. 4(a))와 링크 길이의 합(Fig. 4(b))을 나타낸 것이다. Fig. 4(a)에서 크게 네 곳에서 e-horizon 영역에 따라 링크의 개수가 큰 폭으로 증가하는 것으로 나타났으며, 세 군데에서는 영역에 영향이 없는 것으로 나타났다. 또한 AV의 e-horizon 영역이 증가함에 따라 좀 더 이른 시점에 링크를 인식하고, 좀 더 오랜 시간 동안 인식되는 것으로 나타났다. 즉, AV의 e-horizon 영역이 길어짐에 따라 빠르게 링크를 인식하고, 상대적으로 장시간 링크 정보를 보유함으로써 AV 자체 메모리에는 비효율적이라고 할 수 있다.

Fig. 4(b)에서 개별 링크의 길이가 상이하여 AV의 e-horizon 영역이 증가하더라도 링크 길이의 합에 관한 결과는 Fig. 4(a)의 링크 수와는 달리 직접적인 설명력이 부족하다. 따라서, AV의 e-horizon 영역에 따른 링크의 개수나 링크의 길이 관점에서 HDM의 데이터양과 데이터 처리 효과를 평가할 필요가 있다.

Fig. 5는 0.05초 단위 시뮬레이션 시간에 따른 AV 차량의 속도(X축)와 e-horizon 영역 내(100 m, 500 m, 1,000 m) 링크 수(Figs. 5(a)~5(c))와 링크 길이의 합(Figs. 5(d)~5(f))을 분석한 결과를 나타내고 있다. 또한 단속류 도로의 제한속도인 50 kph를 기준으로 50 kph 이하의 통행속도(travel speed)는 단속류(interrupted traffic flow)로 그 이상은 연속류(uninterrupted traffic flow)로 정의하였다.

Fig. 5(a)~5(c)에서 50 kph 주변 속도에서 가장 많은 링크들이 인식되고 있으며 인식 거리가 늘어남에 따라 인식범위에 포함되는 링크의 개수가 증가하는 것을 알 수 있다. 이와 더불어 30 kph 이하 1,000 m 인식 거리(Fig. 5(c))에서 짧은 링크들이 집중적으로 인식되는데 이는 전형적인 단속류 도로의 특성이라고 할 수 있다. 반면 80 kph 이상 1,000 m 인식 거리(Fig. 5(c))에서 인식되는 링크의 개수는 상대적으로 적으며 이는 연속류 (도시)고속도로의 특성으로 이해할 수 있다.

Fig. 5(d)~5(f)에서 e-horizon 영역이 증가함에 따라 링크 길이의 합이 증가하고 있으며, 이는 단속류 도로(속도 50 kph 이하)의 신호교차로와 연결되는 짧은 링크들이 집중적으로 인식되기 때문이다. 또한, 80 kph 이상의 연속류 도로에서는 링크의 개수와 달리 링크 길이의 합이 크게 나타났다.

Fig. 4. Number of Links and Sum of Link Distances based on Simulation Time and E-horizon Range

Fig. 5. Number of Links and Sum of Link Distances based on Vehicle Speed and E-horizon Range

4.2 평균 링크 수와 평균 링크 길이의 합

Fig. 6은 차량 속도(X축)와 AV의 e-horizon 영역(Y축)에 따른 평균 링크 수(Fig. 6(a))와 평균 링크 길이의 합(Fig. 6(b))을 나타낸다. Fig. 6(a)에서 속도가 늘어남에 따라 평균 링크 수가 줄어드는 반면, AV의 e-horizon 영역이 늘어남에 따라 평균 링크 수가 증가하는 것을 알 수 있다. AV가 인지하는 도로의 거리와 관계없이 신호교차로로 구성된 저속의 단속류 도로에서는 고속의 연속류 도로보다 더 많은 링크들이 인식되고 있다.

Fig. 6(b)에서 Fig. 6(a)의 결과와는 달리 저속과 고속에서 AV가 인식하는 도로의 거리가 늘어남에 따라 평균 링크 길이의 합이 증가하는 것을 알 수 있다. 저속의 경우 짧은 링크들이 다수 인식됨에 따른 결과이고 고속의 경우 (도시)고속도로로 구성된 상대적으로 소수의 긴 링크들이 인식되기 때문이다.

결론적으로 저속의 단속류 도로에서는 링크의 수를 중심으로, 그리고 고속의 연속류 도로에서는 링크 길이의 합을 기준으로 HDM 데이터의 수집, 가공, 처리를 위한 적정 범위를 제시해야 할 것으로 판단된다. 구체적으로 단속류 도로(속도 40 ~ 49 kph)에서는 하류부 전방과 좌우 교차로를 포함하는 12개 링크를 기준으로 600 m의 e-horizon 영역을 정의하고 연속류 도로(70 ~ 79 kph)의 경우 주행 중인 링크와 주변 링크를 포함한 링크 길이의 합 10 km를 기준으로 700 m의 e-horizon 영역을 정의할 수 있다.

Fig. 6. Average Number of Links and Sum of Link Distances based on Vehicle Speed and E-horizon Range