정확한 차량의 위치 파악은 안전하고 정확한 자율주행을 위한 필수적인 선행조건입니다. 일반적으로 Global Positioning System (GPS)이라는 이름으로 알려진, Global Navigation Satellite System (GNSS)는 하나 이상의 인공위성 신호를 활용하여 위치 정보를 제공하는 시스템을 차량 위치 파악에 활용하고 있습니다[1, 2]. GNSS는 경도, 위도, 고도와 같은 절대 위치 정보를 저렴한 단말기를 통해 제공합니다. 그러나 인공위성 신호를 기반으로 하는 방식은 그 정확성이 수 십 미터 단위로, 자율주행차량에 적용하기에는 정확성이 낮으며, 인공위성 신호의 가시성이 확보돼야 하는 전제 조건이 있습니다[3, 4].

Differential GPS (DGPS) 및 Real-time Kinematic (RTK)는 GPS의 정밀도와 강건성을 향상시키기 위한 대표적인 기술입니다[5-7]. DGPS는 알려진 위치를 가진 고정 기지국을 활용하여 위치 보정을 통해 수 미터 정도의 위치 정확도 향상을 이루어 냅니다. RTK는 신호 반송파(Carrier wave)의 위상을 활용하여 GPS 신호를 보정함으로써 센티미터 단위의 위치 정확도를 도출합니다. 그러나 이러한 두 기술들은 주로 가격이 높아 일반적인 차량에 장착하기 어렵습니다. 일반적으로는 관성센서를 통한 dead-reckoning 기술로 위성신호가 차단된 동안 일시적으로 차량의 위치를 보정하는 방법이 활용됩니다[8-10]. 그러나 이러한 기술들은 여전히 인공위성 신호에 의존하며, 장기간 신호가 차단 시에는 GNSS를 통한 차량 위치 추정이 불가능합니다. 특히 최근에는 고층빌딩, 터널, 고가도로 와 같이 인공위성 신호의 가시성이 제한된 지역이 늘어나면서, 인공위성 신호가 차단된 상황에서도 정확한 차량의 위치 정보를 얻는 방법이 필수적으로 요구되고 있습니다.


인공위성의 신호를 활용하지 않는 대표적인 위치 추정 방법은 ‘랜드마크’라 불리는 정적 물체를 활용하는 것입니다. 예를 들어, 에펠탑이 보이면 관찰자의 위치는 파리 근처에 있을 것으로 추정할 수 있으며, 에펠탑의 절대 위치를 알 경우, 에펠탑까지의 대략적인 거리와 방향으로부터 관찰자의 위치까지 대략적으로 추정할 수 있습니다. 즉, Fig 1과 같이, 관찰자는 시각 정보로부터 에펠탑이라는 특징을 추출하고, 사전에 구축한 지도와 대조하여 획득한 에펠탑의 절대 위치와 에펠탑까지의 상대 위치 정보를 활용하여 관측자의 위치를 정확히 추정합니다.

도로 환경에서는 교통 표지판, 가로등, 도로표지판, 건물 등 에펠탑과 같이 위치를 특정할 수 있는 반영구적 물체, 즉, ‘랜드마크’가 다수 존재합니다. 그리고 자율주행차량에는 카메라, 라이다 등 주변 환경 정보를 획득하기 위한 다양한 센서가 부착되어 있으며, 컴퓨터 및 물체 인식 기술의 비약적인 발전을 바탕으로 측정한 시각적인 정보로부터 랜드마크를 정확하게 추출하는 기술이 발전되고 있습니다. 그렇다면 ‘랜드마크 기반 차량 위치 추정 방식’이 제공하는 위치 정확도는 얼마일까요? 차량의 높은 속도 조건이 달라지는 경우나 기상 조건에 의해 랜드마크의 정확한 관측이 어려운 경우에서도 실시간으로 위치 정확도를 확보할 수 있을까요? 자율주행차량에 대하여 랜드마크 기반 차량 위치 추정 방식의 적용 가능성을 확인하기 위하여 이는 반드시 확인되어야 하는 사항입니다.


필자는 랜드마크를 활용하여 차량 위치 추정하는 방식의 정확성 및 강건성에 대한 질문에 대한 답을 제시하기 위하여, 시각정보를 제공하는 센서 중 가장 높은 정확성을 가진 라이다 센서를 활용하여 랜드마크 기반 차량 위치 추정 알고리즘을 제시하고, Fig 2와 같이 교통환경이 완벽히 통제된 자율주행차량 테스트 시설인 Mcity에서 해당 알고리즘을 다양한 속도 조건 및 날씨 조건에서 검증하였습니다.


실험은 실제 인간 운전자의 불확실성을 배제하기 위해 자율주행차량으로 수행되었습니다. 랜드마크를 관측하기 위한 라이다는 Velodyne사의 32-channel 라이다를 사용하였으며, 0.02m의 정확성을 보유한 GPS/RTK로부터 얻은 차량 위치 정보를 랜드마크 기반 위치 추정 방식의 비교군으로 활용하였습니다. Mcity의 랜드마크 지도는 Fig 3과 같습니다. 

차량의 위치를 추정하기 위한 랜드마크는 교통환경에서 자주 관찰되며, 그 위치와 외형이 불변하며, 관찰 각도에 따라 일정한 형태가 지되어야 합니다. 또한, 정확한 위치 추정을 위해 랜드마크의 관측 빈도가 높아야 합니다. 예를 들어, 건물은 위치와 외형이 변하지 않고 관측이 쉽지만, 관찰 각도에 따라 외형이 변하여 이상적인 랜드마크로는 보기 어렵습니다. 또한 이러한 경우에는 건물의 정확한 중심점을 정의하기가 힘들어, 관찰 각도에 따른 일관된 차량 위치 추정이 어렵습니다. 도로 표시는 횡방향에 대한 차량의 위치를 정확하게 제공할 수 있지만, 물이나 눈과 같은 기상 조건으로 인해 가시성이 저하될 수 있습니다. 나무는 계절, 즉 시간에 따라 외형이 변하므로 이 역시 랜드마크로는 부적합합니다. 그에 반해, 교통 표지판, 도로 표지판, 가로등과 같은 기둥 모양의 물체는 반영구적으로 위치와 형상이 변하지 않고, 지면에 쌓인 눈과 같이 기상 조건에 대해서도 강건하게 가시성을 유지하며, 관찰 각도에 따라 일정한 관측 형태를 유지합니다. 따라서 본 연구에서는 기둥 모양의 물체를 랜드마크로 선택하였습니다.


라이다 측정 신호로부터 기둥 형태의 랜드마크를 추출 방법은 다양합니다. 본 연구에서는 랜드마크 기반 위치 추정 방식의 정확성 및 강건성 판단을 위해 기둥 형태의 랜드마크 추출 방법을 보편성, 실시간 구현 가능성, 다양한 날씨 적용 가능성을 고려하여 Fig 4와 같이 설계하였습니다[11].


전처리 과정은 M-estimator Sample Consensus 방법[12]을 이용하여 지면에 해당하는 라이다 신호를 제거하고, 라이다의 반사강도 특성을 활용하여 기상 입자를 관측한 라이다 신호를 빠르게 제거하는 단계를 포함합니다[13]. 라이다의 반사강도 기반 필터링은 기상 입자를 탐지한 라이다 신호의 반사강도가 물체를 탐지한 라이다 신호의 반사강도보다 낮을 것을 고려하여 설계되었습니다. 이 필터링 기술은 Fig 5에서 확인할 수 있듯이, 눈이 많이 내린 날에도 5.52초 소요되는 기존의 거리 기반 필터링 기술(DROR)에 비해 0.0031초 내에 비슷한 성능을 제공합니다.


분할(Segmentation) 과정에서는 Occupied grid search 기법과 Connected component analysis 기법을 활용하여 비의미론적인 라이다 신호를 그룹화함으로써 물체 형상을 결정합니다. Occupied grid search 기법은 라이다 신호의 위치를 빠르게 스캔하여 라이다 신호가 없는 빈 그리드를 분리선으로 고려하는 기법입니다. 그리고 Connected component analysis 기법은 추출된 분리선을 기준으로 라이다 신호가 존재하는 그리드를 연결합니다[14]. 이렇게 연결된 라이다 신호들은 하나의 물체로 그룹화되어 물체의 형상을 결정합니다. 마지막으로, 차원 분석[15, 16] 및 시각적 특징[17]을 활용하여 기둥 형상을 가진 그룹들을 추출합니다. 눈이 많이 오는 날에 라이다로 관측한 주변 환경 정보에 대하여 설계한 기둥 형태의 랜드마크 추출 알고리즘을 적용한 결과 예시는 Fig 6에서 확인할 수 있습니다.


Fig 7은 맑은 날과 눈오는 날의 Mcity 주행 데이터에서 랜드마크 추출 알고리즘을 활용한 결과를 보여줍니다. 랜드마크 추출 알고리즘은 관측 퀄리티에 따라 일부 랜드마크를 감지하지 못할 수도 있습니다. 차량 위치 추정알고리즘은 누락된 랜드마크를 제외하고 감지된 랜드마크만을 활용합니다.

비의미론적인 라이다 신호로부터 기둥 형상의 랜드마크를 추출하였다면, 다음 단계는 추출된 랜드마크의 특징(unique feature)을 사전에 구축된 지도와 매칭하여 랜드마크의 절대 위치를 도출하는 것입니다. 랜드마크는 모양, 크기, 질감 및 색상 등 다양한 속성으로 자신을 표현할 수 있습니다. 하지만 랜드마크에 대한 라이다 신호만으로는, 라이다 신호의 분포 기반 랜드마크의 형태가 랜드마크의 고유한 특징이 됩니다[18]. 또한, 다른 랜드마크들과의 연결성도 랜드마크를 식별하는 데 중요한 특징 중 하나입니다. 랜드마크들은 정적인 물체이며, 다른 랜드마크들과의 구조적인 관계를 통해 랜드마크를 특정 지을 수 있습니다.


즉, 특정 위치 (xi, yi)에 존재하는 랜드마크 i는 Fig 8과 같이 랜드마크 i 자체의 고유한 형상 특징 Fi와 다른 랜드마크들 간의 구조적 관계 정보 Ci로 표현될 수 있습니다.


Fig 9은 라이다 신호로부터 추출된 랜드마크를 정의하는 특징(형상 특징 Fi와 구조적 관계 정보 Ci)들을 사전에 구축된 지도와 매칭하여, 랜드마크의 절대적인 위치를 추출하는 과정을 개략적으로 도식화한 것입니다. 차량이 주행하면서 라이다로 스캔한 주변 정보로부터 기둥 형태의 랜드마크를 추출한 후, 랜드마크들의 고유한 특징 Q = [Fk, Ck]을 이용하여 사전에 구축된 랜드마크 지도에서 가장 유사한 특징을 가진 랜드마크의 절대 좌표 (xi, yi)를 도출합니다.


Fig 10은 Mcity 내 임의의 위치에서 관측된 랜드마크들과 그것들의 연결성을 통해 사전에 구축된 랜드마크 지도와의 비교를 보여줍니다. 그리고 비교를 통해 현재 관측된 랜드마크들의 전역 좌표가 얻어지고, 이 전역 좌표들이 차량 위치 지정에 활용됩니다.




Fig 11은 가중 평균 방법을 사용하여 라이다의 위치를 추정하는 과정을 도식화한 것입니다. 가중 평균 방법은 랜드마크까지의 거리가 더 가까운 경우 라이다 신호가 더 밀집된 형태로 관측되므로, 관측된 랜드마크의 라이다 신호 수를 기준으로 더 가까운 랜드마크의 위치에 대한 신뢰성을 반영하여 추정 결과의 정확성을 향상시킵니다. 최종적으로, 차량의 위치는 라이다의 설치 위치를 보정하여 추정됩니다.


Fig 12는 GPS/RTK 기반 위치 정보 대비 랜드마크 지도와의 비교를 통해 획득한 랜드마크의 전역좌표를 기반으로 가중 평균 방법을 사용하여 추정한 차량 위치의 정확도를 나타냅니다. 랜드마크 기반 위치 추정 방식을 다양한 속도 조건에서 검증한 결과, 맑은 날과 눈 오는 날 모두 평균 약 0.03 m의 정확성을 보여줍니다. 이 정확도는 일반적인 DGPS의 정확성(1m 이내)보다 훨씬 우수하고, GPS/RTK의 정확성 (거리에 따라 2cm – 1m 내)과 유사한 성능을 갖추고 있음을 시사합니다. 즉, 실험 결과는 비록 랜드마크 검출의 부분적인 손실이 있었음에도 불구하고, 랜드마크만으로도 cm 수준의 정확한 차량 위치 추정이 가능함을 나타냅니다.


본 연구는 Fig 13과 같이 라이다 센서를 활용하여 랜드마크 기반 위치 추정 방식 알고리즘을 설계하고, 랜드마크 기반 위치 추정 방식의 정확성와 다양한 속도 및 날씨 조건에서의 강건성을 검증하였습니다. 랜드마크는 GPS 신호가 사용 불가능한 경우에 관측자의 위치를 식별하는 가장 좋은 지표 중 하나입니다. 이론적으로 차량의 위치는 랜드마크의 전역 좌표와 랜드마크까지의 상대 좌표를 통해 추정할 수 있습니다. 라이다 센서는 높은 정확도와 해상도로 교통 환경의 랜드마크를 관측할 수 있습니다. 따라서, 라이다 신호에서 랜드마크를 정확하게 추출한다면, 랜드마크 기반 차량 위치 추정 방식은 날씨나 속도 조건과 무관하게 GPS/RTK 수준의 위치 정확도를 보장할 수 있으며, 이는 자율주행의 성능 향상에 크게 기여할 것입니다.


랜드마크 기반 차량 위치 추정 방식의 또 다른 장점은 맵 효율성입니다. 표 1은 Mcity 지도를 라이다 신호 자체로 저장하거나, 이미지 기반으로 저장하거나, 랜드마크 속성으로 저장하였을 때의 지도 크기를 비교한 것입니다. 라이다 신호 기반 지도는 측정된 라이다 신호의 전체 패턴으로 구성되어 있으며, 95% 다운 샘플링을 해도 동일한 공간에서 가장 큰 용량을 차지합니다. 이미지 기반 지도는 라이다 신호의 2차원 패턴으로 형성되어 있어, 라이다 신호 기반 지도보다 차지하는 용량이 작습니다. 반면, 랜드마크 기반 지도는 랜드마크의 특성만으로 구성되어 있어 동일 공간에 대한 이미지 기반 지도 대비 0.31%로 가장 효율적인 지도 크기를 갖습니다. 따라서 지도에 대한 저장 공간을 훨씬 절약할 수 있으며, 특징과 지도 매칭 시 검색 속도가 상당히 빠르다는 이점이 있습니다. 즉, 랜드마크 기반 차량 위치 추정 방식은 지도가 굳이 전체 데이터를 보유할 필요 없이, 랜드마크만으로 구성되어 있더라도 빠른 시간 내 GPS/RTK 수준의 정확도를 제공할 수 있습니다.

이처럼 랜드마크를 활용한 차량 위치 추정 방식은 정확성, 강건성, 지도 효율성 면에서 큰 잠재력을 가지고 있습니다. 그러나 실제 적용시에는 여러 문제점이 있습니다. 첫째로, 랜드마크가 완벽하게 추출되어야 합니다. 교통 환경에서는 수많은 불확실성이 존재하여 맑은 날씨라 할지라도 그 위치의 랜드마크가 제대로 관측이 안될 수 있으며, 날씨 조건이 변하면 관측 불확실성이 더 커집니다. 랜드마크 관측이 명확히 이루어져도 랜드마크 추출 알고리즘이 관측 신호에서 랜드마크를 제대로 추출하지 못할 수도 있습니다.


Fig 14는 차량의 위치 추정 시 사용되는 랜드마크 개수에 따른 위치 오차를 나타냅니다. 이 그림은 라이다의 관측 방향에 따른 편향으로 인해 위치 추정에 사용되는 랜드마크 수가 감소함에 따라 위치 추정 정확도가 저하되는 것을 보여줍니다. 따라서 정확한 위치 추정을 위해서는 랜드마크 관측이 보장되어야 하며, 랜드마크 추출 알고리즘이 강건하게 동작해야 합니다.

두 번째 문제는 랜드마크를 구별하는 속성의 다양성입니다. 기둥 형태만 고려할 경우 비슷한 특징을 가진 랜드마크가 무수히 많을 수 있으며, 랜드마크 설치 구조가 유사한 경우, 관측된 랜드마크를 지도 상에서 정확히 식별하기 어려울 수 있습니다. 사전 연구 결과에 따르면 지그재그 형태의 구조가 가장 정확한 위치 추정 결과를 제공합니다[19]. 그러나 모든 랜드마크가 지그재그 형태로 설치된다면 랜드마크 간의 연결성은 무의미한 특징이 될 것입니다. 하지만 카메라와 같은 다른 환경센서들의 정보를 활용한다면, 랜드마크 탐지 및 추출 정확도를 높일 수 있을 뿐만 아니라, 랜드마크를 식별하는 다양한 특징들을 정의할 수 있습니다. 또는 V2I 기술을 활용하여 랜드마크의 탐지 및 추출 정확도를 향상시킬 수 있습니다.

본 연구실에서는 다양한 조건에서의 랜드마크 탐지 정확도 문제에 대한 해결책을 탐구하고 있습니다. 만약 랜드마크 탐지와 특징 정의 문제를 해결할 수 있다면, 도심과 같이 인공위성의 신호의 음영지역에서도 GPS/RTK 수준의 위치 정확도를 기반으로 더 정교한 자율주행 기술을 구사할 수 있을 것으로 기대됩니다.