초록 ▼

본 연구는 도로 인프라(도로 시설물)의 개선을 통하여 현재의 자율주행차의 주행안전성을 향상시키기 위한 방안을 연구하는 것이다. 이를 위하여 (WBS 1)자율주행 센서 데이터 분석 방법론 개발, (WBS 2)자율주행 센서 데이터 수집 및 분석 장비 개발, (WBS 3)개선 도로 시설물 제작으로 WBS를 구성하여 연구를 수행하였다. 세부 연구내용 별로 3년간 수행한 연구의 결과는 다음과 같다.

‘(WBS 1)자율주행 센서 데이터 분석 방법론 개발’의 결과는 다음과 같다. 자율주행 센서별 대표 지표를 도출하고, 센서별 특성을

본 연구는 도로 인프라(도로 시설물)의 개선을 통하여 현재의 자율주행차의 주행안전성을 향상시키기 위한 방안을 연구하는 것이다. 이를 위하여 (WBS 1)자율주행 센서 데이터 분석 방법론 개발, (WBS 2)자율주행 센서 데이터 수집 및 분석 장비 개발, (WBS 3)개선 도로 시설물 제작으로 WBS를 구성하여 연구를 수행하였다. 세부 연구내용 별로 3년간 수행한 연구의 결과는 다음과 같다.

‘(WBS 1)자율주행 센서 데이터 분석 방법론 개발’의 결과는 다음과 같다. 자율주행 센서별 대표 지표를 도출하고, 센서별 특성을 도출하기 위한 실험을 수행하였다. 각 센서별 대표지표는 Vision은 View Range, LiDAR는 NPC와 Intensity, Radar는 거리 정확도를 선정하였다 다만, Radar의 경우 시설물의 인식에 한계가 있는 것으로 판단되어 Vision과 LiDAR에 대한 특성 분석을 위한 실험으로 제한하여 수행하였다. 실험 결과, Vision은 맑은 날 60~80 m 범위에서 차선을 인식하며, 강우량 증가에 따라 View Range가 감소함이 확인되었다. 특히 차량 속도에 따른 추가적인 View Range의 감소가 확인되었는데 강우량 20 mm/h까지는 주행속도에 따른 인식거리의 차이가 없었지만, 30 mm/h에서는 저속(30 km/h)에서만 차선이 인식되었고, 이보다 높은 속도에서는 차선이 검지되지 않았다. LiDAR의 NPC 지표는 동일한 거리에서는 속도와 목표물의 재질에 따른 차이는 발생하지 않았으며, 강우량이 증가할수록 감소함을 확인하였다. 강우량 40 mm/h 이상에서는 NPC 측정이 불가능한 경우가 확인되어, 반사도가 낮은 목재, 플라스틱과 같은 물체에서 측정이 되지 않았고, 50 mm/h 이상에서는 페인트 도색에서도 다수의 측정불가 상황이 확인되었다. Intensity는 NPC와 달리 동일한 거리에서 목표물의 재질에 따른 수치 차이가 발생하여 재질을 구분할 수 있음이 확인되었다. Intensity 역시 강우량이 증가할수록 측정값이 감소하였으며, NPC와 마찬가지로 40 mm/h 이상에서는 측정이 불가능한 경우가 확인되었다. 결과적으로 시설물을 개선할 때에는 센서의 시인성이 강우량 30 mm/h 이상에서도 감소되지 않도록 혹은 유지되도록 제작하는 것을 목표로 설정해야 할 것으로 판단된다.

‘(WBS 2)자율주행 센서 데이터 수집 및 분석 장비 개발’의 결과는 다음과 같다. 최근의 자율주행차의 구성을 토대로 장비의 하드웨어를 구성하여 연차별로 개선을 진행하였다. 장비의 하드웨어는 LiDAR 3종, Radar 2종, Vision 2종, 측위 센서로 최종 구성하였다. 센서 데이터는 ROS(Robot Operation System)를 통해 측위정보를 기반으로 동기화되어 수집되며, 데이터를 확인 및 분석할 수 있는 소프트웨어를 제작하여 실험에서 수집된 데이터를 분석하는데 활용하였다. 데이터 분석 소프트웨어는 모든 센서의 데이터를 수집하고 재생하며, 분석의 편의를 지원하는 기능을 추가하였다. 본 장비를 통해 수집된 데이터의 신뢰성을 검증하기 위하여 자율주행 기능을 추가하고 이의 검증을 수행하였다. 1차 검증은 연천 SOC실증연구센터의 시험주행로에서 연구진 자체로 설정한 기준에 따라 수행하였으며 모든 기준에 만족함을 확인하였다. 3차 연도에는 국토교통부에서 수행하는 자율주행 임시운행 허가 시험을 위하여 자율주행 기능을 업그레이드하고, 현재 자율주행 임시운행 허가 시험을 진행중에 있다. 본 장비를 통하여 수집한 센서 데이터는 향후 연구의 결과와 함께 자율주행을 연구하는 다양한 기관과 공유하여 자율주행 분야에서 인프라 지원의 중요성을 강조하고, 연구원의 위상을 제고하는 역할을 할 것으로 기대한다.

‘(WBS 3)개선 도로 시설물 제작’의 결과는 다음과 같다. 시설물의 제작에 앞서 자율주행의 핸디캡 상황과 구간을 정의하고 이 가운데 개선이 시급한 6개(공사구간, 터널구간, 직사광선, 폭우/폭설, 미세먼지/안개, 대형차량 정차)로 재선정하였다. 이와 더불어 현재의 도로 시설물들을 분석하고, 상기 6가지 핸디캡에 활용되어 자율주행차를 지원할 수 있는 3가지 종류의 개선 도로 시설물(①교통 신호기 대응 가칭 바닥 신호등, ②도로 표지판 대응 가칭 센서 인지성능 극대화 표지판, ③도류화 시설 대응 가칭 센서 인지성능 극대화 라바콘)를 도출하였다.핸디캡 우선순위와 자율주행 센서 특성을 감안하여 개선 후보 시설물 3종을 도출하였다. 3차 연도에는 자율주행 차량의 핸디캡을 고려한 대표 시나리오를 ‘도시부 단기 공사구간’으로 선정하고, LiDAR의 특성을 활용한 개선 시설물 4종(도류화시설군 2종, 표지군 2종)을 설계 및 제작하였다. 제작한 시설물을 이용하여 실차 활용 성능검증을 수행하였으며, 이 가운데 도류화시설의 평면화 필요성을 확인하였으며, 특히 도류화시설 중 ‘교통콘’에 대한 평면화 방안을 도출하여 ‘평면 교통콘’ 최종 시작품을 제작하여 검증하였다. 검증 결과 기존 교통콘에 비하여 NPC의 변화정도가 가장 적어 곡면에 비해 편면 구조일 때 안정적으로 시설물 인식이 가능함을 확인하였다. 강우 시나리오 상황에서의 성능 검증 결과 40 m 거리에서 최소 NPC 확보가 가능하였으며, 교통콘의 평면화가 강우 상황에서의 LiDAR 인지 개선효과에 긍정적임을 확인하였다.

(출처 : 서지자료 198p)

Abstract ▼

This study is to study ways to improve the driving safety of current automated vehicles through the improvement of road infrastructure (such as road facilities). For this purpose, research was conducted by organizing the WBS with (WBS 1) Development of Automated Driving Sensor Data Analysis Methodol

This study is to study ways to improve the driving safety of current automated vehicles through the improvement of road infrastructure (such as road facilities). For this purpose, research was conducted by organizing the WBS with (WBS 1) Development of Automated Driving Sensor Data Analysis Methodology, (WBS 2) Build of Automated Driving Sensor Data Collection and Analysis Equipment, and (WBS 3) Making Improved Road Facility. The results of the three-year study for each detailed study content are as follows.

‘(WBS 1) Development of Automated Driving Sensor Data Analysis Methodology’ An experiment was conducted to derive representative indicators for each automated driving sensor and to derive the characteristics of each sensor. As for the representative indicators for each sensor, View Range was selected for image sensor(Mobileye), NPC(Numbers of Point Cloud) and Intensity for LiDAR, and distance accuracy for radar. However, in the case of radar, it was judged that there is a limit to the recognition of facilities, so only experiments for characterization of the image sensor and LiDAR were performed. As a result of the experiment, it was confirmed that the image sensor recognizes a lane in the range of 60 to 80 m on a clear day, and the View Range decreases as the rainfall increases. In particular, it was confirmed that the additional View Range decreased according to the vehicle speed. There was no difference in the recognition distance depending on the driving speed up to 20 mm/h of rainfall, but at 30 mm/h of rainfall, the lane was recognized only at low speed (30 km/h). It was confirmed that the NPC of LiDAR did not differ according to the speed and materials of the target at the same distance, and decreased as the amount of rainfall increased. It was also confirmed that NPC measurement was not possible at rainfall of 40 mm/h or more, and measurement was not performed on objects such as wood and plastic with low reflectivity. Intensity, unlike NPC, has a numerical difference depending on the materials of the target at the same distance, confirming that the material can be distinguished. Intensity also decreased as the amount of rainfall increased, and it was confirmed that, like NPC, it was impossible to measure at 40 mm/h or higher. As a result, when improving facilities, it is judged that the goal should be set so that the visibility of the sensor is not reduced or maintained even in rainfall of 30 mm/h or more.

‘(WBS 2) Build of Automated Driving Sensor Data Collection and Analysis Equipment’ Based on the recent configuration of automated vehicles in South Korea, the hardware of the equipment was configured and improved year by year. The hardware of the equipment was finally composed of 3 types of LiDAR sensors, 2 types of radar sensors, 2 types of image sensors, and positioning sensors. Sensor data is synchronized and collected based on positioning information through ROS (Robot Operation System), and software that can check and analyze the data was developed and used to analyze the data collected in the experiment. The data analysis software collects and reproduces data from all sensors, and adds a function to support the convenience of analysis. To verify the reliability of the data collected through this equipment, an automated driving function was added and verification was performed. The first verification was performed according to the standards set by the researchers themselves on the test run of the Yeoncheon SOC Demonstration Research Center, and it was confirmed that all standards were satisfied. In the third year, the automated driving function is upgraded for the temporary autonomous driving license test conducted by the Ministry of Land, Infrastructure and Transport, and the automated driving temporary driving permission test is currently in progress. It is expected that the sensor data collected through this equipment will be shared with various organizations researching automated driving along with the results of future research, emphasizing the importance of infrastructure support in the field of automated driving and enhancing the status of the researcher.

‘(WBS 3) Making Improved Road Facility’ Prior to the production of the facility, the handicap situation and section of automated driving were defined, and among them, six areas that needed improvement were reselected (construction section, tunnel section, direct sunlight, heavy rain/heavy snow, fine dust/fog, heavy vehicle stopping). In addition, the current road facilities are analyzed and three types of improved road facilities that can be used for the above six handicaps to support automated vehicles (① traffic signal-response tentative floor traffic light, ② road sign-response tentative name sensor recognition performance maximization sign, ③ Traffic cone (maximizing sensor recognition performance tentatively named for countermeasures against docking facilities) was derived. In consideration of handicap priority and autonomous driving sensor characteristics, 3 types of facilities for improvement were derived. In the 3rd year, the representative scenario considering the handicap of automated vehicles was selected as the 'urban short-term construction section', and 4 types of improvement facilities (2 types of docking facilities group, 2 types of sign group) were designed using the characteristics of LiDAR. and manufactured. The actual vehicle utilization performance verification was performed using the manufactured facilities, and among them, the necessity of flattening the docking facilities was confirmed. verified. As a result of the verification, it was confirmed that the degree of change of NPC was the least compared to the existing traffic cone, so that it was possible to stably recognize the facility when it had a single-sided structure compared to a curved surface. As a result of the performance verification in the rain scenario, it was possible to secure the minimum NPC at a distance of 40 m, and it was confirmed that the flattening of the traffic cone was positive for the improvement of lidar perception in the rain situation.

(source: Bibliographic Data 199p)

목차 Contents

• 표지 ... 1
• 제출문 ... 3
• 요약문 ... 4
• Summary ... 6
• 목차 ... 10
• 표목차 ... 12
• 그림목차 ... 14
• 제1장 서론 ... 19
• 1. 연구의 배경 및 필요성 ... 19
• 1.1 연구의 배경 ... 19
• 1.2 연구의 필요성 ... 24
• 2. 연구목표 및 추진방향 ... 26
• 2.1 연구 목표 ... 26
• 2.2 연구 추진체계 및 전략 ... 28
• 제2장 국내·외 기술 및 특허 동향 ... 31
• 1. 자율주행자동차 기술 동향 ... 31
• 1.1 자율주행의 정의 및 단계 구분 ... 31
• 1.2 자율주행자동차 기술 동향 ... 32
• 1.3 자율주행 인프라 기술동향 ... 34
• 2. 자율주행 관련 특허 동향 ... 44
• 2.1 연구원 보유기술 ... 44
• 2.2 특허 동향 분석 조사 ... 44
• 3. 자율주행지원 기술 및 특허 동향의 시사점 ... 53
• 제3장 연구개발 수행내용 및 결과 ... 57
• 1. 자율주행 센서 특성 분석 방법론 개발 (WBS 1) ... 57
• 1.1 자율주행 센서 특성 분석 방법론 개발 개요 ... 57
• 1.2 자율주행 센서 특성 분석 및 대표지표 선정 ... 58
• 1.3. 자율주행 센서 특성 도출 ... 74
• 1.4 센서 데이터 특성 분석 방법론 개발 소결 ... 99
• 2. 자율주행 센서 데이터 수집 및 분석 장비 개발 (WBS 2) ... 104
• 2.1 자율주행 센서 데이터 수집 및 분석 장비 개요 ... 104
• 2.2 센서 데이터 수집 및 분석 장비 하드웨어 구성 및 제작 ... 108
• 2.3 센서 데이터 분석 소프트웨어 제작 ... 115
• 2.4 센서 데이터 수집 및 분석 장비 데이터 신뢰도 검증 ... 119
• 2.5 자율주행 센서 데이터 수집 및 분석 장비 구축 소결 ... 130
• 3. 개선 도로 시설물 제작 (WBS 3) ... 131
• 3.1 개선 도로 시설물 제작 개요 ... 131
• 3.2 자율주행 핸디캡 상황·구간 정의 (1차 연도) ... 132
• 3.3 자율주행 핸디캡 요인 구체화 (2차 연도) ... 137
• 3.4 도로 시설물 개선 목표 설정 (2차 연도) ... 142
• 3.5 개선 도로 시설물 제작 (3차 연도) ... 157
• 3.6 개선 도로 시설물 제작 소결 ... 177
• 제4장 연구 결과의 활용도 및 파급효과 ... 179
• 1. 연구 결과 활용 가능성 검토 ... 179
• 2. 연구결과의 파급효과 ... 180
• 제5장 결론 ... 183
• 1. 연구 결과 ... 183
• 2. 연구 결과의 활용 가능성 검토 ... 185
• 참고문헌 ... 189
• 서지자료 ... 198
• Bibliographic Data ... 199
• 끝페이지 ... 200