Current Issue

2.1절에서는 MMS 기반의 도로네트워크 모델을 구축하였다. 본 연구에서는 라이카 지오시스템즈의 Pegasus 2 Ultimate 장비를 활용하였으며 50 kph 속도로 주행하며 스캐닝하였다. 주행경로는 청라국제도시역부터 가정역까지이다. 청라지구의 BRT는 2개의 노선이 있으며 노선 버스는 701번 702번 버스이다. 스캐닝 데이터는 360도 카메라 및 4개의 카메라로부터 생성되는 이미지 데이터 및 라이다의 클라우드 포인트 정보로 구성되며 LAS(LASer) 데이터 생성시 사용된다. Table 2는 MMS 장비 사양을 나타내며 Fig. 1은 MMS 장비 차량 장착 및 캘리브레이션 셋업 그림이다.

Fig. 1 
Mobile mapping system calibration setup

LAS 데이터는 라이다 센서로부터 생성되는 클라우드포인트 x, y, z 지점에 해당하는 카메라의 이미지 정보를 맵핑하여 생성된다. LAS 데이터 생성 과정은 다음과 같다. 우선 클라우드포인트 위치정보인 x, y, z 포인트 정보를 취득한다. 클라우드 포인트 생성 시 촬영된 카메라 이미지 정보를 활용하여 포인트의 x, y, z에 해당하는 픽셀정보의 RGB(Red Green Blue) 값을 입력하여 Colored cloud point data base를 생성한다. 본 연구에서 BRT 주행경로에 대하여 생성된 LAS데이터는 Fig. 2와 같다.

Fig. 2 
Scanned las data of BRT route

다음은 클라우드 포인트의 분류(Classification)이다. 포인트의 점군화라고도 하며 Road factory의 AI로직을 활용하여 LAS 데이터 그룹화를 수행하였다. 그룹화는 객체별로 진행되며 나무, 도로, 빌딩, 전선 등의 물체를 구별하여 점군화를 수행한다. 점군화를 통해 사용자는 원하는 객체의 LAS 데이터만 추출이 가능하다. 본 연구에서는 도로 모델에 대한 LAS 데이터 활용을 위해 도로 점군을 사용하였으며 추후 빌딩 및 나무 등의 요소는 VTD Road Designer를 활용하여 별도로 모델링하였다.

다음으로는 openDRIVE 기반 BRT 주행경로 생성하였다. openDRIVE는 도로의 네트워크 정보를 정의하는 ASAM 표준이다. openDRIVE에서의 도로 차선, 폭, 고도, 뱅크각 등은 3차 다항식으로 피팅되었다. 이는 MMS 장비로부터 생성된 LAS 데이터 기반으로 추출된 무작위의 차선 및 차폭, 고도 정보 등을 가상화하기 위해서는 일반적인 직선 또는 곡선 형태의 조합으로는 실도로를 가상화하는 것이 불가능하다. 따라서 본 연구에서는 3차 다항식 기반의 피팅을 수행하였으며 모든 도로 정보는 식 (1)의 a, b, c, d의 값으로 정의가 된다.

여기서 x는 도로의 길이 방향에 대한 정보이며 y는 도로의 폭, 고도, 뱅크각 등이다. openDRIVE에서는 a, b, c, d 값의 정의에 의하여 도로 길이 방향에 대한 도로 속성정보가 표현된다.

openDRIVE에서는 Style 항목에서 주변 환경 물체에 대하여 정의할 수 있다. openDRIVE는 User data(그래픽정보)에 대한 위치 정보만을 포함하며 실제 그래픽 데이터는 다른 데이터베이스에서 관리된다. 본 연구에서는 VTD에서 제공하는 기본적인 빌딩, 나무, 가드레일, 가로등, 신호등 등의 그래픽 데이터를 활용하였으며 openDRIVE에서는 그래픽 데이터의 위치정보를 포함하고 있다. 이렇게 VTD의 가상환경은 openDRIVE라는 도로 네트워크 파일과 Open scene graph형식의 Osgb 그래픽 파일 2가지로 구성된다. 본 연구에서는 도로의 로드 마크, 정지선, 신호등, 가드레일, 나무, 빌딩, 지하차도 등의 그래픽 요소를 모델링 하였다. Fig. 3은 Landscape 그래픽 모델을 나타낸다.

Fig. 3 
Landscape & tunnel graphic model

Fig. 4는 MMS기반의 openDRIVE 모델 생성과정을 나타낸다.

Fig. 4 
openDRIVE modeling process based on MMS

openDRIVE 파일은 BRT 주행경로의 Shape 파일과 비교 검증을 통하여 정확도를 계산하였다. Shape 파일은 차선의 위치 정보를 포함하는 데이터로서 본 연구에서는 openDRIVE 모델 검증용 데이터로 활용하였다. Shape 파일은 라이카 MMS 장비로부터 추출되며 MMS 장비는 1 mm의 정확도를 보장한다.

openDRIVE 파일 검증은 openDRIVE의 중앙선(reference line) 및 Shape 파일의 중앙선의 위치좌표의 RMSPe, 그리고 Shape 파일의 각 차선별 위치 좌표 및 openDRIVE 위치 좌표의 RMSPe(Root of Mean Squared Percentage Error)로 수행하였다. openDRIVE는 Shape file을 3차 다항식으로 RMSe를 최소화하는 방향으로 피팅하여 생성된다. 검증될 도로의 길이 방향 좌표를 1 m 간격의 등간격으로 데이터 점을 추출하여 추출된 포인트의 x, y 글로벌 좌표를 비교 검증하였다. 결과는 아래의 표와 같다.

본 연구에서는 openSCENARIO 표준으로 시나리오를 모델링 하였다. openSCENARIO는 ASAM의 시나리오 표준이며 시뮬레이션시 오브젝트의 동적거동을 표현한다. 본 연구는 Random traffic을 활용하여 BRT 주행노선에 대한 일반적인 주행상황을 시나리오로 모델링하여 제어기의 성능을 평가하였다. 차년도에는 제어로직 성능 평가용 엣지케이스(Cut-in, cut-out, pedestrian scenarios etc.)를 고려한 테스트 자동화 기능을 개발하여 제어기 성능평가를 고도화할 예정이다.

BRT 평가를 위한 시나리오는 BRT 701번 702번 버스 노선에서 버스정류장의 위치를 모델링 후 버스정류장에서 30초 동안 정지 후 출발하는 시나리오 모델을 구성하였다. 교통모델은 VTD의 Pulk 트래픽을 활용하였다. Pulk traffic은 VTD에서 제공하는 랜덤트래픽으로써 제어차량(Ego) 주위의 교통모델을 생성한다. 교통모델 생성조건은 다음과 같다. 제어차량 중심으로 60대의 교통량을 생성하였으며 도심지역에서의 교통흐름을 반영했다. 또한, 차량 분포는 제어차량 중심으로 전방: 40 %, 후방: 30 %, 좌측: 15 %, 우측: 15 %로 정의하였다. 차량 종류 분포는 제어차량 중심으로 승용차: 75 %, 밴: 10 %, 버스: 5 %, 트럭: 5 %, 이륜차: 5 %로 정의하였다. 자세한 사항은 Fig. 5와 같다.

Fig. 5 
Scenario model based on openSCENARIO

섀시시스템에서 AWS을 구현하기 위해 차량 각축에 Steering system을 적용하여 각 축에 독립적인 조향기능을 모델링 하였다. 2차축과 3축은 Hook(Ball joint) 조인트로 모델링하여 차량의 바이모달 거동을 모사했다.

1, 2, 3축의 현가 타입은 모두 Double wishbone 타입이며 각축에 Antiroll bar를 모델링하였다. Fig. 6은 현가타입의 구성도를 나타낸다.⁵⁾

Fig. 6 
Modelica based chassis model

각 축의 스프링은 에어스프링 모델로 모델링 하였으며 에어스프링 수식 및 성능 그래프는 식 (2)와 Fig. 7과 같다.

Fig. 7 
Air spring stiffness

대용량 BRT는 디젤엔진기반 직렬형 하이브리드 차량이며 유로6 209 kW급 디젤엔진 및 140 kW급 발전기가 적용된다. 배터리는 Modelon사의 Battery library를 기반으로 모델링하였으며 Motor는 Controller를 사용하여 각가속도 타겟으로 Torque control을 하는 모델로 구성했다. Controller는 Accel pedal의 변위를 전압으로 변환하여 차량의 동력을 공급한다(Fig. 8).

Fig. 8 
Modelica based powertrain model

Fig. 9는 동력계 통합 템플릿을 나타낸다. 브레이크 모듈 및 동력계 모듈은 샤시 모듈과 각 축마다 연동된다. 차량동역학 모델은 시험모드의 Sub-module이 되어 차량 동역학 시험을 가상에서 시뮬레이션이 가능하다.

Fig. 9 
Modelica based BRT template model

가상주행환경의 모든 데이터는 RDB(Runtime Data Bus)라는 데이터 구조로 정의된다. RDB는 가상주행환경에서 계산되는 모든 데이터를 구조체로 정의된 규격이다. 데이터에는 모든 차량에 대한 속도, 가속도, 운전자 신호, 위치정보, 보행자의 위치, 신호등의 위치, 현재 신호 등 가상환경에 대한 구성요소 전부를 의미한다. RDB는 C++ 개발환경에서 사용자에 의해 출력 및 제어가 가능하며 차량의 캔데이터와 동일한 기능을 한다. C++ 개발환경에서 RDB는 일반적인 Packet과 동일하게 HEADER와 DATA 항목이 존재하고 구조체 형식으로 정의된다.

가상주행환경의 RDB 데이터를 통신하기 위하여 C++ 소스코드 생성 후 Plug-in 형식으로 가상주행환경과 연동하여 코드를 실행하였다. 예를 들어, 윗 절에서 언급한 RDB 구조에서 차량의 상태정보를 출력 및 전송하는 코드를 모델링 및 Compile후 생성된 파일을 가상환경에 Plug-in하여 인터페이스 환경을 구축하였다.

Driver Model은 실제 조향장치와 페달장치를 이용해 실제 운전자가 조향 신호를 제공하며 제어권 전환시 자율주행 로직으로 차량을 제어한다. 사용자가 정의한 Driver 신호는 가상주행환경 중앙제어 모듈인 TaskControl 모듈에서 제어하며 차량모델에 운전자 제어 신호를 전송하여 차량응답을 반영한다.

차량 정보는 BRT 모델을 제어하기 위하여 하나의 구초제로 정의하였다. 구조체는 차량의 상태 정보, 가상주행환경에서 노면의 고도를 반영하기 위해 각 바퀴에서의 고도정보로 구성된다.

차량동역학모델의 타이어와 도로간 컨택 포인트는 휠당 1개를 지정하였다. Fig. 16은 openDRIVE 상에서 도로-차량모델 간 Contact mechanism을 보여준다.

Fig. 16 
Road contact mechanism

가상환경에서 전송되는 RDB 데이터를 차량 모델에서 수신 및 차량데이터를 가상환경에 송신하기 위해 인터페이스 모듈을 구축했다. BRT 차량의 조향 및 가속, 감속 페달에 실제 운전자 입력신호 또는 차량 제어기 신호를 수신할 수 있는 모듈과 차량의 상태정보를 가상환경에 전송하는 모듈을 Fig. 17과 같이 구축하였다.

Fig. 17 
Interface module for vehicle model

5절에서는 Vires사의 Virtual test drive를 활용하여 가상주행환경 플랫폼을 구축하였다. 본 연구는 청라지구 실도로에서 주행중인 대용량 BRT의 자율주행로직을 가상에서 개발하기 위해 앞에서 구축된 도로, 시나리오, 차량 모델 등을 인터페이스 모듈 기반으로 통합한 가상주행 환경 플랫폼을 구축하였다. Fig. 18은 본 연구에서 제시하는 가상주행환경 플랫폼의 개요다.

Fig. 18 
Virtual drive environment platform for autonomous driving evaluation

5절에서는 본 연구에서 구축된 청라지구의 701번 및 702번 버스노선 가상환경을 드라이빙 시뮬레이터와 연동하여 시뮬레이션을 수행하였다. 드라이빙 시뮬레이터는 실제 BRT 차량의 운적석을 Mock-up으로 제작하였으며 제어기의 조향각 및 페달 입력을 액츄에이터를 통해 구현한다. 드라이빙 시뮬레이터는 제어권 전환시 운전자가 차량을 제어할 수 있으며 운전자의 조향 및 페달 입력이 차량 모델에 인가되어 운전자가 직접 운행할 수 있는 환경을 구성한다. Fig. 19는 실제 드라이빙 시뮬레이터 기반으로 BRT버스노선을 주행하는 그림이다. Random traffic 상황에서 시뮬레이션 구동률을 점검하였으며 구동률은 주행경로 왕복주행 건수 당 경로이탈 건 및 충돌횟수로 정의하였다. VTD 자율주행로직 기준으로 236회 왕복주행시 경로이탈 0건 및 충돌횟수 0건을 나타내었다.

Fig. 19 
Driving simulator based on virtual drive environment platform