VILS는 시험 운전자가 차량에 탑승하여 가상 모의환경에서 다양한 실차 성능 테스트를 수행할 수 있는 시스템을 의미한다.¹¹⁾ 시험 운전자는 안전과 직결되는 ADS 성능을 검증하고 나아가 증강현실과 같은 가상환경을 통해 자율주행차의 실제 주행 상황에 시뮬레이션 주행 요소를 추가하여 운전자가 원하는 방식의 자율주행 시나리오를 테스트할 수 있는 장점이 있다. 논문에서 활용한 자율주행 테스트베드는 Fig. 12와 같으며, 충북대학교 융합기술원 C-track을 활용하였다. 도심 자율주행 기술 서비스를 제공하는 국내 대학 최대 규모의 테스트베드로써 자율주행 시험 및 실험을 위한 다양한 인프라를 구축하고 있으며, 총 연장 1.4 km의 순환구역과 보행자 테스트 및 입체교차로 테스트를 위한 도심 구역, 기타 로봇 장비 등의 활용을 위한 응용구역으로 나누어져 있다. VILS 시험동과 관제센터 등 연구지원을 위한 시설도 갖춰져 있는 것이 장점이다. 폐쇄된 형태의 자율주행 테스트베드의 장점을 활용하여 공도에서 구현하기 어려운 시나리오들을 검증할 수 있고 도로에서 벌어지는 다양한 시나리오들을 실질적으로 평가할 수 있는 최적의 테스트베드이다. 고도 자율주행 기술의 안전성을 평가하기 위해 자체적으로 정밀도로지도를 제작하게 되었으며 이를 기반으로 가상환경 시뮬레이터와 자율주행 실차가 연동되는 VILS 평가 환경을 구축할 수 있었다.

Fig. 12 
C-track bird’s eye view(left) and satellite map(right)

본 논문에서 제안하는 VILS 시스템은 자율주행차량 Niro EV 차량과 MORAI 시뮬레이터와 연계하여 구축되었는데, 정밀도로지도를 활용하여 MORAI 시뮬레이터 내의 테스트베드용 맵을 제작할 수 있었다. 정밀도로지도의 주행경로(Link) 및 차선정보(SurfacelineMark)를 자율주행을 위한 전역경로 및 지역 경로계획에 활용하였다. 이를 기반으로 MORAI 시뮬레이터의 Ghost 시뮬레이션 기능을 활용하여 실차의 위치 및 차량 속도, 조향각도 등을 시뮬레이터 입력으로 투영하였다. 투영된 실차의 위치와 가상환경의 Ego 차량은 정확도 검증이 완료된 정밀도로지도를 시뮬레이션 제작에 활용하였기 때문에 실차 모사가 가능함을 보였다.

시뮬레이터에 실제 환경에서 사용한 센서인 Lidar 센서를 실차 설계 위치를 Fig. 13과 같이 구성한다. 시뮬레이션 상의 가상 Lidar인 HDL-64 센서를 통해 인지된 가상환경의 물체들은 UDP 통신을 통해 차량 시스템의 물체 인식, 장애물 인식을 위한 전처리 데이터로 수신된다. 이렇게 수신된 데이터는 물체 인식의 결과로 보행자, 차량, 자전거 등을 분류하고 물체의 윤곽 점의 정보를 반환한다. 단일 차량과 다중 차량을 구분하기 위한 데이터 처리 알고리즘¹²⁾을 거친 결과는 차량의 종·횡 방향 제어를 위한 입력으로 사용된다. 여기서 활용된 인지 알고리즘은 실차 기반 실제 Lidar로부터 수집된 데이터를 처리하는 과정과 같다. 센서를 장착하고 시스템 구성을 위한 데이터를 송·수신하는 과정을 통해 위치 인식, 장애물 인식, 경로계획, 차량 제어, 장애물 위치예측 및 행동 판단의 구조로 구성된 자율주행 시스템¹³⁾은 테스트베드 환경에 최적화된 실차 기반 성능 최적화를 통해 운전자의 개입 없이 폐쇄구간 반복 실험이 가능함을 보였다. 이러한 실차 기반 성능 검증을 통해 시뮬레이션 가상환경에서 차선 병합, 주행경로 이탈 여부 등 후술할 정밀도로지도 제작 및 검증에 성공하였기 때문에 VILS 시스템 제작이 가능하였으며, 테스트베드 환경에서의 시스템평가 시뮬레이션을 구현할 수 있었다.

Fig. 13 
Lidar sensor attachment installed in actual vehicle design position

VILS 시스템과 MORAI 시뮬레이터는 기본적으로 ROS 환경에서 구동된다. ROS 하위 통신 기능 중 하나인 Rosbridge를 활용하여 실차에서 생성된 데이터를 Fig. 14의 EgoGhostCmd Topic을 통해 시뮬레이션 상의 Ego 차량에 전달한다. 실차의 위치인식을 위한 GNSS 센서 Novatel Pwrpak7D-E2와 자체 INS 센서 융합 데이터를 활용한 SPAN 기능¹⁴⁾을 MRD-1000T RTK 보정 센서를 통해 생성된 정밀한 자율주행차의 자차 위치를 자율주행 시스템의 UTM 단위의 좌표계로 변환¹⁵⁾한다. 여기서 변환된 자차 위치의 X, Y 좌표 및 전륜 휠의 조향각도 그리고 Yaw 각도를 차량의 기본 좌표계로 투영한다. GNSS 센서로부터 수신 받은 Novatel 메시지 중 차량의 위치 및 회전 데이터를 시뮬레이션 Ego 차량에 전달된다. 위치데이터는 차량에서 사용되는 UTM 단위의 좌표로 변환되어 자차의 X, Y위치로, 회전데이터는 및 Yaw 각도로 전달된다. 이와 함께 차량 CAN 데이터로부터 발생된 차속 및 조향각 등의 정보는 Table 4에 정의된 항목의 데이터로 시뮬레이터에 전달한다. 이렇게 수신된 차량의 위치 및 자세는 실차 위치 그대로 시뮬레이션에 투영된다.

Fig. 14 
Simulation-Real configuration of VILS systems

본 논문은 실차를 기반으로 한 VILS 시스템 평가로, 실험에 사용된 차량은 Fig. 16의 (a)와 같으며 Lidar, Camera, GNSS, 게이트웨이를 통한 CAN 제어기 및 차량제어용 산업용 PC가 설치되었다. 차량 제어시스템은 Fig. 16의 (b)와 같다. 경로계획을 위해 정밀도로지도의 차선정보를 이용하여 차량이 준수해야 하는 일종의 안전 범위를 설정한다. 정지선과 백색선, 황색 선, 청색 선 등 도로교통법에 따라 지켜야 할 차선의 정보를 차량에 알려주어 침범하지 않는 영역에서 전역 경로를 설정하였으며, 차량이 추종해야 할 주행경로의 경우 정밀도로지도의 경·위도 좌표점을 1 m 간격으로 보완하여 만약의 정밀도로지도 상 노드의 공백을 메꾸도록 하였다. 정밀도로지도 데이터의 기본 형식인 Shape 파일 형태를 쉼표 구분 파일 형식인 CSV로 변환한다. 변환된 데이터를 자율주행 시스템에 입력으로 하여 전역 경로를 위한 데이터로 활용된다. 전역경로는 사전에 주어진 핵심 통과지점을 명시한 자료를 기반으로 목표점까지의 최단거리를 정밀도로지도의 Link 기반으로 생성한다. 최단거리를 생성하기 위한 알고리즘은 다익스트라¹⁶⁾ 알고리즘을 활용하였다. 전역경로 상에서 차선변경 상황을 위한 안전한 경로 설정을 위해 주변 충돌 위험 상황을 사전에 판단하여 안전한 차선변경을 유도한다. 지역 경로계획을 위한 Lattice Planner¹⁷⁾, A* 알고리즘¹⁸⁾을 활용하여 장애물을 회피하고 기준 경로인 전역 경로계획을 추종하도록 생성한다. 회피 주행 상황에서의 제어기 성능을 보완하기 위해 경로 추종 시 전역 경로 데이터를 참조하여 자차 위치와 가장 근접한 점을 후보로 선택한다. 이 후보군을 대상으로 LAP를 산정한 횡방향 제어가 이루어지기 때문에 횡방향 제어기 성능의 의존도를 낮추는 방식으로 설계되었다.

Fig. 16 
Autonomous vehicle and autonomous driving systems

차량 제어를 위한 종방향 가속도 제어 및 횡방향 스티어링 핸들 각도 정보가 입력된다. 본 논문에서 사용한 차량 횡방향 제어는 LAP 기반 스티어링 핸들 각도 제어, Yaw Rate를 활용한 SMC¹⁹⁾을 활용하여 원하는 경로를 안정적으로 추종하도록 하는 파라미터와 제어기를 설계하였다. Saturation 값의 경우 실험적인 결과를 토대로 코너 상황에서 조향이 과하게 조작되어 차선이나 연석을 밟지 않도록 하였으며, Lamda의 경우 Sliding Surface에서 LAP 에러의 비중을 조절하는 역할을 한다.

LAP의 error x~와 Yaw Rate의 error x~˙은 식 (1), 식 (2)로 표현 할 수 있으며 변위 x와 Control Input u, n=2 인 SMC 시스템 식 (3)로 표현할 수 있다. n차의 Sliding Surface는 식 (4)와 같이 정의할 수 있다.

• where LAP: Look - Ahead Point

• where f : unknown but estimate from f^

여기서 f^은 f^-f≤F를 만족하며 추정 오차 f는 Constraint 함수 F에 의해 경계되는 것으로 가정한다.

구하고자 하는 변위 x_d를 통해 x ≡x_d 을 추종하기 위한 Sliding Surface를 식 (5)와 같이 정의할 수 있다.

이렇게 설계한 횡방향 제어기로부터 얻어진 제어값을 통해 Fig. 17과 같이 Yaw Rate의 센서데이터에 2차 LPF를 적용하여 노이즈를 제거하도록 설계하였다.

Fig. 17 
Yaw angle noise elimination with 2nd LPF

차량 종방향 제어는 PID 제어기²⁰⁾를 구현하여 사용하였으며 정밀도로지도의 차선 곡률 기반으로 속도 프로파일링을 통해 전방 도로정보에 의한 감속을 추종한다. 부드러운 속도 상승 및 감속을 할 수 있도록 제어기 이득 값을 실험적인 제어 값으로 설정하여 Fig. 18과 같이 구현되었다. 차량 속도에 의해 계산된 LAP의 기본 오프셋 거리의 보상 거리를 더해줘 감속해야 하는 상황에서 LAP를 능동적으로 설정하도록 하였다.

Fig. 18 
Longitudinal target velocity(blue) and convergent current velocity(red)

Fig. 17과 Fig. 18은 테스트베드의 순환로 구간 약 1.4 km 구간 1회 주행을 횡방향 및 종방향 제어를 통해 추출한 데이터를 ROS 기능 중 하나인 Rqt_multiplot으로 표현한 결과이다. 차량의 CAN 데이터를 주고받기 위한 자체 제작 ROS 토픽인 Vehicle Can Topic의 수신시간을 x축으로 차량의 1회 주행 시간과 일치한다. 횡방향 제어기를 분석하기 위해 Fig. 17의 원본 Yaw Rate(적색)과 1차, 2차 LPF(하늘색, 흑색)를 y축의 데이터 값으로 표식하였다. 종방향 제어기를 위해 Fig. 18의 목표 종방향 속도 30 kph에서 경로계획으로부터 계산된 구간 별 감속 프로파일에 의해 출력 된 값(청색)과 차량의 현재 차속(적색)을 표식하였다. 위와 같은 종·횡방향 제어기의 결과 분석을 통해 제어기의 실시간 응답성이 경로계획에 맞게 차량이 제어가 되고 있음을 보였다. 정밀도로지도가 구축되지 않은 테스트베드에서의 정밀도로지도의 정밀도 검증과 더불어 VILS 시스템에 적용하기 위해 차량 제어 시스템이 구성되었는지 확인할 수 있는 기초적인 실험의 결과로 활용하였다.