차량의 안전한 운행 상황에 영향을 미치는 악의 조건은 ‘의도하지 않는 동작과 기능을 유발하여 차량 수준의 위험으로 이어지게 하는 것’ 또는 ‘위험의 발생을 직접 트리거 시키는 조건’으로 정의할 수 있다. 본 연구에서는 다양한 악의 조건 중에서 자율주행시스템의 측위 기능에 영향을 끼치는 것을 고려 대상으로 한다. 정상적인 측위 동작을 포함한 허용 가능한 차량의 모든 동작의 집합은 ODD(Operational Design Domain, 운행 설계 영역)내에서 다루어져야 한다. 자율주행시스템이 악의 조건 상황에서 발생한 의도하지 않은 동작이나 허용 가능한 오작동을 처리할 수 없는 경우는 시스템의 기능 불충분에 기인한 것으로 간주할 수 있지만 ODD를 완전하게 정의할 수 없다는 한계로 인해 ODD를 벗어나는 것과 시스템의 기능 부족 사이의 경계는 모호할 수 있다.¹³⁾ 악의 조건을 분석하는 것은 해당 조건이 자율주행시스템의 측위기능에 미치는 영향을 파악하기 위한 것이므로 이러한 목적을 달성하기 위한 도구로서의 위험 시나리오(Critical Scenario)의 개념이 수반된다. 위험 시나리오는 위해(Harm)를 초래할 수 있는 모든 시나리오로 정의될 수 있으며 위험 시나리오를 식별하는 과정은 위험 상황을 트리거 하는 조건을 찾거나 안전에 위해를 끼칠 수 있는 동작 상황을 찾는 것 또는 이 둘의 조합을 발견하는 것이므로 본 연구에서 지칭하는 악의 조건은 위험 시나리오 구축의 전제 조건이 된다. 환언하면, 측위 동작에 위험 상황을 초래하는 악의 조건을 활용하여 위험 시나리오를 구축할 수 있다는 의미가 된다. 일반적으로 위험 시나리오는 ODD 내에서 식별되고 구체화되지만 앞서 서술한 바와 같이, 특정한 조건이 ODD를 벗어나는 상황과 시스템이 그 조건 하에서 정상적인 기능을 수행할 수 없는 것 간에는 뚜렷한 구분이 어렵기 때문에 위험 시나리오가 ODD 정의에서 고려되지 않은 측면을 가리킬 수도 있다. 결과적으로, 확장된 영역을 포함하여 측위 성능을 평가하고 검증하는 과정은 측위 기능을 개선하는 데에 도움을 줄 뿐만 아니라, ODD 정의를 새로 갱신하는 과정으로 이어지므로 이의 완성도를 높이게 된다.¹³⁾ 한편, 측위 기능의 개선으로 ODD가 변경되면 이를 기반으로 하는 새로운 위험 시나리오가 도출될 수 있으므로 재귀적인 선순환이 형성될 수 있다.

본 연구는 자율주행시스템이 위치 파악을 위해 주변 환경을 인지하는 것에 제약을 가하는 조건 특히, 차량에 설치된 다양한 센서가 주변 상황을 인지하는 데에 제한을 가함으로써 센서의 의도하지 않는 동작, 기능을 유발하여 차량 레벨의 위험으로 이어지게 하는 것 또는 직접적인 위험 발생을 트리거하는 악의 조건에 중점을 두며, 이를 인지 관련 위험 인과 요인으로 세분화하고 각 센서에 미치는 영향을 구체화함으로써 악의 조건에 의한 위험 시나리오를 도출한다.

인지에 제약을 가하는 요소로서 차량과 센서 간의 관계, 주변 환경에 의한 것, 인식 대상에 연유한 것으로 분류할 수 있다.¹²⁾ 차량과 센서 간에 존재할 수 있는 위험 요인은 센서의 부착 상태를 불안정하게 만드는 차량의 거동, 센서 자체의 손상과 성능 저하 등이 있으나 본 연구에서는 이를 제어 가능한 요소라 판단하여 논의에서 제외하였다. 이와 같은 가정 하에 Fig. 1¹²⁾과 같이, 주변 환경과 인지 대상체(인지 타겟)라는 두 가지 범주에 대하여 인지 제한과 관련한 위험 요인을 발굴하고자 한다. 주변 환경은 인지 대상을 파악하는 행위를 방해할 수 있는데 이와 관련한 인지 위험 요인으로 도로와 같은 구조물, 센서와 인지 대상 사이의 공기와 같은 전달 매질 내에 존재하여 센서가 목표물을 감지하는 데에 영향을 끼치는 매질 내 요소 그리고 차량 주변의 객체로 분류할 수 있다. 구조물은 도로 자체, 도로 주변의 구조물, 도로 상단에 위치한 구조물로 분류할 수 있으며 전달 매질과 관련한 요소는 대기 중의 입자 상 물질인 안개, 매연, 강우, 강설 등과 역광 등 부정적인 영향을 미치는 광원 등이 포함된다. 주변 객체에는 도로 표면, 주변 차량, 도로변 물체, 고가 구조물과 관련된 요소가 포함된다. 인지 목표와 관련한 위험 요인은 도로, 교통 정보, 도로상 장애물, 움직이는 객체로 분류되며, 측위 성능의 평가에서는 도로상 물체를 고려할 필요가 없으므로 본 연구에서는 이를 제외하였다. 도로에는 차로, 도로 가장자리가 포함되며, 교통 정보는 신호등, 도로 표지판 및 노면 표시로 구성된다. 이동 중인 객체에는 다른 차량, 오토바이, 자전거, 보행자 및 동물을 포함한 다른 교통 참가자로 구성된다.

Fig. 1 
Breakdown of risk factors for perception limitations

자율주행시스템의 운행 기능은 인지, 위치 파악 및 매핑, 경로 계획, 의사 결정, 차량 제어의 다섯 가지 요소로 구성된다.¹⁴⁾ 본 연구는 인지 기능상의 제약이 위치 파악에 끼치는 영향을 관심의 대상으로 삼고 있으므로 다섯 가지 구성 요소 중에서 인지와 위치 파악을 중점적으로 다루고자 한다. 인지는 센서를 활용하여 인간의 감각과 유사하게 차량 외부 환경을 지속적으로 관찰하고 이해하는 것이며 위치 파악 및 매핑은 자율주행차의 위치를 계산하고 센서 데이터와 기타 인지 정보를 활용하여 환경을 매핑하는 기능적 요소이다. 본 연구에서는 인지의 수단으로서 센서의 역할과 센서가 가진 물리적, 기능적 특성에 관한 이해를 통해 악의 조건에 의해 유발된 센서의 인지 한계 상황을 분석하고 이를 포함하는 위험 시나리오를 도출하고자 한다.

인간 운전자와 마찬가지로 자율주행차는 주변 환경을 지속적으로 관찰하고 연석, 장애물, 교차로 등 기준에 의한 지역적 위치와 거리, 도시 등 광역적 단위의 위치를 정확하게 계산할 수 있어야 하며 자율주행차에 이러한 기능을 제공하기 위해 차량 내부와 외부에 센서가 설치된다.¹⁵⁾ 차량은 다양한 센서를 사용하여 차량의 위치를 결정할 뿐만 아니라 노면 표시, 도로 경사, 교통 표지판, 기상 조건, 다른 차량을 포함한 장애물의 상태를 감지한다. 위치 정밀도를 높이거나 다양한 측위 악조건에서 위치 데이터 획득의 안정성과 신뢰성을 높이기 위해 동종 또는 이종 센서 간에 탐지 구간을 중첩시키고 다양한 센서의 데이터를 융합하는 방향으로 센서 운용 방식이 발전하고 있다. 일반적으로 라이다, 레이다, 카메라 센서가 자율주행시스템에 가장 널리 사용되는 센서이며 각 센서마다의 고유의 물리적 특성을 기반으로 차량 주변의 정보를 제공한다.

라이다는 레이저 펄스를 방출한 후 인지 대상 물체에서 반사되어 센서로 돌아오는 펄스를 활용하여 차량 주변 환경에 대한 입체적인 지도를 생성할 수 있게 한다. 일반적으로 라이다 센서는 정밀도가 높지만 상대적으로 고가이며 먼지, 연기, 농무 등 일부 환경적 요인의 영향을 받을 수 있다. 레이다 센서는 전자기파를 방출하고 나서 인지 대상 물체에 반사된 신호를 수신하여 감지된 물체의 위치, 속도, 방향을 파악한다. 레이다 센서는 라이다 센서 보다 더 먼 거리의 물체를 감지하는 데 유용하며 라이다 및 카메라 센서에 비해 더 넓은 범위의 기상 환경에서 작동한다는 장점을 지닌다. 그러나 레이다 센서의 해상도가 라이다나 카메라 센서보다 낮기 때문에 작은 물체의 식별과 유사한 물체의 구분에 한계를 지닌다. 카메라 센서는 자율주행시스템의 필수적인 인지 도구로서 주변 차량, 보행자, 신호등, 노면 표시, 도로 표지판 등을 감지하고 식별하는 데 사용된다. 고해상도의 정보를 제공한다는 장점이 있으나 저조도 환경에서의 운용에서 한계를 보인다.

악의 조건에 의한 여러 위험 인과 요인이 센서 고유의 물리적, 기능적 특성에 영향을 끼쳐 인지 성능을 저하하는 상황이 발생할 수 있다. 위험 인과 요인과 관련한 물리적, 기능적 특성은 센서로 하여금 인지 대상을 감지할 수 있게 하는 매체인 센서 신호 자체를 ‘인식하는 과정’과 수집된 신호를 ‘처리하는 과정’의 관점으로 나누어 분석할 수 있다. 센서 신호는 전자기적 또는 광학적 신호의 형태를 가진다. 각 센서에서의 인지 방해 요인을 도출하는 과정은 신호의 인지와 인식 과정으로 나누어 진행할 수 있으며 다양한 센서에 공통적으로 적용할 수 있는 전개 방식이다. 신호를 인지하는 측면에서의 제한 요소는 인지 목표 대상으로부터 획득한 신호에 포함된 것과 원치 않은 대상으로부터 획득한 신호에 포함된 것으로 나눌 수 있다. 신호를 인지한 후에 처리하는 측면에서의 제한 요소는 데이터의 처리 능력에 기인한 것으로 볼 수 있다.

카메라 센서와 관련하여 인지 타겟으로부터 획득한 신호에 내재된 인지 제한 또는 방해 요인은 Fig. 2와 같이 카메라 영상에서 나타나는 저휘도, 저채도 상황과 휘도 레벨의 포화 등 부적절한 휘도/색도에 의한 현상이 포함되며, 광학적인 것으로 렌즈에서 발생하는 플레어가 고려될 수 있다.

Fig. 2 
Physical and functional characteristics of the camera sensor associated with perception risk factors

Fig. 2에서 인지 타겟으로부터 획득된 신호 성분은 S(Signal)로 표기하였으며 인지 타겟 이외의 것에서 획득된 신호는 잡음 N(Noise)과 원치 않는 신호 요소인 U(Undesired signal)로 표기하였다.

이 중에서 잡음의 유입은 ‘신호(S) 대 잡음(N)의 비(Signal to Noise Ratio, S/N)’를 떨어뜨리게 되며, 원치 않은 대상으로부터의 신호 유입은 ‘타겟으로부터의 신호(S) 대 원치 않는 신호(U)의 비율(Signal to Undesired Signal Ratio, S/U)’을 떨어뜨리는데 기여하게 된다. 인식 과정의 처리 능력 측면에서 도출해야 할 인지 제한 요인은 측위 기술이 활용해야 할 데이터가 부족한 상황과 카메라 신호의 처리에 특화된 것으로서 주변 조도 상황에 따라 영상 신호의 증폭도가 바뀌는 속도가 민첩하지 않은 상황이 대표적이다.

카메라 센서에서 인지성능의 한계를 유발하는 위험 인과 요인과 센서의 물리적, 기능적 특성을 동시에 고려하기 위해 이들을 양 축으로 하는 매트릭스를 활용하며 위험 요인을 행으로 나열하고 센서의 물리적, 기능적 특성을 열로 나열하여 위험 상황을 유발할 수 있는 항목을 교차 확인하였다. 그 결과 Table 1과 같은 카메라 센서에 대한 매트릭스를 도출하였으며, 같은 열에 함께 표시된 위험 요인의 그룹은 이들이 특정 센서의 동일한 물리적, 기능적 특성에 영향을 끼칠 수 있다는 것을 의미하며 복수의 요인들 중에서 인식 성능에 더 심각한 영향을 미치는 것을 채택한다.

이상의 과정을 통해 카메라 센서의 인지 제한을 유발하는 악의 조건에서 카메라 센서와 관련한 위험 인과 요인을 기준으로 센서의 물리적, 기능적 특성 및 인지 제한을 유발하는 악의 조건을 분석하였으며 이를 Table 2에 정리하였다.

라이다 센서와 관련하여 인지 타겟으로부터 획득한 신호에 내재된 인지 제한 또는 방해 요인으로는 Fig. 3과 같이 레이저 펄스가 인지 대상에 투사될 때 발생하는 간접파에 의한 성분과 탐지 범위 내의 시야(Field of view, FOV)에 물체가 존재하지 않아서 반사파가 발생하지 않는 상황이 포함된다. 또한, 대기 중의 입자성 매질 등에 의한 레이저 펄스의 흡수, 산란에 따른 반사파의 강도 저하 그리고 레이저 펄스의 반사율을 떨어뜨리는 물체의 재질에 의한 강도 저하도 고려된다. 그리고 단일 시점이나 순차적 시점에서 관찰되는 반사파 강도 상의 극단적인 대비가 고려된다. 인지 타겟 이외의 것으로부터의 신호 성분에 의한 인지 제한 요인에는 신호 대 잡음비를 떨어뜨리는 잡음과 불필요한 신호 요소가 유입되는 것이 포함된다. 인식 과정의 처리 능력 측면에서 도출해야 할 인지 제한 요인으로 측위 기술이 활용해야 할 데이터가 부족한 상황이 포함된다.

Fig. 3 
Physical and functional characteristics of the Lidar sensor associated with perception risk factors

라이다 센서에서 인지 제한을 유발하는 위험 인과 요인과 센서의 물리적, 기능적 특성을 동시에 고려하기 위해 이들을 양 축으로 하는 매트릭스를 활용하며 위험 요인을 행으로 나열하고 센서의 물리적, 기능적 특성을 열로 나열하여 위험 상황을 유발할 수 있는 항목을 교차 확인하였다. Table 3에 라이다 센서에 대한 매트릭스를 보였으며, 같은 열에 함께 표시된 위험 요인의 그룹은 이들이 특정 센서의 동일한 물리적, 기능적 특성에 영향을 끼칠 수 있다는 것을 의미하며 복수의 요인들 중에서 인식 성능에 더 심각한 영향을 미치는 것을 채택한다.

이상의 과정을 통해 라이다 센서의 인지 제한을 유발하는 악의 조건에서 라이다 센서와 관련한 위험 인과 요인을 기준으로 센서의 물리적, 기능적 특성 및 인지 제한을 유발하는 악의 조건을 분석하였으며 이를 Table 4에 정리하였다.

레이다 센서와 관련하여 인지 타겟으로부터 획득한 신호에 내재된 인지 제한 또는 방해 요인에는 Fig. 4와 같이 레이다 파가 인지 대상에 투사될 때 발생하는 간접파에 의한 성분과 탐지 범위 내에 물체가 존재하지 않아서 반사파가 발생하지 않는 상황이 포함된다. 또한, 전자기파의 반사율을 떨어뜨리는 물체의 표면 상태와 재질로 인해 낮아진 전파의 강도 그리고 단일 시점 또는 순차적 시점에서 관찰되는 반사파 전력의 극단적인 대비가 고려된다. 인지 타겟 이외의 것으로부터의 신호 성분에 의한 인지 제한 요인에는 신호 대 잡음비를 떨어뜨리는 잡음과 불필요한 신호 요소가 유입되는 것이 포함된다. 인식 과정의 처리 능력 측면에서 도출해야 할 인지 제한 요인으로 측위 기술이 활용해야 할 객체 데이터가 부족한 상황이 포함된다.

Fig. 4 
Physical and functional characteristics of the radar sensor associated with perception risk factors

레이다 센서에서 인지 제한을 유발하는 위험 인과 요인과 센서의 물리적, 기능적 특성을 동시에 고려하기 위해 이들을 양 축으로 하는 매트릭스를 활용하며 위험 요인을 행으로 나열하고 센서의 물리적, 기능적 특성을 열로 나열하여 위험 상황을 유발할 수 있는 항목을 교차 확인하였다. Table 5에 레이다 센서에 대한 매트릭스를 보였으며, 같은 열에 함께 표시된 위험 요인의 그룹은 이들이 특정 센서의 동일한 물리적, 기능적 특성에 영향을 끼칠 수 있다는 것을 의미하며 복수의 요인들 중에서 인식 성능에 더 심각한 영향을 미치는 것을 채택한다.

이상의 과정을 통해 레이다 센서의 인지 제한을 유발하는 악의 조건에서 레이다 센서와 관련한 위험 인과 요인을 기준으로 센서의 물리적, 기능적 특성 및 인지 제한을 유발하는 악의 조건을 분석하였으며 이를 Table 6에 정리하였다.

GNSS(Global Navigation Satellite System) 센서의 관점에서 살펴보면 위성과의 연결이 끊기는 상황이나 충분한 수의 위성과 연결되지 못하여 정확한 측위를 할 수 없는 상황에서 명확한 인지 제한이 발생하므로 차량이 GNSS 신호를 수신하는 데에 제한을 가하는 환경적인 요인과 이에 의한 신호 소실을 센서의 물리적, 기능적 특성으로 간주한다.

Table 1, Table 3, Table 5에서 살펴본 바와 같이, 특정 악의 조건 상황의 단일 인과 요인이 센서의 복수의 물리적, 기능적 특성에 영향을 주는 경우를 발견할 수 있다. 또한, 단일 악의 조건이 하나 이상의 센서에 대해 인지 제약 상황을 야기하는 경우가 있으므로 하나의 시나리오를 통해 여러 센서를 대상으로 한 악조건 상황에서 측위 기술의 대응 능력을 확인할 수 있다. 구체적으로, 각 매트릭스에서 임의의 단일 인과 요인과 관련된 물리적, 기능적 특성이 많은 순서 즉, 센서의 물리적, 기능적 특성에 대한 영향이 크게 나타나는 순서로 인과 요인을 나열해 보면 각 센서에 가장 우세하게 영향을 끼치는 악의 조건을 파악할 수 있을 뿐만 아니라 여러 센서에서 공통적으로 우세한 영향을 끼치는 악의 조건을 도출할 수 있게 된다. 예를 들어, 카메라 센서에 가장 큰 영향을 끼치는 요소는 야간, 터널, 지하차도 내부에서의 열악한 조명 조건임을 알 수 있으며 이어서 안개, 강우와 같은 대기 중의 입자상 물질의 존재도 센서의 특성에 악 영향을 준다는 것을 알 수 있다. 또한, 레이다와 라이더 센서에 있어서 대기 중의 입자상 물질이 각 센서의 특성에 가장 우세한 영향을 끼치는 인과 요인이 됨을 확인할 수 있다. 그러므로 카메라, 라이다, 레이다 센서에 모두에 대해 인지 제약 상황을 유발하는 단일 인과 요인으로서 대기 중의 입자상 물질을 선택할 수 있으며 이를 포함하는 위험 시나리오를 구축할 수 있다. 대기 중의 입자상 물질에는 강우와 안개에 의한 수분 입자뿐만 아니라 연기, 먼지 입자 등이 포함되며 본 연구에서는 기상 상황과 관련한 악의 조건에 주안점을 두고 있으므로 강우와 안개를 우선적으로 고려한다. 강우와 안개 중에서 카메라와 라이다 센서의 인지 기능에 가장 큰 제약을 유발하는 것은 안개이며 레이다 센서에서는 폭우 다음으로 안개가 우세한 영향을 끼친다.¹⁷⁾ 그러므로 본 연구에서는 짙은 안개가 발생한 기후 상황에서의 측위 성능을 평가하기 위한 시나리오를 제시하였으며, 이를 통해 하나의 악의 조건으로 여러 센서에서 인지 성능 저하가 발생하는 상황을 구성하였다.

4.2.2 주행 차로 환경

총 평가 노선의 길이는 1,500미터로 Fig. 6에서 보이는 바와 같이 차량이 주행을 시작하여 안개가 끼지 않은 500미터 구간을 주행한 후에 짙은 안개가 낀 500미터 구간을 주행하게 된다. 이후 안개가 끼지 않은 500미터를 주행하고 나서 평가가 완료된다.

Fig. 6 
Drive lane configuration for evaluation scenario with one adverse condition

실제 주행 상황에서는 센서의 인지 제한을 유발하는 악의 조건이 연속하여 발생하는 경우가 있으며 이러한 조건에서 측위 성능을 평가할 필요가 있다. 예를 들어, 차량이 터널에서 진출한 직후에 짙은 안개가 낀 기후 상황을 맞이하거나 GNSS 음영 지역인 고가차로 하부를 주행하던 차량이 이를 벗어나 폭우가 쏟아지는 도로로 주행하는 경우 등이 일상적으로 접할 수 있는 연속적인 악의 조건이다. 연속된 악의 조건은 다수의 센서에 인지 제한을 유발하게 되므로 이를 반영한 평가 시나리오의 수립이 요구된다. GNSS 센서는 정밀 측위를 위한 필수적인 도구이므로 GNSS 신호의 부분적 또는 전체 소실을 포함하는 악의 조건이 시나리오에 포함되어야 하며, 이와 연속되는 악의 조건으로 4.3절에서 언급한 바와 같이 카메라, 라이다, 레이다 센서에 모두에 대해 우세하게 인지 제약 상황을 유발하는 인과 요인인 대기 중의 입자상 물질에 의한 것을 선택할 수 있다. 대기 중의 입자상 물질을 발생시키는 폭우 상황은 레이다 센서의 인지 기능에 가장 큰 영향을 끼치며 카메라와 라이다 센서에서 안개 다음으로 우세한 영향을 끼친다.¹⁷⁾ 그러므로 본 연구에서는 GNSS 센서의 인지 제약을 유발하는 GNSS 음영지역에서의 주행 상황과 이와 연속되어 폭우가 발생한 기후 상황에서의 측위 성능을 평가하기 위한 시나리오를 제시하였으며, 이를 통해 GNSS 센서의 인지 제약 상황과 복수 센서에서의 인지 제약 상황을 연속으로 구성하였다.

4.3.2 주행 차로 환경

총 평가 노선의 길이는 2,000미터로 Fig. 7에서 보이는 바와 같이 차량이 주행을 시작하여 강우가 발생하지 않고 GNSS 신호의 수신이 원활한 500미터 구간을 주행한 후에 GNSS 음영지역으로 진입한다. GNSS 음영지역에서 500미터를 주행한 후에 이를 벗어나게 되며 이와 동시에 강우 발생 구간에 진입하여 500미터를 주행하게 된다. 이후 강우가 발생하지 않는 500미터를 주행하고 나서 평가가 완료된다.

Fig. 7 
Drive lane configuration for evaluation scenario with successive adverse conditions

측위 성능을 평가하기 위한 지표로서 종방향 및 횡방향의 위치 정확도를 활용하는데 이는 기준 위치와 측위시스템이 추정한 위치 간의 오차의 평균으로 정의된다. 실제 도로 환경에서의 평가에서는 GNSS 수신 정보를 기준 위치로 활용하며 GNSS 음영지역이 포함된 경우에는 고정밀 지도 상의 경로 좌표를 기준 위치로 활용한다. 소프트웨어 시뮬레이션 환경에서의 평가에서는 가상 환경 구축에 사용된 고정밀 지도 상의 특정 객체를 기준으로 상대 경로 좌표를 측정한 후 GNSS 단위의 기준 위치로 변환하여 활용한다. 위치 정확도는 시나리오에 의한 평가가 이루어지는 동안에 실시간으로 획득되는 GNSS 좌표 및 고정밀 지도 상의 경로 좌표와 측위 시스템이 산출한 추정 좌표 간의 오차의 평균으로 계산된다. 이를 식 (2), (3)에 나타내었다.