Apr. 4월 · 2 days ago · 2020년 4월│Monthly Report 4 자율주행 단계는 미국 SAE 기준에 따라 시스템의 기능과 오류 발생 시의 책임 권한에 따라

Apr.

4월

자율주행차의 안전한 서비스를 위한

위치와 환경인지 기술

1. 자율주행차 개요------------------------------------------------3p

2. 자율주행차 기술과 시장동향---------------------------------6p

1) 주요국가별 정책 동향----------------------------------------------6p

2) 국내외 기업의 개발 동향------------------------------------------7p

3. 자율주행차 기술요소 -------------------------------------------10p

1) 자율주행을 위한 처리 프로세스---------------------------------11p

2) 커넥티드 자율주행서비스 핵심 기술----------------------------12p

4. ETRI 자율주행차 연구개발현황--------------------------------16p

1) 자율주행 학습 데이터 구축현황----------------------------------16p

2) 도심/캠퍼스 등 자율주행서비스를 위한 위치 및 환경인지기술----17p

5. 핵심이슈 및 향후 연구개발계획 -----------------------------22p

1) 자율주행차 개발의 핵심이슈---------------------------------------22p

2) 향후 연구개발 계획---------------------------------------------------23p

자율주행차의 안전한 서비스를 위한위치와 환경인지 기술

ETRI 인공지능연구소 지능로보틱스연구본부

최정단 본부장

01 자율주행차 개요

■ 자율주행차는 다양한 센서들이 만들어내는 정보와 차선까지 정확한 고해상도

지도와 GPS 정보를 결합하여 교통신호와 혼잡 및 장애 요소 등을 고려하여

목적지까지 최적의 경로를 생성하는 전략적 판단이 이루어진다.

■ 최근, 4차 산업혁명의 최대 중심 영역의 하나인 자율주행차 또는 특정 서비스

목적의 자율이동 로봇은 개인뿐만 아니라 자동차와 서비스 산업의 생태계

변화를 예견하고 있어 대중적인 관심이 고조되고 있다.

■ 운전자의 지속적인 조작 없이 자율주행이 가능한 자동차*는 센서 등 전장부품과

AICBM* 첨단기술이 집약된 모빌리티서비스로 진화 중이다.

■ 물론, 이동통신 측위 기술은 이동통신망과 이동통신단말의 두 부문이 모두 기능을

지원해야 하므로 통신사업자와 단말제조사의 협업과 공조가 매우 중요한

요인으로 작용한다.

※ AICBM : AI(Artificial Intelligence, 인공지능), C(Clound, 클라우드), B(Bigdata, 빅데이터),

M(Mobile, 모바일)

※ 자율주행자동차 : 운전자 또는 승객의 조작 없이 자동차 스스로 운행이 가능한 자동차(자동차

관리법 제2조, 제1의 3호, 이하 자율주행차)

표 1. 차량 구분에 따른 특성

구 분 특 성

자율주행자동차(self-driving car, autonomous vehicles) 차량 단독의 자율주행 기술에 초점

무인자동차(unmanned vehicles, driverless car) 운전자에 의한 제어 유·무에 초점

커넥티드카(connected car) 엣지-클라우드-차량 간 네트워크 연결성에 초점

3

2020년 4월│Monthly Report

4

■ 자율주행 단계는 미국 SAE 기준에 따라 시스템의 기능과 오류 발생 시의 책임

권한에 따라 자율성이 전혀 없는 0단계에서 5단계로 구분하고 있다.

운전자 개입이 없는 완전자율주행 기술의 차량은 아직은 연구 단계이나, 자동차를

소유개념에서 공유의 대상으로 변화시키고 이동하는 공간과 시간동안 제공되는

모빌리티서비스에 의해 자동차의 구매 또는 구독의 선택 기준으로 작용될

전망이다.

그림 1. 자율주행차의 단계별 기능 개념도

출처 : ETRI

■ 이러한 자율주행차는 단순한 이동수단으로서의 가치에서 교통약자와 대중교통 취약지

에서의 이동과 물류, 긴급 수송 등을 지원하는 기존 교통시스템 또는 플라잉 카

등 신개념 수단과 연계한 신서비스를 창출하고 있다.

※ 인구급감과 고령화 추세에 따른 이동지원과 도심 양극화에 따른 일자리로의 접근성 지원,

자율주행차-로봇-드론 협업의 물류 서비스, 긴급 수송용 다목적 서비스 출현

■ 이러한 구조에서 주행환경 인식·판단, 주행제어, 차량통신/보안, 차량 휴먼 인터페이스

등의 고신뢰·실시간 시스템 기술이 요구되며, 연관된 지능형 반도체, 저전력의

고성능 컴퓨팅 시스템 등의 기술고도화가 요구되고 있다.

■ 자율지능시스템은 다양한 센서를 장착하여 정보를 수집하는 차량이며, 차량의 인지

기능을 지원하기 위한 도로 인프라의 엣지지능시스템과 협업한다.

■ 또한, 클라우드 지능 플랫폼은 다양한 주행 관련 빅데이터를 수집·관리하여 주행

지능의 학습과 전략을 지원하며 이러한 시스템들의 융합으로 다양한 모빌리티

서비스가 가능하다.


5

그림 2. 커넥티드 자율주행차 기술개념도

출처 : ETRI

■ 본고에서는 ICT를 기반으로 자율주행차 관련의 핵심 기술개발 동향과 발전 전망

및 이슈에 대해 알아보고자 한다. 특히 ETRI에서 개발 중인 딥러닝 기술을

적용하여 주변 상황과 위치를 인지하고 목적지까지의 이동을 위해 위치기반

자율주행 내비게이션 서비스에 적용한 구현 결과에 대해 알아보고자 한다.


6

02 자율주행차 기술과 시장 동향

1) 주요국가별 정책 동향

① 미국

■ 자율주행차를 미국의 국가전략기술로 선정하여 집중 연구개발과 제도 개선에

10년간 40억 달러 투자(USDOT, ‘16.1) 계획을 밝힘

■ NHTSA1)는 자율주행 안전성 확보를 위해 다중모드 안전성 향상, 정책 불확실성

감소, 미국 교통부와의 협력 절차 개요 등을 중심으로 한 자율주행 자동차

가이드라인 3.0을 발표(Automated Vehicle3.0, ‘18.10)

② 중국

■ 공신부, 공안부, 교통부가 함께 “스마트 네트워크 자동차 도로 테스트 관리

규범”을 발표하여 중국 전국에서 자율주행차 시범운행에 대한 규범 마련(‘18.4)

■ ’25년까지 지능연결자동차 3,000만 대 공급을 목표로 발전 계획을 제시(중국

제조, ‘15.5)

■ ’20년까지 주행보조기능, 부분적인 자율주행, 조건 자율주행 시스템의 신차

장착률 50% 이상을 달성하고, 25년까지 80% 이상 달성 및 완전 자율주행차

상용화 추진 계획을 밝힘(자동차산업 중장기 발전 계획, ‘17.4)

③ 유럽

■ 유럽 20개국의 업계가 주도하는 EPoSS2)에서 자율주행 기술개발 단계를 3단계

(R&D→데모→상용화)로 구분하고, R&D 협력을 통한 역량 강화 역할 수행 중

■ 유럽 도로교통 공공 및 민간 조직으로 구성된 ERTRAC3)(European Road

Transport Research Advisory Council)은 규제 및 표준화 단계를 추가하여

기술 개발부터 상용화까지 10년 로드맵을 수립

1) NHTSA; National Highway Traffic Safety Administration, 미국 도로교통안전국으로 차량의 교통안전기술표준을 제정 및 감독하고, 제품 안전도를 시험평가 실시하는 미국의 정부기관이다.

2) EPoSS: European Technology Platform on Smart Systems Integration, 유럽스마트시스템 통합기술플랫폼3) ERTRAC: European Road Transport Research Advisory Council, 유럽도로교통연구자문위원회


7

④ 일본

■ 일본 경제산업성은 ’자동차 신시대 전략회의’를 열고 2050년까지 이산화탄소의

배출량을 80% 삭감, 자율주행 및 커넥티드카를 활용한 자동차의 효율적 이용

등 친환경을 목표로 제시(’20)

■ 일본 자동차연구소(JARI)는 이바라키현에 약 22억 5천만 엔을 투자하여

16만m2의 부지에 자율주행차 테스트베드(J-Town)를 건설하고 자율주행차의 성능시험

지원 (‘17.04)

⑤ 한국

■ 자율주행차 분야에서 규제 관련 이슈를 예측하여, 문제 발생 전 선제적 정비

추진(자율주행차 선제적 규제혁파 로드맵, ‘18.11)

■ 자동차 안전성 향상 및 국민 보호 강화를 비전으로 제시하고, 첨단차 운행 생태계

조성을 목표로 전략 및 추진과제 시행(제2차 자동차 정책기본계획, ‘17.2)

■ 레벨4 자율주행차 상용화 시점을 기존 ‘30년에서 ’27년으로 3년 앞당기기 위한

전략 수립(2030 미래차 산업 발전전략, ‘19.10)

2) 국내외 기업의 개발 동향

① 세계시장

■ 미국의 기업은 IT기업과 스타트업 등의 민간 대규모 투자를 중심으로 레벨

2~3단계 수준의 상용화와 제품생산에 초점을 두고 있으며, 중국은 미국에 기반을

둔 스타트업을 통해 기술을 개발하고 본국에서 대규모 테스트를 진행 중

■ 독일 완성차 3사(BMW/AUDI/Daimler)는 2009년부터 공동 개발 플랫폼인 GENINI4)와

델파이는 모빌아이, 인텔과 기술제휴 중인 CSLP5) 자율주행 솔루션 개발 중

■ 일본은 혼다 등이 주축이 되어 2020년 올림픽에서 나리타공항과 도쿄 선수촌

등에서 자율주행차 운행 계획을 밝힌 바 있으며, 상용화를 위한 다양한 실증실험

진행 중

4) GENINI: www.genivi.org 독일 완성차 3개사의 자동차 공동 개발 플랫폼5) CSLP : Central Sensing, Localization and Planning) 양산형 자율주행솔루션, CES


8

표 2. 세계 자율주행차 기업 동향

구 분 주요 서비스

웨이모

o 2018년 1월 미국 애리조나 주에서 운송 사업자 면허를 시작으로 무료 자율주행

택시 서비스를 제공, 12월 피닉스 지역에서 2,300명에게 유료 승차 서비스인 웨이모 원

(Waymo One)을 시작, 2020년 4월에는 5세대 자율주행차(재규어 I-Pace베이스)

‘Waymo Driver‘ 자율주행택시 시험 주행을 진행 중

포드 o 2017년 인공지능(AI) 기술 스타트업인 아르고.AI에 10억달러를 투자해 HD 고해상도

지도 데이터를 확보해 포드 차주들에게 제공해오고 있음

엔비디아o 그래픽 가속기(GPU)와 영상센서기반의 자율주행기술 보유로 완성차 업계와 연합하는

중이며, Dive PX2 등을 토대로 자율주행플랫폼으로 영역 확대 중

바이두 o 2018년 7월에 개방형 자율주행 플랫폼인 ‘아폴로(Apollo) 3.0’을 공개하고, 2020년까지

고속도로와 복잡한 시내 환경에서 자율주행을 목표로 함

WeRideo 중국계 미국 실리콘에 진출하여 자율주행 로봇택시 개발을 중점, 중국에서 50여 대의

로봇택시 실증을 진행 중

인텔 o 2017년 3월에 ADAS 기업인 모빌아이 인수를 통해서 자율주행 솔루션을 SoC

(System on Chip) 형태의 반도체로 구현하는 방안 실현

테슬라o 2019년 3월 오토파일럿(Autopilot) 기능 제공, FSD6)/NOA7) 등의 인공지능 모듈

탑재 완전자율주행 기술개발에 중점

출처 : ETRI

② 국내시장

■ 국내 완성차업체는 자율주행1~2단계 수준의 ADAS 상용화에 주력하며

자율주행 관련 국내외 전략적 투자가 활발

■ 통신사 대기업, IT/SW기업, 모빌리티서비스 업체 등 다양한 업체들이 자율 주행으로

사업영역 확대 중

■ 2019년 말 국토교통부 임시운행 허가기관 및 차량 현황은 32개 기관, 총 82대

규모이며, 주행거리와 자율주행 운행 거리를 자율적으로 보고하는 형태

■ 국내 스타트업은 초기 단계로 자본투자 중심 기업에서 소규모 자체 기술력을

보유한 기관들의 기술개발 결과가 성과로 발현되는 중

6) FSD: Full Self Driving, 테슬라 자동차의 완전자율주행 옵션으로 캘리포니아 등 특정지역에서 작동7) NOA : Navigation on Chip, 테슬라 자동차의 한국향 자율주행 옵션으로 고속도로 진출입 시에 작동


9

표 3. 국내 자율주행차 기업 동향

구 분 주요 서비스

현대기아자동차

o 2019년 9월 Aptiv와 공동 합작법인 설립, 센서 업체 등과도 전략적 협업 추진

2020년부터 특정 환경에서 자율주행이 가능한 자동차 양산에 착수할 계획을 밝힘

LG전자o LG화학, LG 디스플레이 등 계열사와의 협력을 통해 자율주행을 위한 부품개발,

제조, 공급을 그룹 내에서 수직 계열화함

네이버랩스

o 2018년 10월 사람과 자율주행 머신을 위한 위치(Location)와 모빌리티를 통합한

솔루션인 ‘xDM platform’을 공개, 도심 자율주행 매핑 시스템 구축을 통해

자율주행 4단계 기술개발 진행 중

SKT/KT

o SKT는 2017년 시험용 자율주행자동차 임시 운행허가 취득, 스마트 도로, 관제센터

등과 통신용 자율주행 자동차 5G 망 연동테스트 시행, 서울 상암지구 자율주행

서비스 테스트 진행 중

o KT는 5G기반 자율주행을 위한 서울, 경기도 판교, 대구 수성시티 등 다양한 통신

환경 하에 원격자율주행 기술 등에 대한 기술개발 진행 중

기타 중소기업

o 2019년 6월 MDE는 자율주행차량 개발 자회사 오토모스(AUTOMOS)를 설립하여

본격 자율주행 차량 생산에 돌입

o 2019년 11월 SWM은 암스트롱(Amstrong)플랫폼을 기반으로 자율주행 시연등을

수행하고, 2023년 완전자율주행 플랫폼 개발 추진 중

o 스프링클라우드는 이스라엘 모빌리티 빅데이터 인공지능(AI) 기업 오토플릿(Autofleet)과

'AI 기반 자율주행 모빌리티' 사업 협력 추진 중

o 언맨드솔루션은 운전석이 없는 ‘위더스’ 6인승 차량을 제작하여 무인셔틀서비스

개발 추진 중

출처 : ETRI


10

03 자율주행차 기술요소

■ 자율주행시스템은 외부환경인식(sense), 주행전략판단(think), 제어(act)의 프로세싱

과정으로 구성되며, 첨단 센서 기반 기술과 통신 기반 기술의 융합은 자율운행차의

주행환경 인지기술의 핵심이다.

■ 최근에는 인공지능 기술이 다양한 주행전략에 대한 학습이 가능하여 필수적으로

활용되고 있다. 뿐만 아니라 자율주행시스템의 주요 기술로는 통신, 플랫폼,

시뮬레이션 등으로 구성된다. 주요 프로세싱 단계의 기능과 구성요소 기술에 대해

살펴본다.

그림 3. 자율주행 프로세싱 단계별 주요기술 예시

출처 : ETRI

■ 미국 시장조사 전문기관에서 비전, 시장 진출 전략, 생산전략, 과학기술, 제품 품질

및 신뢰성 등 10개 기준을 이용한 순위를 정한 결과이다.

표 4. 연도 및 기준별 자율주행시스템 개발 기업 순위

발표기준 Leaders Contenders Challengers Followers

2019년 Waymo, Ford AV, Cruise, Baidu

Intel-Mobileye, Apiv-Hyundai, VW group, Yandex, Zoox,

Daimer-Bosch, Toyota, May Mobility, Voyage Auto

BMW, Volvo, Renault-Nissan-

Mitsubishi, NAVYA, Tesla

-

2018년

GM, Waymo, Daimer-Bosch, Ford, Volkswagen Group,

BMW-Intel-FCA, Aptiv, Renault-Nissan

Volvo/Autolive/Zenuith, PSA, Jaguar, Land Rover, Toyota,

Navya, Baidu-BASIC, 현대자동차

Honda, Apple, Uber, Tesla

2017년Ford, GM,

Renault-Nissan, Daimler

Volkswagen Group, BMW, Waymo, Volvo/Autolive/Zenuith, Delphi,

현대자동차, PSA, Tesla, Toyota, ZF

Honda, Uber NuTonomy,

Baidu-

출처 : Navigant Research, Navigant Research Leaderboard: Automated Driving Vehicles, 2017~2019


11

1) 자율주행을 위한 처리 프로세스

① 딥러닝 기반 인지기술

■ 운전자의 눈, 또는 로봇의 비젼 기술에 해당하는 인지 기술은 주변의 차량,

보행자, 차선, 교통신호 등의 교통상황과 위치, 속도, 바퀴 등의 차량 주행상태

데이터에서 정확한 위치와 공간의 의미를 파악하는 단계로 딥러닝 등의

인공지능 알고리즘을 융합하여 개발 중이다.

■ 관련된 기술로는 카메라, 레이더, 라이다(LiDAR), GPS 등의 센서정보를 이용한

장애물 검출 인식을 위한 인공지능 기술과, 전용 프로세서(GPU) 하드웨어

적용기술, 고정밀 지도 활용 위치인지SW기술, 보이지 않는 영역의 장애물

탐지를 위한 차량이나 인프라와의 협력인지를 위한 V2X 통신활용SW 등이

있다.

■ 현재까지 자율주행기술은 특정 환경에서 사전에 정의된 규칙을 수행하는 제한적인

분류 위주의 머신러닝 SW를 적용하였으나, 복잡한 환경을 종합적으로

인지하고 대응하는 딥러닝 기반의 인공지능 SW의 융합이 시도 중이다.

■ 그러나, 딥러닝에는 방대한 양의 훈련 데이터가 필요하며 알고리즘이 적용될

모든 상황의 시나리오가 준비되어야 하는 한계점이 있어 최근에는 적은 양의

데이터를 확대하는 방법이나 자율학습형 시스템이 연구 중이다.

② 주행전략 및 판단제어 프로세스

■ 차량에서 수집된 데이터와 지도, 교통량, 도로 상황 등 환경 데이터를 종합하여

최적의 주행경로와 속도, 주행미션(차선변경, 회피, 정지 등)을 결정하는 단계이다.

■ 관련 기술로는 인공지능 알고리즘, 빅데이터 분석, 경로 계획 및 생성 알고리즘

등이 포함되며 보행자 및 운전자 차량의 의도까지 완벽히 파악하여 주행

우선순위를 협상하는 연구도 필요하다.

■ 각 나라별로 상이한 교통문화에 대한 이해를 기반으로 주행전략을 결정해야

하며, 보행자의 안전을 우선하여 양보하고 배려하는 운전자 차량 연구 등이

필요하다.

■ 결정된 주행전략에 따라 주행 행동이 판단되고, 결정된 경로와 속도를 이용하여

차량제어를 수행한다.


12

2) 커넥티드 자율주행서비스 핵심 기술

① 클라우드 기반 자율주행학습용 데이터센터

■ 인공지능 기반 자율주행 SW개발이 가속화됨에 따라 각 국가별 상이한 교통

환경에 대한 데이터에 관심이 집중되고 있다.

■ 자율주행서비스가 운용되는 환경에 대한 광범위의 데이터 구축·공유를

기반으로 자율주행SW의 유효성 검증이 필수적으로 필요하여 자율주행차

개발 기업들은 끊임없이 트랙 레코더를 수집 중이다.

※ 웨이모는 5,128마일(8,250Km)마다 자율모드를 해제해 기술력과 안전성으로 최고, 보쉬는

0.68마일(1.09Km) 마다 해제해 웨이모의 0.013% 수준(출처: 2017년 2월 DMV CA 자율주행차 해제보고서)

■ 국내의 경우에는 자율주행 인공지능 SW알고리즘 연구를 위해 대부분 국외

데이터를 사용하고 있지만, 국내의 실도로 테스트 적용을 위해서는 반드시

국내 도로환경에 적합한 데이터가 요구된다.

■ 그러나, 국내에서는 연구기관별로 필요에 따라 수집하고 공유는 거의 미진한

상태이며, 최근에는 정부 R&D 등을 통해 자율주행을 위한 데이터의 수집 및

가공, 활용배포 시스템이 가동되고 있다.

■ 해외에서 공개된 데이터셋의 경우는 오래 전부터 실시되어 다양한 인공지능

알고리즘의 연구가 가능하였으며, 각 데이터셋 별로 수집된 센서데이터의

종류를 나열하였다.

표 5. 공개된 자율주행 데이터셋 별 센서데이터

Dataset 　Vision Camera 　 Lidar CAN PositionName 　 Front Back Side Omni Front Back Side Angle Speed Throttle Brake Gear GPS IMU

Commaai o 　　　　　 o o o o 　 o oOxford 3 　 1 2 　 2 o 　　　　　 o 　Udacity o 　　　　　 o o o o o 　 o

Kitti 4 　　　 o 　　　　　　 o oFord

Michigan 　 o 3 　　 o

Diplecs o 　　　　　 o o 　　　　　Karsruhe 　　　　 o 　　　　　　　　SYNTHIA o o o 　　　　　　　　　　Cityscape o 　　　　　　　　　　　　CCSAD o 　　　　　　　 o 　　　 o oDaimler 2 　　　　　　　　　　　　　

MIT AgeLab o 　　　　　 o 　　　　 o oMOLP 　　　 o 　　　　　　　 o 　

DeepDrive o o oMapillary o 　　　 o 　

Apoloscape 2 　　　　

출처 : ETRI


13

② V2X 통신 및 보안 기술

■ 연결성 기반 자율주행 기술이 중요해짐에 따라 차량 내·외부와의 연결을 위한

5G-V2X 통신 및 보안 기술 경쟁력 강화 필요성이 대두되고 있다.

■ 고속 대용량 데이터 전송이 가능한 차세대 WAVE와 3GPP Release 16 5G-NR

및 자율주행 정밀제어를 위해 엣지컴퓨팅 기반의 초저지연(10ms 이하),

초고정밀(10Cm 이하) 제어기술 등이 자율주행서비스를 위해 필요하다.

■ 다수의 IVN과 V2X 연동시 네트워크 효율성 저하를 방지하기 위한 데이터 처리

능력을 고려하여 실시간 데이터 분산 처리 기술과 초고신뢰 보안 플랫폼 및

5G 보안 등 자율대응시스템에 대한 선제적 개발의 중요성도 대두되고 있다.

③ 개방형 자율주행 플랫폼

■ 커넥티드 자율주행서비스 제공을 위한 AI 학습용 클라우드 및 엣지/차량시스템

및 통신을 포함하여 실시간 또는 정해진 시간 내에 자율주행 요소기술을

수행할 수 있는 기반 시스템을 의미한다.

■ 최근, 자율주행플랫폼은 안전성과 신뢰성을 기반으로 다양한 소비자의 욕구를

충족시킬 수 있는 다품종 서비스 공간으로 신산업의 구현과 신서비스 적용을

가능하게 하는 개방형의 중요성이 더욱 증대되는 추세이다.

■ 이러한, 자율주행 SW 동작의 고신뢰를 보장하는 자동차 표준 SW 플랫폼

적용에 대한 논의가 미국, 유럽, 일본을 포함한 거의 모든 글로벌 완성차에서

CP(Classic AUTOSAR Platform)를 채택 중이다.

※ CP : 2003년부터 차량의 편의, 바디, 샤시, 파워트레인 응용 지원을 위한 MCU(Micro

Controller Unit) 기반의 전장(ECU) SW 플랫폼

■ 이러한 AUTOSAR 플랫폼은 기능 안전규격인 ISO 26262의 아키텍처를

지원하고 있으며, ASIL 수준 기능 안전 인증이 용이하여, 현대차는 ’16년부터

첫 양산차에 CP 적용 계획을 밝힌 바 있다.

※ 자율주행, 커넥티비티, ADAS 응용 지원을 위한 고성능 응용 프로세서(Intel, Nvida,

Qualcomm) 기반의 신기술 융합 SW 플랫폼의 필요성이 대두되면서 AP(Adaptive

AUTOSAR Platform)를 ‘16년부터 개발 시작, ’18년 10월 최초 스팩 출시

※ BMW는 ‘21년부터 양산차에 AP, ADAS 및 OTA(Over-the-air programming) 적용 예정


14

■ AUTOSAR 표준은 OEM의 요구 사항들이 충분이 반영되어 전장 개발 분야의

강력한 사실 표준으로 자리 잡았으며, AP 또한 유사한 영향력을 가질 것으로

예측된다.

그림 3. 차량 내 오토사 CP 탑재 비율

출처 : Vector 사

④ 시뮬레이션 및 SW평가

■ 인공지능 기반 자율주행 SW가 중심이 되는 完全 자율주행서비스는 운용 환경에

대한 광범위의 데이터 구축·공유를 기반으로 유효성 검증이 필수로 요구되고 있다.

■ 시뮬레이션 기술은 자율주행서비스 실 환경에서 실험이 불가능한 다양한

운용환경 및 조건에 대응이 가능하기 때문에 운영에 특정된 룰을 정의하고,

재현된 주행환경정보를 기반으로 반복적으로 실행하여 SW 안전성을 평가한다.

■ 이러한 자율주행 서비스에 대한 사용자 수용성과 신뢰성 확보가 가능하고, 실환경에서

재현이 어려운 주행 데이터와 이의 참값 데이터를 시뮬레이터를 통해

자동 생성, 수집, DB화함으로써 자율주행 인공지능 인식, 판단 SW의 성능 고도화에

활용한다.

■ NVIDIA는 CES 2018에서 AutoSIM 시뮬레이터를 공개했으며, 다양한 도로환경

구축, 센서 에뮬레이션, 반복 회귀 시뮬레이션 기능 등을 제공하고 있다.

그림 4. NVIDIA AusoSIM 시뮬레이터

출처 : NVIDIA


15

■ Cognata는 CES 2018에서s 딥러닝 기반 HD map 생성, 센서 에뮬레이션

(LiDAR, Radar and cameras), 날씨와 시간대 조절, 시멘틱 세그멘테이션 주석

데이터 생성 기능을 제공하는 시뮬레이터를 개발했다.

그림 5. Cognata 시물레이터의 시멘틱 세그멘테이션 데이터

출처 : Cognata

④ 자율주행서비스

■ 높은 드론이나 새로운 이동수단인 플라잉카, 초소형 마이크로 모빌리티 등

다양한 운송수단과의 협력으로 통합형 신교통서비스가 대두될 전망이다.

■ 최근에는 유럽과 일본, 미국에서 자율주행 셔틀버스를 이용하여 교통 사각

지역에서 공유형 공공교통 서비스제공을 위해 다양한 형태의 시범서비스를

진행 중이다.

그림 6. 일본의 농촌 자율주행 셔틀버스 사례

출처 : DeNA

■ 두바이 경찰 당국은 세계 최초로 초소형 자율주행 순찰차를 공개(’17년)하고,

바이오인식 SW 및 순찰활동 지원을 위한 신기술이 장착된 자율차 기반 심야

패트롤 서비스를 ’20까지 최대 100대까지 유명관광지에 배치할 계획을 밝혔다.

그림 7. 두바이 자율주행 순찰차

출처 : ETRI


16

04 ETRI 자율주행차 연구개발현황

그간 ETRI의 자율주행연구는 상용의 승용형 자동차의 구동부를 전자 제어화하여

자율주행 3단계 수준의 무인 발렛주차 및 도심 자율주행 SW를 개발하였으며,

최근에는 운전석이 없는 저속의 캠퍼스 셔틀형 자율주행 SW를 개발 중이다. 특히,

인공지능 SW융합의 자율주행 인지 및 판단 기술의 현황에 대해 소개하고자 한다.

1) 자율주행 학습 데이터 구축현황

① 자율주행 학습 데이터 수집 플랫폼

■ 다양한 교통상황에 대응 가능한 학습 알고리즘 개발을 지원하기 위해

다종/다수의 센서로 구성된 주행경험 데이터 수집용 차량 플랫폼을

설계하였다.

■ 구축된 수집 플랫폼의 센서는 전방위 주변 환경 데이터 수집이 가능하도록

센서 배치를 설계하였으며, 주행 중 외부환경으로부터 간섭을 덜 받을 형태로

경량화 하였으며 센서의 자세 등 튜닝 용이성을 고려하였다.

■ 수집 플랫폼에서 고려된 부분은 센서 간의 캘리브레이션과 저장정보의 동기화

문제이며, 이를 해결하기 위해 영상 등과 같은 다양한 대용량 센서 정보의

무손실 압축 저장 기술을 개발하여 적용하였다.

그림 8. 자율주행 학습데이터 수집플랫폼 그림 9. 전방위 정보수집을 위한 센서 배치

출처 : ETRI


17

② 도심 자율주행 학습용 데이터 셋의 정규화 및 모델링

■ 자기 차량의 주변 환경 이해를 위한 데이터셋 표준모델을 개발하고, 주행경험

정보를 표현하기 위한 주행환경 및 주행 행동의 정규화 표현 모델을 제시하였다.

■ 국내 도로환경을 고려하여 표현 기법 및 데이터셋을 구성하였으며 픽셀 단위의

객체 의미를 분석하기 위해 8개의 그룹, 50개의 클래스로 도로환경을

표현하였다.

그림 10. 주행환경 및 주행 행동의 정규화 표현 모델 예시

출처 : ETRI

2) 도심/캠퍼스 등 자율주행서비스를 위한 위치 및 환경 인지기술

① 비젼 기반 위치 인지기술

■ 자율주행차의 위치 인식을 위해 대부분의 연구팀에서는 위성통신 기반의 측위

사용 중이나, 측위 정확도가 낮아지는 시간대 및 영역에서는 이를 극복하기

위해 ETRI 연구팀은 VSLAM 기법을 개발하였다.

■ 최근에는, 정밀지도가 없거나, 노후화된 정밀지도 또는 공사 등 도로환경의

일시적인 변화로 인해 자율주행차의 센서데이터와 지도데이터 간의 매핑이

불일치하는 도로지역 내비게이션을 위한 측위 연구를 진행하고 있다.

■ 향후, 악천후로 인해 차로, 도로표식 인식이 어려운 환경 등 정밀지도를

활용하기 어려운 음영지역에서의 자율주행을 위해 알고리즘의 고도화가 더욱

요구된다.

■ Visual SLAM기술은 영상 센서를 장착한 이동체가 이동하면서 주변 환경의

콘텐츠를 실시간으로 생성하는 동시에 해당 콘텐츠 상에서의 이동체의 위치를

계측하는 기술(Simultaneous Localization and Mapping) 이다.


18

■ 최근에는 입력 영상 내에서 정보를 많이 포함하는 영역만 선별하여 사용하는

Semi-Dense SLAM이 제시되었고 Semi-Dense SLAM의 경우 Feature-based

SLAM 비하여 훨씬 Dense한 맵 컨텐츠를 형성하는 동시에 CPU에서도

실시간으로 작동할 수 있다는 장점이 있다.

그림 11. Semi-Dense SLAM 방식의 LSD SLAM결과

출처 : ETRI

■ 정밀 맵 컨텐츠 생성과 위치 계측을 동시에 진행하는 SLAM 알고리즘 내에서

맵 컨텐츠 생성 시의 경우 Lidar, Kinetic 등의 거리 정보를 포함하는 센서를,

위치 계측 시의 경우 GPS나 IMU등의 위치 센서를 융합하여 속도와 정확도를

향상시키는 방법을 고려할 수 있다.

② 자동발렛 주차를 위한 위치인지기술

■ ETRI 자율주행연구팀은 비젼기반 위치인지기술 검증을 위해 주차장 내에서

자동발렛주차 서비스를 구현하였으며, 수치지도기반의 차량 자체의 위치와

움직임을 추정하여 실시간 예측하는 기술이다.

■ 자체움직임(Ego-Motion) 추정에서는 전방의 두 개의 카메라로 취득되는 스테레오

영상으로부터 다시점 영상처리기법을 사용하여 자체움직임을 추정한다.

■ 동시에 위치 및 자세 추정 블록에서 각 카메라에 수집되는 영상을 도로 바닥

면으로 투영된 영상으로 변환하여 도로상의 표시들을 추출하고, GIS 지도와의

매칭 확률을 구함으로써 현재의 위치와 자세를 추정한다.


19

■ GIS지도와 영상정보를 비교를 위한 도구로 파티클 필터(Particle Filter) 및 확장

칼만 필터(Extended Kalman Filter)를 결합하여 사용하였다.

■ 자체움직임(Ego-Motion)추정은 물체 스스로가 어떻게 움직이고 있는지를

추정하는 기술로서, 정확성 및 실시간성을 확보하기 위하여 최적 3차원 좌표를

구하는 번들조정(Bundle Adjustment) 방법과 3차원 좌표의 영상 평면상의

투영 관계로부터 카메라의 자세를 구하는 P3P(Perspective-Three-Point)를

결합하였다.

■ GIS지도상의 위치를 인식하기 위한 PF(Particle Filter)는 베이시안 순차적 중요

샘플링(Bayesian sequential importance sampling)기술로, 한정된 가중치

샘플을 사용하여 재귀적으로 사후확률분포(posterior distribution)의 근사값을

구하였다.

■ 사후 확률 갱신을 위해 GIS지도 내에서 현재 시점에 관측 가능한 지도와, 영상

내에서 관측되는 객체 간의 사상 가설(mapping hypothesis)을 세우고, 그 가설을

확인하는 방법을 사용하였다.

출처 : ETRI

그림 12. 영상기반 차량 자체운동 추정기술 그림 13. 수치지도 기반 차량 절대위치 추정기술


20

③ 주차장 내 자동발렛주차 서비스에서의 VSLAM 위치 인식기술 적용 결과

■ 비교적 참조해야 하는 수치 지도의 정보가 많으나, 거의 동일한 형태의

직선으로 구성되어있는 단점이 있음에도 불구하고 화살표 등의 진행 방향

표식의 도움으로 CEP 95%에서 ±20Cm 위치 오차를 구현할 수 있었다.

■ 주행과 주차 2가지로 구분하였으며, 주차의 경우가 더 정교한 위치 인식

정확도를 요구함을 알 수 있다.

그림 14. 주행 중 위치인식 오차 측정을 위한 실험주행 경로 그림 15. 시간별 주행 위치 인식 오차

100 200 300 400 500 600 700 800 900-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

time

erro

r

error of xerror of y

그림 16. 주차 차량경로 그림 17. 시간별 주차 시 위치 인식 오차

50 100 150 200 250-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

time

erro

r

error of xerror of y

출처 : ETRI


21

④ 도심내 자동발렛주차 서비스에서의 VSLAM위치 인식기술 적용 결과

■ 2017년 국토부의 자율주행 임시 운행허가를 획득하고, ETRI 자율주행연구팀은

대덕연구단지, 광화문, 상암, 청계천 등지에서 도심에서의 위치인지 및 환경

인지 관련 자율주행 SW 기능을 테스트하였다.

■ 실험 결과, 서울시 상암동의 경우에는 비교적 DGPS와 VSLAM이 유사한 성능

결과를 나타냈으며, 대덕연구단지 내 좁은 골목길의 경우에는 다소 큰 위치

인식 성능을 나타냈다.


출처 : ETRI


출처 : ETRI


22

05 핵심이슈 및 향후 연구개발 계획

1) 자율주행차 개발의 핵심이슈

■ 2019년 말, 자율주행차 관련 부처 공동으로 발표한 ‘2030 미래 차 산업발전

전략’에서 2024년 완전주행 인프라 및 제도 기반 완비와 완전자율주행차 개발,

2027년 주요 도로 완전자율주행 세계 최초 상용화 전략이 제시되었다.

2020년 5월, ‘완전자율주행차 상용화 기반 마련’을 목표로 정부는 1조 이상

규모의 R&D 예산을 투입할 계획을 발표했다.

■ 그러나, 전 세계적인 자율주행차 개발 경쟁의 심화에도 불구하고 잦은 오류와

사고가 예견됨에 따라 기능 안전성 및 신뢰성 확보를 위한 시뮬레이션과 안전

규칙 강화를 위한 대규모 실증연구지원 등이 필요하다.

특히, 국내에서는 자율주행 기능의 테스트를 위해 국토교통부 임시운행 허가

기관 및 차량 현황(‘19년 기준)은 총 82대 규모임에도 불구하고 사고 건수가

거의 없는 것은 실증과 동떨어진 100% 과제 성공률에만 몰입된 상태이다.

■ 완전자율주행체계 도입을 위한 표준화와 건전한 산업 생태계 조성을 위한 산업

분야 간 이견 조율, 사고분석 및 대응체계 관련한 보험 및 SW 면허 등 법제도

체계 마련 등 정부의 관리･조정 지원이 필요하다.

■ 기술적으로 자율주행차는 다종 학문의 융합체로서 국내 반도체, 인공지능 SW,

ICT 기업의 플랫폼 성공 경험과 기술 우위를 바탕으로 해외 의존도가 높은

인공지능 융합의 기반 R&D 등과 총체적인 기술 거버넌스만이 성공의 관건이다.

이러한 자율주행 관련 국내 기업의 자생력을 높여 대기업과 중소기업 간의

건전한 생태계가 활성화되고 통신인프라와 핵심 SW의 융합 등을 기반으로

해외시장 진출을 위한 시장 경쟁력 강화가 기대된다.

또한, 자율주행차의 최근 이슈는 기술적으로 인공지능 SW의 도입이 예견됨에

따라 완성도 및 안전성 강화를 위해 주행데이터베이스 구축과 실시간 분석을

통한 자율주행 SW 면허체계 도입을 위한 자율주행 빅데이터 등 인프라

고도화도 요구된다.


23

■ 안전과 도전이 요구되는 자율주행차 분야는 핵심 기술의 연구개발과 동시에

상용화를 위한 기술의 표준과 법제도 등 인프라 기반과 기술의 내재화로 도로를

함께 사용하는 다른 운전자와 보행자와의 수용성이 통합패키지로 완성되어야 한다.

■ 정부는 자율주행차 R&D의 컨트롤 타워로서 시장 형성을 견인하는 핵심기술

개발을 위한 과감한 기반 R&D의 투자로 해외 선도기업과의 기술격차를 낮추는

정책수립과 시행으로 미래 자율주행차 기술 선도와 혁신적 도약을 기대한다.

2) 향후 연구개발 계획

① 커넥티드 차량-엣지-클라우드 협력형 자율주행시스템

■ 완전자율주행 기술은 차량 자체의 기능 고도화와 정해진 규칙을 준수하는

것만으로는 한계가 존재하며, 클라우드/엣지 컴퓨팅, 인공지능 SW, 초저지연

통신과 보안 등 ICT 융합 개발이 필수로 요구된다.

■ 이를 위해 차량 센서 중심의 독립형뿐만 아니라 고성능 클라우드와 실시간이

요구되는 엣지 컴퓨팅으로 분산 협력형 역할과 연결구조가 중요한 주제이다.

■ 세계 최고 수준의 5G 인프라 강점을 활용하여 고성능의 클라우드 컴퓨팅

기술과 도로 인프라와 연계된 엣지 시스템 및 주변 차량을 연결하여 고도의

자율주행 서비스를 지원하는 설계가 필요하다.

② 인공지능 SW 융합의 위치와 환경인지 고도화

■ 현재까지 자율주행기술은 특정 환경에서 사전에 정의된 규칙을 수행하는 제한적인

분류 위주의 머신러닝 SW를 적용하였으나, 복잡한 환경을 종합적으로 예측하여

경로를 실시간으로 회피 대응하기 위해 딥러닝 기반의 인공지능 SW 개발이

진행되고 있다.

■ 예기치 않은 돌발상황, 야간 등 악환경에서의 대응을 위해 서비스 도메인에 대한

절대위치 뿐만 아니라 인접한 차량과의 상대 거리 인지로 충돌회피 등의

알고리즘을 융합 개발, 악환경에서도 형상의 의미 추론을 통해 자기차량 위치를

파악하는 기술, 다른 차량의 주행궤적을 예측하는 연구도 진행 중이다.

■ 이를 위해 클라우드 중심의 수집·가공·관리 및 공유 활용을 위한 표준화된 학습

데이터의 정의와 교환 프로토콜을 개발하고, 지속적으로 고품질의 다양한

주행경험 데이터와 이를 기반한 인공지능 알고리즘의 생산을 위해 노력 중이다.


24

③ 대용량의 고신뢰·초저지연의 V2X 시스템

■ 최근에는 자율주행 자동차의 원격제어를 위해, 차량 내·외부와의 대용량

데이터의 전송과 고신뢰 초저지연의 정보 전달을 위한 5G-V2X 통신 및 보안

기술개발이 진행 중이다.

■ 고속 대용량 데이터 전송이 가능한 차세대 WAVE와 3GPP Release 16 5G-NR

및 자율주행 정밀제어를 위해 엣지컴퓨팅 기반의 초저지연(10ms 이하),

초고정밀(10Cm이하) 제어기술 등이 자율주행서비스를 위해 개발되고 있다.

■ 다수의 IVN과 V2X 연동시 네트워크 효율성 저하를 방지하기 위해 데이터 처리

능력을 고려하여 실시간 데이터 분산 처리 기술과 초고신뢰 보안 플랫폼 및

5G 보안 자율대응시스템으로 활용될 전망이다.

④ 자율주행 공공서비스를 통한 시장 경쟁력 강화

■ 자율주행차는 초연결 단말과 실감 디스플레이 탑재로 인포테인먼트와 커뮤니케이션

기술을 제공하는 서비스플랫폼으로 진화되고 있으며, 빅데이터 기반의 주차·충전·

주유 등 타 산업을 연계한 새로운 시장 창출의 견인차 역할로 부상되고 있다.

■ 친환경 차량 등을 이용한 셔틀, 택시, 차량공유(모빌리티 서비스), 물류 이동지원

등의 민간 상용화 서비스 및 교통약자 이동지원, 이용자 편의와 도시기능

효율화, 국민안전서비스 등 공공서비스 수요 확산으로 조기 시장 창출을

기대하고 있다.

■ 뿐만 아니라, 최근 코로나19 팬데믹 상황에서 언택트 이동수단으로 무인

자율주행차의 활용성이 언급되고 있으며, 선별진료소로의 무인이동이나 긴급

의료물품의 배송 등 활용도를 인정받고 응용기술이 개발될 예정이다.

■ 자율주행차는 기동성이 높은 드론이나 새로운 이동수단인 플라잉카, 초소형

마이크로 모빌리티 등 다양한 운송수단과의 협력으로 통합형 신 교통서비스로

보급되어 서비스 시장 경쟁력 강화와 미래 인구와 사회변화에 기여 할 것이다.

■ 최정단 본부장

- 2020.05 ~ 현재 신지식재산전문위원회 민간위원

- 2019.01 ~ 현재 국가연구개발타당성평가 자문위원

- 2010.04 ~ 현재 ISO/TC204 WG17 국제표준에디터

- 1995.03 ~ 현재 ETRI 인공지능연구소 지능로보틱스연구본부 연구원

- 관심분야 : 컴퓨터비젼 및 그래픽스, 자율주행AI, 자율주행서비스

발 행 일 2020년 5월 13일발 행 및 편 집 한국인터넷진흥원 데이터안전활용지원단 위치정보활용팀주 소 전라남도 나주시 진흥길 9 한국인터넷진흥원 Tel 1544.5118

▶ 본지에 실린 내용은 필자의 개인적 견해이므로, 우리 한국인터넷진흥원의 의견과 다를 수 있습니다.

▶ KISA Report의 내용은 무단 전재할 수 없으며, 인용할 경우 그 출처를 반드시 명시하여야 합니다.

Documents

Apr. 4월 · 2 days ago · 2020년 4월│Monthly Report 4 자율주행 단계는 미국 SAE 기준에 따라 시스템의 기능과 오류 발생 시의 책임 권한에 따라