< Previous김봉주·이선봉 자동차안전학회지:제14권,제2호,2022 본 연구에서는 듀얼카메라를 활용한 ACC 시험의 가능 성을 검증하기 위해, 듀얼카메라의 최적 위치 선정 결과와 거리 측정 방법, 국내도로 환경을 고려한 ACC 시나리오를 활용하였다. 그리고 시나리오 기반의 실제도로에서 실차시험을 진행 하여 결과를 취득하였다. 결과의 비교분석 결과, 두 가지 결 과를 도출할 수 있었다. 첫 번째, ACC의 안정화 과정 이후 결과는, 안정화된 차간거리 데이터 오차율은 시나리오 8 의 첫 번째 시험에서 최소 0.251%, 시나리오 9의 세 번째 시험에서 최대 4.202%로 나타났다. 두 번째, 동일한 시간 의 결과는, 시나리오 10의 두 번째 시험에서 최소 0.000%, 시나리오 1의 두 번째 시험에서 최대 9.945%로 나타났다. 하지만 모든 시나리오의 평균 오차율은 3% 이내로 나타 났다. 현재, 양산되는 자동차에 적용된 ACC는 레이더, 카메 라 등의 센서를 기반으로 구현되고 있다. 레이더, 라이더 와 같은 고가의 센서로 인하여 비용부담이 큰 단점이 있 다. 하지만, 위의 결과를 바탕으로 듀얼카메라만을 활용한 ACC 시험 가능성을 확인하였다고 판단하였다. ACC와 같 은 ADAS의 개발단계에서 듀얼카메라만으로도 시험이 결 과의 도출로 인하여 비용부담을 감소시킬 가능성이 있다 고 판단된다. 향후, 시험하지 못한 시나리오 4-7의 진행이 필요하 다. 또한, 출근 및 퇴근 시간의 복잡한 교통환경의 검증이 필요할 것으로 판단된다. 그리고, 눈과 비 같은 악천후 날 씨에 대한 시험이 필요할 것으로 판단된다. 후 기 본 연구는 한국산업기술평가관리원이 지원하는 산업기 술혁신사업(10079967, 자율주행자동차핵심기술개발사업) 으로 수행된 연구결과입니다. 이에 관계자 여러분께 감사 드립니다. 참고문헌 (1)Marsden, G., Mcdonald, M. and Brackstone, M., 2001, “Towards an Understanding of Adaptive Cruise Control”, Journal of Transportation Research Part C: Emerging Technologies, Vol. 9, pp. 33~51. doi:https://doi.org/10.1016/S0968-090X(00)00 022-X (2)Kim, S., Tomizuka, M. and Cheng, K., 2012, “Smooth Motion Control of the Adaptive Cruise Control System by a Virtual Lead Vehicle”, Int. J. Automotive Technology, Vol. 13, pp. 77~85. doi:https://doi.org/10.1007/s12239-012-0007-6 (3)Kim, N., Lee, J., Soh, M., Kwon, J., Hong, T. and Park, K., 2013, “Improvement of Longitudinal Safety System’s Performance on Near Cut-In Situation by Using the V2V”, 2013 KSAE Annual Conference Proceedings, pp. 747~755. (4)Moon, C., Lee, Y., Jeong, C. and Choi, S., 2018, “Investigation of Objective Parameters for Acceptance Evaluation of Automatic Lane Change System”, Int. J. Automotive Technology, Vol. 19, pp. 179~190. doi:https://doi.org/10.1007/s12239-018-0017-0 (5)Ulbrich, S. and Maurer, M., 2015, “Towards Tactical Lane Change Behavior Planning for Automated Vehicles”, 2015 IEEE 18th International Conference on Intelligent Transportation Systems, Las Palmas, pp. 989~995. doi:https://doi.org/10.1109/ITSC.2015.165 (6)Butakov, V. and Ioannou, P., 2015, “Personalized Driver/Vehicle Lane Change Models for ADAS”, IEEE Transactions on Vehicular Technology, Vol. 64, pp. 4422~4431. doi:https://doi.org/10.1109/TVT.2014.2369522 (7)Venhovens, P., Noab, K. and Adiprasito, B., 2000, “Stop&Go Cruise Control”, Proceedings of FISITA World Automotive Congress, Seoul, 2000, pp. 61~69. (8)Kim, B.J. and Lee, S.B., 2017, “A Study on Evaluation Method of the Adaptive Cruise Control”, Journal of Drive and Control, Vol. 14, pp. 8~17. (9)Kim, B.J. and Lee, S.B., 2017, “A Study on Evaluation Method of ACC Test Considering Domestic Road Environment”, Journal of Korean Auto-vehicle Safety Association, Vol. 9, pp. 38~47. (10)Kim, B.J. and Lee, S.B., 2020, “Comparison of simulation and Actual Test for ACC Function on Real-Road”, Journal of the Korea Academia- Industrial cooperation Society, Vol. 21, pp. 457~ 467. (11)Son, S.H., Jeong, C.H., Park, J.W. and Choi, S.J., 2019, “Development of Simulation Environment 듀얼카메라를 활용한 ACC 안전성 평가 방법에 관한 연구 자동차안전학회지:제14권,제2호,2022 for Evaluating Safety of the Adaptive Cruise Control System”, Proceedings of The Korean Society of Automotive Engineers Conference, pp. 1980~1985. (12)Moon, Y.J. and Park, Y.K., 2002, “Establishment of performance test site for Advanced Safety Vehicle (ASV) and development of evaluation technology - Focusing on ACC evaluation program”, Journal of The Korean Institute of Communication Sciences, Vol. 19, pp. 68~76. (13)Yoon, K.H. and Lee, J.W., 2002, “A Study of Test Methods and Procedures for thd ACC and FVCWS”, Proceedings of The Korean Society of Automotive Engineers Conference, pp. 109~115. (14)Sun, X., Liu, W., Wen, M., Wu, Y., Li, H., Huang, J., Hu, C. and Huang, Z., 2021, “A Real-Time Optimal Car-Following Power Management Strategy for Hybrid Electric Vehicles with ACC Systems”, Energies, Vol. 14, 3438. doi:https://doi.org/10.3390/en14123438 (15)Chen, C., Guo, J., Guo, C., Chen, C., Zhang, Y. and Wang, J., 2021, “Adaptive Cruise Control for Cut- In Scenarios Based on Model Predictive Control Algorithm”, applied sciences, Vol. 11, 5293. doi:https://doi.org/10.3390/app11115293 (16)Pier Giuseppe Anselma, 2021, “Optimization-Driven Powertrain-Oriented Adaptive Cruise Control to Improve Energy Saving and Passenger Comfort”, energies, Vol. 14, 2897. doi:https://doi.org/10.3390/en14102897 (17)Beukel, A., Driel, C., Boelhouwer, A., Veders, N. and Heffelaar, 2021, “T. Assessment of Driving Proficiency When Drivers Utilize Assistance Systems — The Case of Adaptive Cruise Control”, safety, Vol. 7, 33. doi:https://doi.org/10.3390/safety7020033 (18)Liu, L., Zhang, Q., Liu, R., Zhu, X. and Ma, Z. 2021, “Adaptive Cruise Control System Evaluation According to Human Driving Behavior Charac- teristics”, actuators, Vol. 10, 90. doi:https://doi.org/10.3390/act10050090 (19)Bae, G.H. and Lee, S.B., 2019, “A Study on Calculation Method of Distance with Forward Vehicle Using Single-Camera”, Proceedings of Symposium of the Korean Institute of communi- cations and Information Sciences, 2019, pp. 256~ 257. (20)Lee, S.H., Kim, B.J. and Lee, S.B., 2021, Study on Image Correction and Optimization of Mounting Positions of Dual Cameras for Vehicle Test. energies, Vol. 14, 2857. doi:https://doi.org/10.3390/en14164857 (21)Lee, J.M., Han, J.H. and Kim, S.J., 2021, “Visual Positioning and Distance Measurement Using by Object Recognition”, Proceedings of Korean Institute of Information Technology Conference, pp. 95~97. (23)Han, B.W. and Lim, S.J., 2013, “Development of HD Resolution Stereoscopic Camera and Apparatus for Recognizing Depth of Object”, Journal of the Korea Academia-Industrial cooperation Society, Vol. 14, pp. 351~357. (24)Zhu, J., Wang, Z., Wang, S. and Chen, S., 2020, “Moving Object Detection Based on Background Compensation and Deep Learning”, symmetry, Vol. 12, 1965. doi:https://doi.org/10.3390/sym12121965 (24)Hsu, Y.W., Lai, Y.H., Zhong, K.Q., Yin, T.K. and Perng, J.W., 2020, “Developing an On-Road Object Detection System Using Monovision and Radar Fusion † ”, energies, Vol. 13, 116. doi:https://doi.org/10.3390/en13010116 (25)Zhu, X., Ding, B., Meng, Q., Gu, L. and Yang, Y., 2018, “Statistic Experience Based Adaptive One- Shot Detector (EAO) for Camera Sensing System”, Sensors, Vol. 18, 3041. doi:https://doi.org/10.3390/s18093041◎ 논 문 http://dx.doi.org/10.22680/kasa2022.14.2.070 V2V 통신을 이용한 상대 차량 상태 추정 알고리즘 개발 권우진 * ·조아라 * ·이경수 **,† Development of Target Vehicle State Estimation Algorithm Using V2V Communication † 차량 간 통신상태 추정칼만 필터 ABSTRACT This paper describes the development of a target vehicle state estimation algorithm using vehicle-to-vehicle (V2V) communication. Perceiving the state of the target vehicle has great importance for successful autonomous driving and has been studied using various sensors and methods for many years. V2V communication has advantage of not being constrained by surrounding circumstances relative to other sensors. In this paper, we adopt the V2V signal for estimating the target vehicle state. Since applying only the V2V signal is improper by its low frequency and latency, the signal is used as additional measured data to improve the estimation accuracy. We estimate the target vehicle state using Extended Kalman filter (EKF); a point mass model was utilized in process update to predict the state of next step. The process update is followed by measurement update when ego vehicle receives V2V information. The proposed study evaluated state estimation by comparing input V2V information in an experiment where the ego vehicle follows the target vehicle behind it. * 서울대학교 공과대학 기계공학부, 학생 ** 서울대학교 공과대학 기계공학부, 교수 † 교신저자: kyi@snu.ac.kr E-mail: kwj6355@snu.ac.kr Table 1 Sensor Comparison CameraRadarLiDAR Object DetectionMHH ClassificationHM- Density of Raw DataHML Velocity Measurement-H- Lane DetectionH-- Traffic Sign RecognitionH-- Range of Sensor M (150m) H (250m) M (100m) Rain, Fog, SnowLHL Night-HH Sensor SizeSmallSmallMed CostLLL H = High, M = Medium, L = Low 1. 서 론 현재 자율주행차량 기술은 국제자동차기술자협회(SAE) 기준으로 4단계의 수준이 활발히 연구되고 있으며, 일반 적으로 판매되는 차량에는 2~3단계가 적용되어 있다. 해 당 차량들에 적용된 자율주행기술은 카메라, 라이다, 레 이더 등의 센서들을 이용하여 주변 상황을 인지하고 필요 한 제어를 입력하는 것이 보편적인 방식이다. 그러나 각 각의 센서들이 사용하는 매질이 다르므로 Table 1과 같 이 인지 범위와 날씨에 대한 취약성, 인지 해상도가 다양 하다. 각각의 센서들이 단점을 가지고 있기 때문에 단일 자동차안전학회지: 제14권, 제2호, pp. 70∼74, 2022 논문접수일: 2021.11.16, 논문수정일: 2022.3.21, 게재확정일: 2022.4.5V2V 통신을 이용한 상대 차량 상태 추정 알고리즘 개발 자동차안전학회지:제14권,제2호,2022 Fig. 1 Overall connection of vehicles 센서를 사용하여 자율주행차량의 성공적인 수행을 기대 할 수는 없다. (1) 이 때문에 단일 센서들의 취약점을 보완 하고 성능을 높이기 위해 다년간 센서 융합이 활발히 연 구되어왔다. Li (2) 는 라이다 센서와 카메라 센서를 융합하여 GPS신 호가 약한 실제 도심 환경에서 자율 주행 차량의 항법을 위한 운전 가능 영역 및 차선 인지 시스템을 연구하였다. 해당 연구에서는 빛의 반사율에 의지하는 라이다 센서의 취약성을 카메라의 시각 정보로 보완하였고, 물체와의 정 확한 거리 정보를 얻거나 어두운 환경에서 정상적인 동작 을 하는 데에 어려움을 가진 카메라를 라이다 센서로 상호 보완하였다. Yi (3) 는 자율주행차량의 물체 추적을 위해 라이다와 레 이더, 카메라 센서를 융합하였다. 실제 도로 환경에서는 급작스러운 위험한 상황이 발생할 수 있고 충돌을 방지하 기 위해선 사전 예방적인 주변 상황 인지가 필요하다. 이 를 위해 해당 연구에서는 라이다와 카메라의 날씨에 대한 낮은 강건성을 해결하고자 레이더를 사용하여 물체 추적 을 구현하였다. 상대 차량 인지 과정에서 단일 센서의 단점을 극복하기 위해 센서 융합에 관한 연구가 진행되어왔지만 센서를 사 용한다는 점에서 한계점이 존재한다. 첫째, 자차량의 센서 로 상대 차량의 상태를 알기 위해서는 센서의 값들을 이용 해 추가적인 추정 알고리즘과 군집 알고리즘이 필요하다. 레이더의 경우 상대 차량의 속도를 측정할 수 있지만, 정 확한 위치 정보를 얻을 수 없다는 점에서 추정 계산이 필 요하다. 해당 과정은 실제 측정치를 사용하는 것이 아닌 추정치이므로 상대 차량의 상태는 4단계의 자율주행에 필 요한 정확한 값을 기대하기 어렵다. 라이다 센서의 경우, 하나의 물체에서 나온 점들이 같은 물체로부터 출력되었 다는 군집화가 필요하다. 둘째, 센서는 차량에 부착되어 있기 때문에 차량의 진동이 출력의 진동으로 직결된다. 차 량이 고속으로 주행할수록 진동은 더 심해지므로 모든 센 서에 동시에 진동이 가해짐에 따라 주변 차량과 장애물 인지에 악영향을 주게 된다. (4) V2V는 앞서 기술한 단점을 해결하고 4단계 자율주행 에 필요한 기술로 대두되고 있다. 통신 기술이 발전됨에 따라 대용량 트래픽 데이터를 고속으로 전송할 수 있는 시스템이 상용화되고 있다. V2V의 장점은 앞서 기술한 센 서에 비해 더 넓은 영역의 신호를 통신할 수 있으며 장애 물과 주변 환경에 제약을 받지 않는다. 또한 센서로부터 얻을 수 있는 정보에 비해 더욱 다양한 종류의 정보를 이 용할 수 있으며 상대 차량의 상태를 추정 과정 없이 측정 할 수 있기 때문에 주변 상황 인지를 통한 주행 판단에서 성능 향상을 보일 수 있다. 그러나 V2V는 무선 통신이 요구되는 만큼 신호가 전달 될 때 딜레이가 존재하며 본 연구에서 이용한 통신은 입력 주기가 100ms이다. 또한 테스트 트랙이 아닌 일반 도심 환경에서는 전파 간섭 등의 외부 환경이 작용되기에 노이 즈가 존재한다. 일반 센서에 비해 긴 입력 주기와 딜레이 를 보완하여 도심 환경에서 강건함을 향상시키기 위하여 본 연구에서는 상대 차량의 상태를 정의한 후 확장칼만필 터를 이용하여 차량 상태를 추정하였다. 2. 실험 환경 본 연구에서는 현대자동차의 대형 전기 버스인 일렉시 티를 자차량과 상대 차량으로 실험을 진행하였다. 각 차량 의 구성은 동일하게 GPS와 ROS 기반 산업용 PC, CAN, V2V On-Board Unit(OBU)로 구성되어 있다. GPS는 OXTS 사의 Real Time Kinematic(RTK) GPS인 RT3003을 사 용하여 차량 후륜 중심축의 위치를 출력하도록 설정하였 다. 또한 휠 속도 등의 샤시 정보를 차량 내부의 CAN 인터 페이스를 통해 PC로 전달된다. PC로 입력된 GPS 정보와 샤시 정보는 이후에 OBU를 통해 SAE J2735에 정의된 기본 안전 메시지(BSM) 형태로 다른 차량에 송신된다. (5) 권우진·조아라·이경수 자동차안전학회지:제14권,제2호,2022 Fig. 2 Sejong BRT course Fig. 3 Vehicle 2D bicycle model 차량의 전체 센서와 통신 인터페이스를 Fig. 1에 도식하였 다. 각 차량의 OBU는 WAVE와 LTE를 이용하여 양방향 으로 V2V 통신을 수행한다. 두 가지 방식 중, 차량 사이의 거리가 가까울 경우 IEEE 802.11p WAVE 표준에 따라 차량의 정보를 OBU를 통해 송/수신하고 PC와 이더넷으 로 연결되어 통신을 진행하게 된다. WAVE가 근거리 통신으로서 큰 유효성을 가지기 때문 에 차량 간의 거리가 늘어나 통신이 미약해지면 LTE 방식 으로 통신하도록 설계되어 있다. 본 연구의 실험으로 차량 주행이 이루어진 곳은 세종특 별자치시 간선급행버스 체계(BRT) 노선이다. 상대차량 이 노선을 따라 주행하면 상대차량의 V2V 정보를 받는 자차량이 후방에서 추종하는 상황으로 진행하였다. 3. V2V를 이용한 상대 차량 상태 추정 기존 센서에 의존한 상대 차량 인지는 상대 차량에 대 한 측정값을 계산하는 추가적인 알고리즘이 필요하기 때 문에 오차를 내포한다. 반면, V2V 신호를 이용한다면 상 대 차량의 정보를 추가적인 계산을 사용하지 않고도 알 수 있다는 장점이 있다. 그러나 WAVE와 LTE 무선 통신 을 이용하기 때문에 기존 센서에 비해 입력 신호의 주기가 느리며 입력 딜레이가 존재한다. 본 실험에서는 해당 노이 즈를 제거하고 상대 차량 상태를 보정하기 위해 확장칼만 필터(EKF)를 이용하여 상대 차량의 상태를 추정하였다. 확장칼만필터는 잡음을 내포하는 측정치로부터 선형 모 델을 이용한 칼만 필터를 확장한 것으로, 비선형 모델을 따르는 상태를 process update과 measurement update 의 단계로 추정한다. (6) 추정하고자 하는 차량의 상태 x 와 사용자 입력 u 다음 과 같다. [] [] : : : : : T xy T x y xpp uv pxaxispositioninglobalUTMcoordinate pyaxispositioninglobalUTMcoordinate headingangleinglobalUTMcoordinate vlongitudinalvelocityinlocalvehiclecoordinate yawrateofegovehicle 차량 상태의 요소들은 모두 WGS84 타원체를 사용하 는 UTM 좌표계를 기준으로 설정하였다. 사용자 입력은 상대 차량의 로컬 좌표계에서 종방향에 해당하는 속력과 상대차량의 요 레이트로 이루어진다. 첫째로, point mass 모델을 이용하여 k -1번째 추정치 로부터 k 번째에 예상되는 측정값을 구하는 process update 과정이 진행된다. 차량의 거동을 표현하는 방식 중 가장 대표적인 모델은 Fig. 3과 같이 차량의 움직임에 힘을 고 려하지 않고 운동학적으로 모델링한 2D bicycle model이 다. 간단한 수식을 통해 차량의 움직임을 나타낼 수 있다 는 장점이 있으며, 선회 반경이 작은 상황에서는 슬립 각 β 를 0으로 둘 수 있다. (7) β 를 0으로 설정하게 된다면 2D bicycle model은 point mass model과 동일 해지며 본 실 험이 이루어진 세종시 BRT노선은 선회반경이 큰 구간이 없으므로 슬립 각을 0으로 설정하여 point mass model로 진행하였다. 그에 따른 process update는 식 (1)과 (2)와 같다. k 번째 상태 x 의 예측값 k x 는 이전 시간의 추정치와 V2V 통신을 이용한 상대 차량 상태 추정 알고리즘 개발 자동차안전학회지:제14권,제2호,2022 (a) (b) (c) Fig. 4 (a) Local x distance to target vehicle with respect to ego vehicle (b) Local y distance to target vehicle with respect to ego vehicle (c) Local heading angle of target vehicle with respect to ego vehicle 사용자 입력에 대한 비선형 함수의 결과값이다. 비선형 모 델을 이용하는 EKF는 모델의 Jacobian을 이용하여 공분 산의 예측값을 식 (2)와 같이 도출하며 process noise Q 를 아래와 같이 설정하였다. , 1,2,3, 1,2, 11 11 1,11,13,1 2,11,13,1 3,12,1 [] [] [] [] (,),(0,) ˆ (,) ˆˆ cos() ˆˆ sin() ˆ T kxky T kkk T kkk T kk kkkkk k kk kkk kkk kk xpp xxx uv uu xfxuNQ xfxu xtux xtux xtu ～ + ∆ + ∆ + ∆ (1) 1 1,13,1 1 11,13,1 2 2 2 111 ˆ 10sin() ˆ 01cos() 001 0.100 00.10 0.1 00(180) ˆ k kk k kkk x T kkkk tux f Ftux x Q PFPFQ (2) 다음으로 measurement update는 식 (3)과 같다. k 번째 V2V 정보를 measurement로 이용하여 process update과 정에서 얻은 예측값을 보정한다. 공분산에 대한 measure- ment update를 수행할 때, 칼만 이득 K k 가 항상 최적값이 라는 보장이 없으므로 Joseph 형식을 이용하여 보다 안정 적으로 공분산을 보정하였다. (8) 3X3 1 2,,, 2 2 1 2 2,2, , ~(0,) 0.500 00.50 0.5 00*180 ()() ˆ ()() ˆ ()() k TT kkkkkkkk TT kkkkkkkk kkk T kk vvkxk k ykkk vvkvvkkk HI KPHHPHRPPR PIKHPI zppv KHKRK xxKHxIK N R zzx R K (3) 4. 실험 결과 및 분석 실험 상황은 자차량이 상대 차량의 후방에서 추종하는 상 황이다. 상대 차량의 V2V 정보에서 얻은 상대 차량의 상권우진·조아라·이경수 자동차안전학회지:제14권,제2호,2022 태와 이를 사용한 추정 상태, 그리고 입력 측정치인 V2V 정보값을 cut-off 주파수가 20Hz인 저주파 통과 필터로 필터링한 값을 자차량의 좌표계에서 비교하였다. 시간에 따른 상태의 그래프는 Fig. 4와 같다. WAVE와 LTE통신 의 지연과 낮은 주파수로 인한 입력 V2V 신호의 불안정한 진동이 확인되었다. 자차량 좌표계의 종방향 위치의 경우, 약 10m의 이상치가 발생하였다. 자차량이 상대차량을 종 방향으로 추종하는 실험 환경으로 인해 횡방향 거리 결과 값의 스케일이 종방향의 결과값에 비해 작았다. 이를 3에 서 기술한 파라미터로 설정된 확장칼만필터를 이용하여 추정한 결과, V2V 신호로부터 얻은 상태 정보의 진동이 줄어드는 결과를 얻을 수 있었다. 또한 V2V 신호는 상대 차량의 거리에 따라 노이즈의 정도가 큰 차이가 있고 유사 한 거리 내에서도 노이즈의 정도에 무작위성이 있어 필터 링된 신호가 노이즈가 존재하는 입력 신호를 따라가는 경 향이 존재함을 보인다. 그러나 확장칼만필터는 입력값에 만 의존하는 저주파 통과 필터와 달리 모델을 통해 이전 상태로부터 얻은 예측값과 측정치의 공분산을 이용하기 때문에 노이즈 제거에 우수성을 보인다. 5. 결 론 본 연구에서는 V2V 통신으로 얻은 정보를 이용하여 상 대 차량의 상태를 추정하는 알고리즘을 구현하였다. V2V 통신을 통해 얻은 정보는 로컬 센서의 인지 범위보다 넓었 으며 차량 상태를 알기 위한 추가적인 계산이 불필요하다 는 장점을 가진다. 그러나 실제 도심환경에서 진행된 실험 으로 인해 WAVE 통신과 LTE 통신에 의한 입력 지연과 신호의 진동이 발생하였고 연속적인 정보의 신뢰성이 저 하됨을 확인할 수 있었다. 이를 확장칼만필터를 이용한 추 정을 통해 입력 신호에 대한 강건함을 높여 실제 도심 환 경에서 효과를 얻을 수 있음을 확인 하였다. 해당 연구로 얻은 알고리즘을 이용하여 곡선 터널과 같이 로컬 센서로 는 상대 차량을 미리 인지하기 어려운 환경에서 상대 차량 의 상태를 얻고 자차량의 거동 제어에 V2V정보를 사용할 것이다. 해당 연구 결과로 입력 V2V 신호와 추정 신호만 을 비교하였으나, 각 차량의 RTK GPS에서 얻은 정보를 기준 정보로 이용하여 상대 차량의 실제 위치와의 비교가 필요하다. 이를 위해선 상대 차량의 PC와 자차량의 PC의 기준 시간을 동기화 시키는 작업이 필요하다. V2V 통신을 이용한 자율주행을 위해선 앞서 기술한 V2V신호의 단점을 더욱 보완할 필요가 있다. 이를 위해선 로컬 센서와의 융합을 통한 주변 상황 인지가 필요하며, 라이다로 인지한 주변 타겟과 V2V 정보와의 매칭 알고리 즘 구현을 추후의 연구로 진행할 예정이다. 후 기 본 논문은 산업통상자원부 산업기술혁신사업(10079730, 자동차전용도로/도심로 자율주행 시스템 개발 및 성능평 가)의 지원을 받아 수행하였습니다. 참고문헌 (1)Schoettle, B. (2017), Sensor fusion: A comparison of sensing capabilities of human drivers and highly automated vehicles, University of Michigan. (2)Li, Q., Chen, L., Li, M., Shaw, S. L., and Nüchter, A. (2013), A sensor-fusion drivable-region and lane-detection system for autonomous vehicle navigation in challenging road scenarios, IEEE Transactions on Vehicular Technology, 63(2), 540~555. (3)Yi, C., Zhang, K., and Peng, N. (2019), A multi- sensor fusion and object tracking algorithm for self-driving vehicles, Proceedings of the Institution of Mechanical Engineers, Part D: Journal of automobile engineering, 233(9), 2293~2300. (4)Suwandi, B., Kitasuka, T., and Aritsugi, M. (2019), Vehicle vibration error compensation on IMU- accelerometer sensor using adaptive filter and low-pass filter approaches, Journal of Information Processing, 27, 33~40. (5)김인수, 박재홍, 이은영, 이은덕, 신재곤, 김대원 (2017), V2V 기본 안전 메시지 데이터의 유효성 검증, 한국 자동차안전학회지, 9(2), pp. 33~39. (6)Simon, D. (2006), Optimal state estimation: Kalman, H infinity, and nonlinear approaches, John Wiley & Sons. (7)Polack, P., Altché, F., d'Andréa-Novel, B., and de La Fortelle, A. (2017, June), The kinematic bicycle model: A consistent model for planning feasible trajectories for autonomous vehicles, In 2017 IEEE intelligent vehicles symposium (IV) (pp. 812~818). IEEE. (8)Bucy, R. S. and Joseph, P. D. (2005), Filtering for stochastic processes with applications to guidance (Vol. 326), American Mathematical Soc.◎ 논 문 http://dx.doi.org/10.22680/kasa2022.14.2.075 Kano 모델을 활용한 V2E 성능확보기술 개발 전략 장정아 * ·손성호 ** ·이정기 *** Strategy for V2E Performance Assurance Technology Development Using the Kano Model 자율주행차 센서자율주행차량 대 환경인지센서 센서 클리닝모델 ABSTRACT Automated vehicles (AVs) are coming to our roadways. In practice, there are still several challenges that can impede the AV sensors are polluted on various road conditions. In this paper, we propose a strategy for V2E performance assurance technology using Kano model. We are developing the vehicle sensor cleaning system about the three types of commonly used sensors: camera, radar, and LiDAR. Surveys were carried out in 30 AV’s experts on quality characteristics about V2E performance assurance technology. As a result, the Kano model developed to verify a major requirement of autonomous vehicle’s sensor cleaning system. It is expected that the Kano model will be actively used to verify the importance of V2E development strategy. * 아주대학교 TOD기반도시교통연구센터, 연구교수 ** 한국교통안전공단 자동차안전연구원, 책임연구원 *** 한국교통안전공단 자동차안전연구원, 실장 E-mail: azang@ajou.ac.kr 1. 서 론 2022년 현재 우리나라는 범부처 자율주행자동차 R&D 기술 개발, 자율주행차 임시운행허가제도, 자율주행 시범 운행지구 선정, 자율주행차 규제특구 등 활발한 실증연구 가 진행되고 있다. 자율주행차는 인지-판단-제어라는 과 정을 거쳐 스스로 도로 주행을 하고 인간 운전자보다 사고 율이 낮아 안전하고 편리한 기술로 정착할 것으로 기대하 고 있다. 최근 Tesla 오토파일럿 사고, Waymo 등의 기술개발 실증 등으로 자율주행차 기술에 대한 회의론적 시각도 있 다. 그러나, 자율주행차 기술개발과 더불어 안전성 확보 기술도 활발히 진행하고 있어 복잡한 도로주행상황을 해 결하고 사용자가 안심하고 탈 수 있는 교통수단이 될 수 있을 것이다. 자율주행차 안전성 확보를 위한 기술 중 하 나인 자율주행차 센서 클리닝 기술은 센서 청소 장치가 핵심이다. 센서 청소 장치라 함은 센서의 시야가 손상되지 않은 상태에서 센서 표면에서 먼지, 빗방울, 새 배설물 또 는 진흙을 제거하는 청소 작업을 수행하는 장치이다. 이를 통하여 주변 날씨 및 운전 조건 등의 외부 환경 요인으로 부터 센서를 보호하고 센서의 수명과 차량의 안전을 보장 할 수 있다. 이러한 센서 클리닝 기술은 V2E(Vehicle- to-Environment, (자율주행)차량 대 환경인지센서), 이 하 V2E) 성능확보기술이라고 명명하여 국가 연구개발이 추진 중에 있다. 본 연구는 V2E 기술 개발 전략을 도출하기 위한 연구 로서, 기술개발 방향과 제도화 항목에 대한 품질요소를 정 의하고, 자율주행 전문가 집단에 대한 설문을 실시한 후 자동차안전학회지: 제14권, 제2호, pp. 75∼82, 2022 논문접수일: 2021.11.11, 논문수정일(1차: 2022.4.27, 2차: 2022.6.7), 게재확정일: 2022.6.7장정아·손성호·이정기 자동차안전학회지:제14권,제2호,2022 Table 1 Characteristics of autonomous vehicle sensors SensorAdvantageDisadvantage Sensor Vulnerability Situations and Environments CameraImage recognition ability Delay time until the control command is issued by analyzing the input image It is difficult to quickly respond to obstacles in a stationary state on the road (Road Construction/Shoulder Parking) Radar Excellent stability with minimal influence of environmental factors It only detects the existence of an object, but cannot determine the shape of the object. Because it is difficult to recognize the shape of an object for an accident vehicle that is stopped on the road, it is impossible to prevent secondary accidents, so you have to rely on lidar Lidar Recognition ability with high precision (object shape and distance can be grasped) High price, influence of foreign substances (snow, rain, dust, insects) due to the installation of the exterior of the car Difficult to detect objects depending on dark-colored objects and the surrounding environment (weather) (snow/rain/fog/underground/near high-rise buildings) 결과를 정량화하기 위하여 Kano 모델로 분석하였다 . . Kano 모델은 카노 노리아키(狩野紀昭)에 의해 1980년대에 연 구된 제품 개발에 관련된 상품기획이론이다. (1) Kano 모델 은 어떤 상품을 기획할 때 각각의 구성요소에 대해 소비자 가 기대하는 것의 충족, 불충족이라는 객관적 관계와 소비 자의 만족, 불만족이라는 주관적 관계 사이의 상호관계를 통해 정량적으로 설명할 수 있다. 이를 통해 V2E성능확보 기술의 정책적/기술적 개발 전략을 제시할 수 있다. 2. 기존 연구 2.1. 자율주행차 센서 기술 자동차에 적용되는 센서는 약 30종의 200여 개가 장착 되고 있으며, 자율주행기능을 보조하기 위한 인지센서로 초음파(장애물 인지), 카메라(물체 식별), 레이더(거리, 속도, 방향, 높이 측정 등), 라이다(형태 인식) 등의 첨단 스마트 센서가 적용된다. 대표적인 카메라, 레이더, 라이 다의 특징 및 환경은 Table 1과 같다. 2.2. V2E 성능확보 기술 V2E 성능확보기술은 자율주행차 센서에 오염이 발생되 었을 때 빠른 세척과 회복하는 기술을 통하여 기존 센서의 물체인식 등의 성능을 회복하는 기술을 지칭한다. (2) 자율 센서클리닝 시스템(Autonomous Sensor Cleaning System) 기술과 관련되며 상기 시스템은 액체기반 클리닝시스템 과 기체기반 클리닝시스템으로 상용화되어 있다. 액체기 반 클리닝시스템은 워터 제트 또는 알코올과 같은 액체가 센서 표면에 뿌리게 된다. 기체기반 클리닝 시스템은 강한 공기 분사와 같은 가스 매체가 센서 표면 위로 분사, 공기 는 전자적으로 제어되며 시스템은 다른 기계 구성 요소에 의존하지 않는다. Automotive Sensor Cleaning System Market(2020)에 따르면 Continetal AG, Valeo SA, DlhBowles, Roching Automotive, Ficosa International SA, Kendrion N.V., Actasys Inc., Waymo LLC, Seeva Technologies 등이 기업들이 관련 제품을 생산하고 있다. (3) 2.3. Kano 모델을 이용한 전략 연구 사례 이해인 등(2015) (4) 는 사용자가 요구하는 스마트폰의 주요 속성에 대하여 품질요소 분류를 하기 위하여 Kano 모델을 적용하였다. Kano 모델을 통하여 매력적 품질요 소 및 무관심 요소 등으로 분류하였고, 이를 고려한 제품 개발 및 품질향상 관리 전략 제시의 중요성을 설명하였다. 이때 스마트폰 사용자 110명의 설문지를 활용하였다. 이 지혜 등(2015) (5) 는 Kano 모델을 이용해서 사용자 관점 에서 내비게이션 기능의 요구사항을 분류하고 Timko의 고객만족계수를 활용하여 만족과 불만족의 개선정도를 정량화하였다. 피설문자는 61명의 응답결과를 활용하였 다. 도유미(2021) 등 (6) 은 휠체어 이용 장애인의 자율주행 기반 미래 모빌리티 서비스에 대한 기능적 우선순위를 검 토하기 위하여 Kano 모델 분석기법을 사용하여 휠체어 이 용 장애인의 요구사항에 대한 기술적 선호도 우선순위를 Kano 모델을 활용한 V2E 성능확보기술 개발 전략 자동차안전학회지:제14권,제2호,2022 제시하였다. 4개의 교통약자 그룹(휠체어 장애인, 보행장 애인, 시각장애인, 고령자)에 대하여 각각 50명의 설문정 보를 활용하였다. 김희진(2021) (7) 는 지속가능관광을 객 관적 지표 값으로 제시하고 지역 주민이 요구하고 만족하 는 서비스 요인을 도출하기 위하여 Kano 모델을 적용하였 으며, 일반주민 400부의 자료를 활용하였다. 전기체 등 (2021) (8) 은 검도장 서비스품질에 관한 소비자의 요구사 항을 주관적 만족도와 객관적 만족도를 동시에 고려하고 자 Kano 모델을 이용하였는데, 약 189명의 검도대회 참 석자의 설문자료를 활용하였다. 송선옥(2022) (9) 은 전자 상거래 플랫폼 서비스 이용자의 관점에서 요구되는 서비 스 품질속성과 제공자의 관점에서 요구되는 기술적 품질 속성을 파악하고 이를 연계시켜 구조화하였다. 이를 통해 제한된 자원 하에서 더 집중해야 할 서비스 품질속성을 가치전략영역별로 규명함은 물론 서비스 품질제고를 위 한 개선방향을 제안하였다. 이용자 측면 263명, 제공자 측 면 32명의 설문지를 활용하여 전략을 제시하였다. 전기제 등(2022) (10) 는 스크린골프장 서비스 품질요소를 파악하 기 위하여 온라인 기반 설문으로 250명의 자료를 활용하 여, 가장 필요로 하는 서비스 요소에 대하여 제시하였다. 손총 등(2022) (11) 은 Kano 모델을 이용하여 박물관의 문 화 상품의 속성과 품질을 분류하여 문화상품 개발 전략에 대하여 제시하였다. 설문은 총 180명의 자료를 기반으로 하였다. 양성민 등(2022) (12) 은 차량용 음성비서를 예시 로 기업들의 성공적인 지능형 신제품 개발을 위한 Kano- TOPSIS 기반의 모델을 제시하였으며, 이때 117명의 사 용자를 대상으로 Kano모델을 통하여 사용자가 필요로 하 는 기능을 선별 및 평가하는 데 활용하였다. 김진국 등 (2022) (13) 는 276명의 고객을 대상으로 한 설문을 통하여 국내 워터파크 운영기업들이 제공하는 서비스 품질에 대 한 평가와 향후 전략적 마케팅을 제시하는데 Kano 모델을 적용하였다. 방제모 등(2022) (14) 는 외식배달 플랫폼 품 질 속성분류를 위하여 162명의 응답자 설문을 통하여 서 비스 품질 요소를 분류하였다. 조진호 등(2022) (15) 은 건 설프로젝트에서 적극적인 리스크관리를 위하여 건설 실 무자 16명을 대상으로 설문 조사한 내용을 기반으로 건설 리스크 관리요인 분류를 하고 개선 방안에 대하여 도출하 였다. 선행 연구와 같이 Kano 모델은 관광, IT기기, 서비스 등 다양한 분야에서 활용이 되어 왔던 전략 연구 모형이 다. 통상적으로 서비스 전략을 제시하기 위하여 계층화 분 석법(AHP, Analytic Hierarchy. Process) 등의 다목적의 사결정법(MODM: Multiple Objective Decision Making), 다속성의사결정법(MADM: Multiple Attribute Decision Making)등이 활용되어 왔다. 이러한 방법론은 독자적으 로 사용하거나 병행적으로 사용하는 등 서비스 우선순위 등에 활용되어 오고 있다. 본 연구에서는 V2E성능확보기 술 개발 전략을 제시하기 위하여 Kano 모델을 사용하였 다. Kano 모델은 각 개별요소의 우선순위 등을 정량화하 기 용이하며 초기 개발방향의 합리성을 설명하는데 적합 하다. 3. V2E 성능확보기술에 대한 Kano 모델 분석 3.1. 개요 V2E 성능확보기술 개발 전략과 관련하여 다음과 같이 자율주행차 경력 전문가 대상으로 설문을 실시하였다. 본 설문은 본 기술에 대한 이해도가 높은 전문가 그룹을 활용 함으로써 그 수가 많지 않더라도 유효한 설문 결과를 얻기 위한 것이다. - 설문기간: 2021.08.23.~2021.08.27. - 전문가: 30명 - 평균 자율주행차관련 경력: 5.27년 3.2. 설문 문항 Kano 모델을 V2E성능확보기술 전략 방향에 적용하기 위하여 델파이 기법을 이용하여 실무자 VOC(Voice of Customer)가 반영된 10개의 항목으로 제시하였다. (1) 자율주행차 센서 클리닝 조건에 대하여 신차 출시 시 안전기준을 강제 제도화 (2) 자율주행차 센서 클리닝 조건에 대하여 자동차 검 사시 반드시 확인하는 강제 제도화 (3) 자율주행차 센서 클리닝 기술을 가진 차량에 문제 가 발생(오염물질 미제거)시 운전자에게 알림을 주는 기능 (4) 자율주행차 센서 클리닝 기술이 각 센서별로 각각 클리닝 상황을 확인하는 기능(예, 카메라에 문제가 발생하면 알림 개별 알림기능 등) (5) 자율주행차 센서 클리닝 기술이 전체 센서 상황을 통합하여 클리닝 상황을 확인하는 기능(예, 카메라 에 문제가 생겼어도 다른 센서에서 충분히 센싱에 문제가 없다면 미 알림등의 통합 기능) (6) 자율주행차 센서 클리닝 기술의 작동여부에 대하 여 기록하는 기능Next >