커넥티드 차량의 내비게이션 기반 인프라 가이던스 정보 제공 서비스 연구

Ⅰ. 서 론

지능형 교통 체계(Intelligent Transport Systems, ITS)는 첨단 교통기술과 교통정보를 활용하여 교통수단과 시설의 운영 및 관리를 과학화·자동화하고, 교통의 효율성과 안전성을 향상시키는 시스템이다. 그러나 기존 ITS는 전자지도 및 교통정보를 기반으로 경로를 계획하는 수준에 머물러 있으며, 이를 보완하기 위해 실시간으로 주변 교통상황 및 사고 위험 정보를 제공하는 차세대 지능형 교통시스템(Cooperative-ITS, C-ITS)이 개발되었다. C-ITS는 차량이 주행 중 운전자에게 주변 교통상황과 급정거, 낙하물 등의 사고 위험 정보를 실시간으로 제공하는 시스템으로, 차량 간(V2V) 통신 및 차량-인프라 간(V2I) 통신을 통해 도로상의 동적 정보를 융합하여 인지 정보를 제공한다는 점에서 기존의 ITS와 차별화된다. 차량은 자율주행 기능 및 통신 가능 여부에 따라 자체적으로 V2X 통신이 가능한 협력형 자율주행차(Connected Automated Vehicle, CAV), 차량에 탑재된 통신 지원 장치를 통해 통신이 가능한 커넥티드 차량(Connected Vehicle, CV), 통신이 불가한 독립형 자율주행차(stand-alone Automated Vehicle, AV) 및 통신이 불가한 비자율주행차(Conventional Human-operated Vehicle, CHV)로 구분한다[1].

과학기술정보통신부와 국토교통부는 2023년 9월부터 운영해 온 전문가 위원회에서 C-ITS를 위한 단일 통신방식을 LET-V2X로 결정함에 따라, 2024년 이후 단일 방식 하에 C-ITS 전국 확산을 추진하기로 하였다. 종래 C-ITS 기술은 교통상황 정보 및 도로상 위험상황 정보를 운전자에게 제공하고, 그에 따른 판단은 인간 운전자가 하게 함으로써 교통 시스템의 전반적인 최적화에 한계가 있다. C-ITS를 확장하여 인프라 센서에 의한 객체 인지와 CAV의 협력인지 정보를 활용하여 안전하고, 효율적인 주행대안을 통신메시지로 제공하는 인프라 가이던스(Infrastructure Guidance, IG) 서비스 기술 개발이 진행 중이다. IG 서비스는 다양한 교통 객체가 혼재된 도로 환경에서 도로 인프라와 CAV 간 협력을 통해 CAV의 자차 위치, 주변 동적환경 정보, 주행의도 및 Edge RSU의 센서를 통한 객체 인지 정보를 종합하여 CAV를 대상으로 안전성, 이동성, 환경성을 최적화한 주행 전략을 제공한다. 그러나 다양한 교통 객체가 혼재된 도로 환경에서 주행 가이던스 서비스 대상이 CAV에게만 한정될 경우, 전반적인 교통 시스템의 효율적인 조화를 이루기 어렵다는 한계점이 있다. 또한, Edge RSU가 IG 서비스 구간 내의 객체를 광범위하게 인지하더라도, 인지된 객체 중 비자율주행차(Non-CAV)의 위치 및 주행의도 정보수집 방법이 부재하여 주행의도를 정확하게 예측하는데 한계가 있으며, Non-CAV를 대상으로 주행 가이던스 제공 방법 또한 부재하다.

이러한 IG 서비스 및 C-ITS의 한계점을 보완하고자, 본 연구에서는 스마트폰 및 자체 내비게이션(Nomadic Device)을 통해 통신이 가능한 CV에게도 실시간으로 최적화된 가이던스를 제공함으로써 혼재된 교통상황에서 상충위험을 최소화하는 방법, 즉 내비게이션 기반의 IG(IG via Nomadic device, IG-Nomad) 정보 제공 서비스를 제안하였다. Non-CAV에 LTE-V2X를 지원하는 IoT 디바이스를 차량단말기(On-Board Unit, OBU)에 적용하여 Edge RSU(Road-Side Unit)와 통신을 가능하게 함으로써 주행 가이던스를 제공할 수 있다. 이러한 서비스는 다양한 도로 이용자가 혼재된 교통환경에서 CAV와 CV 모두에게 가이던스를 제공함으로써 안정적인 교통류를 구현할 수 있다.

그림 1은 본 연구에서 IG-Nomad 서비스를 개발하기 위한 체계적인 연구 방법론을 도식화한 것이다. 먼저 IG 서비스에 대한 분석을 수행하고, 이를 토대로 서비스 요구사항을 도출했다. 다음으로 CV의 기술적 한계점을 파악하고, IG 서비스의 요구사항과 CV의 한계점을 고려한 IG-Nomad 서비스의 요구사항을 수립했다. 마지막으로 이러한 요구사항을 충족시키는 IG-Nomad 서비스를 제안하였다. 이러한 단계적 접근법은 CV의 제약 조건 내에서 주행 가이던스를 제공할 수 있는 서비스를 가능하게 한다.

Fig. 1.

Research methodology

Ⅱ. 문헌고찰

자율주행차는 V2V 통신 및 V2I 통신을 기반으로 주변 객체의 위치와 주행상태를 고려하여 인간 운전자의 개입 없이 주행하는 차량으로 카메라, 레이더 및 라이다 등의 센서를 활용한 주변 객체 및 상황인지를 통해 주행한다[2],[3]. 미국 자동차공학회 SAE(Society of Automotive Engineers) J3016 표준에서 정의한 자율주행의 수준은 Level 0에서 Level 5까지 총 6단계로 구분하며, 이는 단순히 자율주행 기술의 유무가 아닌 운전 주체, 작동 조건 및 감시 책임의 세 가지 기준에 의해 정의된다. Level 0은 차량 운전에 필요한 모든 조작을 인간 운전자가 직접 수행하는 수준이며, Level 1은 차량이 종방향 또는 횡방향 제어 중 하나만 지원하는 수준으로, 대표적으로 종방향 제어를 지원하는 Adaptive Cruise Control (ACC)과 횡방향 제어를 지원하는 Lane Keeping Assist System(LKAS) 등이 있다. Level 2는 부분 자동화로 종방향과 횡방향 제어가 동시에 가능하나, 인간 운전자는 항상 주행상황을 모니터링해야 하며, 언제든지 직접 운전이 가능하도록 준비해야 한다. Level 3은 조건부 자동화 단계로 자율주행차 여부의 판단 기준이 되며, 비상 대처(Fallback) 상황 발생 시 제어권을 인간 운전자에게 전환한다. Level 4와 Level 5는 완전 자율주행으로 분류되며, Operational Design Domain(ODD)의 존재 여부에 따라 구분된다. Level 4는 자율주행 가능 조건으로 설계된 ODD 내에서는 운전자 개입없이 완전 자율주행이 가능하며, 비상대처 상황에도 자율주행 시스템이 스스로 대응할 수 있으나, ODD를 벗어나는 경우 자율주행 시스템이 작동하지 않는 반면, Level 5는 ODD의 제약 없이 모든 주행 환경에서 전적으로 자율주행 시스템의 동작이 가능하다[4].

미국 자동차공학회 SAE J3216 표준은 자율주행차가 독립적으로 주행하는 것을 넘어서, 여러 차량 및 도로 인프라와 협력하여 더 안전하고 효율적인 교통 시스템을 구축하기 위한 협력등급을 정의하였다[5]. SAE J3216 표준은 협력운전 자동화(CDA) 협력수준을 Class A~D의 4단계로 분류하고 있다. 상태공유에 해당하는 Class A는 자차의 위치, 속도 등의 현재 상태를 주변에 공유하고, 의도공유의 Class B는 나아가 자차의 차로변경, 주행속도 변경, 회전 등의 주행의도를 주변과 공유한다. 합의모색의 Class C는 V2V 또는 V2I 협상을 통해 특정 주행미션을 위한 합의를 모색하고, 마지막 Class D에서는 차량 또는 인프라가 다른 차량의 주행을 절대적으로 지시할 수 있다. 이와 같이 자율주행의 자동화 수준과 협력적 기능을 정의한 SAE 표준을 바탕으로 도로변 인프라인 Edge RSU가 검지한 동적 상황인지 정보(SDSM)를 활용하여 자율주행차의 주행 성능을 향상시키는 IG 메시지 제공기술이 연구되고 있다. IG는 Edge RSU가 자율주행차의 주행상태(위치, 속도, 주행방향 등), 주행의도 및 주변 객체의 상대적인 위치 관계 정보를 기반으로 분석하고 판단하여, 가이던스 대상 자율주행차에 임무점 정보 혹은 경유점 정보 형식으로 제공하는 방식이다[6]. 임무점 정보는 주어진 임무(주행속도, 차로, 주변 차량과의 상대위치 등)를 수행하기 위한 지점(위·경도 절대좌표, 차로) 및 시간 형식으로, 경유점 정보는 궤적 정보 형식으로 제공된다. 가이던스 메시지는 임무점 또는 경유점을 활용하여 제공되며, 복수의 임무점 또는 경유점을 목록화하여 제공할 수도 있다. Edge RSU의 가이던스 메시지 제공을 통해 자율주행차의 안전하고 효율적인 주행을 위해 종방향(감속, 등속 등) 또는 횡방향(차로변경 등) 주행권고를 제공할 수 있다[7].

현재 자율주행 Level 3의 상용화 도입기가 시작되었으며, 자율주행 기술의 발전과 함께 자율주행차의 혼입률이 점진적으로 증가함에 따라 자율주행차와 비자율주행차가 혼재된 교통상황이 상당 기간 지속될 것으로 예상된다. 운전의 핵심 요소인 인지, 예측, 판단, 행동의 관점에서 자율주행차는 자체 센서와 카메라 등을 통해 주변을 인식하기 때문에, 사람이 전적으로 운전하는 비자율주행차와는 본질적으로 다른 주행 특성이 있다. 인지 단계는 주행 환경에서 잠재적 위험을 파악하는 단계, 예측 단계는 실제 또는 잠재적 위험에 직면했을 때 어떤 사건이 발생할지 예측하는 단계, 판단 단계는 예측에 기반하여 취할 행동과 그 행동을 취할 시점, 위치를 결정하는 단계이며, 행동 단계는 인지, 예측, 판단을 통해 결정한 행동을 실행하는 단계로 감속 등 종방향 제어 및 차로변경 등 횡방향 제어 등이 있다.

자율주행차는 자체적인 센싱 또는 주변의 인프라 및 자율주행차를 통해 검지된 잠재적 위험 정보를 V2X 통신으로 수신하며, 이를 기반으로 사건 발생 예측 및 판단이 가능하며, 최종적으로 기계 운전자가 제어한다. 반면에 비자율주행차는 인간 운전자의 전방 주시를 통해 잠재적 위험을 파악하며, 인간 운전자가 전적으로 사건 발생 예측, 판단 및 행동을 수행한다. 이러한 자율주행차와 비자율주행차의 주행행태 차이로 인해 비자율주행차가 자율주행차를 추종하거나 자율주행차가 비자율주행차를 추종하는 상황 등 혼합교통류에서는 교통류가 불안정해질 수 있다는 문제점이 있다[8]. 또한, 비자율주행차는 V2V 통신 및 V2I 통신이 제한됨에 따라 주행상태 및 주행의도 공유, 합의모색 등 협력주행이 불가하여 상호작용이 어렵다는 문제점이 있다. 따라서 자율주행차만을 대상으로 하는 IG만으로는 자율주행차와 비자율주행차가 혼재된 교통상황에서 이동성 및 안전성 향상을 기대하기 어려우므로, 커넥티드 차량을 대상으로 주행 가이던스를 제공할 필요가 있다.

비자율주행차 중에서 CV는 V2X 통신 장비를 탑재하여 다른 차량이나 인프라와 정보를 교환할 수 있는 차량을 의미하는데, CAV와 달리 자율주행 기능이 결합되지 않아 기본적으로 운전자의 판단, 반응 및 조작에 의존하기 때문에 인적 오류에 따른 위험이 여전히 존재한다는 한계점이 있다. 또한, CAV 대비 CV의 위치 정확도 문제는 교통 시스템의 안전성과 효율성을 좌우하는 핵심 요소로 부상했다. CAV는 라이다, 레이더, 카메라의 센싱 정보 융합과 RTK(Real-Time Kinematic) GNSS를 결합해 0.1m 이하의 오차 범위에서 CAV의 정확한 위치 구현이 가능하다. 2023년 Waymo의 실험에서 라이다-카메라 융합 시스템은 악천후 조건에서도 0.15m의 표준편차를 기록했다[9]. 반면에 표준 GPS와 V2X 통신에 의존하는 CV는 평균 2.5m의 위치 오차를 보인다. 2014년 Edmonton 실험에서 스마트폰 GPS는 95% 구간에서 10m 이내의 정확도를 기록했으나, 도심 환경에서 신호 반사로 인한 오차가 28m까지 확대되는 사례가 관측되었다[10]. 이는 차로변경 결정에 필요한 0.5m 수준의 정밀도에서 크게 하회하며, ETSI ITS-G5 CAM 메시지 기반 협력주행 시나리오에서 충돌 위험을 23% 증가시키는 주요 원인으로 작용한다[11]. CAV와 CV의 위치 정확도 격차는 교통류 안정성을 해치는 주요 요인으로 작용한다. 2024년 MIT 연구팀의 게임 이론 모델링에 따르면, CAV가 CV를 선행할 경우 안전 거리가 23% 증가하는 반면, CV가 선행할 경우 CAV의 급가속 빈도가 17% 상승하는 비대칭적 상호작용이 관측되었다[12]. 본 연구에서는 CAV 대비 CV의 한계점을 고려하여 CV를 대상으로 주행 가이던스를 제공하는 서비스에 대해 제안하였다.

Ⅲ. IG-Nomad 서비스 도출

3-1 인프라 가이던스 서비스의 개념 및 절차

인프라 가이던스 서비스는 Edge RSU와 CAV 간 LTE-V2X 통신을 통해 이루어지며, 서비스 참여 단계와 가이던스 수행 단계로 구성된다(그림 2). 서비스 참여 단계는 도로 이용자가 서비스 구간에 진입하여 IG 서비스에 참여하는 단계로, Edge RSU가 IG 서비스 구간 내에 진입한 CAV에게 메시지를 발신하여 교차로의 기하학적 구조 및 차로 정보, 도로의 형상과 특정 제한 조건, 실시간 교통신호 및 교차로 정보를 제공하고 IG 서비스 참여를 요청한다. IG 구간 내 진입하여 IG 서비스 참여 요청 메시지를 수신한 CAV는 자차의 위치 정보 및 주변의 동적 객체 정보가 포함된 협력인지 메시지를 Edge RSU에게 발신한다. Edge RSU는 CAV가 발신한 협력인지 메시지를 기반으로 Local Dynamic Map 상에서 CAV의 위치를 식별하고, CAV에게 메시지를 발신하여 임시 식별자를 부여한다. Edge RSU로부터 임시 식별자를 부여받은 CAV는 할당된 임시 식별자로 IG 서비스에 참여한다는 응답 메시지를 회신함으로써 IG 서비스 참여가 완료된다.

Fig. 2.

Procedure of infra-guidance services

IG 서비스 참여를 완료한 CAV는 자차 위치, 주변 객체 인지 정보 및 주행의도 정보가 포함된 협력인지 메시지를 Edge RSU에게 발신한다. 협력인지 메시지를 수신한 Edge RSU는 최적 가이던스를 생성하여 CAV에게 제공하며, CAV는 가이던스 수행 시작에 대한 응답 메시지를 Edge RSU에게 발신한다. 가이던스 수행 중에 CAV는 자차 위치, 주변 객체 인지 정보 및 주행의도 정보를 포함하여 100ms 주기로 Edge RSU에게 협력인지 메시지를 발신하며, 가이던스 수행완료 후 CAV는 가이던스 수행 완료에 대한 응답 메시지를 Edge RSU에게 발신함으로써 IG 수행이 완료된다[13].

3-2 인프라 가이던스 서비스의 특징 및 요구사항

인프라 가이던스(IG) 서비스는 CAV를 위한 최적화된 주행 지원 시스템으로, 크게 Edge RSU, CAV 그리고 센서 기반 데이터 처리 모듈로 구성된다(그림 3). Edge RSU는 인프라 센서를 통해 IG 서비스 구역 내 동적 객체를 인지 및 정보 수집하고, 각 객체별 위치 데이터 등을 Local Dynamic Map(LDM) 형태로 관리하며, 모바일 에지 컴퓨팅(Mobile Edge Computing, MEC)을 통해 실시간으로 데이터를 처리하여 CAV와 공유한다. CAV는 IG 시스템과 협력하여 주행하며, 협력인지 모듈(Cooperative Perception Module)과 협력주행 모듈(Cooperative Driving Module)을 포함한다. 협력인지 모듈은 차량의 센서 및 인프라 데이터를 활용하여 주행 전략을 결정하는 역할을 하며, 협력주행 모듈은 차량이 도로 상황과 주변 차량과의 통신을 통해 협력주행을 수행하도록 지원하는 역할을 한다.

Fig. 3.

Comparison of service structures between Infra-Guidance(IG) and IG-Nomad

IG 서비스의 대상인 CAV는 자체적으로 V2V 통신 및 V2I 통신이 가능하며, 차량 센서 인지 정보 및 V2X 통신 데이터를 종합하여 차량이 주행 관련 의사결정을 수행한다[14]. 또한, CAV는 자체 센서를 통해 주변 객체를 인지할 수 있으며, 미국 자동차공학회에서 제정한 V2X 통신을 위한 데이터 메시지 표준인 J2735에서 정의한 데이터프레임을 활용하여 Edge RSU에게 차량의 위치를 위도와 경도 수준, 또는 주행 차로 단위 수준으로 정밀하게 구현 및 Edge RSU와 공유가 가능하다. CAV의 주변 객체 인지 정보와 관련하여 객체가 인지된 시각, 인지된 객체의 임시 식별자 및 유형, CAV로부터 객체까지의 거리, 인지객체의 횡방향·종방향 속도, 그리고 객체의 이동방향 등이 포함된다. 마지막으로 CAV는 교차로 통과의도(직진, 좌회전, 우회전 등)뿐만 아니라 종방향 주행의도(감속, 등속, 정지 등) 및 횡방향 주행의도(차로변경 등)와 같이 미시적인 주행의도 정보를 Edge RSU에게 공유할 수 있다.

3-3 IG-Nomad 서비스의 요구사항

본 연구에서는 CAV만을 대상으로 하는 IG 서비스를 확장하여 CV를 대상으로 LTE-V2X 통신을 활용하여 도로의 동적 정보 및 주행 가이던스를 제공받을 수 있는 IG-Nomad 서비스를 제안하였다. IG-Nomad 서비스는 CV를 대상으로 최적화된 주행 가이던스를 제공하는 시스템으로 도로변 인프라인 Edge RSU, CV 및 Nomadic Device로 구성된다(그림 3). IG 서비스와 마찬가지로, Edge RSU는 CV의 서비스 참여를 요청하고 CAV 센서를 통해 인지된 주변 객체 정보, CAV 및 CV의 주행상태 및 주행의도 정보와 인프라 센서를 통해 검지된 동적 객체 정보를 바탕으로 가이던스를 생성한다. CV는 OBU에 IoT 디바이스를 탑재함으로써 Edge RSU와 LTE- V2X 통신이 가능한데, OBU에서는 Edge RSU로부터 수신한 J2735로 인코딩된 데이터를 블루투스를 통해 Nomadic Device로 전달한다. Nomadic Device에서 차량 위치 및 교차로 통과의도(직진, 우회전, 좌회전, 유턴 등) 등 발신할 정보를 인코딩하여 블루투스를 통해 OBU에 전달하며, OBU를 거쳐 Edge RSU로 전달된다.

IG-Nomad 서비스는 IG 서비스 대비 상당한 제약이 따르는데, 이는 CAV와 CV의 차이에서 비롯된다(표 1). 자체적으로 주행을 제어하는 CAV와 달리, CV는 운전자의 판단에 의해 주행이 이루어지므로, 실시간으로 가이던스를 수용하는데 제약이 있다. 또한, Edge RSU가 CV에게 발신하는 서비스참여 요청 메시지, 임시식별자 할당 메시지 및 가이던스 메시지에 대해 인간 운전자가 실시간으로 직접 응답하는데 제약이 따른다. 따라서 Edge RSU가 CV에게 응답을 요구할 경우, 내비게이션 애플리케이션이 해당 정보를 포함하여 협력인지 메시지 및 응답 메시지를 자동으로 송부해야만 한다.

Table 1.

Comparison of CAV and CV

CV는 자체적으로 주변 객체 인지가 불가하므로, 최적화된 주행 가이던스 제공을 위해 Edge RSU의 동적 객체 센싱 정보와 CAV의 V2X 기반 협력인지 정보를 융합하여 실시간으로 도로의 동적 상황을 수집해야 한다. 카메라, 라이다, 레이더 등 다양한 센서에서 얻은 정보를 통합하여 정확한 도로 상황을 파악할 수 있도록 LDM 형태로 관리해야 한다[15].

CV는 내비게이션 애플리케이션을 통해 위치 정보를 제공하지만, GPS 측위 오차로 인해 정밀한 차로 수준에서의 정확도를 확보하지 못하는 한계가 있다. 이러한 한계로 인해, Edge RSU는 CV의 위치를 접근 도로 및 접근 방향 수준에서 대략적으로 식별할 수 있다. CV의 위치가 차로 수준으로 식별되지 않으므로, Edge RSU가 CV에게 주행 가이던스를 제공할 때 해당 차량이 주행 중인 차로군에 대해 가정이 필요하다. 이때 핵심적인 판단 기준은 CV의 주행 의도 정보인데, 이는 내비게이션 애플리케이션이 제공하는 경로 안내를 기반으로 CV의 지역 및 전역 경로 정보 수집을 통해 교차로에서의 좌회전 및 유턴, 직진, 우회전 수준으로 도출이 가능하다.

그림 4는 IG-Nomad 서비스의 HMI 표출 예시 및 차로별 차로군 구분 예시를 나타내고 있다. 그림 4(a)에서 차량은 전방 91m에 위치한 신호교차로에서 좌회전을 하고자 하는 주행 의도를 알 수 있으며, 그림 4(b)에서는 좌회전 및 유턴 차로군, 직진 차로군, 우회전 차로군의 3개로 구분되어 있다. 따라서 차량은 주행 의도에 맞게 좌회전 및 유턴 차로군에서 주행 중인 것으로 간주하고, 해당 차로군에 최적화된 주행 가이던스를 제공해야 한다. 주행 차로군에 대한 가정은 특히 그림 4(b)와 같이 한 차로에서 직진과 좌회전 또는 직진과 우회전이 동시에 가능한 경우에 실제 CV의 주행차로와 오차가 발생할 수 있다는 한계점이 있다. 이는 그림 4(a)와 같이 권고 주행차로 안내를 통해 인간 운전자에게 인지시킴으로써 한계점을 보완할 수 있다.

Fig. 4.

Example of (a) HMI display of IG-Nomad services and (b) classification of lane groups by lanes*Figure 4-(a) is a screenshot of the navigation application, which inevitably contains Korean text.

Edge RSU의 자체적인 객체 인지 정보 및 주변 CAV로부터 수신한 협력인지 메시지를 기반으로 CV와 직접적으로 상충위험이 있는 객체를 파악하고, 내비게이션 애플리케이션 상에서 해당 위치에 표시해야 한다. 그림 4의 예시에서 좌회전 및 유턴 차로군의 경로상에 상충위험 차량이 존재하므로 내비게이션 애플리케이션의 해당 위치에 표시되어 있다. 그리고 Edge RSU의 판단 하에 상충이 발생하지 않는 최적의 주행 가이던스 메시지를 생성하여 CV에게 발신해야 한다.

3-4 IG-Nomad 서비스 절차

앞서 기술한 IG-Nomad 서비스의 요구사항은 다음과 같이 크게 3가지로 요약된다. CV는 CAV와 달리 최종 제어권이 인간 운전자에게 있으므로, Edge RSU가 발신한 메시지에 대한 응답은 내비게이션 애플리케이션이 자동으로 처리해야 한다. 또한, CV는 자체적으로 객체 인지가 불가하므로 Edge RSU의 센싱 데이터와 주변 CAV의 협력인지 정보를 LDM에 통합하고 최적 주행 가이던스를 생성하여 CV에게 제공해야 한다. 마지막으로 CV의 위치에 대해 차로 단위로 정확하게 식별이 불가하므로 주행 차로군을 가정하고, 이를 기반으로 주행 가이던스를 제공해야 한다. 본 연구에서는 이러한 요구사항을 토대로 IG-Nomad 서비스를 제안하였다.

IG-Nomad 서비스는 Edge RSU와 CV 간 LTE-V2X 통신을 통해 이루어지며, IG 서비스와 유사하게 서비스 참여 단계와 가이던스 수행 단계로 구성된다. 본 연구에서는 그림 4(a)와 같이 신호교차로에서 좌회전하는 상황을 가정하여 IG-Nomad 서비스 절차를 설명하고자 한다.

IG-Nomad 서비스 참여 단계는 CV가 IG 서비스 영역에 진입하여 Edge RSU와 초기 연결을 체결하는 과정이며, 다음과 같은 세부 절차로 이루어진다. Edge RSU는 LTE-V2X 통신을 통해 서비스 영역 내 모든 차량에게 주기적으로 메시지를 발신하여 서비스 참여를 요청하며, 100ms 주기로 브로드캐스트된다. 서비스 구간 내 진입하여 서비스 참여 요청을 수신한 CV는 내비게이션 애플리케이션을 통해 자차 위치, 접근 중인 교차로, 접근 방향, 교차로까지의 거리 및 내비게이션 애플리케이션의 사용자 ID 정보가 포함된 협력인지 메시지를 Edge RSU에게 발신한다. 그림 4의 경우, CV는 신호교차로 기준 동남측 접근로의 91m 상류부에서 메시지를 발신한다. Edge RSU는 CV가 발신한 협력인지 메시지에 포함된 CV의 위치 및 사용자 ID를 기반으로 메시지를 발신하여 임시 식별자를 부여한다. Edge RSU로부터 임시 식별자를 부여받은 CV는 할당된 임시 식별자로 서비스에 참여한다는 응답 메시지를 회신함으로써 서비스 참여가 완료된다. 이 과정에서 CV의 내비게이션 애플리케이션은 자동으로 응답 메시지를 생성하며, 인간 운전자의 개입 없이 자동으로 처리된다. CV가 IG-Nomad 서비스에 참여 완료되면 그림 5와 같이 HMI를 통해 표출시킴으로써 인간 운전자에게 인지시킨다.

Fig. 5.

Example of informing completion of service engagement via HMI

서비스 참여를 완료한 CV는 자차 위치, 자차의 주행의도(전방 91m에 위치한 신호교차로에서 좌회전), 현재 통행속도(0km/h, 정지 상태) 및 교차로까지의 거리(91m) 정보 등이 포함된 협력인지 메시지를 Edge RSU에게 100ms 간격으로 발신한다. CV의 협력인지 메시지를 수신한 Edge RSU는 자체적으로 동적 객체 추적 데이터 및 주변의 다른 CAV 및 CV 차량이 발신한 협력인지 메시지를 고려하여 CV에게 최적 주행 가이던스를 제공한다. 그림 4의 예시에서 차량의 주행의도는 신호교차로에서의 좌회전이므로, Edge RSU의 주행 가이던스 생성 시 다음과 같이 좌회전 및 유턴 차로군과 관련이 있는 사항들을 고려하여야 한다.

• ① 좌회전 및 유턴 차로군 내 교통상황
• ② 접근 중인 교차로의 신호 현시 정보
• ③ 좌회전 경로상의 상충 위험 차량 정보(위치, 속도 등)
• ④ 교차로 통과 직후 교통상황

Edge RSU는 차로군 내 교통상황 및 신호교차로 현시 정보를 종합하여 최적의 접근 속도를, 상충 위험 차량 식별을 통해 최적의 통과 속도, 그리고 교차로 통과 직후 교통상황 정보를 통해 최적의 통과 직후 속도 등을 권고하는 가이던스를 제공할 수 있다. 주행의도를 고려하여 가이던스를 제공함으로써 기존의 링크 단위 가이던스에서 더 세분화하여 차로군 단위로 제공할 수 있으며, 가이던스 구간 내에서 교통상태 최적화를 통해 안전성과 이동성을 향상시킬 수 있다.

CV는 수신된 가이던스 정보를 HMI를 통해 운전자에게 시각적, 청각적 형태로 제공하되, 표출 방식은 운전자의 인지 부하를 최소화하기 위해 단순하고 직관적이어야 한다. IG-Nomad 서비스에서 주행 가이던스는 임무점 정보를 통해 제공해야 하며, 그림 6과 같이 HMI를 통해 표출할 수 있다. 그림 6(a), (b)는 교차로 통과 직후 교통상황을 고려하여 각각 좌회전 후 감속, 등속 가이던스 예시를 나타내며, 그림 6(c)는 신호 현시 정보를 고려한 교차로 진입 전 정지 가이던스 예시를 나타낸다.

Fig. 6.

Example of displaying information of driving guidance (a) deceleration, (b) cruise, (c) stop

CV는 내비게이션 애플리케이션을 통해 가이던스 수행 시작에 대한 응답 메시지를 Edge RSU에게 자동으로 발신한다. 가이던스 수행 중에 CV는 100ms 주기로 자차 위치, 주행 의도, 통행속도, 교차로까지의 거리 정보를 포함한 협력인지 메시지를 Edge RSU에게 지속적으로 전송한다. 가이던스 수행을 완료한 후, CV는 가이던스 수행 완료 메시지를 Edge RSU에게 자동으로 발신한다.

Ⅳ. 결 론

본 연구에서는 CAV만을 대상으로 하는 IG 서비스를 확장하여 LTE-V2X 통신을 통해 CV를 대상으로 주행 가이던스를 제공하는 IG-Nomad 서비스를 제안하였다. 본 서비스는 CAV에서만 활용되던 협력인지 정보를 CV에게도 제공될 수 있도록 지원하며, Edge RSU를 통한 최적 가이던스를 CV에게도 제공함으로써 안정적인 교통류를 구현할 수 있다.

본 연구를 통해 내비게이션 애플리케이션을 활용한 CV로의 서비스 확장 가능성을 확인함으로써, 자율주행 기술의 단계적 도입 과정에서 발생하는 혼합 교통류 문제를 효과적으로 해결할 수 있는 접근법을 제시한다. 특히 CAV의 비율이 낮은 초기 도입 단계에서도 IG-Nomad 서비스를 통해 교통 시스템의 전반적인 효율성을 향상시킬 수 있다는 점에서 큰 의미가 있다[13].

본 연구에서는 CV의 주행의도를 통해 현재 주행 중인 차로를 차로군 단위로 가정하였으나, CV의 위치 정확도 한계는 여전히 IG-Nomad 서비스의 성능 제약 요소로 작용하고 있다. 향후 GPS와 관성 측정 장치(Inertial Measurement Unit, IMU)의 융합, Edge RSU 기반 측위 보조 기술 개발 등을 통해 CV 위치 정확도를 향상시킴으로써 IG-Nomad 서비스의 안정성을 향상시키기 위한 연구가 필요하다.

IG-Nomad 서비스의 효과는 제공된 가이던스에 대한 인간 운전자의 수용도로 측정할 수 있다. 가이던스 수용도를 높이기 위한 HMI 최적화 연구와 함께, 다양한 인간 운전자의 특성(연령, 경험, 성향 등)에 따른 행동 적응 패턴을 분석하는 연구가 필요하며, 시민체험단을 활용하여 사용자 중심의 가이던스 수용도 관련 실증 또한 필요하다.

본 연구에서는 신호교차로에서 좌회전하는 상황을 예시로 IG-Nomad 서비스를 적용하였으나, 실제 도로 환경에서는 훨씬 다양하고 복잡한 상황이 발생한다. 다양한 환경에서의 서비스 효과를 검증하는 연구가 필요하며, 특히 교통 혼잡도, 자율주행차 혼입률 및 도로 기하구조 등 다양한 변수에 따른 서비스 효과의 변화를 분석하여 최적 적용 조건을 도출할 필요가 있다. 서비스 효과 척도의 대표적인 예로 CV와 다른 차량 간 상충 위험을 측정하는 안전성, CV의 IG 서비스 구간 통과 소요 시간을 측정하는 이동성 등이 있다.

인프라 가이던스 서비스를 대상으로 유스케이스 도출 방법론 및 테스트 시나리오 설계 방법론을 고려하여[13],[15], 향후 연구에서는 IG-Nomad 서비스를 적용할 수 있는 다양한 유스케이스를 체계적으로 도출하고, 각 유스케이스별 최적 가이던스 생성 알고리즘을 개발하는 것이 중요하다. 또한 도로 이용자의 다양한 특성과 행동 패턴을 고려한 맞춤형 가이던스 제공 방식에 관한 연구도 필요하다. 이를 바탕으로 IG-Nomad 서비스는 자율주행 기술의 점진적 도입 과정에서 이동성과 안전성을 향상시키는 핵심 기술로 자리잡을 것이다.

Acknowledgments

본 연구는 국토교통부/국토교통과학기술진흥원의 지원으로 수행되었음(과제번호 RS-2022-00142565).

References

• H. M. Jeon, I. C. Yang, H. S. Kim, J. H. Lee, S. K. Kim, J. Y. Jang, and J. Y. Kim, “Some Lessons Learned from Previous Studies in Cooperative Driving Automation,” Journal of Korean Society of Intelligent Transport Systems, Vol. 21, No. 4, pp. 62-77, August 2022. [https://doi.org/10.12815/kits.2022.21.4.62]
• E. J. Jang and S. J. Shin, “Proposal of New Data Processing Function to Improve the Security of Self-driving Cars’ Systems,” Journal of the Institute of Internet, Broadcasting and Communication(IIBC), Vol. 20, No. 4, pp. 81-86, August 2020. [https://doi.org/10.7236/JIIBC.2020.20.4.81]
• Y. S. Baek, S. G. Shin, D. R. Ahn, H. K. Lee, B. J. Moon, S. S. Kim, and S. W. Cho, “A Study of Hazard Analysis and Monitoring Concepts of Autonomous Vehicles Based on V2V Communication System at Non-signalized Intersections,” Journal of Korean Society of Intelligent Transport Systems, Vol. 19, No. 6, pp. 222-234, December 2020. [https://doi.org/10.12815/kits.2020.19.6.222]
• SAE International, Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles, J3016_202104, April 2021.
• SAE International, Taxonomy and Definitions for Terms Related to Cooperative Driving Automation for On-road Motor Vehicles, J3216_202107, July 2021. [https://doi.org/10.4271/j3216_202107]
• I. C. Yang, “Communication Message for Infrastructure-Assisted Cooperative Automated Driving,” Journal of Digital Contents Society, Vol. 24, No. 11, pp. 2849-2856, November 2023. [https://doi.org/10.9728/dcs.2023.24.11.2849]
• J. Y. Kim and I. C. Yang, “A Study on a Method for Generating a Lane-Changing Guidance Message for Cooperative Automated Driving via Traffic Simulation,” Journal of Digital Contents Society, Vol. 24, No. 8, pp. 1891-1897, August 2023. [https://doi.org/10.9728/dcs.2023.24.8.1891]
• A. R. Jung, Y. Jo, and C. Oh, “A Methodology of Identifying Hazardous Freeway Segment based on Multi-Agent Driving Simulations for the Mixed Situation of Autonomous and Manual Vehicles,” Journal of Korean Society of Transportation, Vol. 41, No. 4, pp. 495-508, August 2023. [https://doi.org/10.7470/jkst.2023.41.4.495]
• K. Rehrl and S. Gröchenig, “Evaluating Localization Accuracy of Automated Driving Systems,” Sensors, Vol. 21, No. 17, 5855, 2021. [https://doi.org/10.3390/s21175855]
• N. Yin, Evaluation of Vehicle Positioning Accuracy Using GPS-Enabled Smartphones in Traffic Data Capturing, Master’s Thesis, University of Alberta, Edmonton, Alberta, 2014.
• H. Alemayehu and A. Sargolzaei, “Testing and Verification of Connected and Autonomous Vehicles: A Review,” Electronics, Vol. 14, No. 3, 600, February 2025. [https://doi.org/10.3390/electronics14030600]
• Y. G. Yoo and I. H. Kim, “Connected Autonomous Vehicles Intersection Capacity Analysis Considering HCM 7th : Case Study of Jeju Innovation City,” Journal of Korean Society of Transportation, Vol. 40, No. 6, pp. 879-894, December 2022. [https://doi.org/10.7470/jkst.2022.40.6.879]
• J. H. Lee, I. C. Yang, H. S. Kim, and M. H. Choi, “Test Scenario Methodology for New ITS Service Verification Based on Infra-Guidance Service for Autonomous Vehicle Driving Assistance,” Journal of Korean Society of Intelligent Transport Systems, Vol. 23, No. 4, pp. 54-66, August 2024. [https://doi.org/10.12815/kits.2024.23.4.54]
• Y. S. Baek, S. G. Shin, J. K. Park, H. K. Lee, S. W. Eom, S. W. Cho, and J. K. Shin, “A Study on the Risk Analysis and Fail-safe Verification of Autonomous Vehicles Using V2X Based on Intersection Scenarios,” Journal of Korean Society of Intelligent Transport Systems, Vol. 20, No. 6, pp. 299-312, December 2021. [https://doi.org/10.12815/kits.2021.20.6.299]
• H. M. Jeon, I. C. Yang, H. S. Kim, J. H. Lee, S. K. Kim, and J. Y. Jang, “A Study on Methodology to Develop Use Cases of Infra-guidance Service for Connected and Automated Driving,” Journal of Digital Contents Society, Vol. 23, No. 7, pp. 1331-1340, July 2022. [https://doi.org/10.9728/dcs.2022.23.7.1331]