Steer toward Full Vehicle Autonomy with Confidence
완벽한 자율주행 위해 도로에서 실험실로
Keysight Radar Scene Emulator
2022년 09월호 지면기사  /  글 | 실비우 투카(Silviu Tuca) 매니저, 키사이트테크놀로지스



자율주행 및 첨단 운전자 지원 시스템 소프트웨어 의사결정은 테스트 장비가 허용하는 사항을 포함해 완전한 그림을 기반으로 이뤄져야 한다. 최근 키사이트에서 도입한 새로운 레이더 에뮬레이션 기술은 복잡한 주행 시나리오의 테스트를 도로에서 실험실로 옮기는 또 다른 방법이다. 

글 | 실비우 투카(Silviu Tuca) 매니저, 키사이트테크놀로지스







실비우 투카는 키사이트테크놀로지스의 레이더 기반 자율주행차 제품군 관리자다. 그는 RF 전자공학 분야에서 전기공학 석사 학위, 생물 물리학 분야에서 박사 학위를 취득한 후 테스트 및 측정 장비를 사용해 새로운 교정 방법을 개발하고, 기술 자문을 하거나, 그러한 계측기의 값을 분명히 밝히는 등의 전문적인 일을 해왔다. 



미래의 자동차를 위한 안전하고 강력한 자율주행 시스템을 만드는 것은 복잡한 작업이다. 

자율주행으로 이동하는 미래를 실현하기 위해 자동차 제조업체가 극복해야 할 당면과제가 있다. 자율주행차에는 수백 개의 센서가 있고, 이들은 모두 차량 내부 및 주변의 다른 스마트한  차량과 하나가 돼 작동해야만 한다. 자율주행 기능을 활성화하는 소프트웨어 알고리즘은 차량이 적절하게 반응할 수 있도록 궁극적으로 센서에서 수집된 모든 정보를 합성해야만 한다. 
완전 자율주행차의 시대가 열릴 조짐이 나타나고 있으며 전반적인 운송 시스템의 효율 개선과 함께 자율주행차에서 가장 매력적인 이점은 운전자와 승객의 안전이다. 가장 최근의 데이터는 자율주행차가 교통사고 사망률을 90%까지 줄일 수 있음을 시사한다(그림 1) 1




그림 1 | NHTSA에 따르면 도로 사고의 94%는 인적 오류로 인해 발생합니다.
1) 도로 교통 부상자. 세계 보건 기구, 2021년 6월 21일.
    https://www.who.int/news-room/fact-sheets/detail/road-traffic-injuries
    안전을 위한 자율 주행 차량. 미국 고속도로 안전 관리국, n.d. https://www.nhtsa.gov/technology-innovation/automated-vehicles-safety




차량 자율성 레벨 향상         

현재 차량의 첨단 운전자 지원 시스템(ADAS)은 대부분의 교통상황에서 운전자가 차량을 제어해야 하는 레벨 2와 3에 도달했다. 많은 OEM과 산업 전문가들은 레벨 4와 5로 끌어 올리면 (레벨 5 는 인간의 개입이 필요 없는 차량) 도로가 더 안전해질 것이라고 믿고 있다(그림 2)



그림 2 | SAE 차량 자율성 수준



하지만 더 높은 레벨의 차량 자율성을 달성하려면 많은 개선이 이뤄져야 한다. 

레이더, 라이더, 카메라와 같은 센서 기술에 대해 대규모로 투자하면 환경 스캐닝 기능을 지속적으로 개선할 수 있을 것이다. 각 센서 유형에는 고유한 장점과 단점이 있어 개체 감지 프로세스에서 필요한 중복 기능이 내장되도록 보장하려면 서로의 기능을 보완해야 한다. 
V2X(Vehicle-to-Everything) 통신 입력을 포함해 대량의 고해상도 센서 데이터를 결합하고 전송하기 위해서는 강력한 연산 소프트웨어 알고리즘에 대한 막대한 투자가 필요하다. 머신러닝(ML)은 자가 개선 알고리즘과 인공지능(AI)을 훈련시키기 위해 구축된 방법이다. 이런 알고리즘들은 복잡한 교통상황에서 안전을 보장하기 위해 결정을 내린다. 실험실에서 반복 가능하고 통제된 방식으로 가장 현실적인 가용 자극을 통해 이런 알고리즘을 훈련시키는 것은 알고리즘의 정확도와 안전한 배포를 위해 매우 중요하다. 



도로와 소프트웨어 시뮬레이션
테스트 간 격차


오늘날에는 소프트웨어나 SIL(Software-in-the-Loop) 테스트에서 주변 환경 시뮬레이션을 통한 센서와 ECU(제어모듈) 테스트에 주로 많은 시간이 소요된다. 프로토타입 또는 도로 주행용 차량에 완전 통합형 시스템을 탑재하고 도로 테스트를 진행하면 OEM이 출시 전에 최종 제품을 검증할 수 있다. 도로상황을 정확하게 렌더링하고 실제 레이더 센서 및 신호를 사용해 실험실에서 가상 세계를 재현하면 시뮬레이션과 도로 테스트 간 격차를 해소할 수 있다.  

오늘날의 과제는 특히 장면이 복잡하고 변수가 많은 경우에 전체 레이더 신(Scene)을 에뮬레이션하는 것이다. 목표는 차량을 테스트 트랙이나 열린 도로로 몰고 나가기 전에 실험실에서 모든 주행 시나리오와 코너케이스(Corner case)까지 철저히 테스트하는 것이다.
소프트웨어 시뮬레이션은 개발 사이클의 초기에 사용된다. 기본 센서, 차량 역학과 기상 조건을 시뮬레이션할 수 있다. 

그게 전부일까? 일반적인 시뮬레이션에서 테스트한 내용을 이제 충분히 실제 생활에 적용할 수 있을까?

소프트웨어는 근본적으로 추상적인 관점이며 불완전하다.
차량이 도시와 시골 도로에서 경로를 100% 안전하게 탐색할 수 있으려면 수백만 미터를 주행해야 하므로 실제 도로 테스트에만 의존하는 것 또한 비현실적이다. AV/ADAS 기능을 온전하게 테스트하려면 모든 관련 매개변수를 제어해야 한다. 
실제 환경에서의 테스트와 시뮬레이션 간 격차를 줄이려면 테스트 설정에서 실제 센서와 물리적 센서가 필요하다. 자율주행차가 도로에서 어떻게 작동할지 예측하려면 이런 복잡한 요소를 테스트에 추가해야 한다.

앞으로의 방향은 모든 상황에서 기술이 운전자를 완전히 대체해 도로에서 신뢰할 수 있고 정확하며 안전한 결정을 내릴 수 있는 환경을 만드는 것이다. 소프트웨어 시뮬레이션은 실제 센서 응답을 완전히 테스트할 수 없으며 트랙 위에서 테스트를 반복할 수 없다. 오늘날에는 특히 레이더의 대상을 에뮬레이션할 때 몇 가지 기술적인 격차가 있다.



제한된 대상의 수와 시야        

일반적인 접근 방식에서는 각 시뮬레이션 대상을 지연(delay) 라인에 연결한다. 대상이 추가되더라도 레이더의 에코는 한 번에 하나만 처리된다. 또한 안테나 어레이가 생성되면 레이더 모듈 시야의 극단에 있는 대상을 동시에 에뮬레이션할 수 없다. 안테나가 움직일 때마다 에코의 AOA(Angle of Arrival)가 변경돼 계산을 다시 하지 않으면 대상을 렌더링할 때 오류가 발생하고 정확도도 떨어질 수 있다.

4미터 미만 거리에서 개체 생성 불가   
NCAP(신차평가제도)의 취약한 도로이용자 보호(AEB Pedestrian)와 같은 많은 테스트 사례에서는 레이더 장치에 매우 가까운 개체 에뮬레이션을 요구한다. 오늘날 시장에 존재하는 대부분의 대상 시뮬레이션 솔루션은 장거리용으로 설계됐다.

개체 간의 낮은 해상도  
지금까지 대상 시뮬레이터는 하나의 개체를 하나의 레이더 시그니처로만 처리할 수 있었으며 이로 인해 신 세부사항에 격차가 발생했다. 

예를 들어, 복잡한 다차선 도로에서 테스트 장비는 모든 트래픽 참가자 간의 차이를 정확하게 알려야 한다. 개체 당 하나의 에코만 있으면 알고리즘이 자전거와 가로등 기둥을 구분하지 못할 수 있다.  



새로운 기술이 필요한 때         

실험실에서의 전체 장면 에뮬레이션은 완전한 차량 자율성을 위한 ADAS 기능을 실현하기 위해 필요한 강력한 레이더 센서와 알고리즘을 개발하는 데 필수적인 요소다.



그림 3a 및 3b | 대상 시뮬레이션 vs 장면 에뮬레이션




한 가지 방법은 대상 시뮬레이션을 통한 개체 감지에 집중하는 접근법에서 교통 장면 에뮬레이션으로 전환하는 것이다(그림 3)

이렇게 하면 넓은 시야와 감소한 최소 개체거리를 통해 공존하는 고해상도 개체를 포함한 복잡한 시나리오를 에뮬레이션할 수 있다.
높은 테스트 커버리지를 달성하고 포괄적인 테스트 시나리오를 실행하려면 센서의 전체 FOV를 커버해야 한다. 재현가능하고 정확한 AoA 검증을 활성화하려면 공간에서 정적인 RF 프론트엔드와 함께 이상적으로 넓은 FOV가 필요하다.

사실적인 교통 장면을 위해서는 레이더 장치에 매우 가까운 개체를 에뮬레이션해야 한다. 예를 들어 자동차가 2미터 이내에 있는 신호등에서 자전거가 차선으로 이동하거나 보행자가 갑자기 길을 건너는 경우가 발생할 수 있다. 이런 테스트를 통과하는 것은 ADAS/AD의 안전 기능을 위해 매우 중요하다.
도로 위의 장애물을 구별하는 기능인 개체 분리는 레벨 4 및 5의 차량으로 더 쉽고 빠르게 전환하기 위한 또 다른 테스트 영역이다. 예를 들어 레이더 감지 알고리즘은 자동차가 고속도로를 주행하는 동안 가드레일과 보행자를 구별해야 한다.



ADAS 기능에 대한 
더 큰 자신감 달성
         

실제 환경 테스트에서는 더 많은 대상과 더 짧은 최소 거리, 더 높은 해상도 및 연속적인 시야가 필수다. 실험실에서는 이를 통해 테스트 커버리지를 늘려 시간을 절약할 수 있을 뿐만 아니라, 테스트 시나리오를 안전하게 실행하고 반복할 수 있다.
기존의 레이더 표적 시뮬레이터(RTS)는 거리와 반사를 한 번 반환하지만, 레이더 신 에뮬레이터는 차량이 가까워짐에 따라 반사 횟수를 증가시키며, 이를 동적 해상도라고도 한다. 이는 개체의 거리에 따라 개체의 수가 변화하는 것을 의미한다.

AD 및 ADAS 소프트웨어 의사결정은 테스트 장비가 허용하는 사항을 포함해 완전한 그림을 기반으로 이뤄져야 한다. 최근 키사이트에서 도입한 새로운 레이더 에뮬레이션 기술은 복잡한 주행 시나리오의 테스트를 도로에서 실험실로 옮기는 또 다른 방법이다. 
자세히 알아보려면 https://www.keysight.com/find/DiscoverRSE를 방문하면 된다.



AEM_Automotive Electronics Magazine


<저작권자(c)스마트앤컴퍼니. 무단전재-재배포금지>

PDF 원문보기

본 기사의 전문은 PDF문서로 제공합니다. (로그인필요)
다운로드한 PDF문서를 웹사이트, 카페, 블로그등을 통해 재배포하는 것을 금합니다. (비상업적 용도 포함)

  • 100자평 쓰기
  • 로그인



TOP