ADAS는 인간의 실수를 최소화하여 도로를 더욱 안전하게 만들 수 있습니다. 어떤 ADAS 시스템은 예를 들어 운전자의 사각지대 안에 차가 있어서 차선 변경이 위험한 경우와 같이 위험한 도로 시나리오를 운전자에게 경고함으로써 안전한 운전 습관을 지키도록 합니다. 어떤 ADAS 시스템은 자동 긴급 제동을 통한 충돌 회피와 같은 주행 동작을 자동화합니다.

실제로 Boston Consulting Group의 연구에 따르면 ADAS는 미국에서 연간 사망자 9,900명과 28%의 충돌 사고를 방지하고 있습니다.

ADAS 레벨

미국 자동차 공학회에서는 운전 자동화를 5개 레벨로 정의합니다. 오늘날 도로를 달리는 대부분의 자동차는 레벨 0부터 레벨 3 사이의 ADAS 기능이 탑재되어 있습니다. 자율주행 분야의 선두에 있는 기업들은 레벨 4와 레벨 5를 목표로 하고 있습니다.

안전, 사이버보안, 정책 문제가 해결되면 완전 자율주행 차량이 현실화될 수 있습니다.

ADAS 기능을 설계하는 방법을 이해하기 위해 적응 순항 제어를 예로 들어보겠습니다. 이 ADAS 기능을 사용하는 자동차는 전방에 있는 차량에 접근하면 감속하고 전방에 있는 차량이 안전거리 이상으로 멀어지면 순항 속도로 가속합니다.

ACC(적응 순항 제어)를 설계하는 첫 번째 단계는 자동차에 탑재된 센서에서 나오는 데이터를 수집하는 것입니다. 적응 순항 제어에는 카메라와 레이다 센서가 필요합니다. 카메라가 프레임 안에 있는 다른 객체(차량, 보행자, 나무 등)를 감지하고 레이다가 자동차부터 객체까지의 거리를 계산합니다.

센서에서 데이터를 수집하면 ADAS 알고리즘을 개발을 시작할 수 있습니다. 적응 순항 제어는 다음 세 단계로 나눌 수 있습니다.

1, 2, 3단계는 다음과 같습니다.

1. 전방에 차량이 있는지 감지하는 인식 알고리즘
2. 차량과의 거리를 계산하는 레이다 알고리즘
3. 거리 측정 결과에 기반하여 자동차 속도를 조절하는 제어 알고리즘

ADAS의 예로 ACC를 들었지만, 적절한 센서 선택과 센서 데이터를 기초로 한 알고리즘 설계의 일반적인 방법론은 모든 ADAS 기능에 적용됩니다.

센서의 중요성

ADAS 기능에 가장 널리 사용되는 센서에는 카메라, 레이다, 라이다가 있습니다.

카메라

카메라는 감지에 관련된 ADAS 작업에 사용됩니다. 차량 측면에 있는 카메라는 사각지대를 감지할 수 있습니다. 전방에 있는 카메라는 차선, 차량, 표지판, 보행자, 자전거 탑승자를 감지할 수 있습니다. 이와 관련된 ADAS 감지 알고리즘은 일반적으로 기존의 컴퓨터 비전과 딥러닝 알고리즘을 이용하여 구축합니다. 카메라에는 다음과 같은 몇 가지 장점이 있습니다.

• 훌륭한 객체 검출 데이터를 제공함
• 비교적 저렴함 - 가격이 저렴하기 때문에 제조사는 적은 비용으로 다양한 유형의 카메라를 테스트해볼 수 있습니다.
• 종류가 다양함 - 어안, 단안, 핀홀 카메라 등 많은 카메라를 테스트하고 선택할 수 있습니다.
• 가장 널리 연구됨 - 세 가지 센서 중에 카메라는 가장 오래되었고 가장 많이 연구되었습니다.

카메라 데이터의 단점은 다른 센서 유형 데이터에 비해 객체까지의 거리를 감지하는 데 덜 적합하다는 점입니다. 그렇기 때문에 ADAS 개발자들은 흔히 레이다와 카메라를 함께 사용합니다.

레이다

레이다 센서는 고주파를 방사하고 환경 내 객체에서 반사되어 돌아온 고주파를 기록합니다. 이 데이터를 이용하여 객체까지의 거리를 계산할 수 있습니다. ADAS에서 레이다 센서는 보통 차량 전방에 있습니다.

레이다는 다양한 기상 조건에서 작동하기 때문에 자동 긴급 제동이나 적응 순항 제어 같은 ADAS 기능에 사용할 수 있는 실용적인 센서입니다.

레이다 센서 데이터는 거리 감지 알고리즘에는 아주 적합하지만, 감지된 객체를 분류하는 알고리즘에는 덜 유용합니다. 그렇기 때문에 ADAS 개발자들은 흔히 카메라와 레이다를 함께 사용합니다.

라이다

라이다(light detection and ranging) 센서는 레이저를 환경에 방사하고 돌아오는 신호를 기록합니다. 돌아온 신호는 재구성되어 라이다의 주변 환경을 보여주는 3차원 포인트 클라우드를 만듭니다. 라이다 데이터를 이용하여 3차원 포인트 클라우드에서 객체와 센서의 거리를 계산할 수 있습니다.

ADAS 응용 사례에 사용되는 라이다 센서에는 다음 두 가지 유형이 있습니다.

1. 전기기계식(회전) 라이다 - 전기기계식 라이다는 차량 상단에 탑재되며 회전하면서 데이터를 수집하여 환경에 관한 3차원 포인트 클라우드 지도를 생성합니다.
   
2. 고정형 라이다 – 움직이는 부품이 없는 신형 라이다입니다. 장기적으로 볼 때, 고정형 라이다는 전기기계식 라이다에 비해 더 빠르고 저렴하며 정확한 솔루션이 될 것입니다. 그러나 상용화 가능한 센서를 설계하는 데는 안전성, 센서의 범위 등의 공학적 문제가 있습니다.

ADAS에서 라이다 데이터를 이용하여 거리 감지 및 객체 분류 기능을 모두 수행할 수 있습니다. 그러나 라이다 데이터 처리에는 카메라와 레이다 데이터에 비해 더 많은 계산 성능을 요하고 ADAS 알고리즘 개발자에게 몇 가지 어려운 문제를 야기합니다.

시뮬레이션을 통한 ADAS 알고리즘 개발

하드웨어를 테스트하는 데에는 비용이 많이 들기 때문에 엔지니어는 먼저 가상 시뮬레이션을 사용하여 ADAS 솔루션을 테스트합니다. 2차원 환경 또는 3차원 환경에서 시뮬레이션할 수 있습니다.

카메라와 레이다용 ADAS 알고리즘을 개발하고 테스트하려면 2차원 시뮬레이션을 사용할 수 있습니다. 먼저 도로, 보행자, 자전거 탑승자, 다른 차량이 있는 가상 장면을 생성합니다. 다음으로 장면 안에 차량을 배치하고 가상 카메라와 레이다 센서를 차량에 장착합니다. 그런 다음 자동차의 움직임을 프로그래밍하여 ADAS 알고리즘 개발과 테스트에 사용할 합성 센서 데이터를 생성할 수 있습니다.

3차원 시뮬레이션은 2차원 시뮬레이션을 확장하여 수행하며, 카메라와 레이다 이외에 라이다도 테스트할 수 있습니다. 3차원 환경은 상대적으로 복잡하기 때문에 더욱 많은 계산 성능이 필요합니다.

시뮬레이션 환경에서 ADAS 알고리즘을 개발하고 나면 다음 개발 단계는 HIL(Hardware-in-the-Loop) 테스트입니다. 이 단계에서는 실제 제동 시스템과 같은 실제 자동차 하드웨어를 시뮬레이션 환경에 연결하여 ADAS 알고리즘을 테스트하게 됩니다. HIL 테스트를 하면 자동차의 ADAS 구성요소가 실제로 어떻게 작동할지 파악할 수 있습니다.

DIL(Driver-in-the-Loop) 같은 다른 ADAS 테스트도 있지만 그러한 모든 테스트는 결국 모든 부품이 조립되었을 때 차량이 어떻게 작동할지 파악하기 위한 차량 내 테스트로 이어지게 됩니다. 차량 내 테스트는 가장 비용이 많이 드는 ADAS 테스트지만 가장 정확하며, 차량을 생산하기에 앞서 반드시 수행해야 합니다.

관련 제품: Automated Driving Toolbox™, Computer Vision Toolbox™, Lidar Toolbox™, Radar Toolbox, RoadRunner, RoadRunner Asset Library, RoadRunner Scene Builder