3.2 센서 하위 시스템
1. 개요
센서 하위 시스템은 자율주행 시스템이 주행 환경을 인식하기 위한 원시 데이터를 수집하는 구성 요소이다. 자율주행에 사용되는 센서는 차량 외부 환경을 감지하는 외부 인지 센서(Exteroceptive Sensor)와 차량 자체의 운동 상태를 측정하는 자기 인지 센서(Proprioceptive Sensor)로 구분된다.
2. 외부 인지 센서
2.1 카메라 (Camera)
카메라는 가시광선 영역의 영상 데이터를 수집하는 센서로, 자율주행에서 가장 기본적인 인지 센서이다. 색상, 질감, 형태 등 풍부한 시각 정보를 제공하며, 교통 신호, 교통 표지판, 차선 표시의 인식에 필수적이다.
| 특성 | 내용 |
|---|---|
| 측정 원리 | 가시광선의 이미지 센서 수광 |
| 출력 형태 | 2D 영상 (RGB 픽셀 배열) |
| 해상도 | 1~8 MP (일반적) |
| 화각(FOV) | 협각(~30°), 표준(~60°), 광각(~120°), 어안(>180°) |
| 프레임 속도 | 15~60 fps |
| 장점 | 고해상도, 색상 정보, 저비용 |
| 한계 | 조도 변화 민감, 직접 거리 정보 부재, 악천후 취약 |
자율주행 차량에는 일반적으로 6~12개의 카메라가 차량 주위 360도를 커버하도록 배치된다. 전방 카메라는 협각과 광각을 조합하여 원거리 객체의 정밀 인식과 근거리 주변 시야 확보를 동시에 달성한다.
2.2 라이다 (LiDAR)
라이다(Light Detection and Ranging)는 레이저 펄스를 발사하고 반사파의 도달 시간(Time of Flight, ToF)을 측정하여 주행 환경의 3차원 형상을 포인트 클라우드(Point Cloud) 형태로 수집하는 센서이다.
| 특성 | 내용 |
|---|---|
| 측정 원리 | 레이저 펄스의 비행 시간 측정 |
| 출력 형태 | 3D 포인트 클라우드 (x, y, z, intensity) |
| 파장 | 905 nm 또는 1550 nm |
| 측정 범위 | 100~300 m |
| 각도 해상도 | 0.1°~0.4° |
| 포인트 수 | 수만~수백만 포인트/초 |
| 장점 | 정밀한 3D 거리 정보, 조도 독립적 |
| 한계 | 고비용, 강우·강설 시 성능 저하, 색상 정보 부재 |
라이다는 회전형(Mechanical Spinning), 반고체형(Semi-Solid-State), 고체형(Solid-State), FMCW(Frequency-Modulated Continuous Wave) 등 다양한 방식으로 구분된다. 회전형 라이다는 360도 시야를 제공하나 기계적 부품의 내구성 문제가 있으며, 고체형 라이다는 기계적 구동부가 없어 내구성과 비용 면에서 유리하다.
2.3 레이더 (Radar)
레이더(Radio Detection and Ranging)는 전파를 발사하고 반사파를 분석하여 객체의 거리, 상대 속도, 각도를 측정하는 센서이다.
| 특성 | 내용 |
|---|---|
| 측정 원리 | 전파의 도플러 효과 및 비행 시간 측정 |
| 출력 형태 | 객체 목록 (거리, 속도, 각도) 또는 포인트 클라우드 |
| 주파수 대역 | 77 GHz (단거리/장거리) |
| 측정 범위 | 단거리(~30 m), 중거리(~100 m), 장거리(~250 m) |
| 장점 | 악천후 강건성, 직접 속도 측정(도플러), 저비용 |
| 한계 | 공간 해상도 낮음, 정지 객체 검출 어려움(기존 방식) |
최근 4D 이미징 레이더(4D Imaging Radar)의 발전으로 기존 레이더 대비 공간 해상도가 크게 향상되어, 라이다에 준하는 3차원 환경 인식이 가능해지고 있다.
2.4 초음파 센서 (Ultrasonic Sensor)
초음파 센서는 초음파를 발사하고 반사파의 도달 시간을 측정하여 근거리 객체의 거리를 측정하는 센서이다. 측정 범위는 일반적으로 0.2~5 m이며, 주차 보조, 근접 장애물 감지 등 저속 운행 상황에서 주로 사용된다.
3. 자기 인지 센서
3.1 GNSS 수신기
GNSS(Global Navigation Satellite System) 수신기는 GPS, GLONASS, Galileo, BeiDou 등의 위성 항법 시스템으로부터 신호를 수신하여 차량의 전역 위치를 추정한다. 일반 GNSS의 정확도는 수 미터 수준이나, RTK(Real-Time Kinematic) 보정을 적용하면 센티미터 수준의 정확도를 달성할 수 있다.
3.2 관성 측정 장치 (IMU)
IMU(Inertial Measurement Unit)는 가속도계(Accelerometer)와 자이로스코프(Gyroscope)를 포함하며, 차량의 가속도와 각속도를 측정한다. GNSS와 결합하여 위치 추정의 연속성과 정밀도를 향상시킨다. GNSS 신호가 차단되는 터널, 고가도로 하부 등에서 관성 항법(Inertial Navigation)을 통해 위치 추정을 유지한다.
3.3 휠 엔코더 (Wheel Encoder)
휠 엔코더는 바퀴의 회전 속도를 측정하여 차량의 주행 속도와 이동 거리를 추정한다. 주행 거리 측정(Odometry)의 기본 데이터를 제공하며, GNSS/INS와 결합하여 위치 추정의 보정에 활용된다.
4. 센서 구성 전략
자율주행 차량의 센서 구성(Sensor Configuration)은 응용 분야, 기술 철학, 비용 제약 등에 따라 다양하다. 주요 전략은 다음과 같다.
라이다 중심 구성: 라이다를 주요 3D 인지 센서로 사용하고, 카메라와 레이더를 보조 센서로 활용한다. Waymo(라이다 5, 카메라 29, 레이더 6)가 대표적이다.
카메라 중심 구성: 카메라를 주요 인지 센서로 사용하며, 라이다를 사용하지 않거나 최소화한다. Tesla(카메라 8, 라이다 미사용)가 대표적이다.
균형 구성: 카메라, 라이다, 레이더를 균형적으로 배치하여 각 센서의 상호 보완적 특성을 최대한 활용한다. 대부분의 Level 4 자율주행 시스템이 이 전략을 채택한다.
5. 참고 문헌
- Li, Y., & Ibanez-Guzman, J. (2020). Lidar for autonomous driving: The principles, challenges, and trends for automotive lidar and perception systems. IEEE Signal Processing Magazine, 37(4), 50–61.
- Sun, Z., Bebis, G., & Miller, R. (2006). On-road vehicle detection: A review. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(5), 694–711.
v1.0