💻 computer science

Miniature Testbed for Validating Multi-Agent Cooperative Autonomous Driving

본 논문은 인프라 기반의 인지 및 교차로 관리를 통한 협력 자율 주행을 검증하기 위해 설계된, ROS2를 통해 V2V/V2I 통신을 수행하는 자율 주행 차량과 스마트 인프라가 통합된 1:15 비율의 축소 테스트베드인 CIVAT를 제시한다.

원저자: Hyunchul Bae, Eunjae Lee, Jehyeop Han, Minhee Kang, Jaehyeon Kim, Junggeun Seo, Minkyun Noh, Heejin Ahn

게시일 2026-06-12

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hyunchul Bae, Eunjae Lee, Jehyeop Han, Minhee Kang, Jaehyeon Kim, Junggeun Seo, Minkyun Noh, Heejin Ahn

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

자율주행 자동차들이 서로의 발을 밟지 않고 함께 춤을 추는 법을 가르친다고 상상해 보세요. 현실 세계에서는 이를 테스트하기 위해 거대한 주차장, 값비싼 자동차들, 그리고 막대한 예산이 필요할 것입니다. 하지만 도시 전체를 커피 테이블 크기로 줄일 수 있다면 어떨까요?

그것이 바로 KAIST 연구진이 수행한 작업입니다. 그들은 실제 크기의 15분의 1로 축소된 미니어처 "도시"인 CIVAT(Cooperative Intelligent V2X Autonomous Testbed)를 구축했습니다. 이것은 고도의 기술이 접목된 자율주행 버전의 장난감 기차 세트라고 생각하면 됩니다.

작동 원리는 다음과 같이 간단한 부분들로 나뉩니다.

1. 무대: 작은 도시

단순히 평평한 바닥 대신, 그들은 실제 도시의 교차로처럼 보이는 6m x 5.5m 크기의 지도를 만들었습니다. 여기에는 차선, 합류 지점, 그리고 중심부를 도는 "고속도로" 순환로까지 포함되어 있습니다. 표면은 특수 재질로 인쇄되어 실제 아스팔트와 같은 느낌을 주며, 이 덕분에 작은 자동차들은 실제 차량처럼 지면을 움켜쥐며 달릴 수 있습니다.

2. 플레이어: 스마트한 미니어처 자동차

이 테스트베드는 (대형 신발 상자 크기 정도의) 정교한 미니어처 자동차들을 사용합니다.

두뇌: 각 자동차 내부에는 실제 자율주행 자동차에 사용되는 것과 유사한 강력한 컴퓨터(Jetson Orin NX)가 들어 있습니다. 단지 크기가 작을 뿐입니다.
감각: 자동차들은 자신이 어디에 있는지 "보기" 위한 카메라와 모션 센서를 갖추고 있습니다.
목소리: 자동차들은 Wi-Fi 안테나를 통해 서로 대화하거나 "교통 관제 타워"와 소통할 수 있습니다.

3. 감독관: "스마트한" 교통 폴 (Traffic Pole)

이 논문의 가장 큰 혁신은 바로 이것입니다. 대부분의 장난감 테스트베드에서는 자동차들이 스스로 문제를 해결하도록 내버려 둡니다. 하지만 CIVAT에서는 교차로 한가운데에 스마트 인프라 폴이 서 있습니다.

눈: 이 폴에는 교차로 전체를 위에서 내려다보는 매우 정확한 눈 역할을 하는 3D 레이저 스캐너(LiDAR)가 장착되어 있습니다.
두뇌: 이 폴은 작은 자동차들보다 훨씬 빠르게 데이터를 처리할 수 있는 강력한 그래픽 카드가 탑재된 대형 컴퓨터를 가지고 있습니다.
역할: 이 폴은 단순히 서 있는 것이 아니라 교통을 능동적으로 관리합니다. 모든 차량을 식별하고, 누가 누구인지 파악하며, 충돌을 피하기 위해 자동차들에게 속도를 높이거나 줄이라고 지시합니다.

4. 대화: 그들이 소통하는 법

자동차와 폴은 표준 Wi-Fi 네트워크를 사용하여 마치 단체 채팅방처럼 서로 대화합니다.

차량 간 통신 (V2V): 자동차들은 서로에게 "나는 여기 있고, 이 방향으로 가고 있어"라고 알립니다.
차량-인프라 간 통신 (V2I): 폴은 자동차들의 목소리를 듣는 동시에 자신의 시야를 더합니다. 폴은 "왼쪽에서 차가 오고 있으니 아직 보이지 않을 수도 있어. 속도를 줄여!"라고 말합니다.

대규모 테스트: 교차로 챌린지

이 시스템의 성능을 증명하기 위해, 연구진은 두 종류의 운전자가 섞여 있는 복잡하고 통제되지 않은 교차로를 관리하는 특정 실험을 진행했습니다.

커넥티드 카 (CAVs): 대화가 가능한 스마트한 미니어처 자동차들입니다.
인간 운전 차량 (HVs): 실험에서 이들은 Wi-Fi가 없는 "유령" 자동차들입니다. 이들은 대화할 수 없으며, 그저 주행할 뿐입니다.

시스템이 이 혼합 상황을 처리하는 방식:

유령 포착: 스마트 폴은 레이저 스캐너를 사용하여 대화할 수 없는 "유령" 차량들을 찾아냈습니다. 폴은 차량의 움직임을 바탕으로 그들이 어디로 가고 있는지 추측해야 했습니다.
교통 경찰: 폴은 심판 역할을 했습니다. 만약 "유령" 차량이 교차로에 진입하면, 폴은 그 차량에게 최고 우선순위(VIP처럼)를 부여했습니다. 그런 다음 모든 스마트 자동차들에게 유령 차량이 안전하게 지나갈 수 있도록 기다리거나 속도를 줄이라고 지시했습니다.
결과: 시스템은 일부 차량이 통신할 수 없는 상황에서도 충돌 없이 자동차들을 성공적으로 조율했습니다. 이는 "스마트 폴"을 갖추는 것이 자동차들이 스스로 해결할 수 없는 상황을 처리하는 데 도움이 된다는 것을 입증했습니다.

이것이 중요한 이유

이 논문은 실제 도시를 건설하는 것은 너무 비싸고 공간도 많이 차지하는 반면, 컴퓨터 시뮬레이션은 너무 완벽해서 현실 세계의 오류를 제대로 포착하지 못한다고 주장합니다.

CIVAT는 "골디락스(Goldilocks)" 솔루션을 제공합니다. 즉, 실험실에서 구축할 수 있을 만큼 작고 저렴하면서도, 자율주행 자동차와 스마트 인프라가 실제 세상에서 어떻게 함께 작동하는지를 테스트할 수 있을 만큼 현실적입니다. 이곳은 자동차들이 실제 도로에 나가기 전, 협력하는 법을 배우는 훈련장입니다.

기술 요약: CIVAT – 다중 에이전트 협력 자율 주행 검증을 위한 소형 테스트베드

문제 정의

자율 주행 기술은 크게 발전해 왔으나, 대부분의 진전은 단독 차량에 집중되어 있습니다. 차량과 스마트 도로 인프라 간의 실시간 협업에 의존하는 **협력형 자율 주행(Cooperative autonomous driving)**은 엄격한 검증이 필요한 까다로운 과제로 남아 있습니다. 기존의 검증 방법들은 다음과 같은 이분법적 한계를 가집니다:

실규모 테스트베드 (예: M-City, K-City)는 현실적인 환경을 제공하지만, 막대한 투자와 넓은 공간이 필요하며, 특히 스마트 인프라와 결합된 다중 에이전트 상호작용을 테스트하기에는 운영 측면에서 매우 까다롭습니다.
시뮬레이션 (예: CARLA)은 비용 효율적이지만, 차량 역학, 센서 특성 및 통신 문제를 물리적 현실과 동일하게 재현하는 데 어려움이 있습니다.
기존의 소형 테스트베드는 센싱, 엣지 컴퓨팅, 통신 능력을 갖춘 스마트 인프라가 부족하거나, 온보드 또는 인프라 기반의 인지 방식 대신 외부 모션 캡처 시스템에 과도하게 의존하는 경우가 많습니다.

따라서 제어된 환경 내에서 협력 주행 알고리즘을 검증하기 위해, 자율 차량과 스마트 인프라(센싱, 연산, 통신)를 통합한 비용 효율적이고 확장 가능한 플랫폼에 대한 절실한 요구가 존재합니다.

방법론: CIVAT 테스트베드

저자들은 실규모 시설과 시뮬레이션 사이의 간극을 메우기 위해 설계된 1:15 스케일의 소형 테스트베드인 CIVAT(Cooperative Intelligent V2X Autonomous Testbed)를 제안합니다. 이 시스템은 버킹엄의 $\pi$ 정리(Buckingham's $\pi$ theorem)에 따른 스케일링 법칙을 기반으로 구축되어, 축소된 차량이 실규모 차량과 유사한 거동을 보이도록 보장합니다.

1. 물리적 설계

맵(Map): 실제 교차로(90 m $\times$ 82.5 m)를 축소한 6 m $\times$ 5.5 m 규모의 도시 맵으로, 신호등이 없는 4방향 교차로, 채널라이징 아일랜드(channelizing islands) 및 주변 벨트웨이를 포함합니다. 노면은 아스팔트 마찰력을 재현하기 위해 60 BPN 등급의 재료를 사용합니다.
차량(Vehicles): Ackermann 조향 방식을 갖춘 ZD RACING 섀 기반의 1:15 스케일 자율 주행 차량입니다.
- 하드웨어: Jetson Orin NX(연산), RealSense D435(깊이 카메라), myAHRS+ IMU, NUCLEO-G431KB MCU를 탑재했습니다.
- 비용: 대당 약 $1,507입니다.
- 운동학: 궤적 예측을 위해 미끄러짐이 없는 가정(no-slip assumptions)을 적용한 바이시클 모델(bicycle model)로 모델링되었습니다.
스마트 인프라(Smart Infrastructure): 다음 장비를 갖춘 중앙 폴(높이 1 m)입니다:
- 센싱: Ouster OS-Dome 3D LiDAR.
- 연산: ASUS PE6000 워크스테이션 (Intel i9-12900E CPU, NVIDIA RTX 4090 GPU).
- 역할: 수동적 인프라(신호등/표지판)와 구별되는, 전용 센싱 및 연산 자원을 가진 능동적 에이전트 역할을 수행합니다.

2. 통신 아키텍처

네트워크: 모든 차량과 인프라를 연결하기 위해 **IEEE 802.11ax (Wi-Fi 6)**를 활용합니다.
프로토콜: V2X 메시지 전달을 모사하기 위해 ROS2 publish-subscribe 프레임워크를 구현합니다.
- V2V: 현실적인 제약을 모사하기 위해 범위를 3 m로 제한했습니다.
- V2I: 교차로 영역 전체를 커버합니다.
표준: 차량 메시지에 대해 SAE J3216 Class B를 준수하며, 인프라 메타데이터를 위한 커스텀 확장을 포함하여 SAE J2735를 기본 모델로 사용합니다.

3. 소프트웨어 아키텍처

CAV 모듈: 협력적 계획(cooperative planning)을 통합하여 표준 자율 주행 파이프라인을 확장합니다. 차량은 주변 차량 및 인프라로부터 메시지를 수신하여 지능형 운전자 모델(IDM)을 사용하여 속도와 궤적을 조정합니다.
인프라 모듈:
- 인지(Perception): LiDAR 데이터로부터 실시간 3D 객체 탐지를 위해 PointPillars를 실행합니다.
- HV 식별: LiDAR 탐지 결과와 CAV 방송 메시지 및 시간적 메모리를 교차 참조하여, 인간 운전 차량(HV)과 커넥티드 자율 차량(CAV), 그리고 오탐지(false positive)를 구분하는 3단계 파이프라인을 실행합니다.
- 교차로 관리: 차량 속도를 조절하는 우선순위 기반 알고리즘입니다.
  - 전체 CAV 환경: 충돌을 방 해결하기 위해 운동학적 예측과 함께 선입선출(FIFS) 규칙을 사용합니다.
  - 혼합 교통 환경: 식별된 HV에 가장 높은 우선순위를 부여하며, HV가 점유하는 영역을 예측하고 CAV의 속도를 줄여 양보하도록 조정합니다.

주요 기여

새로운 테스트베드 설계: 자율 차량과 함께 전용 3D LiDAR 및 엣지 컴퓨팅을 갖춘 스마트 인프라를 통합한 최초의 소형 테스트베드인 CIVAT를 설계 및 구현하였습니다.
하드웨어 통합: 온보드 센서와 복잡한 인지 및 계획이 가능한 고성능 인프라 노드를 갖춘 저비용, 확장 가능한 차량 플랫폼을 개발하였습니다.

혼합 교통 검증: V2I 통신과 인프라 기반 인지를 결합하여 CAV와 비연결형 HV를 성공적으로 조율하는 인프라 중심의 교차로 관리 사례 연구를 제시하였습니다.

실험 결과

시스템은 인프라 인지 및 교차로 관리 실험을 통해 검증되었습니다.

1. 인프라 인지

데이터셋: 최대 5대의 차량을 포함하는 3,888개의 훈련 프레임과 1,120개의 검증 프레임으로 구성된 CIVAT-SI를 구축했습니다.
정확도: PointPillars 모델은 0.984 AP@0.3 및 0.972 AP@0.5를 달est했습니다.
한계점: 폐쇄 영역(occluded regions), 희소한 포인트 클라우드 영역, 또는 차량들이 근접해 있는 경우(오탐지/미탐지 유발) 인지 정확도가 저하되었습니다.

2. 교차로 관리

전체 CAV 시나리오: 5대의 CAV에 대해 FIFS 우선순위를 사용하여 성공적으로 조율하였으며, 흐름을 유지하면서 충돌을 방지하기 위해 속도를 조정했습니다.
혼합 교통 시나리오: 4대의 CAV와 1대의 HV가 있는 시나리오를 성공적으로 관리했습니다.
- 시스템은 통신 기능이 없는 HV를 LiDAR와 메시지 필터링을 통해 식별했습니다.
- CAV들은 자동으로 HV에게 양보했습니다.
- 강건성(Robustness): 시스템은 V2I 통신이 인지 오류(예: 메시지 데이터를 사용하여 오탐지 제거)를 보완하는 동시에, 인프라 인지가 통신 기능이 없는 HV를 보완함을 입증했습니다.

3. 실시간 성능

교차로 관리 프레임워크의 총 평균 계산 시간은 10 Hz 주기(100 ms) 기준 31.79 ms(최대 40.39 ms)였습니다.
병목 현 현상: 객체 탐지가 런타임의 99.3%(평균 31.58 ms)를 차지했습니다. 조율 모듈(HV 식별 및 관리)은 무시할 만한 수준(< 1.2 ms max)이었으며, 이는 시스템의 실시간 적용 가능성을 확인시켜 줍니다.

의의 및 주장

본 논문은 CIVAT가 협력 주행 알고리즘을 검증하기 위한 비용 효율적이고 확장 가능한 플랫폼을 제공하며, 값비싼 실규모 테스트베드와 불완전한 시뮬레이션의 한계를 해결한다고 주장합니다.

능동적 인프라: 인프라를 단순히 수동적인 가이드가 아니라, 자체적인 센싱 및 연산 능력을 갖춘 능동적 에이전트로 취급하는 것이 가능함을 보여줍니다.
혼합 교통의 현실성: 완전한 연결성이 아직 보장되지 않은 근미래의 배포 상황에 필수적인 혼합 교통 시나리오(CAV 및 HV)에서의 알고리즘 검증을 지원합니다.
교육적 활용도: 이 플랫폼은 이미 KAIST 모빌리티 챌린지에 도입되어 교육용 테스트베드로 활용되고 있습니다.

저자들은 현재 시스템이 위치 추정을 위해 모션 캡처에 의존하고 있으나, 향히 연구에서는 온보드 센서 기반 위치 추정(SLAM)을 통합하고 V2X 장애(지연, 지터, 패킷 손실)를 모사하여 현실성을 더욱 높일 것이라고 결론지었습니다.