A Multi-modal Detection System for Infrastructure-based Freight Signal Priority

이 논문은 라이다와 카메라 센서를 융합한 인프라 기반 다중 모달 탐지 시스템을 설계·배포하여 화물차의 신호 우선권 (FSP) 을 지원하기 위한 정밀한 차량 인식 및 추론 기술의 타당성을 실증했습니다.

핵심

이 논문은 **무거운 트럭이 신호등 앞에서 더 원활하게 지나갈 수 있도록 도와주는 '지능형 감시 시스템'**에 대한 이야기입니다.

기존에는 트럭이 신호를 바꾸려면 트럭 자체에 특수 장치가 있어야 했지만, 이 연구는 **도로 옆에 설치된 '스마트 카메라와 레이더'**를 이용해 트럭을 알아보고 신호를 조정하는 방법을 개발했습니다.

이 복잡한 기술 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 왜 이 시스템이 필요할까요? (문제 상황)

트럭은 일반 승용차보다 크고 무겁습니다. 그래서 출발할 때 느리고, 멈췄다 다시 출발할 때 연료도 많이 먹습니다. 만약 신호등이 트럭을 기다려주지 않고 빨간불로 바뀌면, 트럭은 계속 멈추고 출발하기를 반복하게 되어 연료 낭비와 대기 오염이 심해집니다.

하지만 트럭이 신호를 바꾸라고 요청하려면, 신호등이 "아, 저기 트럭이 오고 있구나!"라고 알아차려야 합니다. 기존 방식은 트럭 안에 장치를 달아야 했지만, 모든 트럭에 장치를 다는 것은 현실적으로 어렵습니다.

2. 이 시스템은 어떻게 작동할까요? (해결책: "눈"과 "귀"의 역할)

연구팀은 도로 옆에 **레이더(LiDAR)**와 카메라를 설치했습니다. 이를 마치 **도로 변에 서 있는 '초능력의 감시자'**라고 생각하시면 됩니다.

• 레이더 (레이저 눈): 안개나 어둠 속에서도 물체의 모양과 거리를 정확히 재는 '레이저 눈'입니다.
• 카메라 (정체 확인): 물체가 무엇인지 (트럭인지, 승용차인지) 눈으로 확인하는 '카메라'입니다.

이 두 가지가 합쳐져 **"저기 트럭이 오고 있네! 그리고 속도는 이렇고, 도착 시간은 이렇다"**라고 신호등에 알려줍니다.

3. 가장 어려운 점: "구부러진 길"과 "가려진 시야"

이 시스템이 설치된 곳은 도로가 구부러져 있는 곳이었습니다. 마치 커브가 심한 골목길처럼, 한쪽 끝에서 다른 쪽 끝을 보면 건물이나 커브 때문에 트럭이 가려져 보이지 않는 문제가 있었습니다.

• 해결책: "두 명의 감시자" 팀
  연구팀은 이 문제를 해결하기 위해 두 곳에 감시자를 배치했습니다.
  1. 교차로 감시자: 신호등 바로 앞에 서서 트럭이 도착하는 순간을 감시합니다.
  2. 중간 지점 감시자: 커브가 시작되기 전, 조금 더 멀리 떨어진 곳에 서서 트럭을 일찍 발견합니다.

두 감시자는 **무선 통신 (와이파이 같은 것)**으로 서로 대화하며, "아직 멀었어?" "아니, 지금 오고 있어!"라고 정보를 공유합니다. 이렇게 하면 트럭이 가려져서 보이지 않아도, 멀리서 미리 발견해서 신호등이 미리 준비할 수 있습니다.

4. 트럭을 어떻게 구별할까요? (지능적인 판단)

시스템은 단순히 물체가 움직인다고 해서 신호를 바꾸지 않습니다. **"저게 트럭인가?"**를 판단해야 합니다.

• 비유: "키와 몸무게 재기"
  시스템은 트럭을 감지했을 때, 그 물체의 높이와 점 (점군) 의 분포를 재봅니다.
  • 승용차는 작고 낮습니다.
  • 트럭은 크고 높습니다.
    마치 키가 큰 사람과 작은 아이를 구분하듯이, 시스템은 "저 물체는 키가 너무 커서 트럭이 맞네!"라고 판단합니다.

또한, **칼만 필터 (Kalman Filter)**라는 수학적 도구를 써서 트럭의 움직임을 부드럽게 예측합니다. 마치 공을 던질 때 공이 어디로 날아갈지 미리 계산하듯이, 트럭이 신호등에 언제 도착할지 정확히 예측합니다.

5. 결과가 어땠나요?

• 정확도: 트럭을 찾아내는 능력은 꽤 좋았습니다. (거짓 경보는 적었지만, 가끔 트럭을 놓치는 경우도 있었습니다.)
• 속도: 데이터 처리 속도가 매우 빨라서 실시간으로 신호를 바꿀 수 있을 정도였습니다.
• 위치 파악: GPS 와 레이더 데이터를 합쳐서 트럭이 몇 차선을 달리는지까지 정확히 파악했습니다.

6. 결론: 미래의 도로

이 연구는 **"도로 자체가 트럭을 알아보는 눈"**을 갖게 하는 첫걸음입니다. 앞으로는 이 기술이 더 발전해서:

• 더 많은 데이터를 학습하게 되면 (딥러닝), 트럭을 더 똑똑하게 구분할 수 있습니다.
• 모든 트럭이 특수 장치를 달지 않아도, 도로 옆의 센서만으로도 신호등이 트럭을 배려해 줄 수 있게 됩니다.

결국, 트럭은 더 빨리 가고, 연료는 더 아끼고, 공기 오염은 줄이는 모두에게 좋은 세상을 만드는 기술입니다.

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 신호등이 있는 교차로에서 화물 차량 (트럭) 의 이동성을 향상시키기 위해 '화물 신호 우선권 (FSP, Freight Signal Priority)' 시스템이 필요하다. 화물 차량은 가속도가 느리고 정지 - 출발 상황에서 연료 소모 및 온실가스 배출이 많기 때문에 (전체 차량의 9% 이지만 수명 주기 GHG 배출의 39% 차지), 효율적인 우선권 제어 전략이 필수적이다.
• 현황 및 한계: 기존 FSP 시스템은 차량과 인프라 간 통신 (V2I) 에 의존하는 경우가 많으나, 이는 차량에 탑재 장비 (Onboard Equipment) 가 필요하여 실제 도입이 제한적이다.
• 기술적 과제: 인프라 기반 센싱을 통해 차량의 유형, 위치, 속도를 정확하게 감지하고 도착 시간 (ToA) 을 추정해야 한다. 특히, 도로의 곡선으로 인한 시야 가림 (Occlusion) 이 발생하는 환경에서 먼 거리에서도 화물 차량을 조기에 감지하는 것이 핵심 난제이다.

2. 방법론 (Methodology)

가. 시스템 설계 (System Design)

• 하이브리드 센싱 아키텍처: 교차로와 중간 블록 (Midblock) 에 설치된 두 개의 서브시스템으로 구성된다.
  • 교차로 (Main Intersection): 남쪽 방향을 감시하기 위해 장거리 고체 상태 LiDAR(Livox TELE-15) 와 카메라가 설치됨.
  • 중간 블록 (Midblock): 도로 곡선으로 인한 시야 가림을 해결하기 위해, 교차로보다 먼저 접근하는 차량을 감지하기 위해 중거리 기계식 LiDAR(Robosense Ruby Plus) 와 카메라가 설치됨.
• 통신: 두 서브시스템 간 데이터 동기화를 위해 무선통신 (Ubiquiti AirFiber 5XHD) 을 사용하며, 정밀 시간 프로토콜 (PTP) 을 통해 시간 동기화를 유지함.
• 데이터 처리: 엣지 컴퓨터 (Edge Computer) 에서 LiDAR 포인트 클라우드를 실시간으로 처리하여 감지 결과를 생성하고, 이를 교차로로 전송하여 신호 제어기에 우선권 요청을 전달함.

나. 데이터 처리 파이프라인 (Data Processing Pipeline)

• 전처리:
  • 클라우드 회전 (Cloud Rotation): LiDAR 설치 각도 (롤/피치) 로 인한 기울기를 보정하여 Z 축을 수직으로 맞춤.
  • 크로핑 (Cropping): 관심 영역 (ROI) 만 추출하여 배경 노이즈 제거 및 처리 부하 감소.
  • 배경 구축: 고체 상태 LiDAR 의 스캔 패턴 차이로 인한 아웃라이어를 해결하기 위해 여러 프레임의 배경 데이터를 병합하여 배경 지도 생성.
  • 다운샘플링: 볼렉스 그리드 (Voxel-grid) 를 사용하여 포인트 클라우드 해상도를 낮추어 실시간 처리 속도 확보.
• 전경 객체 추출: 배경 지도와의 거리 차이를 기반으로 DBSCAN 클러스터링을 수행하여 이동 객체 (차량) 만 추출.
• 추적 및 분류:
  • 추적: 6 차원 일정한 속도 칼만 필터 (Kalman Filter) 를 사용하여 궤적을 부드럽게 하고 속도 추정.
  • 방향 결정: 속도 벡터와 시선 벡터의 내적을 통해 접근/이탈 방향 판별.
  • 트럭 분류: 절대 높이, 상대 높이, Z 축 포인트 분포를 특징으로 사용하여 승용차와 화물차를 구분.
• GPS 보정 (GPS Calibration): LiDAR 좌표계를 지리 좌표계 (ENU) 에 정합 (Registration) 함. 정적 지점 등록과 동적 궤적 정렬 (Trajectory Alignment) 의 2 단계 프로세스를 거쳐 차선 수준의 위치 정확도를 확보.

3. 주요 기여 (Key Contributions)

1. 완전한 파이프라인 제시: 인프라 기반 다중 모달 (LiDAR+Camera) 화물 감지 시스템의 설계, 구현, 평가 파이프라인을 최초로 제시함.
2. 이중 서브시스템 아키텍처: 도로 곡선으로 인한 시야 가림 문제를 해결하기 위해 교차로와 중간 블록에 분산된 감지 시스템을 제안함.
3. 실시간 처리 및 로컬라이제이션: LiDAR 데이터를 지리 좌표계에 정합하여 차선 수준의 차량 위치 추정이 가능하며, 실시간 성능을 검증함.
4. 실제 현장 데이터 기반 평가: 사전 학습된 딥러닝 모델 (PointPillars 등) 이 고체 상태 LiDAR 데이터에 일반화되지 않는 문제를 인지하고, 기존 LiDAR 기반 클러스터링 및 칼만 필터링 기반의 견고한 알고리즘을 적용하여 현장 데이터를 평가함.

4. 평가 결과 (Evaluation Results)

• 감지 정확도: 20 개의 대표 시나리오 (트럭 및 트럭으로 오인될 수 있는 차량 포함) 에 대한 평가 결과:
  • 정밀도 (Precision): 0.75 (화물차 우선권 요청의 오작동은 적음).
  • 재현율 (Recall): 0.50 (일부 화물차 감지 누락 발생).
  • 해석: 시스템이 보수적으로 작동하여 불필요한 우선권 요청은 줄였으나, 긴 차량의 경우 부분 가림으로 인해 감지 누락 (False Negative) 이 발생함.
• 실시간 효율성: 프레임당 처리 시간이 0.05 초 미만으로, 10Hz 요구 사항을 충족하여 실시간 배포가 가능함.
• GPS 보정 정확도:
  • 주 교차로: 평균 정적 등록 오차 0.21m, 평균 궤적 정렬 오차 0.345m.
  • 중간 블록: 오차가 상대적으로 큼 (평균 0.346m / 0.885m). 이는 기준점 거리가 멀고 포인트 클라우드가 희소하며, 차량 속도가 빨라 궤적 샘플링이 부족하기 때문임.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 통찰: V2I 통신 장비가 없는 환경에서도 인프라 기반 센싱만으로 화물 차량의 도착 시간과 유형을 추정하여 FSP 를 구현할 수 있음을 입증함.
• 확장성: 제안된 이중 서브시스템 설계는 곡선 도로 등 시야가 제한된 다양한 현장에 적용 가능한 유연성을 가짐.
• 향후 과제:
  • 딥러닝 모델 성능 향상을 위한 LiDAR+카메라 다중 모달 데이터셋 구축 필요.
  • 카메라 정보와의 융합을 통한 감지 정확도 향상 (특히 낮 시간대).
  • 더 넓은 공간 분포를 가진 정적 기준점 수집을 통한 GPS 보정 정확도 개선.

이 논문은 인프라 기반 지능형 교통 시스템 (ITS) 에서 화물 차량의 효율성을 높이기 위한 센서 기반 솔루션의 설계와 현장 검증을 통해, 실제 도로 환경에서의 적용 가능성을 보여주는 중요한 연구로 평가됩니다.