HD 지도 — 자율 주행을 위한 차선별 지도

Contents — find the section you need

0. 이 글에서 다루는 내용

일반 내비게이션 지도와 달리 HD(고화질) 지도에는 어떤 정보가 담겨 있는가?
차선 중심선, 지형, 교통 규칙, 그리고 의미론적 레이어가 어떻게 인지 및 계획에 활용되는가?
위치 파악, 업데이트 제한, 그리고 운영상의 안전장치를 갖춘 센서 기반 SLAM 지도와의 차이점

1. 핵심 요약: HD 지도란 무엇인가?

HD 지도는 단순히 따라갈 경로만을 표시하는 것이 아니라, 차선 경계, 중심선, 연결성, 표지판, 정지선, 경사도, 그리고 기타 의미론적 정보를 주행 결정에 유용한 정밀도로 기록한 차선 수준의 데이터베이스입니다. 자율주행 차량은 이 지도를 맹목적으로 신뢰하지 않고, 카메라, LiDAR, 레이더, GNSS 등의 데이터와 비교하며 지도 버전과 불확실성을 고려하여 최종 결정을 내립니다.

2. 일반 지도가 충분하지 않은 이유

내비게이션 도로 연결에는 교차로 간의 연결성과 이동 시간 정보만 필요합니다. 차선 변경 및 정지선 앞 정지에는 도로 폭, 차선 수, 좌회전 전용 차선, 횡단보도, 그리고 시야를 가리는 구조물 등의 정보가 필요합니다. 임시 폐쇄는 이러한 문제를 잘 보여줍니다. 도로 연결 자체는 변하지 않지만, 주행 가능 영역과 차선 구조는 고정되어 있습니다.

고해상도 지도의 정적 정보는 언덕이나 곡선 너머에 숨겨진 차선이나 합류 지점을 알려줄 수 있습니다. 하지만 보행자나 정체된 차량 행렬은 순식간에 변하기 때문에, 이러한 정보는 정적인 지도 객체가 아닌 인지 및 행동 계획의 결과물로 활용되어야 합니다. 이러한 경계를 혼동하면 오래된 데이터가 안전 결정에 방해가 될 수 있습니다.

3. 입력: 측량 차량 및 현장 센서

지도 제작에는 RTK-GNSS/INS 궤적 데이터와 카메라, LiDAR, 차량 주행 거리계, 그리고 경우에 따라 항공 측량 데이터가 결합됩니다. LiDAR 데이터는 노면, 연석, 표지판으로 구분되고, 이미지는 표지판 종류와 표시를 검증하며, 반복적인 주행을 통해 임시 장애물을 제거합니다. 측량 궤적의 정확도가 차선 폭보다 낮으면, 이후의 위치 추정 기법으로는 손실된 정확도를 복구할 수 없습니다.

거리 측정을 이용한 지도 구축

이미지: Duskcoil의 기존 LiDAR 원리 그림. 고화질(HD) 지도 제작에는 시간 동기화, 외부 보정 및 다중 드라이브 등록도 필요합니다.

4. 출력: 의미론적 도로 그래프

핵심은 기하학적 정보(위치)와 위상(무엇이 무엇에 연결되는지)을 분리합니다. 차선 중심선이 호 길이 $s$ 로 매개변수화된 $\mathbf{r}(s)=[x(s),y(s)]^\mathsf{T}$ 로 표현될 때, 곡률은 다음과 같습니다.

\kappa(s)=\frac{x'(s)y''(s)-y'(s)x''(s)}{\left(x'(s)^2+y'(s)^2\right)^{3/2}}

속도 $v$ 에서 필요한 횡가속도는 $a_y=v^2|\kappa|$ 입니다. 따라서 계획자는 단순히 직선을 그리는 것이 아니라 곡선을 따라 속도 제한과 쾌적성을 평가할 수 있습니다.

안정적인 차선 ID와 공유 좌표 참조로 연결된 위상, 기하, 의미 및 실시간 정보를 위한 4개의 HD 지도 레이어

그림 1 — 위상, 형태, 의미 및 임시 정보를 분리합니다. 이를 통해 모든 차선 연결을 다시 구축하지 않고도 하나의 레이어를 업데이트할 수 있습니다.

5. 기본 파이프라인: 지도와 관측값을 하나의 프레임에 담기

ASAM OpenDRIVE는 시뮬레이션에서 도로망 기하학 및 차선에 대한 교환 형식이며, NDS는 차량 내비게이션 및 자율 주행을 아우르는 데이터 표준을 정의합니다. 형식 차이에도 불구하고 구현 흐름은 동일합니다. 지도 타일을 스트리밍하고, 차량 프레임으로 변환하고, 관측값을 정렬한 다음, 결과를 계획 단계로 전달합니다.

HD 지도 타일을 차량 관측값과 변환 및 연결하고, 자세 및 불확실성을 추정하고, 계획 및 제어에 정보를 제공하는 HD 지도 위치 파악 파이프라인

그림 2 — 위치 파악은 행동 계획 및 제어 전에 HD 지도와 차량 센서를 융합합니다. 지도 신뢰도가 낮으면 차량은 속도를 줄이고 실시간 센싱에 더 의존해야 합니다.

6. 위치 파악 수학 및 SLAM 연결

차량 자세를 $\mathbf{T}\in SE(2)$ , 지도 특징을 $\mathbf{m}_i$ , 센서 관측값을 $\mathbf{z}_i$ 라고 합시다. 알려진 대응 관계가 있는 경우, 강건한 정렬은 다음과 같이 나타낼 수 있습니다.

\mathbf{T}^*=\arg\min_{\mathbf{T}}\sum_i \rho\!\left(\left\|\mathbf{z}_i-\pi(\mathbf{T},\mathbf{m}_i)\right\|^2_{\Sigma_i}\right)

$\pi$ 는 지도 특징을 센서 좌표로 투영하고, $\Sigma_i$ 는 측정 공분산이며, $\rho$ 는 이상치의 영향을 제한합니다. GNSS 절대 위치, LiDAR 도로 형태, 카메라 차선 경계를 하나의 추정기에 활용할 수 있습니다.

SLAM은 알려지지 않은 지도와 자세를 동시에 추정합니다. HD 지도는 알려진 정적 지도를 기반으로 위치를 추정하는 데 사용됩니다. 실제로 변경 사항을 감지하고 변경된 타일을 로컬에서 대체하는 지도를 구축하려면 여전히 SLAM과 유사한 재매핑이 필요합니다. 지도를 불확실성을 포함하는 버전 관리된 사전 정보로 취급하는 것이 완성된 진실로 취급하는 것보다 안전합니다.

7. HD 지도와 SLAM 지도 비교

측면	HD 지도	SLAM 지도
주요 목적	계획을 위한 도로 규칙 및 기하학적 정보 미리 보기	알려지지 않은 지도를 구축하면서 자세 추정
좌표	측지 좌표계, 차선 좌표계, 고도 좌표계	센서 시작 지점에 고정된 로컬 좌표계
의미 정보	차선, 표지판, 정지선, 우선권	주로 점, 특징점, 기하학적 정보
업데이트	클라우드 편집, 버전 관리된 델타 배포	현재 관측값을 기반으로 한 증분 업데이트
약점	공사, 눈, 오래된 데이터	장기적인 위치 오차 및 위치 인식

HD 지도는 미래를 예측하는 데 도움이 되지만, SLAM은 현재 위치를 파악하는 데 유용합니다. 인터페이스는 좌표계, 타임스탬프, 수직 기준면(타원체 높이 대 고도)을 명시해야 합니다. 좁은 도로에서는 좌표계가 수십 센티미터만 어긋나도 차선 선택이 달라질 수 있습니다.

8. 실패 모드 및 어려운 환경

공사 및 임시 제어: 변경된 차선 연결은 고정된 타일만으로는 수정할 수 없습니다. 관측되었지만 승인되지 않은 변경 사항을 배포하고 검증될 때까지 속도를 줄여야 합니다.
눈, 낙엽, 젖은 노면: 도로 표시와 LiDAR 반사값이 변합니다. 계절별 관측값과 누락된 지도 객체보다 우선순위가 높은 인식 레이어를 결합해야 합니다.
도심 협곡 및 터널: GNSS 신호가 약해지고 반복되는 벽으로 인해 기하학적 퇴화가 발생합니다. 차선 경계, IMU, 바퀴 주행 거리계를 단기적인 보조 수단으로 활용해야 합니다.
최신성: 정확한 오래된 지도는 불확실한 현재 관측값보다 더 위험할 수 있습니다. 모든 레이어에 수집 시간, 검증 시간, 적용 범위 및 신뢰도를 저장합니다.

9. 실용적인 선택 및 업데이트 설계

고속도로: 차선 중심선, 합류점, 분기점, 곡률 및 경사도를 우선시합니다. 긴 예측 거리에서 캐시 일관성과 클라우드 델타 전송을 테스트합니다.
도심 자율 주행: 정지선, 횡단보도, 신호등 차선 및 회전 규칙을 의미론적으로 표현합니다. 지도와 관측값이 일치하지 않을 경우 실시간 관측값을 우선합니다.
배송 로봇: 도로 HD 지도를 재사용하는 대신 보도 폭, 계단, 경사로 및 통행 제한을 위한 보도 전용 레이어를 사용합니다. 센티미터 단위의 정확도보다 업데이트 속도와 통행 가능성이 더 중요할 수 있습니다.
시뮬레이션: ASAM OpenDRIVE를 통해 도로 기하 구조와 차선 연결성을 교환하되, 실제 운영 환경의 의미론적 정보를 테스트 시나리오와 분리합니다.

타일 ID, 버전, 생성 시간, 검증 시간, 허용 속도, 신뢰도 및 폐기 상태를 기록합니다. 마지막으로 확인된 정상 캐시와 센서 전용 열화 현상을 정의합니다. 모드 및 지도 서버를 사용할 수 없게 되기 전의 정지 조건.

10. 세 줄 요약

HD 지도는 차선 수준의 기하학적 정보와 교통 상황을 포함하는 의미론적 도로 그래프입니다. 지역화는 차량 센싱 정보와 결합하여 현재 가시거리 너머의 경로를 계획할 수 있도록 하며, SLAM은 지역 위치 정보를 제공합니다. 공사, 눈, 그리고 오래된 정보로 인해 버전 관리, 신뢰도 관리, 그리고 지도를 맹목적으로 신뢰하지 않는 규칙이 필요합니다.

이해력 점검

정확한 지도가 현재 장애물을 보여줍니까?

마지막 업데이트 이후 나타나는 객체는 없을 수 있습니다. 지도 사전 정보와 현재 센서 관측값을 결합하십시오.

참고 자료

What to read next

Review the background행동 계획 입문: 유한 상태 머신(FSM), 행동 트리 및 계획 기반 의사결정 과정(POMDP)은 자율주행 차량이 다음에 무엇을 할지 어떻게 결정하는가 Continue the seriesV2X 기본 안내 — 차량, 도로, 네트워크 및 사람을 안전하게 연결하기 Explore another aspect of this field점유 격자 매핑 — LiDAR 및 카메라 데이터를 통행 가능성으로 전환

#HD map #autonomous driving #OpenDRIVE #NDS #SLAM #localization