KR102245580B1 - Adas 데이터를 이용한 교통 밀도를 추정하는 관제 서버 - Google Patents

Abstract

본 발명의 실시 예에 따른 표본 차량에서 전송되는 정보를 기반으로 도로의 교통 밀도를 추정하는 관제 서버는, 상기 표본 차량으로부터 전송된 궤적 정보 및 적어도 하나의 대상 차량과 상기 표본 차량 간의 차두 거리를 수신하는 통신부, 그리고 상기 차두 거리 및 상기 궤적 정보를 사용하여 상기 도로의 추정 구간에 대한 교통 밀도를 추정하는 제어부를 포함하되, 상기 교통 밀도는 상기 추정 구간에 대응하는 시공간적 영역의 넓이에 대한 상기 적어도 하나의 대상 차량의 총 통행 시간으로 정의된다.

Description

ADAS 데이터를 이용한 교통 밀도를 추정하는 관제 서버{CONTROL SERVER FOR ESTIMATING TRAFFIC DENSITY USING ADAS PROBE DATA}

본 발명은 시공간적 교통 밀도 추정 시스템에 관한 것으로, 더욱 상세하게는 첨단 운전자 보조 시스템(ADAS) 데이터를 이용하여 교통 밀도를 추정하는 관제 서버에 관한 것이다.

교통 밀도는 고속 도로를 비롯한 주요 도로의 효과 척도(Measure Of Effectiveness)로서 사용된다. 따라서, 정확한 교통 밀도의 추정은 도로의 효율성이나 원활한 소통을 위한 교통 통제에 필수적이다. 따라서 다양한 교통 밀도를 추정하기 위한 방식들이 제안되고 있다. 교통 밀도를 추정하기 위해 현재 사용되는 방식으로는 지점관측 방식(루프 검지기, 비디오 검지기 등)과 구간관측 방식(DSRC 등)이 있다. 또한, 항공사진 및 위성영상을 이용한 교통 밀도 측정의 시도가 일부 있다.
하지만, 지점관측 방식은 구간 속도 및 통행 시간 측정이 불가능하여 교통밀도측정이 어렵다. 게다가, 높은 유지 및 관리 비용이 소요되고 혼잡 상황에서는 신뢰성마저 낮은 실정이다. 더불어, 구간관측 방식은 구간 속도 및 통행 시간의 측정은 가능하지만 공간적 범위가 제한적이며, 적은 표본으로 인해 신뢰성이 낮다는 문제점이 있다. 더불어, 항공사진 및 위성영상을 이용하여 판독하는 방법은 지나치게 고비용이며, 측정 및 관측 기술의 한계(비상시적)로 인하여 교통 밀도를 측정하기에는 아직까지는 기술적인 한계성을 가지고 있다.

본 발명의 목적은, 첨단 운전자 보조 시스템(Advanced Driver Assistance Systems: 이하, ADAS) 데이터를 이용하여 교통 밀도를 추정하는 시스템 및 추정된 교통 밀도의 정확도를 분석하는 방법을 제공하는 데 있다.

본 발명의 일 실시 예에 따른 표본 차량에서 전송되는 정보를 기반으로 도로의 교통 밀도를 추정하는 관제 서버는, 상기 표본 차량으로부터 전송된 궤적 정보 및 적어도 하나의 대상 차량과 상기 표본 차량 간의 차두 거리를 수신하는 통신부, 그리고 상기 차두 거리 및 상기 궤적 정보를 사용하여 상기 도로의 교통 밀도 추정 구간에 대한 교통 밀도를 추정하는 제어부를 포함하되, 상기 교통 밀도는 상기 교통 밀도 추정 구간에 대응하는 시공간적 영역의 넓이에 대한 상기 적어도 하나의 대상 차량의 총 통행 시간으로 정의된다.
이 실시 예에서, 상기 차두 거리 및 상기 궤적 정보는 상기 표본 차량의 ADAS 시스템으로부터 센싱된 ADAS 데이터이다.
이 실시 예에서, 상기 시공간적 넓이는 상기 교통 밀도 추정 구간의 길이와 상기 표본 차량이 상기 추정 구간을 통행한 시간의 곱에 대응한다.
이 실시 예에서, 상기 제어부는 추정된 상기 교통 밀도의 정확도를 계산하기 위한 시뮬레이션을 수행하며, 상기 시뮬레이션은 VISSIM 툴을 사용하여 상기 차두 거리 및 상기 궤적 정보를 생성한다.
이 실시 예에서, 상기 제어부는 상기 차두 거리 및 상기 궤적 정보를 수집하기 위한 표본율과 상기 시공간적 영역을 구성하는 단위 구간과 단위 시간의 크기에 따라 상기 추정된 교통 밀도의 오차율을 계산한다.

상술한 본 발명의 실시 예에 따른 교통 밀도 추정 시스템에 따르면, ADAS 데이터를 이용하기 때문에 적은 유지 비용으로 높은 신뢰도의 교통 밀도의 추정이 가능하다. 더불어, ADAS 시스템이 장착된 차량의 보급이 급격히 확대되고 있어 ADAS 데이터에 대한 접근도 쉬워질 것으로 기대된다.

도 1은 본 발명의 실시 예에 따른 교통 밀도 추정 시스템을 간략히 보여주는 도면이다.
도 2 및 도 3은 차두 거리의 산정 방식을 예시적으로 보여주는 도면들이다.
도 4는 표본 차량에 장착되어 ADAS 데이터를 수집 및 전송하는 차량 모듈의 구성을 예시적으로 보여주는 블록도이다.
도 5는 도 1에 도시된 관제 서버를 예시적으로 보여주는 블록도이다.
도 6은 도 5의 관제 서버에서 수행하는 교통 밀도 추정 동작을 간략히 보여주는 순서도이다.
도 7은 도 5의 관제 서버에서 수행하는 교통 밀도 추정 동작을 좀더 구체적으로 보여주는 순서도이다.
도 8은 본 발명의 실시 예에 따른 시공간적 교통 밀도의 추정 방법을 간략히 보여주는 시공간 다이어그램이다.
도 9는 본 발명의 다른 실시 예에 따른 교통 밀도의 추정 정확도를 검증하는 방법을 간략히 보여주는 순서도이다.
도 10 및 도 11은 ADAS 데이터의 표본율의 가변 방법을 예시적으로 보여주는 도면들이다.
도 12 및 도 13은 ADAS 데이터가 수집되는 단위 시공간 영역(Δd×Δt)의 크기들을 예시적으로 보여주는 도면들이다.
도 14는 시뮬레이션을 통해서 ADAS 데이터를 수집하기 위한 시뮬레이션 조건을 각 시나리오별로 보여주는 테이블이다.
도 15 및 도 16은 각 시나리오별 표본율에 따른 오차율(MAPE)을 보여주는 다이어그램들이다.
도 17 및 도 18은 각 시나리오별 표본율, 단위 구간(Δd), 단위 시간(Δt)에 따른 오차율(MAPE)을 보여주는 테이블들이다.

이하, 본 발명의 일부 실시 예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.
도 1은 본 발명의 실시 예에 따른 교통 밀도 추정 시스템을 간략히 보여주는 도면이다. 도 1을 참조하면, 교통 밀도 추정 시스템(10)은 첨단 운전자 보조 시스템(ADAS) 시스템을 탑재한 차량 모듈(100), 노변 기지국(200), 통신망(220) 그리고 관제 서버(300)를 포함한다.
차량 모듈(100)은 ADAS 시스템을 포함할 수 있다. 또는, 차량 모듈(100)은 ADAS 시스템을 장착한 차량에 설치될 수 있다. ADAS 시스템은 운전 중 발생할 수 있는 다양한 상황을 차량 스스로 인지하고 판단하여 차량을 제어하는 시스템이다. ADAS 시스템은 복잡한 차량 제어 프로세스에서 운전자를 돕고 보완하며, 궁극으로는 자율주행 기술을 구현하기 위한 방향으로 개발되고 있다.
ADAS 시스템을 통해서 차량 모듈(100)은 검지되는 주변 차량의 차두 거리, 궤적 데이터를 얻을 수 있다. ADAS 시스템은 다양한 감지 센서와 GPS(Global Positioning System), 이미지 센서들이나 장비를 이용하여 주변 차량이나 사물의 움직임을 검지할 수 있다.
ADAS 시스템을 통해서, 차량 모듈(100)은 도로(20) 상에서 전방 또는 측방에서 주행하는 타 차량들(120, 140)에 대한 차두 거리 및 궤적에 대한 정보를 수집할 수 있다. 차량 모듈(100)은 센싱된 ADAS 데이터에 포함된 차두 거리(Headway)나 궤적 정보를 노변 기지국(200) 및 통신망(220)을 사용하여 관제 서버(300)에 전송할 수 있다.
노변 기지국(200)은 교통 밀도 추정 시스템(10)이 적용되는 도로에 설치될 수 있다. 도로는 복수의 구획 구간(예를 들면, 교통 밀도 추정 구간)으로 구분될 수 있고, 노변 기지국(200)은 각 구획 구간 내에 적어도 하나 이상이 설치될 수 있다.
노변 기지국(200)은 구획 구간 내에 있는 ADAS 시스템을 구비한 차량 모듈(100)로부터 ADAS 데이터를 수신할 수 있다. 노변 기지국(200)은 수신된 ADAS 데이터를 통신망(220)을 경유하여 관제 서버(300)로 전송할 수 있다. 노변 기지국(200)은 예를 들면, 도로에 설치되어 있는 VDS(Vehicle Detection System), AVI(Automatic Vehicle Identification), RSE(Road Side Equipment) 및/또는 TSC(Toll Collection System) 들 중 적어도 하나를 활용할 수도 있다.
통신망(200)은 노변 기지국(200)과 관제 서버(300) 간의 통신 채널을 제공한다. 통신망(200)은 차량 모듈(100)이나 관제 서버(300)와 같은 각각의 노드(Node)들 간에 정보의 교환을 위한 무선 또는 유선 통신 구조를 의미한다.
예를 들면, 통신망(200)은 차량이 다른 차량이나 모바일 기기, 도로 등의 사물과 정보를 교환하기 위한 차량사물통신(V2X, Vehicle to Everything)을 포함할 수 있다. 또는, 통신망(200)은 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 3G, 4G, 5G, 6G 등을 포함할 수 있으나, 본 발명은 여기에 한정되지는 않는다.
관제 서버(300)는 개별적 차량들 각각의 차량 모듈(100)에서 전송된 ADAS 데이터(차두 거리와 궤적 정보)를 수집하고 처리하여 본 발명의 핵심적인 기능인 교통 밀도를 추정한다. 관제 서버(300)는 교통 밀도 추정 구간을 지나는 표본 차량의 차량 모듈(100)로부터 주변 차량의 차두 거리와 궤적 데이터를 사용하여 교통 밀도를 계산한다.
본 발명의 교통 밀도는 주변 차량들이 교통 밀도 추정 구간을 지나는 총 통행 시간(Σt)을 교통 밀도 추정 구간의 시공간적 면적(T×D)으로 나누는 방식으로 계산된다. 교통 밀도의 계산 방식은 후술하는 도면을 참조하여 상세히 설명될 것이다. 더불어, 관제 서버(300)는 검증된 교통 정보를 사용하는 시뮬레이션을 통해서 ADAS 데이터를 생성 및 수집하고, 교통 밀도 추정 연산의 정확도를 평가하고 분석할 수 있다.
이상에서 설명된 ADAS 데이터를 활용하는 교통 밀도 추정 시스템(10)에 따르면, 고정된 지점 검지 방식이 아니라 움직이는 차량으로부터 정보를 수집하기 때문에 도로 혼잡의 영향을 받지 않고 신뢰도 높은 교통 밀도를 측정할 수 있다. 또한, 적은 표본율로도 높은 신뢰도의 검지가 가능하기 때문에 저비용, 고신뢰도의 교통 밀도 추정이 가능하다.
여기서, 차량 모듈(100)이 ADAS 시스템을 통해서 궤적 데이터나 차두 거리를 정보를 얻는 것으로 설명되었으나, 본 발명은 여기에만 국한되지 않는다. 본 발명의 차량 모듈(100)은 ADAS 시스템 이외에도 주변 차량들의 궤적 데이터나 차두 거리를 계산할 수 있는 다양한 차량 센서나 시스템으로부터 얻는 데이터를 활용할 수 있음은 잘 이해될 것이다.
본 발명에 따라 추정된 교통 밀도를 사용하여 관제 서버(300)는 교통 정체의 시작, 확산, 강도 및 변화에 대해 명확한 진단이 가능하다. 더불어, 관제 서버(300)는 이를 바탕으로 가변속도제어, 램프 미터링 등 교통류 상태에 맞는 최적의 교통류 제어 및 관리를 수행할 수 있다. 그리고 이를 통해 정체 감소에 따른 시간과 사회적 비용의 감축 효과를 가져올 것으로 기대된다.
도 2 및 도 3은 차두 거리의 산정 방식을 예시적으로 보여주는 도면들이다. 도 2는 편도 1차로에서의 표본 차량(105)과 대상 차량(140) 간의 차두 거리를 보여준다. 도 3는 편도 2 차로에서의 표본 차량(105)과 대상 차량(120) 간의 차두 거리를 보여준다.
도 2를 참조하면, 표본 차량(105)은 ADAS 시스템을 사용하여 전방에서 주행하는 대상 차량(140)과의 거리를 계산할 수 있다. 이때, 차두 거리(HW)는 ADAS로 측정되는 차간 거리를 사용하여 차량들(105, 140) 각각의 차량 머리 부분의 간격으로 계산될 수 있다. 편도 1차로(21)에서의 차두 거리(HW)는 ADAS 데이터에서 제공되는 차간 거리로부터 전방에서 주행하는 대상 차량(140)의 차체 길이를 더하는 방식으로 계산될 수 있다.
도 3을 참조하면, 편도 2 차로(22)에서 표본 차량(105)과 대상 차량(120)은 서로 다른 차선에 위치할 수 있다. 대상 차량(120)은 표본 차량(105)의 측면에 치우친 상태로 주행한다. 따라서, ADAS 데이터를 통해서 측정된 대각선 방향의 차간 거리에 대상 차량(120)의 차체 길이를 고려하여 차두 거리(HW)가 계산될 수 있을 것이다. 하지만, 차두 거리(HW)에 대한 계산 방식은 다양한 방식으로 구현될 수 있으며, 여기의 개시에 국한되는 것은 아니다.
도 4는 표본 차량에 장착되어 ADAS 데이터를 수집 및 전송하는 차량 모듈의 구성을 예시적으로 보여주는 블록도이다. 도 4을 참조하면, 차량 모듈(100)은 ADAS 센서 모듈(110), 프로세서(130), 그리고 차량 통신부(150)를 포함할 수 있다.
ADAS 센서 모듈(110)은 차량 모듈(100)을 장착한 표본 차량의 운행시에 주변 차량이나 사물에 대한 인식을 위해 수집되는 ADAS 데이터를 생성한다. ADAS 시스템의 가장 큰 장점은 객체와 차량 환경을 모두 감지할 수 있다는 것이다.
예를 들면, ADAS 시스템은 충돌 위험시 운전자가 제동 장치를 밟지 않아도 스스로 속도를 줄이거나 멈추는 '자동 긴급제동 시스템(AEB: Autonomous Emergency Braking)', 차선 이탈시 주행 방향을 조절해 차선을 유지하는 '주행 조향보조 시스템(LKAS: Lane Keep Assist System)'을 포함할 수 있다.
또한, ADAS 시스템은 사전에 정해 놓은 속도로 달리면서도 앞차와 간격을 알아서 유지하는 '어드밴스트 스마트 크루즈 컨트롤(ASCC: Advanced Smart Cruise Control)', 사각지대 충돌 위험을 감지해 안전한 차로 변경을 돕는 '후측방 충돌 회피 지원 시스템(ABSD: Active Blind Spot Detection)', 차량 주변 상황을 시각적으로 보여주는 '어라운드 뷰 모니터링 시스템(AVM: Around View Monitor)' 등을 포함할 수 있다.
상술한 기능들을 구현하기 위해, ADAS 센서 모듈(110)에는 레이더 센서, 라이더(LIDAR) 센서, 카메라 센서, 또는 GPS 센서와 같은 다양한 센서 조합들이 포함된다. 이들 센서를 사용하여 DAS 센서 모듈(110)은 차두 거리나 속도를 측정하고 전방 보행자를 감지한다. ADAS 센서 모듈(110)은 이러한 센싱 결과로 생성되는 ADAS 데이터를 프로세서(130)에 전달한다.
프로세서(130)는 ADAS 센서 모듈(110)로부터 제공되는 ADAS 데이터를 처리한다. 프로세서(130)는 ADAS 센서 모듈(110)에 포함되는 복수의 센서들로부터 전달되는 ADAS 데이터를 조합한다. 프로세서(130)는 ADAS 센서 모듈(110)에서 전달되는 ADAS 데이터를 효율적인 전송을 위한 데이터 포맷으로 변환시킬 수도 있다. 프로세서(130)는 CPU나 다양한 연산 코어들을 사용하여 구현될 수 있다.
차량 통신부(150)는 프로세서(130)로부터 제공되는 ADAS 데이터를 통신망(200)을 통해서 전송한다. 예를 들면, 차량 통신부(150)는 차량사물통신(V2X)을 지원하는 무선 통신 모듈을 포함할 수 있다.
도 5는 도 1에 도시된 관제 서버를 예시적으로 보여주는 블록도이다. 관제 서버(300, 도 1 참조)는 차량 모듈(100, 도 1 참조)로부터 전송되는 ADAS 데이터를 처리하여 교통 밀도를 추정할 수 있다. 그리고 관제 서버(300)는 추정된 교통 밀도에 대한 정확도를 분석할 수 있다. 도 5를 참조하면, 관제 서버(300)는 통신부(320), 저장부(340), 그리고 제어부(360)를 포함할 수 있다.
통신부(320)는 수신부(321)와 송신부(323)를 포함한다. 수신부(321)는 차량 모듈(100)에서 전송되는 ADAS 데이터를 수신한다. 수신부(321)는 통신망(200, 도 1 참조)을 통해서 전달되는 ADAS 데이터를 제어부(360)에서 처리되는 데이터 포맷으로 변경할 수 있다. 수신부(321)는 수신된 ADAS 데이터를 제어부(360)에 전달할 것이다. 송신부(323)는 관제 서버(300)에서의 제어 동작에 따라 생성되는 제어 정보나 데이터를 전송할 수 있다.
저장부(340)는 도로 정보 DB(341), 교통 밀도 DB(343)를 포함할 수 있다. 도로 정보 DB(341)에는 교통 밀도 추정 구간에 대한 위치 정보가 저장될 수 있다. 수신된 ADAS 데이터에 포함된 GPS 정보에 매칭되는 교통 밀도 추정 구간이 도로 정보 DB(341)에서 검색될 수 있다.
교통 밀도 DB(343)는 제어부(360)에서 추정된 각 교통 밀도 추정 구간들에 대한 교통 밀도 정보가 저장된다. 실시간으로 제공되는 ADAS 데이터를 기반으로 추정되는 교통 밀도 정보는 교통 밀도 DB(343)에 주기적으로 또는 실시간으로 업데이트될 수 있을 것이다. 또한, 저장부(340)는 관제 서버(300)에서 관리하는 데이터를 저장하기 위한 스토리지들을 포함할 수 있을 것이다.
제어부(360)는 통신부(320)를 통해서 전달되는 ADAS 데이터를 수집하고, 수집된 ADAS 데이터를 기반으로 교통 밀도 추정 구간의 교통 밀도를 추정한다. 그리고 제어부(360)는 추정된 교통 밀도에 대한 정확도 분석 연산을 수행한다. 이를 위해, 제어부(360)는 프로세서(361), ADAS 데이터 수집 유닛(363), 교통 밀도 추정 유닛(365), 그리고 정확도 분석 유닛(367)을 포함한다. 여기서, 바람직하게 프로세서(361)는 하드웨어로 구성될 수 있고, ADAS 데이터 수집 유닛(363), 교통 밀도 추정 유닛(365), 그리고 정확도 분석 유닛(367)은 소프트웨어로 제공될 수 있다.
프로세서(361)는 관제 서버(300)의 전반적인 동작을 제어할 수 있다. 프로세서(361)는 통신부(320)를 통해서 수신되는 ADAS 데이터를 패치하거나 제어 신호를 전송할 수 있다. 프로세서(361)는 저장부(340)의 도로 정보 DB(341) 또는 교통 밀도 DB(343)에 접근할 수 있다.
프로세서(361)는 ADAS 데이터 수집 유닛(363), 교통 밀도 추정 유닛(365), 그리고 정확도 분석 유닛(367)을 구성하는 알고리즘이나 프로그램 명령을 실행할 수 있다. 프로세서(361)는 SoC(system-on-chip), ASIC(application specific integrated circuit), FPGA(field programmable gate array) 등의 형태로 구현될 수 있다.
ADAS 데이터 수집 유닛(363)은 표본 차량의 차량 모듈(100, 도 4 참조)로부터 전송되는 ADAS 데이터를 저장부(340)에 저장한다. ADAS 데이터는 교통 밀도 추정 구간에 포함되는 적어도 하나의 표본 차량으로부터 전송된다. 표본율이 높은 경우, 교통 밀도 추정 구간에는 2개 이상의 표본 차량이 포함될 수도 있다.
교통 밀도 추정 유닛(365)은 수집된 ADAS 데이터를 사용하여 교통 밀도 추정 구간에 대한 교통 밀도를 계산한다. 교통 밀도 추정 유닛(365)은 개별적 표본 차량들 각각으로부터 전송된 ADAS 데이터의 차두 거리와 궤적 정보를 사용하여 교통 밀도를 계산한다. 교통 밀도 추정 유닛(365)은 교통 밀도 추정 구간에서 대상 차량들이 지나는 총 통행 시간을 시공간적 면적으로 나누는 연산을 수행한다.
정확도 분석 유닛(367)은 검증된 교통 정보를 사용하여 시뮬레이션을 통해서 ADAS 데이터를 생성할 수 있다. 그리고 ADAS 데이터를 사용하여 추정된 교통 밀도의 정확도를 분석하고 계산할 수 있다. 정확도 분석 유닛(367)은 기지의 교통 밀도값을 가지는 교통 데이터로부터 ADAS 데이터를 추출하여 차두 거리와 궤적 정보를 이용하는 교통 밀도 추정 연산을 적용한다. 정확도 분석 유닛(367)은 계산된 교통 밀도의 오차율을 표본율, 교통 밀도 추정 구간을 정의하는 단위 구간과 단위 시간의 크기에 따라 평가할 수 있다.
도 6은 도 5의 관제 서버에서 수행하는 교통 밀도 추정 동작을 간략히 보여주는 순서도이다. 도 6를 참조하면, 관제 서버(300)는 차량 모듈(100)로부터 제공되는 ADAS 데이터를 수집하고, 수집된 ADAS 데이터로부터 교통 밀도 추정 구간에 대한 교통 밀도 추정 연산을 수행한다.
S110 단계에서, ADAS 데이터 수집 유닛(363)은 차량 모듈(100, 도 2 참조)로부터 전송되는 ADAS 데이터를 통신부(320)를 통해 수집한다. ADAS 데이터 수집 유닛(363)은 수집된 ADAS 데이터(차두 거리 및 궤적 정보)를 관제 서버(300) 내의 별도 메모리나 저장부(340)에 구비된 메모리에 저장할 수 있다.
S120 단계에서, 교통 밀도 추정 유닛(365)은 수집된 ADAS 데이터로부터 본 발명의 교통 밀도 추정 방식에 따라 계산한다. 즉, 교통 밀도 추정 유닛(365)에 의해서 교통 밀도 추정 구간에서 대상 차량들이 지나는 총 통행 시간을 시공간적 면적으로 나누는 연산이 수행될 것이다. 그러면, 교통 밀도 추정 구간에 대한 본 발명의 교통 밀도가 도출된다.
이상에서는 본 발명의 실시 예에 따른 관제 서버(300)의 ADAS 데이터의 수집과 교통 밀도의 추정 절차가 간략히 설명되었다. 여기서, 관제 서버(300)에 의한 교통 밀도의 추정 연산에 대한 구체적인 방법에 대해서는 구체적으로 설명되지 않았다. 이러한 구체적 교통 밀도의 추정 연산은 후술하는 도면의 설명에서 구체적으로 설명될 것이다.
도 7은 도 5의 관제 서버에서 수행하는 교통 밀도 추정 동작을 좀더 구체적으로 보여주는 순서도이다. 도 7을 참조하면, 관제 서버(300)는 차량 모듈(100)로부터 제공되는 ADAS 데이터를 수집하고, 수집된 ADAS 데이터로부터 교통 밀도 추정 구간에 대한 교통 밀도 추정 연산을 수행한다.
S210 단계에서, ADAS 데이터 수집 유닛(363)은 차량 모듈(100, 도 2 참조)로부터 전송되는 ADAS 데이터를 통신부(320)를 통해 수집한다. ADAS 데이터 수집 유닛(363)은 수집된 ADAS 데이터(차두 거리 및 궤적 데이터)를 관제 서버(300) 내의 별도 메모리나 저장부(340)에 구비된 메모리에 저장할 수 있다.
S220 단계에서, 교통 밀도 추정 유닛(365)은 해당 ADAS 데이터가 수집된 차로의 특성에 따라 동작 분기를 수행한다. 예를 들면, ADAS 데이터가 편도 2차로 이상의 도로에서 수집된 데이터인지, 아니면 편도 1차로에서 수집된 데이터인지에 따라 차두 거리 계산 방식을 선택한다. 만일, 추정에 사용할 ADAS 데이터가 편도 2차로 이상이 아닌 편도 1차로의 도로에서 수집된 경우('아니오' 방향), 절차는 S240 단계로 이동한다. 반면, 추정에 사용될 ADAS 데이터가 편도 2차로 이상의 도로에서 수집된 경우('예' 방향), 절차는 S230 단계로 이동한다.
S230 단계에서, 교통 밀도 추정 유닛(365)은 전방 차량과 측방 차량에 각각에 대해 서로 다른 기준의 차두 거리(HW)를 적용한다. 즉, 표본 차량과 동일한 차로의 전방 차량에 대해서는 직선 거리의 차두 거리를 적용하고, 표본 차량과 다른 차로에 위치하는 측방 차량에 대해서는 대각선 방향의 차두 거리를 적용하게 될 것이다.
S240 단계에서, 교통 밀도 추정 유닛(365)은 편도 1차로에서 이동하는 전방 차량에 대해 직선 거리의 차두 거리(HW)를 적용한다. 즉 도 2에 도시된 방식의 차두 거리(HW)를 적용하게 될 것이다.
S250 단계에서, 교통 밀도 추정 유닛(365)은 이전 단계에서 도출된 차두 거리와 궤적 정보를 사용하여 도로 공간 검지 및 교통 밀도 추정을 수행한다. 교통 밀도 추정 유닛(365)은 교통 밀도 추정 구간에서 대상 차량들이 지나는 총 통행 시간을 시공간적 면적으로 나누는 연산이 수행될 것이다.
이상에서는 본 발명의 실시 예에 따른 ADAS 데이터를 기반으로 교통 밀도를 추정하는 절차가 설명되었다. 관제 서버(300)는 상술한 방식의 교통 밀도 추정 방법에 따라 실시간으로 교통 밀도 추정 구간에 대한 정확한 교통 밀도를 도출할 수 있다.
도 8은 본 발명의 실시 예에 따른 시공간적 교통 밀도의 추정 방법을 간략히 보여주는 시공간 다이어그램이다. 도 8을 참조하면, 시공간 다이어그램에 따르면, 수집된 표본 차량(400)의 궤적 데이터와 차두 거리 데이터를 사용하여 본 발명에서 제안하는 일반화된 밀도(Generalized Density)를 계산할 수 있다.
도시된 시공간 다이어그램에서, 교통 밀도 추정 구간(420)은 ADAS 데이터가 수집되고, 교통 밀도의 추정이 이루어지는 시공간 상의 단위 영역이다. 표본 차량(400)은 ADAS 시스템을 사용하여 대상 차량(440)과의 차두 거리와 궤적 데이터를 전송한다. 여기서, 'D'는 교통 밀도 추정 구간(420)의 공간적 거리에 대응할 수 있다. 그리고 'T'는 실질적으로 표본 차량(400)이 교통 밀도 추정 구간(420)을 주행한 단위 시간에 해당한다.
상술한 조건에서, 본 발명의 교통 밀도 추정을 위한 일반화된 밀도(Generalized Density)는 아래 수학식 1로 표현될 수 있다.

일반화된 교통 밀도(GD)는 대상 차량들의 총 통행 시간(ΣTravel time)을 교통 밀도 추정 구간(420)의 시공간적 넓이(Space Region)로 나눈 값이 된다. 대상 차량(440)이 교통 밀도 추정 구간(420)을 통행한 시간은 't₁+t₂'가 된다. 그리고 교통 밀도 추정 구간(420)의 시공간적 넓이(Space Region)는 'T×D'로 표현될 수 있다. 만일, 동일 시간대에 교통 밀도 추정 구간(420)을 통행하는 대상 차량들이 증가하는 경우에는 대상 차량들의 총 통행 시간(ΣTravel time)이 증가하게 되고, 교통 밀도(GD)도 증가하게 될 것이다.
여기서, 복잡도를 고려하여 교통 밀도 추정 구간(420)을 주행하는 표본 차량(400)이 1대이고, 대상 차량(440)이 1대로 표시되어 있다. 하지만, 실제로 ADAS 시스템을 통해서 제공되는 ADAS 데이터에서는 차로 수의 증가와 차량 수의 증가에 따라 총 통행 시간(ΣTravel time)이 증가할 수 있고, 이 경우 교통 밀도(GD)는 높아질 수 있다.
도 9는 본 발명의 다른 실시 예에 따른 교통 밀도의 추정 정확도를 검증하는 방법을 간략히 보여주는 순서도이다. 도 9를 참조하면, 관제 서버(300)는 도로 및 차량들의 정보를 바탕으로 시뮬레이션을 수행하여 ADAS 데이터를 수집할 수 있다. 시뮬레이션 결과에 따라, 차두 거리와 궤적 정보를 포함하는 ADAS 데이터를 수집할 수 있다. 그리고 수집된 ADAS 데이터를 본 발명의 교통 밀도 추정 방식에 따라 처리하여 교통 밀도를 계산하고, 그 결과에 대한 오차율을 분석할 수 있다.
S310 단계에서, 정확도 분석 유닛(367)은 검증된 교통 데이터를 사용하여 ADAS 데이터를 획득하기 위한 시뮬레이션을 수행한다. 여기서, 도로 조건별로 다양한 시나리오를 구성하여 시뮬레이션에 적용할 수 있을 것이다. 정확도 분석 유닛(367)은 미시적 교통류 분석에 사용되는 'VISSIM'을 사용하여 시뮬레이션을 수행할 수 있다. 하지만, 시뮬레이션을 위해 사용되는 툴은 'VISSIM'에만 국한되지 않음은 잘 이해될 것이다.
S320 단계에서, ADAS 데이터 수집 유닛(363)은 시뮬레이션의 결과로 도출되는 ADAS 데이터를 수집한다.
S330 단계에서, 교통 밀도 추정 유닛(365)은 해당 ADAS 데이터가 수집된 차로의 특성에 따라 동작 분기를 수행한다. 예를 들면, ADAS 데이터가 편도 2차로 이상의 도로에서 수집된 데이터인지, 아니면 편도 1차로에서 수집된 데이터인지에 따라 차두 거리 계산 방식을 선택한다. 만일, 추정에 사용할 ADAS 데이터가 편도 2차로 이상이 아닌 편도 1차로의 도로에서 수집된 경우('아니오' 방향), 절차는 S350 단계로 이동한다. 반면, 추정에 사용될 ADAS 데이터가 편도 2차로 이상의 도로에서 수집된 경우('예' 방향), 절차는 S340 단계로 이동한다.
S340 단계에서, 교통 밀도 추정 유닛(365)은 전방 차량과 측방 차량에 각각에 대해 서로 다른 기준의 차두 거리(HW)를 적용한다. 즉, 표본 차량과 동일한 차로의 전방 차량에 대해서는 직선 거리의 차두 거리를 적용하고, 표본 차량과 다른 차로에 위치하는 측방 차량에 대해서는 대각선 방향의 차두 거리를 적용하게 될 것이다.
S350 단계에서, 교통 밀도 추정 유닛(365)은 편도 1차로에서 이동하는 전방 차량에 대해 직선 거리의 차두 거리(HW)를 적용한다.
S360 단계에서, 교통 밀도 추정 유닛(365)은 이전 단계에서 도출된 차두 거리와 궤적 정보를 사용하여 도로 공간 검지 및 교통 밀도 추정을 수행한다. 교통 밀도 추정 유닛(365)은 교통 밀도 추정 구간에서 대상 차량들이 지나는 총 통행 시간을 시공간적 면적으로 나누는 연산이 수행될 것이다.
S370 단계에서, 정확도 분석 유닛(367)은 추정된 교통 밀도의 오차율을 계산할 수 있다. 정확도 분석 유닛(367)은 표본율에 따라, 또는 단위 시공간 영역(Δd,Δt)의 크기에 따른 교통 밀도의 오차율(MAPE: Mean Absolute Percentage Error)을 계산할 수 있다.
S380 단계에서, 정확도 분석 유닛(367)은 추정된 교통 밀도와 그에 대응하는 오차율을 사용하여 ADAS 데이터의 표본율, 단위 시공간 영역(Δd, Δt)의 설정에 대한 분석을 수행한다. 즉, 표본율, 단위 시공간 영역(Δd, Δt)에 따른 추정된 교통 밀도값과 참값과의 MAPE를 통해서 바람직한 ADAS 데이터의 표본율, 단위 시공간 영역(Δd, Δt)의 크기가 결정될 수 있다.
이상에서는 본 발명의 실시 예에 따른 ADAS 데이터를 기반으로 추정된 교통 밀도의 정확도를 분석하는 절차가 간략히 설명되었다. 관제 서버(300)는 상술한 방식의 정확도 분석을 통해서 교통 밀도 감지 구간에 대한 최적의 표본율, 단위 시공간 영역(Δd, Δt)의 크기를 결정할 수 있다.
도 10 및 도 11은 ADAS 데이터의 표본율의 가변 방법을 예시적으로 보여주는 도면이다. 도 10은 표본율 10% 조건에서의 표본 차량과 대상 차량들을 예시적으로 보여준다. 도 11은 표본율 20% 조건에서의 표본 차량과 대상 차량들을 예시적으로 보여주는 도면이다.
도 10을 참조하면, 표본율 10% 설정시에는, 전체 차량들(510, 521~527, 532, 534) 중에서 10%에 해당하는 1대의 표본 차량(510)이 설정된다. 이 경우, 교통 밀도 감지 구간 내에서 표본 차량(510)은 전방 및 측방에 위치하는 대상 차량들(532, 534)의 차두 거리만을 ADAS 데이터로 사용할 것이다.
도 11을 참조하면, 표본율 20% 설정시에는, 전체 차량들(510, 521~527, 532, 534) 중에서 20%에 해당하는 2대의 표본 차량(510, 524)이 설정된다. 이 경우, 표본 차량(510)은 전방 및 측방에 위치하는 대상 차량들(532, 534)의 차두 거리를 센싱한다. 그리고 표본 차량(524)은 센싱 가능 거리에 위치하는 대상 차량(527, 532)과 함께 표본 차량(510)에 대해서도 차두 거리를 센싱하여 ADAS 데이터로 제공할 것이다. 표본 차량들의 수가 증가할수록 실도로에서의 교통 혼잡도가 더 잘 반영됨을 직관적으로 알 수 있다. 즉, 표본 차량의 수가 증가할수록 더 정확한 교통 밀도의 추정이 가능하리라는 것을 예측할 수 있다.
도 12 및 도 13은 ADAS 데이터가 수집되는 단위 시공간 영역(Δd×Δt)의 크기들을 예시적으로 보여주는 도면들이다. 도 12에서의 단위 시공간 영역(610)은 도 13에 도시된 단위 시공간 영역(620)보다 작은 크기로 설정된다. 본 발명에서 추정된 교통 밀도는 단위 시공간 영역(Δd×Δt)의 크기 설정에 따라 오차율의 계산이 가능하다. 따라서, 정확도 평가를 통해 최소 비용으로 최대의 효율을 제공할 수 있는 단위 시공간 영역(Δd×Δt)의 크기가 도출될 수 있을 것이다.
도 14는 시뮬레이션을 통해서 ADAS 데이터를 수집하기 위한 시뮬레이션 조건을 각 시나리오별로 보여주는 테이블이다. 도 14를 참조하면, 검증된 교통 데이터를 시뮬레이션을 통해서 처리하기 위해, 편도 1차선과 편도 2차선 조건으로 구분하였다.
시나리오 1에서는, 시뮬레이션의 실행 시간인 런타임은 4200초, 링크 길이는 1km, 교통량은 시간당 1000대, 그리고 승용차, 중차량, 버스의 비율을 90:5:5로 설정하였다. 그리고 도로의 설계 속도는 50~80km/h로, ADAS의 검지 가능 거리는 250m로 설정하였다.
반면, 시나리오 2에서는 시뮬레이션의 실행 시간인 런타임은 4200초, 링크 길이는 1km, 교통량은 시간당 2000대, 그리고 승용차, 중차량, 버스의 비율을 90:5:5로 설정하였다. 그리고 도로의 설계 속도는 50~70km/h로, ADAS의 검지 가능 거리는 250m로 설정하였다. 여기서, 시뮬레이션의 실행 시간은 4200초이지만, 시뮬레이션 초기에 도로의 초기 교통 상태를 세팅후 분석을 하기 위해 초반 600초는 분석에 사용되지 않았다.
도 15 및 도 16은 각 시나리오별 표본율에 따른 오차율(MAPE)을 보여주는 다이어그램들이다.
도 15를 참조하면, 도시된 바와 같이 시나리오 1에 따른 시뮬레이션 결과, 표본율이 높아짐에 따라 교통 밀도의 추정값은 참값과 유사해짐을 알 수 있다. 표본율이 30%일 때, 오차율이 22.01%로 나타난다. 이는 표본율 30%에서 교통 밀도의 추정값은 약 80%의 정확도를 갖는 것으로 해석될 수 있다.
도 16을 참조하면, 시나리오 2에 따른 시뮬레이션 결과, 시나리오 1에 비해 상대적으로 더 높은 정확도를 나타내는 것을 확인할 수 있다. 시나리오 2의 경우, 표본율이 30%일 때, 오차율이 6.67%로 나타난다. 이는 표본율 30%에서 교통 밀도의 추정값은 약 94%의 정확도를 갖는 것으로 해석될 수 있다.
도 17 및 도 18은 각 시나리오별 표본율, 단위 구간(Δd), 단위 시간(Δt)에 따른 오차율(MAPE)을 보여주는 테이블들이다. 도 17을 참조하면, 시나리오 1 및 시나리오 2에 따른 시뮬레이션 결과, 각각 표본율이 높아짐에 따라 교통 밀도의 추정값은 참값과 유사해짐을 알 수 있다. 더불어, 단위 구간(Δd)의 크기가 커질수록 교통 밀도 추정의 정확도가 향상됨을 확인할 수 있다. 반면, 교통 밀도의 추정의 정확도는 단위 시간(Δt)에는 영향을 받지 않음을 알 수 있다.
이상의 시뮬레이션 결과에 따르면, 본 발명의 교통 밀도의 추정은 ADAS 데이터가 수집되는 단위 시간(Δt)에는 영향을 받지 않으며, 표본율과 단위 구간(Δd)에 영향을 받는 것을 알 수 있다. 이는 ADAS 시스템을 이용하는 검지는, 고정된 지점 검지가 아니라 도로를 통행하는 차량을 이용하는 방식이기 때문에, 교통 밀도가 추정되는 도로 구간의 길이가 길어질수록 정확도가 높아짐을 의미한다.
이상에서 기술된 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술된 실시 예들에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.

Claims (5)

1. 표본 차량의 차량 모듈에서 전송되는 ADAS 데이터를 기반으로 도로의 교통 밀도를 추정하는 관제 서버에 있어서:
   상기 표본 차량으로부터 전송된 궤적 정보 및 적어도 하나의 대상 차량과 상기 표본 차량간의 차두 거리를 수신하는 통신부;
   교통 밀도 추정 구간에 대한 위치 정보를 저장하는 도로 정보와 상기 교통 밀도 추정 구간에 대한 교통 밀도 정보를 저장하는 저장부; 및
   상기 차두 거리 및 상기 궤적 정보를 사용하여 상기 교통 밀도 추정 구간의 교통 밀도를 추정하는 제어부를 포함하되,
   상기 제어부는,
   상기 차량 모듈에서 전송되는 ADAS 데이터가 편도 1차로의 도로에서 수집된 데이터인지 아니면 편도 2차로 이상의 도로에서 수집된 데이터인지에 따라 차두 거리 계산 방식을 선택하고,
   ADAS 데이터가 편도 1차로의 도로에서 수집된 경우에는 상기 표본 차량과 전방의 대상 차량에 대해 직선 거리의 차두 거리를 적용하고, 편도 2차로 이상의 도로에서 수집된 경우에는 상기 표본 차량과 동일한 차로의 전방의 대상 차량에 대해서는 직선 거리의 차두 거리를 적용하고 상기 표본 차량과 다른 차로에 위치하는 측방의 대상 차량에 대해서는 대각선 방향의 차두 거리를 적용하고,
   상기 표본 차량의 궤적 정보, 상기 표본 차량과 어느 하나의 대상 차량과의 차두 거리, 그리고 상기 교통 밀도 추정 구간의 거리를 이용하여, 상기 어느 하나의 대상 차량이 상기 교통 밀도 추정 구간을 통과한 시간을 구하고,
   상기 도로의 교통 밀도는 다음 수학식에 의해 추정되고,
   

   

   
   상기 수학식에서 D는 상기 교통 밀도 추정 구간의 공간적 거리, T는 상기 표본 차량이 교통 밀도 추정 구간을 주행한 시간, 그리고 t는 상기 표본 차량 및 상기 적어도 하나의 대상 차량이 상기 교통 밀도 추정 구간을 통행한 총 시간의 합이고,
   상기 제어부는, 추정된 상기 교통 밀도의 정확도를 계산하기 위한 시뮬레이션을 수행하며, 상기 시뮬레이션은 상기 차두 거리 및 상기 궤적 정보를 생성하고, 상기 차두 거리 및 상기 궤적 정보를 수집하기 위한 표본율과 상기 교통 밀도를 추정하기 위한 시공간적 영역을 구성하는 단위 구간과 단위 시간의 크기에 따라 상기 추정된 교통 밀도의 오차율을 계산하는 관제 서버.
2. 제 1 항에 있어서,
   상기 시뮬레이션은 VISSIM 툴인 관제 서버.
3. 삭제
4. 삭제
5. 삭제

Images