KR20150038776A - 인프라 센서를 이용한 자동주차 시스템 - Google Patents

Abstract

본 발명은 차량에 장착되는 운전자 보조 시스템 중 하나인 자동 주차 시스템에 관한 것으로, 본 발명에 따르면, 현재 상용화되어 출시되고 있는 운전자 보조 시스템은 완전 자동이 아니므로 결국 운전자가 근접 위치까지 운전해야 하는 불편함이 있었던 종래기술의 문제점들을 해결하여, 운전자를 배제하고 완전 자동으로 주차가 가능하도록 구성되는 인프라 센서를 이용한 자동주차 시스템이 제공된다.

Description

인프라 센서를 이용한 자동주차 시스템{Auto parking system using infra sensors}

본 발명은 차량에 장착되는 운전자 보조 시스템에 관한 것으로, 더 상세하게는, 주차공간의 인식과 차량의 이동을 추적하기 위한 센서들을 포함하는 인프라와, 인프라에 설치된 각 센서로부터 입력된 정보를 바탕으로 차량의 주차 경로를 생성하고 차량의 이동시 거동을 추적하여 차량이 주차경로를 따라 진행하도록 제어하는 관제 시스템 및 관제시스템으로부터 입력된 명령에 따라 차량을 거동하기 위한 구동기를 제어하는 차량시스템을 포함하여, 운전자가 주차시 받는 스트레스를 경감할 수 있도록 구성되는 인프라 센서를 이용한 자동주차 시스템에 관한 것이다.

또한, 본 발명은, 현재 상용화되어 출시되고 있는 운전자 보조 시스템은 완전 자동이 아니므로 결국 운전자가 근접 위치까지 운전해야 했던 종래기술의 문제점들을 해결하여, 운전자를 배제하고 완전 자동으로 주차가 가능하도록 구성되는 인프라 센서를 이용한 자동주차 시스템에 관한 것이다.

일반적으로, 현재 출시되는 차량에는, 대부분 종방향과 횡방향 제어를 위한 구동기 및 무선 송수신장치가 설치되어 출시되고 있으며, 이에 더하여, 다양한 형태의 주차보조 시스템들과 같은 편의 시스템들이 장착되어 출시되고 있다.

그러나 이러한 편의 시스템들은, 아직까지 운전을 보조하는 개념일 뿐, 최종적인 행동의 결정권 및 책임은 결국 운전자에게 있으며, 이러한 부분에서 대부분의 운전자들은 스트레스를 받고 있다.

즉, 독일 교통안전협의회(Der Deutsche Verkehrssicherh-eitsrat)에 따르면, 초보 운전자가 주차할 때 도로 주행시보다 두 배 이상의 스트레스를 받는다고 보고된 바 있으며, 또한, 이탈리아에서는, 주차하는 것을 치과에 가는 것만큼 싫어하는 것으로 나타났다(참고문헌 1 참조).

또한, 최근에는, 의료기술의 발달과 생활수준의 향상으로 인해, 평균수명이 증가하여 65세 이상의 노인 운전자들의 교통사고 점유율 또한 2000년 1.2%에서 2009년 5.2%로 급증하고 있으며, 노인 운전자는 일반적으로 운동능력 저하에 대한 자각이 부족한 것으로 나타나고 있다.

즉, 통계청에 따르면, 우리나라는 2000년 고령화 사회에 진입한 이후 2018년 고령사회, 그리고 2026년엔 초고령사회에 도달할 것으로 전망되고 있고, 이러한 사회적 요인으로 인해, 최근에는, 운전자 편의 시스템과 주차 시스템을 융합하여 보다 개선된 자동주차 시스템을 제공하기 위한 연구가 활발히 진행되고 있다.

더 상세하게는, 차량의 주차 보조시스템에 대한 연구는, 먼저, 차량이 주차할 수 있는 주차공간의 인식을 위한 연구로서, 비전 카메라와 초음파 센서를 이용한 연구가 수행된바 있으며(참고문헌 2 내지 8 참조), 또한, 2개 이상의 센서를 융합하여 각각의 센서가 가진 문제점을 보완하는 연구도 시도된 바 있다(참고문헌 9 및 10 참조).

아울러, 주차 방법에 대한 연구로는, 평행주차, 직각주차의 각 주차형태별로 연구가 진행되었으며(참고문헌 11 내지 16 참조), 주어진 경로를 따라 주행하는 경로 추적(Path tracking) 알고리즘에 대한 연구 또한 많은 성과를 보이고 있다(참고문헌 17 내지 24 참조).

여기서, 현재 상용화되어 시판되고 있는 주차 보조 시스템은, 차량의 앞뒤 범퍼에 초음파 센서를 각각 장착하여 공간과 장애물을 인식하고, 차량의 조향은 EPS(Electric Power Steering)를 이용한 형태의 시스템이 일반적이다.

즉, 이러한 시스템 구성은 제작단가와 센서의 오검출을 최소화하는 방향으로의 절충이라 할 수 있으며, 구체적으로는, 보쉬는 2008년 초음파 센서를 이용한 주차 보조 시스템을 개발한 이후 최근에는 완전한 자동 주차 시스템인 피트 오프 파킹(feet-off parking) 시스템을 개발하고 있으며(참고문헌 25 참조), 도요타는 APGS(Advanced Parking Guidance System)를 자사의 프리우스 차량에 장착하였다(참고문헌 26 참조).

또한, 포드는 APA(Active Park Assist)로 명명된 시스템을 자사 차량에 장착하고 있고, 이 시스템은, 초음파 센서와 EPS를 이용하여 주차를 위한 조향 제어를 수행하며, 즉, APA를 작동 후 운전자가 주차공간을 지나갈 때 주차가 가능한 곳에서 신호를 주고 주차를 위한 조향을 하게 된다.

아울러, 상기한 주차 보조 시스템 이외에도 제작사마다 각각 다른 명칭으로 주차 보조 시스템이 사용되고 있으나, 자동주차 시스템의 기본적인 원리는 동일하다고 할 수 있다.

더 상세하게는, 먼저, LiDAR(Light Detection And Ranging) 등의 거리센서와 비젼 카메라를 인프라에 구축하여 교통상황의 모니터링 등을 수행하기 위한 시스템을 설계하는 연구가 진행되었으며, 이러한 연구들 중, 교차로 모니터링 시스템은, 폴(Gantry)을 이용하여 도로와 평행한 면을 관측할 수 있도록, 도로를 가로질러 레이저 스캐너를 설치하고, 차량을 관측한 후 데이터 특성에 따라 차종을 검출 및 분류하기 위한 것이다.

여기서, 교차로에서는 차선당 하나의 레이저스캐너를 이용하여 왕복 차선의 모든 방향에 대하여 관측을 실시한다.

다음으로, Tecsidel(Toll system & Vehicle control)에서는, 상단에 설치된 레이저스캐너를 이용하여 물체의 높이와 폭을 측정하고 대상물체를 인지하는 기술을 사용하며, 같은 방식을 통해 후미에 연결되어 있을 수 있는 트레일러의 유무와 형태를 인지하고 별도의 차량과 구분할 수도 있다.

또한, 비스듬한 방향이나 다른 기울기를 주어 센서를 설치할 필요 없이 좌에서 우로, 우에서 좌로 이동하는 차량의 주행방향 변화 추이도 추적이 가능하며, 차량의 진행방향으로 추가적인 레이저스캐너를 장착하게 되면 간단하게 차량의 길이와 진행 속도를 측정할 수 있고, 측면의 레이저스캐너를 이용하여 바퀴와 차량의 앞/뒤 단을 구분하여 트레일러의 연결 상태를 판단한다.

아울러, 도로상에 카메라와 레이저스캐너를 이용한 인프라 환경을 구축하고 도로 신호상황에 따른 위반사항을 억제하기 위하여, 이른바 "자동 적신호 프로그램(Automated Red Light Enforcement Program)"이 제시된 바 있으며, 이는, 도로상에서 교통사고가 발생할 경우 차량 내의 탑승자와 차량 외부의 보행자 사고로 이어지기도 하며, 더욱이, 일반 시내 도로의 경우, 차량간의 사고는 2차적으로 보행자 사고로 이어질 확률이 높으므로, 이를 방지하기 위한 것이다.

더욱이, 레이저스캐너를 도로 상단에 설치하여 센서에서 나오는 2개의 레이저광선을 이용하여 단일 차선의 폭과 감도를 30°범위에서 검출하고, 이를 통하여 객체의 검출을 통한 트래픽 모니터링, 다리/터널 등의 통관검증 등에 사용되는 자동감지 시스템(Autosense System)이 제시된 바 있으며, 이는, 객체 검출을 비롯하여 차량의 속도, 높이, 폭, 길이 등을 측정하여 차량의 구분과 차량의 카운터 기능에도 사용된다.

계속해서, ECTN Inc.에서는 레이저스캐너를 이용한 Movis-System을 통해 3차원 트래픽(Traffic) 데이터를 최대 4개의 차선에서 획득하고, 차량의 외형(길이, 폭, 높이)을 측정하여 차량의 이동방향과 속도를 함께 제공함으로써 지능형 교통시스템의 주요 역할을 수행하고 있다.

또한, 이러한 Movis-System은, 모바일 형태의 독립형 시스템 단위를 가지고 있어 빠른 설치와 유지보수에 용이한 장점을 가지고 있다.

아울러, 과거 러시아 군사 방어 진지용으로 개발된 첨단 레이더 검지기술을 국산화하여 교통상황의 변화를 빠르게 인식하는 목적으로 교통 인프라 시스템에 적용되는 TGE-URADAR가 있으며, 이는, 교통상황의 판단으로 정체여부와 정체 발생시 차량들의 진행 속도를 파악하고 정체상황을 인지하고, 최대 4 ~ 8개의 차선에서 각 차선의 차량들을 분류하고 차량들이 일정 차선 범위 내에 머무는 시간을 측정하여 정체 상황을 파악할 수 있다.

즉, TGE-URADAR는, 날씨나 햇빛, 온도변화 등의 외부 환경변화에 강한 장점을 가지면서, 도로 측면에 장착할 수 있기 때문에 교통흐름에 방해를 주지 않고도 유지보수가 가능한 장점이 있다.

따라서 TGE-URADAR을 이용하면, 출/퇴근 시간을 비롯해 상시 혼잡지역과 병목현상 발생 지역 등의 교통흐름 상태에 대한 모니터링과, 측정결과에 따라 교통상황을 제어하는데 사용될 수 있으며, 또한, 교차로에서는 진입 차량 등의 검출을 통하여 원활한 교통흐름 제어가 가능하고, 고속도로 톨게이트 부분에서도 사용되는 데 더하여, 차량에 직접 장착하여 차량의 상태에 대한 모니터링을 통하여 사전에 사고를 예방할 수 있는 방안으로도 사용 가능하다.

아울러, TRG-URADAR는, ITS의 VDS(Vehicle Detection System)을 위한 차량의 검출, 도로, 교량, 터널 등의 검출, 고속도로의 교통관리 시스템, 도시 교통 관제 시스템, 농촌 교통 시스템, 도로의 속도 경고 및 단속 시스템, 보행자 검출 등에도 적용될 수 있다.

다음으로, EXCEL Technology Group-XLrvd RADAR는, 차량감지기 시스템에 사용되며, 저렴한 비용으로 차량의 속도나 이동 모니터링에 이용되고, 자체 데이터 저장 능력을 가지고 있으며, 다른 디스플레이 장치들과 연동이 가능하고, 이런 점을 활용하여 위험운전이나 과속운전을 하는 운전자에게 보조적인 경고 시스템으로 사용되기도 한다.

또한, 자체적인 차량의 속도와 크기 등의 감지능력에 대한 조절이 가능하고, 특정 시간에 지정된 속도에 대한 반응, 감지영역 스캔에 대한 응답을 통해 도로상의 차량정보를 수집할 수 있다.

다음으로, 외부의 인프라를 활용한 주차 보조시스템에 대한 연구는, 연구기관과 학교를 중심으로 이루어지고 있으며, 먼저, Tokyo 대학은 Toshiba, Yazaki 두 산업체와의 공동연구를 통해 iCAN(Intelligent Car Navigation System)을 개발 하였다(참고문헌 27 참조).

더 상세하게는, 이 시스템은, 외부 인프라에 센서를 설치하는 환경을 구축하고 차량에 장착된 주차보조 시스템에 정보를 전송하여 운전자가 주차할 때 필요한 정보를 전달하는 통신 시스템을 구축하도록 구성된 것이다.

또한, 국내에서는, 한국 전자통신 연구원(Electronics and Telecommunications Research Institute ; ETRI)를 중심으로 유도주행 과제(Automated Valet Parking: AVP)가 진행 중이며(참고문헌 28 및 29 참조), AVP는, 기존 주차장 관리 시스템 및 외부 인프라 센서, 관제 시스템 등이 융합하여 대규모 주차설비가 구비된 장소에서 운전자가 주차장 입구에서 하차 후 스마트 기기를 통해 중앙 관제 서버에 명령을 내려 차량이 자동으로 빈 주차면을 찾아가 주차를 하는 개념이며, 주차방법으로는, 직각주차와 평행주차 방법에 대한 알고리즘을 각각 제시하고 있다.

상기한 바와 같이, 종래, 자동 주차 시스템과 같은 운전자 보조 시스템에 대한 연구가 다양하게 이루어진 바 있으나, 종래의 운전자 보조 시스템들은, 운전자가 주차가 가능한 위치까지 이동하여야 하는 데 더하여, 최종 결정은 결국 운전자가 내려야 하므로, 이러한 점에서 결과적으로 운전자의 스트레스를 어느 정도 경감할 수는 있어도 완전히 해소시킬 수는 없다는 단점이 있다.

또한, 점점 고령화되고 있는 현재의 사회상황에서 자연스럽게 증가하는 노인인구의 주차 스트레스에 대해 대처하기 위하여는, 지금까지 개발되어 왔던 인프라센서, 운전자 보조 시스템 등의 기술들을 하나로 통합한 새로운 개념의 시스템에 대한 연구가 필요하다.

그러나 현재로서는, 인프라를 활용한 자동주차에 대한 연구가 진행되고 있으나 가시적인 결과를 도출하지 못하고 있으며, 차량이 입고된 이후부터 주차될 때까지의 주차 전반에 대한 연구도 상대적으로 미흡한 실정이다.

더 상세하게는, 현재 상용화되어 출시되고 있는 운전자 보조 시스템들은 완전 자동이 아니므로 결국 운전자가 근접 위치까지 직접 운전해야 하는 점에서 명확한 한계자 있으며, 또한, 현재 연구중인 인프라를 이용한 자동 주차 시스템에 대한 연구들도, 운전자를 배제한 채 어떻게 주차를 할 것인가에 대한 연구는 미흡한 실정이다.

따라서 상기한 바와 같은 종래기술의 문제점을 해결하기 위하여는, 운전자를 배제하고 완전 자동으로 주차가 가능한 새로운 자동 주차 시스템을 제공하는 것이 바람직하나, 아직까지 그러한 요구를 모두 만족시키는 장치나 방법은 제공되지 못하고 있는 실정이다.

[참고문헌]

1. 구은경, "독일, 발전하는 자동차 안전장치 시스템," Dec, 2011. Available at http://www.kotra.or.kr/

2. Matthias Fiedler, "Older People and Public Transport," Ruppercht Cosult-Forschung & Beratung GmbH, Aug, 2007.

3. Ching-Chun Huang and Sheng-Jyh Wang, "A Hierarchical Bayesian Generation Framework for Vacant Parking Space Detection," IEEE Transactions on Circuits and Systems for Video Technology, 2001.

4. Amin Kianpisheh, Norlia Mustaffa, Pakapan Limtrairut and Pantea Keikhosrokiani, "Smart Parking System (SPS) Architecture Using Ultrasonic Detector," International Journal of Software Engineering and Its Applications, vol. 6, No. 3, July, 2012.

5. K. Yamada and M. Mizuno, "A Vehicle Parking Detection Method Using Image Segmentation," Electronics and Communications in Japan, Part III: Fundamental Electronic Science (English translation of Denshi Tsushin Gakkai Ronbunshi), vol. 84, pp. 25-34, 2001.

6. Nico Kaempchen, Uwe Franke, and Rainer Ott, " Stereo vision based pose estimation of parking lots using 3D vehicle models," IEEE Intelligent Vehicle Symposium, vol. 2, pp. 17-21, 2002.

7. Dongsuk Kim, Hogi Jung, Chigun Choi, and Paljoo Yoon, "Parallel Parking Lot Detection with Long Range Ultrasonic Sensor," KSAE Spring Conference, vol. III, pp. 1621-1626, 2006.

8. Wan-Joo Park, Byung-Sung Kim, Dong-Eun Seo, Dong-Suk Kim and Kwae-Hi Lee, "Parking Space Detection Using Ultrasonic Sensor in Parking Assistance System," IEEE Intelligent Vehicle Symposium, June, 2008.

9. Ho Gi Jung, Dong Suk Kim, Pal Joo Yoon, and Jaihie Kim, "Light Stripe Projection based Parking Space Detection for Intelligent Parking Assist System," IEEE Intelligent Vehicles Symposium, June, 2007.

10. C.Mertz, J.Kozar, J.R.Miller, and C.Thorpe, "Eye-safe Laser Line Striper for Outside Use," IEEE Intelligent Vehicle Symposium, Vol. 2. pp. 507-512, June, 2002.

11. Bernhard Muller, Joachim Deutscher and Stefan Grodde, "Trajectory Generation and Feedforward Control for Parking a Car," IEEE International Conference on Control Applications, Oct, 2006.

12. M. Kochem, R. Neddenriep, R. Isermann, "Accurate local vehicle dead-reckoning for a parking",American Control Conference, May, 2002.

13. S. Bentalba, A. El Hajjaji and A.Rachid, "Fuzzy Parking and Point Stabilization: Application Car Dynamics Model"

14. Shigeki ISHIKAWA, "A Method of Indoor Mobile Robot Navigation by Using Fuzzy Control," IEEE International Workshop on Intelligent Robots and Systems, IROS’90, Nov, 1991.

15. Dieter Zobel, Elisabeth Balcerak, Thorsten Weidenfeller, "Minimum Parking Maneuvers for Articulated Vehicles with One-Axle Trailers," IEEE, 2006.

16. Igor E.Paromtchik, "STEERING AND VELOCITY COMMANDS FOR PARKING ASSISTANCE," IASTED International Conference ROBOTICS AND APPLICATIONS, Aug, 2004.

17. Igor E. Paromtchik and Christian Laugier, "Motion generation and control for parking an autonomous vehicle," IEEE Conference on Robotics and Automation, pp. 3117-3122, Apr, 1996.

18. Thomas Coffee, "Fast Optimal Kino dynamic Path Planning for Autonomous Vehicles in Dynamic Environments," Dec, 2006.

19.Maxim Likhachev, Dave Ferguson, Geoff Gordon, Anthony Stentz, and Sebastian Thrun, "Anytime Search in Dynamic Graphs," Oct, 2007.

20. Thomas Allen, James Underwood, Steven Scheding, "A Planning System for Autonomous Ground Vehicles Operating in Unstructured Dynamic Environments,"

21. Maxim Likhachev, Dave Ferguson, "Planning Long Dynamically-Feasible Maneuvers for Autonomous Vehicles,"

22. Mike Stilman and James J. Kuffner, "Planning Among Movable Obstacles with Artificaial Constraints," Workshop on the Algorithmic Foundations of Robotics WAFR, July, 2006.

23. Maxim Likhachev, Dave Ferguson, Geoff Gordon, Anthony Stentz, and Sebastian Thrun, "Anytime Dynamic A*: An Anytime, Replanning Algorithm," American Association for Artificial Intelligence, 2005.

24. Masaki Wada, Kang Sup Yoon, and Hideki Hashimoto, "Development of Advanced Parking Assistance System," IEEE Transaction on Industrial Electronics, vol. 50, Issue 1, Feb, 2003.

25. Bosch,"Parking made easy Parking assistance systems from Bosch,"

26. "ADVANCED PARKING GUIDANCE SYSTEM", Available at http://www.toyota.co.kr/

27. Masaki Wada, Xuchu Mao, Hideki Hashimoto, Mami Mizutani, and Masaki Saito, "iCAN: Pursuing Technology for Near-Future ITS," IEEE Intelligent Systems, vol. 19, Issue 1, Feb, 2004.

28. Kyungbok Sung, Jungdan Choi, Dongyong Kwak, "Vehicle Control System for Automatic Valet Parking with Infrastructure Sensors," IEEE International Conference on Consumer Electronics(ICCE), 2011.

29. Kyungwook Min, Jeongdan Choi, Hangeun Kim and Hyun Myung, "Design and Implementation of Path Generation Algorithm for Controlling Autonomous Driving and Parking," ICCAS International Conference on Control, Automation and Systems, Oct, 2012.

30. 우훈제, "Peer-to-Peer 방식을 이용한 무인 차량 시스템의 통신 아키텍처 개발,"국민대학교, 석사학위논문, pp. 9, 2007.

31. 변증남, 박광현, 방원철, "지능형 주거 시스템을 위한 센서기술,"월간 자동화 기술, pp. 88-95, Nov, 2002.

32. K.Fintzel, R.Bendahan, C.Vestri, S.Bougnoux and T.Kakinami, "3D Parking Assistant System," 11th World Congress on Intelligent Transport Systems, Nagoya, Japan, 2004.

33. SANKARANARAYANAN VELUPILLAI and LEVENT GUVENC, "Laser Scanners for Driver-Assistance Systems in Intelligent Vehicles," IEEE Control Systems Magazine, pp. 17-19, Apr, 2009.

34. Jennifer Ouellette, "Illuminating New Territory with Lidar," The Industrial Physicist, May, 2002.

35. 박재웅, "레이저 스캐너를 이용한 지능형 순항시스템 설계," 국민대학교, 석사학위논문. pp. 17, 2007.

36. Anca Discant, Alexandrina Rogozan,Corneliu, and Abdelaziz Bensrhair,"Sensors for Detection-A Survey," IEEE, 2007.

37. Tarak Gandhi and Mohan M. Trivedi, "Pedestrian Collision Avoidance Systems: A Survey of Computer Vision Based Recent Studies," IEEE Intelligent Transportation Systems Conference, Sept, 2006.

38. Fanping Bu, Ching-Yao, "Pedestrian Detection in Transit Bus Application: Sensing Technologies and Safety Solutions," IEEE Intelligent Vehicle Symposium, pp. 100-105, June, 2005.

39. Aloysius Wehra,,,Uwe Lohrb, "Airborne laser scanning-an introduction and overview," ISPRS Journal of Photogrammetry and Remote Sensing, pp. 68-82, July, 1999.

40. 이상훈, "LRF센서를 이용한 무인차량의 맵 빌딩 알고리즘 개발," 국민대학교, 석사학위논문, 2009.

41. 김재환, "다수 레이저스캐너를 이용한 무인차량의 장애물 검출 및 경로생성" 국민대학교, 석사학위논문, 2008.

42. 우훈제, "다수 무인 차량을 위한 시스템 아키텍쳐 설계 및 차량 간 선행 경로 추종 구현," 국민대학교, 박사학위논문, 2011.

43. 김병희, "정보이론 기반의 병합식 클러스터링 기법 연구," 서울 대학교 컴퓨터공학부.

44. J.Han and M.Kamber, "Data Mining: Concepts and Technics," Morgan Kaufmann, 2000.

45. A.K JAIN, et al, "Data Clustering: A Review," ACM Computing Surveys, vol. 31, Sept, 1999.

46. 박원식, 김동근, 양영규, "Fuzzy c-means 알고리즘을 이용한 TCS 데이터 주행특성 분류 방법 연구," 경원대학교, 한국 정보처리 학회 춘계학술발표대회 논문집, 제16권, 제1호, Apr, 2009.

47. 김승석, 김성수, 유정웅, "개선된 퍼지 클러스터링," 충북대학교, 퍼지 및 지능시스템 학회 논문지, pp. 6-11, 2005.

48. 신형주, "Latent Variable을 이용한 확률적 클러스터링 모델," 서울 대학교 대학원 전기. 컴퓨터 공학부, 석사학위 논문, Feb, 2001.

49. 이래경, 안수용, 오세영 "적응형 군집 행동 알고리즘 점 대칭 거리를 이용한 개선된 퍼지 C-Means 클러스터링 알고리즘," 포항공과대학교, ICROS, May, 2010.

50. 김대원, 이광형, "클러스터간 중첩성과 분리성을 이용한 퍼지 분할의 평가 기법," 한국과학기술원, 한국 퍼지 및 지능시스템 학회, pp. 455-460, 2003.

51. 강지혜, 김성수 "적응적인 초기치 설정을 이용한 Fast K-means 및 Fuzzy-c-means 알고리즘," 정보 과학회 논문지: 소프트웨어 및 응용, 제31권, 제4호, 2004.

52. 지태창, 이현진, 이일병, "예측 데이터를 이용한 빠른 K-means 알고리즘," 한국 콘텐츠 학회, Nov, 2008.

53. 이신원, 이원휘, "K-Means 클러스터링 성능 향상을 위한 최대평균거리 기반 초기값 설정," 한국 인터넷 정보학회, 제12권, 제2호, Mar, 2011.

54. Abdessalam H. Elhabbash, et al, "Enhanced K-means Clustering Algorithm," The Islamic University of Gaza, 2010.

55. 김성렬, "칼만 필터의 이해," 도서출판 아진, Sept, 2010.

56. Kyu-Bum Han, "Visual Tracking System for Arbitrary Shaped Moving Object Using Active Contour Model," Yonsei University, June, 2001.

57. Boyoon Jung et al, "Detecting Moving Objects using a Single Camera on a Mobile Robot in an Outdoor Environment," Intelligent Autonomous Systems, pp. 980-987, Mar, 2004.

58. Romer Rosales et al, "3D Trajectory Recovery for Tracking Multiple Objects and Trajectory Guided Recognition of Actions," IEEE Conf. on Vision and Pattern Recognition, June, 1999.

59. Zehang Sun, "On-Road Vehicle Detection: A Review," IEEE transactions on pattern analysis and machine intelligence, vol 28, no. 5, May, 2006.

60. Jianbo Shi, Carlo Tomasi, "Good Features to Track," IEEE, 1994.

61. 김진경 외, "통계학", 자유아카데미, Feb, 2010.

62. 송의규, "전동 스쿠터를 위한 DGPS 기반의 위치 추정 및 반 자율 주행 시스템 개발" KAIST, 석사학위논문, 2010.

63. Anibal Ollero, Guillermo Heredia, "Stability Analysis of Mobile Robot Path Tracking," IEEE, 1995.

64. Jean-Paul Laumond et al, "A Motion Planner for Nonholonomic Mobile Robots," IEEE Transactions on Robotics and Automation, vol 10, Oct, 1994.

65. Jeff Wit, Carl D. Crane and David Armstrong, "Autonomous Ground Vehicle Path Tracking," Journal of Robotic Systems 21, pp. 439-449, 2004.

66. Jarrod M. Snider, "Automatic Steering Methods for Autonomous Automobile Path Tracking," Carnegie Mellon University, Feb, 2009.

67. A. Scheuer and Th. Fraichard, "Collision-Free and Continuous-Curvature Path Planning for Car-Like Robots," IEEE International Conference on Robotics and Automation, Apr, 1997.

68. Doran K. Wilde, "Computing Clothoid Segments for Trajectory Generation," IEEE/RSJ International Conference on Intelligent Robots and Systems, Oct, 2009.

69. Vicent Girbes, Leopoldo Armesto, and Josep Tornero, "Continuous-Curvature Control of Mobile Robots with Constrained Kinematics," IFAC World Congress, Aug, 2011.

70. Tomas Berglund, "Path-Planning with Obstacle-Avoiding Minimum Curvature Variation B-splines," Lulea University.

71. Kwang jin Yang et al, "REAL-TIME CONTINUOUS CURVATURE PATH PLANNING OF UAVS IN CLUTTERED ENVIRONMENTS," 5th International Symposium on Mechatronics and its Applications (ISMA08), May, 2008.

72. Yutaka Kanayama and Bruce I. Hartman, "Smooth Local Planning for Autonomous Vehicles," IEEE, 1989.

73. D. Gorinevsky, A. Kapitanovsky, and A. Goldenberg, "Neural Network Architecture for Trajectory Generation an Control of Automated Car Parking," IEEE Transactions on control systems technology, vol. 4, Jan, 1996.

74. 김대봉, 홍순목, "차량용 레이더 네트워크를 위한 추적 알고리즘 설계," KSAE Annual Conference, 2011.

75. 김세진, 주형훈, "Particle filter를 이용한 이동 물체 추적 알고리즘" 한국지능시스템학회 논문지, pp. 586-591, 2009.

76. Vicent Girbes, et al, "Smooth Kinematic Controller vs. Pure-Pursuit for Non-holonomic Vehicles," Springer-Verlag, 2001.

77. Anibal Ollero, Guillermo Heredia, "Stability Analysis of Mobile Robot Path Tracking," IEEE, 1995.

78. Jeff Wit, Carl D. Crane III, and David Armstrong, "Autonomous Ground Vehicle Path Tracking," Journal of Robotic Systems, pp. 439-449, 2004.

79. Yutaka Kanayama, et al, "A Stable Tracking Control Method for an Autonomous Mobile Robot," IEEE, 1990.

80. 박명욱, "지오메트리 기반의 다이나믹 모델을 적용한 자율주행차량의 통합 모션 제어 컴포넌트 개발" 국민대학교, 박사학위논문, 2012.

81. 安部正人, "自動車の運動と制御," 山海堂, 2005.

82. 송봉섭, 최정단, "차량과 인프라 간 통신기반 자동 발렛 파킹 시스템 개발 및 검증" 제어 로봇 시스템 학회지, vol. 18, no. 4, Dec, 2012.

83. R. Rajamani, C. Zhu, and L. Alexander, "Lateral control of a backward driven front-steering vehicle," control engineering Practice, vol. 11, no. 5, pp. 531-540, 2003.

84. Jesus Morales, et al, "Pure-Pursuit Reactive Path Tracking for Nonholonomic Mobile Robots with a 2D Laser Scanner," EURASIP Journal on Advances in Signal Processing, Article ID 035237, 2009.

85. Jarrod M. Snider, "Automatic Steering Methods for Autonomous Automobile Path Tracking," Carnegie Mellon University, Feb, 2009.

86. 배승호,"엔진토크를 이용한 무인 자율 주행차량의 속도제어 알고리즘에 대한 연구" 국민대학교, 석사학위논문, 2011.

[선행기술문헌]

1. 등록특허 제10-1013898호(2011.02.01.)

2. 공개특허공보 제10-2011-0060320호(2011.06.08.)

3. 공개특허공보 제10-2011-0105233호(2011.09.26.)

4. 공개특허공보 제10-2012-0123899호(2012.11.12.)

본 발명은 상기한 바와 같은 종래기술의 문제점을 해결하고자 하는 것으로, 따라서 본 발명의 목적은, 현재 상용화되어 출시되고 있는 운전자 보조 시스템은 완전 자동이 아니므로 결국 운전자가 근접 위치까지 운전해야 하는 불편함이 있었던 종래기술의 문제점들을 해결하여, 운전자를 배제하고 완전 자동으로 주차가 가능하도록 구성되는 인프라 센서를 이용한 자동주차 시스템을 제공하고자 하는 것이다.

상기한 바와 같은 목적을 달성하기 위해, 본 발명에 따르면, 실내에서 운전자를 배제하고 주차가 가능하도록 구성되는 인프라 센서를 이용한 자동주차 시스템에 있어서, 주차공간의 인식과 차량의 이동을 추적하기 위해 설치되는 복수의 센서들을 포함하는 인프라(Infra); 상기 인프라에 설치된 각 센서로부터 입력된 정보에 근거하여 차량의 주차 경로를 생성하고 상기 차량의 이동을 추적하여 상기 차량이 상기 주차경로를 따라 진행하도록 제어하는 관제부(Operating Command Unit ; OCU); 및 상기 관제 시스템으로부터 입력된 명령에 따라 상기 차량에 설치되는 복수의 구동기를 제어하여 상기 차량을 구동하는 차량부를 포함하여 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템이 제공된다.

여기서, 상기 인프라는, 주차공간 인식을 위한 센서로서, CCD(Charged Coupled Device) 카메라, 거리센서, 광센서, 적외선 센서, 초음파(Ultrasonic) 센서 및 압력센서 중 적어도 하나의 센서; 한정된 범위에 대한 인지를 위한 센서로서, 빛(Light)을 감지하는 포토다이오드(Photodiode), 자기(Magnetic)를 감지하는 지역센서(Area sensor), 압력(Pressure)을 감지하는 스트레인 게이지(Strain guage), 또는, 초음파(Ultrasonic)를 감지하는 초음파 센서 중 적어도 하나의 센서; 및 차량의 이동 및 이동물체를 검출하기 위한 센서로서, 적어도 하나의 LiDAR(Laser Measurement System)를 포함하여 구성되는 것을 특징으로 한다.

또한, 상기 관제부는, 차량이 입고될 경우, 상기 인프라에 설치된 센서를 통해 주차가 가능한 주차공간을 확인하고, 상기 인프라에 설치된 상기 LiDAR를 통해 이동중인 차량의 위치를 인식하며, 입고된 차량에 ID(Identity)를 부여하고 상기 차량으로부터 최단 거리에 있는 주차공간까지의 이동경로를 생성한 다음, 생성된 주차경로를 따라 주행하기 위한 속도 및 조향에 대한 명령을 포함하는 차량 제어명령을 상기 차량에 전달하도록 구성되는 것을 특징으로 한다.

아울러, 상기 차량부는, 상기 관제부로부터 입력된 상기 차량 제어명령에 따라 주행을 실시하고, 주행 중의 차량 조향각 및 속도 정보 데이터를 다시 상기 관제부에 피드백하며, 상기 인프라는, 상기 차량이 상기 주차경로를 따라 이동할 때 상기 주차경로와 상기 차량간의 오차를 LiDAR에 의해 측정하여 상기 관제부로 전송하고, 상기 관제부는, 상기 차량부 및 상기 인프라도부터 수신된 상기 차량의 상태 데이터를 반영하여 상기 차량의 경로 오차를 수정하도록 구성되는 것을 특징으로 한다.

더욱이, 상기 차량부는, 차량의 횡방향 제어를 위해 차량의 조향 컬럼(Column)에 설치되는 조향 구동기; 차량의 현재 조향각을 인식하기 위한 조향각 센서; 제동명령 입력시 레버가 제동 페달(Pedal)을 누르도록 구성되는 제동 구동기; 차량의 가속 제어를 위해 기어 시프트 레버에 설치되어 가속페달 신호를 생성하는 콘트롤러; 및 차량의 속도 획득을 위해 차량의 구동륜 안쪽에 각각 장착되는 엔코더(Encoder)를 포함하여 구성되는 것을 특징으로 한다.

또한, 상기한 시스템은, 상기 관제부와 상기 인프라는 유선으로 연결되며, 상기 관제부와 상기 차량부는 무선으로 신호를 전송하도록 구성되고, 통신 메시지 셋(Message set)은, 헤더(Header)부와 메시지(Message)부로 구성되며, 상기 헤더는, 통신하려는 대상(Target)을 식별하기 위한 ID(Identifier); 전송되는 메시지의 정보에 따라 정해지는 메시지의 데이터 길이를 정의하는 Message Length; 및 전송되는 메시지의 정보를 정의하는 Message Information을 포함하여 구성되는 것을 특징으로 한다.

아울러, 상기 관제부는, 상기 LiDAR를 통해 입력되는 거리 데이터들로부터 고정 장애물을 제거하는 전처리 과정과, 상기 전처리 과정을 통해 얻어진 데이터들을 서로 유사도가 높은 객체들의 그룹으로 분류하는 분류(classification) 과정 및 상기 분류 과정을 통해 얻어진 데이터들로부터 상기 객체의 이동성을 판단하기 위한 추적(Tracking) 과정을 포함하는 센서 데이터 처리과정을 수행하도록 구성되는 것을 특징으로 한다.

더욱이, 상기 전처리 과정은, 상기 LiDAR의 거리정보로부터 관심영역을 설정하고, 상기 관심영역 밖의 거리데이터는 모두 제거하는 단계; 상기 관심영역 내의 이미 주차되어 있는 차량이나 건물 기둥 또는 시설물을 포함하는 고정 장애물을 제거하는 단계; 및 노면이나 기둥의 난반사에 의해 주행로 상에 장애물이 있는 것으로 검출되는 오류를 방지하기 위해 차량의 현재 위치를 중심으로 미리 정해진 일정 구간 내의 데이터만을 남겨두고 주행로 상의 데이터를 모두 삭제하는 단계를 포함하여 구성됨으로써, 이동경로 상의 데이터만을 처리하는 것에 의해 계산할 데이터의 양을 감소하는 동시에, 처리속도 및 효율을 높일 수 있도록 구성되는 것을 특징으로 한다.

또한, 상기 분류 과정은, 분할 클러스터링 알고리즘인 K-means 클러스터링 알고리즘을 사용하여 수행되도록 구성되는 것을 특징으로 한다.

아울러, 상기 추적 과정은, 이전 시간 K에서의 차량 형태와 현재 시간 K₊₁에서 예상되는 차량 형태의 연관성에 따라, 단순히 거리 데이터의 위치에 따른 형태의 분류가 아닌 각 패턴들에 대하여 정의된 확률에 근거하여 상기 차량의 형태를 분류하는 단계; 및 상기 전처리 단계에서 클러스터링된 상기 LiDAR의 거리 데이터들에 확장 칼만 필터(Extended Kalman Filter ; EKF)를 적용하여 시간 K에서의 위치와 다음 시간 K₊₁에서의 위치를 추정하는 단계를 포함하는 처리가 수행되도록 구성되는 것을 특징으로 한다.

더욱이, 상기 관제부는, 상기 주차경로 생성을 위해, 현재 차량의 헤딩과 주차공간 헤딩의 교차점 D를 구하여 곡률반경 R을 구하고, 상기 곡률반경 R의 크기가 최소 회전반경 이상일 경우는, 상기 차량의 현재 헤딩으로부터의 경로를 생성하며, 상기 곡률반경 R이 최소 회전반경보다 작을 경우, 현재 차량의 위치에서 최소 회전반경으로 미리 지정된 거리만큼 이동하여 상기 곡률반경을 계산하는 처리를 반복하도록 구성됨으로써, 곡률이 존재하는 구간의 경로 생성이 거리의 누적이 아닌 이전 경로부터의 회전 변환을 통하여 계산되는 것에 의해 곡률 구간의 거리가 길어질 경우 발생하는 오차의 누적을 방지할 수 있도록 구성되는 것을 특징으로 한다.

또한, 상기 관제부는, 기준점(reference point)이 차량의 전 차축(front axle)에 존재하는 경로추적 알알고리즘을 이용하여 경로 추적을 수행하도록 구성되는 것을 특징으로 한다.

아울러, 본 발명에 따르면, 상기에 기재된 인프라 센서를 이용한 자동주차 시스템을 이용하여 실내에서 운전자를 배제하고 자동으로 주차가 가능하도록 구성되는 것을 특징으로 하는 자동주차방법이 제공된다.

상기한 바와 같이, 본 발명에 따르면, 운전자를 배제하고 완전 자동으로 주차가 가능하도록 구성되는 인프라 센서를 이용한 자동주차 시스템이 제공됨으로써, 완전 자동이 아니어서 운전자가 근접 위치까지 운전해야 하는 한계가 있었던 종래의 상용 운전자 보조 시스템들의 문제점을 해결할 수 있다.

도 1은 자동주차 시스템의 전체적인 구성 및 데이터의 주요 흐름을 개략적으로 나타내는 도면이다.
도 2는 도 1에 나타낸 자동주차 시스템에서의 신호처리를 위한 시스템 계층도를 개략적으로 나타내는 도면이다.
도 3은 인프라에 설치된 센서들의 예를 나타내는 도면이다.
도 4는 LiDAR의 데이터 구조를 표로 정리하여 나타내는 도면이다.
도 5는 LiDAR의 단계별 통신 설정과정을 나타내는 도면이다.
도 6은 LiDAR의 설치방법을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 자동주차 시스템이 적용된 차량의 구체적인 구성을 나타내는 도면이다.
도 8은 도 7에 나타낸 실험용 차량의 횡방향 제어를 위해 각각의 구동기를 부착한 모습을 개략적으로 나타내는 도면이다.
도 9는 조향 구동기와 조향각 센서가 설치된 모습을 나타내는 도면이다.
도 10은 제동을 위한 구동기가 장착된 모습을 나타내는 도면이다.
도 11은 차량의 가속 제어를 위해 가속 페달 신호를 생성하는 콘트롤러가 장착된 모습을 나타내는 도면이다.
도 12는 차량의 속도 획득을 위한 엔코더(Encoder)가 장착된 모습을 나타내는 도면이다.
도 13은 TCP/IP, LAN 및 WAN 프로토콜에 대한 OSI 기준 모델을 표로 정리하여 나타내는 도면이다.
도 14는 IPv4의 주소체계를 나타내는 도면이다.
도 15는 본 발명의 실시예에 따른 자동주차 시스템의 통신방식을 개략적으로 나타내는 도면이다.
도 16은 본 발명의 실시예에 따른 자동주차 시스템의 통신 메시지의 구성을 개략적으로 나타내는 도면이다.
도 17은 OCU에서 차량으로의 통신 전송을 위한 헤더의 구성을 표로 정리하여 나타내는 도면이다.
도 18은 차량에서 OCU로의 통신 전송을 위한 메시지 헤더의 구성을 표로 정리하여 나타내는 도면이다.
도 19는 인프라에서 OCU로 전송되는 메시지 헤더의 구성을 표로 정리하여 나타낸 도면이다.
도 20은 전송 메시지에서 지정되는 데이터의 형식(Type)을 나타내는 도면이다.
도 21은 OCU의 계산 부하 시험 결과를 나타내는 도면으로서, 경로추적 부분의 증가에 따른 각 계산부분의 동작시간을 기록한 것이다.
도 22는 LiDAR의 신호처리 부분의 소프트웨어 부하 계산 결과를 각각 나타내는 도면이다.
도 23은 OCU와 차량간의 업데이트 갱신속도 측정결과를 나타내는 도면이다.
도 24는 LiDAR를 통해 입력되는 거리 데이터를 직교 좌표계 형태로 나타낸 것이다.
도 25는 관심영역을 각각 40m로 설정한 상태를 나타내는 도면이다.
도 26은 고정 장애물을 삭제한 결과를 나타내는 도면이다.
도 27은 중심영역의 구성을 개략적으로 나타내는 도면이다.
도 28은 유클리디안 거리를 이용하여 중심 영역의 내부와 외부를 결정하는 개념을 개략적으로 나타내는 도면이다.
도 29는 본 발명에 따른 전처리 과정에 의해 처리된 결과를 나타내는 도면이다.
도 30은 전처리 과정 중 실제 차량의 위치는 고정된 상태에서 차량의 헤딩만을 프로그램 내에서 임의로 변화시켰을 때 핵심영역 A_j와 거리 데이터들도 변화하는 것을 나타내는 도면이다.
도 31은 K-means 클러스터링 알고리즘의 의사 코드(Pseudo code)를 나타내는 도면이다.
도 32는 K-means 클러스터링 알고리즘을 검증하기 위해 임의로 주어진 데이터를 나타내는 도면이다.
도 33은 도 32에 주어진 임의의 데이터를 대상으로 K-means 클러스터링 알고리즘의 적용한 결과를 나타내는 도면이다.
도 34는 본 발명의 실시예에서 정의된 차량의 형태를 표로 정리하여 나타내는 도면이다.
도 35는 센서 데이터의 전처리 단계에서 설정한 핵심영역 내에서 발생하는 잡음을 나타내는 도면이다.
도 36은 LiDAR를 이용하여 계산된 주행 궤적을 나타내는 도면이다.
도 37은 도 36에 나타낸 주행 궤적을 따라 형태 구분을 실행한 결과를 나타내는 도면이다.
도 38은 확장 칼만 필터의 처리 흐름을 나타내는 플로차트이다.
도 39는 본 발명에 적용된 차량의 기구학 모델을 개략적으로 나타내는 도면이다.
도 40은 기구학 모델, LiDAR를 이용한 추적 및 확장 칼만 필터를 사용하여 객체 추적한 차량의 헤딩을 각각 나타내는 도면이다.
도 41은 도 40에 나타낸 세 가지 모델을 사용하여 객체 추적을 수행하여 얻어진 궤적을 각각 나타내는 도면이다.
도 42는 본 발명의 실시예에 따른 주차경로 생성 알고리즘의 전체적인 구성을 개략적으로 나타내는 플로차트이다.
도 43은 곡선경로 생성을 위한 계산과정을 설명하기 위한 도면이다.
도 44는 곡선경로 생성을 위한 계산과정을 설명하기 위한 도면이다.
도 45는 경로 생성의 예를 나타내는 도면이다.
도 46은 본 발명의 실시예에 따른 경로생성 알고리즘을 적용하여 생성된 결과를 나타내는 도면이다.
도 47은 본 발명의 실시예에 따른 주차경로 생성 알고리즘을 사용하여 실제 경로를 생성하는 과정을 나타내는 도면이다.
도 48은 시작점의 위치와 차량의 헤딩을 변경한 상태의 경로를 나타내는 도면이다.
도 49는 경로 추적 알고리즘을 시뮬레이션하기 위해 적용된 차량 모델을 나타내는 도면이다.
도 50은 기준점에 따른 경로 추적 알고리즘의 예로서 순수 추적 방법의 개념을 설명하기 위한 도면이다.
도 51은 기준점에 따른 경로 추적 알고리즘의 다른 예로서 스탠리법의 개념을 설명하기 위한 도면이다.
도 52는 경로추적 알고리즘을 검증하기 위한 시뮬레이션 경로를 나타내는 도면이다.
도 53은 시뮬레이션을 위한 차량 파라미터 설정내용을 표로 정리하여 나타내는 도면이다.
도 54는 시뮬레이션을 통하여 얻어진 예측거리 선정결과를 나타내는 도면이다.
도 55는 조향각에 대한 시뮬레이션 결과를 나타내는 도면이다.
도 56은 속도를 10kph ~ 30kph로 변화시킬 때 예측거리에 따른 차량의 주행 궤적을 나타내는 도면이다.
도 57은 최적의 게인 파라메터 K를 선정하기 위해 속도와 게인 파리미터 K를 각각 변화시키면서 경로 궤적과 차량 주행궤적 사이의 횡방향 거리 오차를 비교한 결과를 나타내는 도면이다.
도 58은 속도와 K 값의 변화에 따른 조향각을 나타내는 도면이다.
도 59는 속도와 게인 파라메터 K값의 변화에 따른 주행 궤적을 기준경로 궤적과 함께 나타낸 도면이다.
도 60은 각각의 경로추적 알고리즘의 시뮬레이션을 통해 얻어진 궤적을 비교한 결과를 나타내는 도면이다.
도 61은 속도를 변경시켰을 경우에 각 경로추적 알고리즘을 비교한 결과를 나타내는 면이다.
도 62는 각각의 경로추적 알고리즘의 속도별 횡방향 거리 오차를 표로 정리하여 나타낸 도면이다.
도 63은 각각의 경로추적 알고리즘을 적용한 결과를 나타내는 도면이다.
도 64는 앞축 기준점 경로추적 알고리즘을 적용한 전륜축의 횡방향 거리 오차와 뒷축 기준점 경로추적 알고리즘을 적용한 후륜축의 횡방향 거리오차를 각각 나타내는 도면이다.
도 65는 경로추적 알고리즘을 사용하여 차량이 실제 도로를 주행한 경로를 나타내는 도면이다.
도 66은 도 65의 출발점 P1과 첫 번째 곡선 부분 P2 사이를 확대하여 나타낸 도면이다.
도 67은 곡선 부분의 주행 궤적을 나타내는 도면이다.
도 68은 주행경로와의 전축 거리오차(front axle distance error)를 나타내는 도면이다.
도 69는 주행경로와의 후축 거리오차(rear axle distance error)를 나타내는 도면이다.
도 70은 경로추적 실험시의 스티어링 조향각을 나타내는 도면이다.
도 71은 차량의 종방향 제어를 위한 신호 흐름을 나타내는 블록도이다.
도 72는 본 발명의 실시예에 따른 인프라 센서를 이용한 자동주차 시스템의 성능시험을 위해 외부 환경에 설치된 LiDAR를 나타내는 도면이다.
도 73은 자동주차를 위해 생성된 궤적을 나타내는 도면이다.
도 74는 차량의 주행 궤적을 나타내는 도면이다.
도 75는 주행속도를 나타내는 도면이다.
도 76은 스티어링 조향각을 나타내는 도면이다.
도 77은 기준경로와의 거리오차를 나타내는 도면이다.
도 78은 도 74의 A 부분을 확대하여 나타낸 도면이다.
도 79는 헤딩을 나타낸 도면이다.
도 80은 차량의 형태를 주차 시스템이 인식한 모습을 나타내는 도면이다.

이하, 첨부된 도면을 참조하여, 본 발명에 따른 인프라 센서를 이용한 자동주차 시스템의 구체적인 실시예에 대하여 설명한다.

여기서, 이하에 설명하는 내용은 본 발명을 실시하기 위한 하나의 실시예일 뿐이며, 본 발명은 이하에 설명하는 실시예의 내용으로만 한정되는 것은 아니라는 사실에 유념해야 한다.

또한, 이하의 본 발명의 실시예에 대한 설명에 있어서, 종래기술의 내용과 동일 또는 유사하거나 당업자의 수준에서 용이하게 이해하고 실시할 수 있다고 판단되는 부분에 대하여는, 설명을 간략히 하기 위해 그 상세한 설명을 생략하였음에 유념해야 한다.

즉, 본 발명은, 후술하는 바와 같이, 현재 상용화되어 출시되고 있는 운전자 보조 시스템은 완전 자동이 아니므로 결국 운전자가 근접 위치까지 운전해야 하는 불편함이 있었던 종래기술의 문제점들을 해결하여, 운전자를 배제하고 완전 자동으로 주차가 가능하도록 구성되는 인프라 센서를 이용한 자동주차 시스템에 관한 것이다.

계속해서, 첨부된 도면을 참조하여, 상기한 바와 같은 본 발명에 따른 인프라 센서를 이용한 자동주차 시스템의 구체적인 실시예에 대하여 설명한다.

먼저, 도 1을 참조하면, 도 1은 자동주차 시스템의 전체적인 구성 및 데이터의 주요 흐름을 개략적으로 나타내는 도면이다.

즉, 도 1에 나타낸 바와 같이, 자동주차 시스템은, 일반적으로, 크게 나누어, 인프라(Infra), OCU(Operating Command Unit) 및 차량 시스템(Viehicle)을 포함하여 이루어진다.

여기서, 자동주차 시스템의 전체적인 관리는 OCU를 중심으로 이루어지며, 인프라에는 센서가 설치되고, 차량은 구동기를 중심으로 구성된다.

또한, OCU는, 인프라에 설치된 센서에서 입력되는 정보를 기준으로 차량의 구동기를 제어하여 차량이 안전하게 주차할 수 있도록 제어하는 역할을 수행한다.

계속해서, 상기한 바와 같은 OCU의 구체적인 구성에 대하여 설명하면, 도 1에 나타낸 바와 같이, OCU는 인프라에 설치된 센서를 통해 주차가 가능한 주차공간을 확인하고, 또한, 설치된 LiDAR(Laser Measurement System)를 통해 이동중인 차량의 위치 P_x, P_y를 인식한다.

주차 시스템에 차량이 입고될 경우, OCU는, ID(Identity)를 부여하고 입고된 차량으로부터 최단 거리에 있는 주차공간까지의 이동을 위한 경로를 생성한 다음, 생성된 주차 경로를 따라 주행하기 위한 차량 제어명령을 차량에 전달한다.

이어서, 차량은, 입력된 속도 및 조향명령에 따라 주행을 실시하며, 주행 중의 차량 조향각, 속도 정보 데이터는 다시 OCU에 피드백된다.

즉, 차량이 주어진 경로를 따라 이동할 때의 경로와 차량간의 오차는 인프라에 설치된 각각의 LiDAR에 의해 측정되어 OCU로 전송되며, OCU에서는 이들 데이터와 차량의 상태 데이터를 반영하여 차량의 경로 오차를 수정한다.

또한, 도 2를 참조하면, 도 2는 도 1에 나타낸 자동주차 시스템에서의 신호처리를 위한 시스템 계층도를 개략적으로 나타내는 도면이다.

여기서, 도 2에 나타낸 구조는, DARPA(Defense Advanced Research Projects Agency)에서 정의한 JAUS(Joint Architecture for Unmanned System) 구조를 자동주차 시스템에 맞도록 변형시킨 것을 나타내고 있으며, 또한, JAUS는, 무인 시스템에 대한 연구, 개발과 데이터 획득의 사용에 대해 정의하도록 미 의회가 승인하고 미 국방성이 제시한 참조규약(Reference Architecture)을 의미한다(참고문헌 30 참조).

도 2에 나타낸 바와 같이, OCU의 구조는 2개의 노드로 구성되어 있으며, LAN을 이용하여 데이터의 전송이 이루어진다.

아울러, LAN 기술은, 근거리에 있는 여러 대의 컴퓨터를 상호 연결하는 기술로서, 일반적으로, 수백 미터 이내의 통신 범위를 가지므로, LAN을 이용하여 각 컴퓨터는 독립적으로 데이터를 전송할 수 있다.

또한, 차량 시스템은, 하나의 노드를 가지며, 이 노드는 차량의 구동기를 제어하는 역할을 수행한다.

다음으로, 도 3을 참조하여, 인프라의 구체적인 구성에 대하여 설명한다.

즉, 도 3을 참조하면, 도 3은 인프라에 설치된 센서들의 예를 나타내는 도면이다.

도 3에 나타낸 바와 같이, 인프라는, 주차공간을 인식하기 위해 설치되는 다양한 센서들을 포함하여 구성될 수 있고, 여기서, 센서는, 정보 및 에너지를 물리적, 화학적, 생물학적 수단을 사용해 검출하는 장치를 말한다(참고문헌 31 참조).

또한, 본 실시예에 있어서, 주차공간 인식을 위해 사용할 수 있는 센서는, 예를 들면, CCD(Charged Coupled Device) 카메라, 거리센서, 광센서, 적외선 센서, 초음파(Ultrasonic) 센서 및 압력센서 등 다양한 센서를 적용 가능하며, 아울러, 차량의 이동을 검출하기 위한 센서로는 LiDAR가 사용될 수 있으나, 본 발명은 반드시 이러한 센서들로만 한정되는 것은 아니며, 필요에 따라 얼마든지 다른 형태의 센서가 사용될 수 있다.

계속해서, 상기한 바와 같은 구성을 통하여 주차공간을 인지하는 방법의 구체적인 내용에 대하여 설명한다.

종래, 주차공간 검출을 위한 여러 가지 방법들이 연구된바 있으며(참고문헌 32 및 33 참조), 주차 공간의 구조에 따라 CCD 카메라와 초음파 센서를 선택적으로 사용할 수 있다.

즉, 예를 들면, 전체적인 주차공간의 검출을 CCD 카메라가 담당하고, 국부적으로 발생할 수 있는 사각지역의 주차공간은 초음파 센서 등을 설치하여 검출하도록 구성될 수 있다.

여기서, CCD 카메라의 경우, 건물 기둥이 적고 넓은 범위를 한번에 볼 수 있는 주차장 구조에 적합한 반면, 기둥이 많은 건물 구조에서는 초음파 센서를 개별 주차공간마다 설치하는 것이 바람직하다.

더 상세하게는, 먼저, 광범위 인지의 경우, 상기한 바와 같이 건물에 기둥이 상대적으로 적은 곳일 경우의 광범위 주차공간 인식은 CCD카메라를 이용하며, 비젼 센서인 CCD카메라는 CCD가 받아들이는 빛의 양으로 영상의 한 픽셀을 맺게 하므로, 여러 개의 CCD를 배열하여 전체 영상을 취득한다.

또한, 한정 범위에 대한 인지는, 예를 들면, 빛(Light)을 감지하는 포토다이오드(Photodiode), 자기(Magnetic)를 감지하는 지역센서(Area sensor), 압력(Pressure)을 감지하는 스트레인 게이지(Strain guage), 또는, 초음파(Ultrasonic)를 감지하는 초음파 센서 등과 같이, 다양한 센서를 사용하여 인지할 수 있다.

더 상세하게는, 한정 범위 주차공간 인지에 대한 센서는, 현재 가장 많이 사용되고 있는 초음파 센서를 사용할 수 있으며, 이러한 초음파 센서는, 주차공간 별로 센서를 설치해야 하는 단점이 있으나, 오인식이 적어 추가적인 처리과정 없이 시스템에 바로 적용할 수 있다는 장점이 있다.

계속해서, 이동물체의 검출은, 이동 물체의 검출을 위한 센서로 LiDAR를 이용할 수 있으며, 여기서, LiDAR는, 일반적으로 알려진 레이더(Radar)와 유사하며, 'Laser radar', 또는,'Light radar' 라고도 불린다.

또한, 레이저는, 레이더와는 달리 짧은 주기를 가진 높은 에너지의 펄스(Pulse)를 만들 수 있다는 점과, 작은 방사창(Aperture)을 이용하여 고도로 밀집된 상대적으로 짧은 파장의 빛을 만들 수 있다는 장점이 있어, 정밀한 거리 관측에 많이 사용된다(참고문헌 34 참조).

아울러, 본 실시예에서는, SICK사의 LMS291_S05를 사용하였으며, 이 센서는 레이저를 이용한 비접촉식 거리측정 센서로서, 거리측정 방법은 TOF(Time of Flight)방식을 사용하며, 이 방식은 특정 방향으로 주사한 레이저 펄스가 반사되어 돌아오는 시간을 측정하여 대상 물체까지의 거리를 계산하나, 장치의 위치에서 수평으로 방사되는 빔이 2차원의 물체만 인식하며, 방사되는 빔의 위치보다 높거나 낮게 되면 물체를 인식하지 못하는 단점이 있다(참고문헌 35 내지 38 참조).

여기서, 레이저 펄스 왕복시간은, 이하의 [수학식 1]에 나타낸 바와 같이, 펄스의 송수신 사이의 시간차를 측정함으로써 알 수 있다(참고문헌 39 참조).

[수학식 1]

여기서, 상기한 [수학식 1]에 있어서, c는 빛의 속도이고, R은 거리 측정부와 지표면까지의 거리이며, t_L은 레이저 펄스 왕복시간을 의미한다.

또한, 거리의 정확도는, 이하의 [수학식 2]에 나타낸 바와 같이, 펄스의 생성시간, S/N 비율, 측정비율 등에 의해 결정된다.

[수학식 2]

여기서, 상기한 [수학식 2]에 있어서, t_rise = 펄스 생성시간을 의미한다.

아울러, LMS291_S05의 최대 측정각도는 180°이며, 최대 측정거리는 80m이고, 각도 분해능은 0.25°, 0.5°및 1°의 성능을 가지고 있으며, 데이터 처리속도와 통신방법을 사용자 편의로 설정할 수 있다.

본 실시예에서는, RS-422 고속 시리얼 통신을 이용하여 500kBd의 데이터 전송속도를 통해 180°의 각도 범위를 0.5°의 분해능으로 측정하도록 설정하였다(참고문헌 40 참조).

여기서, LiDAR는, 레이저 빔을 주사할 때 모터를 회전시키고 이때 입력된 거리 데이터를 바탕으로 사물의 위치를 검출하므로, 데이터의 형태는 극좌표계의 형태로 출력된다.

따라서 이하의 [수학식 3]을 이용하여, LiDAR를 통해 획득된 장애물 및 이동물체의 극좌표계 형태의 데이터를 직교 좌표계로 변환한다.

[수학식 3]

또한, SICK사의 LMS291_S05 모델을 기준으로, 1회 탐색에서 732 바이트(Byte)의 데이터가 출력되며, 이들 데이터 중 거리정보는 722 바이트로, 2 바이트가 한 포인트의 거리정보를 나타내므로, 총 361개의 포인트 거리정보가 포함되고, 이러한 데이터는 최대 75Hz로 전송된다(참고문헌 41 참조).

아울러, 도 4를 참조하면, 도 4는 LiDAR의 데이터 구조를 표로 정리하여 나타내는 도면이다.

도 4에 나타낸 바와 같이, LMS291_S05 모델의 데이터 형태는 1개의 시작비트와 1개의 정지비트 및 8개의 데이터 비트로 이루어지며, 데이터 전송은 STX(0x02)로 시작되고, 에러 체크를 위한 CRC 값을 마지막으로 종료된다.

여기서, 2 바이트 이상의 모든 데이터는 INTEL 방식으로 전송되고, 이는, 상위 바이트와 하위 바이트가 전치 전송됨을 의미하며, 컴퓨터가 전송하는 명령이나 주소에 대한 응답으로 LiDAR는 0x08을 출력한다.

즉, 0x00 번지에 접속된 LiDAR에 0x20의 명령을 전송하면, 0x80의 고유번지에 있는 LiDAR로부터 0xA0의 값이 출력되고, Telegram에 있는 바이트 사이의 시간 간격은 55㎲ ~ 6ms 이다.

모든 데이터가 LiDAR에 전달되면, LiDAR는 정확하게 메시지를 수신했다는 응답으로 ACK(0x06)의 메시지를 전송하고, 데이터에 에러가 포함될 경우 NACK(0x15)를 출력하며, 명령에 대한 응답 메시지는 ACK 값 이후에 전달된다.

즉, ACK + STX + Length + Response + DATA + CRC 값이 모든 바이트에 적용된다.

또한, 도 5를 참조하면, 도 5는 LiDAR의 단계별 통신 설정과정을 나타내는 도면이다.

더 상세하게는, 도 5에 나타낸 바와 같이, LiDAR는, 초기 전원이 인가되었을 때 초기 설정(Default setting)으로 9600 Baud, 180°range, 0.5°resolution 을 유지한다.

여기서, 첫 번째 단계로 통신속도를 변환하며, 만약 500k Baud의 통신속도로 변경할 경우, LiDAR로 "02 00 02 00 20 48 58 08"을 전송하며, 통신속도는 34800 Baud에서 5 times/sec, 500 kBaud 에서 37 times/sec의 거리 데이터를 컴퓨터에 전송한다.

두 번째 단계는 스캔 모드를 설정하고, 세 번째 단계에서 거리 데이터가 컴퓨터에 입력되며, 최종적으로 네 번째 단계에서 데이터 출력을 정지하고, 즉, 컴퓨터에서 LiDAR로 "02 00 02 00 20 25 35 08" 명령어를 전송할 경우 LiDAR는 데이터 출력을 중지한다.

본 실시예에 있어서, LiDAR는 180°를 0.5°의 분해능으로 스캔하도록 설정되어 있으므로, LiDAR의 스캔 최대거리인 80m의 거리 데이터를 사용할 경우, 레이저 포인트당 거리 간격은 약 0.7m에 이른다.

이는, 일반적인 차량의 길이 약 5m와 폭 약 2m를 감안할 경우, 차량의 종방향으로 2 ~ 3개의 거리 데이터만을 획득하고, 차량의 횡 방향으로 약 7개의 거리 데이터만을 획득할 수 있다.

따라서 본 실시예에서는, 보다 많은 거리 데이터를 획득하기 위해서, 좌우 각각 20m, 총 40m의 범위를 관심영역으로 설정하였다.

여기서, 인프라 설계에 있어서 가장 중요한 부분은 LiDAR가 관심영역을 모두 탐색할 수 있도록 설치되어야 하며, 이때, LiDAR는, 거리 오차를 최소화하기 위하여 지면과 수평, 수직을 이룬 상태로 설치되고, 이때, 설치 높이는, 일반적인 차량 범퍼 높이인 지면으로부터 약 0.6m에 설치될 때 최소한의 굴곡을 가진 차량의 형태를 가장 잘 검출할 수 있다.

또한, 도 6을 참조하면, 도 6은 LiDAR의 설치방법을 설명하기 위한 도면이다.

즉, 도 6에 나타낸 바와 같이, 도로의 방향이 바뀌는 곡선구간의 경우, 중복 감시되는 구간을 최소화할 수 있는 장소를 잘 선정하여 설치하는 것이 중요하다.

다음으로, 도 7 내지 도12를 참조하여, 본 실시예에 적용된 차량 시스템 구체적인 구성에 대하여 설명한다.

먼저, 도 7을 참조하면, 도 7은 본 발명의 실시예에 따른 자동주차 시스템이 적용된 차량의 구체적인 구성을 나타내는 도면이다.

또한, 도 8을 참조하면, 도 8은 도 7에 나타낸 실험용 차량의 횡방향 제어를 위해 각각의 구동기를 부착한 모습을 개략적으로 나타내는 도면이다.

즉, 본 발명자들은, 본 발명의 실시예에 따른 자동주차 시스템을 실제 차량에 적용하여 실험을 수행하기 위하여 상용차량을 이용하였으며, 사용된 차량의 사양은 도 7에 나타낸 바와 같고, 차량의 제어를 위해, 도 8에 나타낸 바와 같이, 각각의 구동기를 차량에 설치하였다.

더 상세하게는, 도 9를 참조하면, 도 9는 조향 구동기와 조향각 센서가 설치된 모습을 나타내는 도면이다.

즉, 도 9에 나타낸 바와 같이, 본 발명자들은, 차량 시스템의 횡방향 제어를 위해 구동기를 차량의 조향 컬럼(Column)에 부착하였으며, 부착방법은, 풀리(Pulley)를 가공하여 구동기와 조향 컬럼축에 부착하고 이를 구동벨트로 연결하였으며, 차량의 현재 조향각을 인식하기 위하여 조향각 센서를 풀리에 같이 부착하였다.

계속해서, 도 10을 참조하면, 도 10은 제동을 위한 구동기가 장착된 모습을 나타내는 도면이다.

즉, 본 발명자들은, 도 10에 나타낸 바와 같이, 제동을 위한 구동기를 차량에 직접 부착하고 레버(Lever)를 설치하여, 제동명령 입력시 레버가 제동 페달(Pedal)을 누르도록 구성하였다.

또한, 도 11을 참조하면, 도 11은 차량의 가속 제어를 위해 가속 페달 신호를 생성하는 콘트롤러가 장착된 모습을 나타내는 도면이다.

즉, 본 발명자들은, 차량의 가속 제어를 위해 가속 페달 신호를 생성하는 콘트롤러를 기어 시프트 레버에 부착하였으며, 더 상세하게는, 도 11에서 원으로 나타낸 부분(Console box)의 내부에 구동기를 장착하고, 구동기와 시프트 레버를 연결하는 링크를 설계하여 차량의 변속 위치를 제어하였다.

아울러, 도 12를 참조하면, 도 12는 차량의 속도 획득을 위한 엔코더(Encoder)가 장착된 모습을 나타내는 도면이다.

즉, 도 12에 나타낸 바와 같이, 본 발명자들은, 차량의 속도 획득을 위한 엔코더를 차량의 구동륜 안쪽에 각각 장착하였다.

계속해서, 상기한 바와 같이 구성되는 본 발명의 실시예에 따른 자동주차 시스템을 구동하는 알고리즘과 통신 시스템에 대하여 설명한다.

여기서, 이하의 설명에서, 먼저, 통신시스템에 대하여는, 자동주차 시스템에서 세 부분으로 나누어지는 개별 시스템들 간의 정보처리를 위해 각각의 통신규약과 전송방법을 정의하고, 다음으로, 개별 시스템의 처리 알고리즘에 대하여 설명한다.

먼저, 통신 시스템에 있어서, 패킷(Packet)은 데이터의 묶음 단위로서, 헤더와 바디로 구성된 바이트 단위의 짧은 신호를 의미하며, 또한, 한번에 전송할 데이터의 크기를 나타낸다.

이러한 패킷의 크기는 네트워크의 종류에 따라 달라지며, 예를 들면, 이더넷(Ethernet)은 최대 1500 바이트 크기를 가지고, IEEE 802.3 표준에서는 최대 1492 바이트의 크기를 가진다.

또한, TCP/IP는 서로 다른 시스템간의 연결을 통해 데이터 접근 및 전송을 위한 대표적인 프로토콜(Protocol : 통신규약)을 의미하며, 이는, 패킷 통신방식의 인터넷 프로토콜인 IP(Internet Protocol)와, 전송제어 프로토콜인 TCP(Transmission Control Protocol)로 이루어져 있다.

즉, TCP는 IP 위에서 동작하는 프로토콜로서 데이터를 메시지 형태로 보내기 위해 IP와 함께 사용되는 프로토콜이며, 흔히 TCP/IP로 표기한다.

아울러, OSI(Open System Interconnection) 참조모델은 다른 시스템간의 원활한 통신을 위해 ISO(International Organization for Standardization : 국제 표준화 기구)에서 1984년 제안한 표준 네트워크 아키텍처(Architecture)를 의미한다.

여기에서는 컴퓨터 네트워크 프로토콜 디자인과 통신을 계층으로 나누어 설명하고 있으나, 각 계층에서의 역할만을 포괄적으로 정의해 놓았을 뿐 계층의 프로토콜이나 인터페이스 사양은 정확하게 규정하지 않았다.

즉, OSI 참조모델은 이름에서 의미하는 대로 참조모델일 뿐으로, 현재 OSI를 완벽하게 만족시키는 OSI 프로토콜은 만들어 지지 않았으며, 다만 다른 기종간의 통신을 위해서 OSI 참조모델의 7 계층의 역할에 맞도록 프로토콜을 맞추어 사용하고 있다.

더 상세하게는, 도 13을 참조하면, 도 13은 TCP/IP, LAN 및 WAN 프로토콜에 대한 OSI 기준 모델을 표로 정리하여 나타내는 도면이다.

도 13에 나타낸 바와 같이, 네트워크 계층에 해당하는 IP는 여러 네트워크에 흩어져있는 많은 노드가 지향하는 목적지를 인식해 최적의 경로를 설정 함으로써 전송 경로를 확정하는 기능을 한다.

또한, TCP는 4계층인 전송 계층에 해당하며, 수신측이 데이터를 흘려버리지 않도록 데이터 흐름제어(Flow Control)와 전송 중 에러가 발생할 경우 자동으로 재전송하는 에러제어(Error Control) 등의 기능을 통해 데이터의 확실한 전송을 보장하는 역할을 담당한다.

IP는 각각의 IP 네트워크 장비에 대해 숫자로 된 구분자를 할당하여 네트워크 장비의 위치를 지정하며, 컴퓨터나 서버, 라우터 등의 컴퓨터 장비들이 네트워크 통신을 할 때면 항상 공인 IP 어드레스를 등록해야 하고, 바로 이 IP 어드레스를 통해 통신을 할 수 있으며, 인터넷을 사용할 때 이 IP 어드레스를 통해 목적지 서버를 찾는다.

또한, 컴퓨터는 0과 1로 이루어진 2진수를 사용하지만, IP 어드레스는 알아보기 쉽도록 8비트(1옥텟) 마다 중간에 점(.)으로 구분한 10진수로 바꾸어 표기한다.

따라서 32비트인 IPv4 방식의 IP 어드레스는 4개의 옥텟(Octet)으로 구성된다.

더 상세하게는, 예를 들면, 224.0.0.1은 all-hosts 그룹 주소이며, 종속망에 속하면서 멀티캐스트가 가능한 모든 호스트들을 상대로 브로드캐스팅이 가능하고, 또한, 224.0.2는 all-routers 그룹 주소이며, 종속망에 속하면서 멀티캐스트가 가능한 모든 라우터들을 상대로 브로드캐스팅이 가능하고, 아울러, 224.0.0.0에서 239.255.255.255는 IPv4 Class D 주소 체계이다(참고문헌 42 참조).

즉, 도 14를 참조하면, 도 14는 IPv4의 주소체계를 나타내는 도면이다.

다음으로, UDP(User Datagram Protocol)는, 컴퓨터들 간의 메시지들이 교환 될 때 제한된 서비스만을 제공하는 통신 프로토콜로서, Broad cast, Multi cast 전송이 가능하나, 신뢰성이 보장되지 않으며, 전송 메시지의 손실이 발생할 수 있고, 중복이나 순서 바뀜 등이 일어날 수 있고, 극히 제한된 오류 점검 기능만 수행하는 특징을 가진다.

또한, TCP는, 연결지향 프로토콜로서, 메시지들이 각 단의 응용 프로그램들에 의해 교환되는 시간 동안 연결이 확립되고 유지되는 것을 의미하며, 네트워크에 연결된 각 컴퓨터 간의 오류제어나 패킷의 중복 방지, 순서보장 등 신뢰할 수 있는 서비스를 제공한다.

아울러, 이를 위해, 수신자는, 데이터 수신 후 패킷 수신이 성공할 경우 송신측으로 ACK(Acknowledgment)를 전송하고, 송신부는, 이러한 ACK를 수신한 후 다음 패킷을 송신하며, UDP와 다르게 일대일로 연결(Uni cast)된다.

더욱이, LAN(Local Area Network)은, 근거리 통신망을 의미하며, 이 기술은 근거리에 있는 여러 대의 컴퓨터를 상호 연결하는 기술로서, 간편하고 경제적이며 신뢰할 수 있는 네트워크 기술이다.

즉, LAN은 모든 노드들이 하나의 매체를 공유하는 방식으로서, 근거리는 신호가 많은 손실을 입기 전에 도달할 수 있는 거리를 의미하고 일반적으로, 약 300m이내에 해당한다.

또한, LAN은, 다양한 통신 기기로의 연결이 용이하고, 음성, 이미지, 동영상과 같은 정보들의 처리가 가능하며, 전송 거리가 짧고, 광섬유나 동축 케이블 같은 전송 매체를 사용하여 오차율이 10^-8 ~ 10^-11 정도로 낮으며, 정보를 송수신할 때 기기 간의 상호 독립적인 상태에서의 통신이 가능하고, 고속 전송 매체를 사용해서 다양한 데이터들의 고속 전송이 가능하며, 네트워크의 확장이나 재배치가 용이하다는 특징을 가진다.

이러한 LAN 기술의 등장으로 정보 및 자원의 공유가 비로소 가시화되었으며, 인터넷의 발전으로 이어지게 되었고, 즉, 1990년대 중반까지는 텍스트 위주의 데이터 통신이 대부분을 차지하였으나, 인터넷이 상용화되고 그래픽과 동영상 데이터의 사용이 증가하면서 멀티미디어 서비스가 가능한 고용량, 고속을 지원하는 통신망이 구축되었다.

아울러, LAN의 토폴로지(Topology) 구조별 분류로는, 허브(Hub)를 이용한 스타형(Type of star) 구조가 많이 사용되는데, 중앙에 제어 노드(허브나 스위치)가 있고 모든 노드가 이와 직접 연결된 형태를 가지며, 이러한 구조의 단점으로는, 중앙 노드와의 트래픽 부하(통신 부하) 문제와 신뢰성 문제가 발생할 수 있다.

다음으로, WAN(Wide Area Network)은, 기본적으로 LAN과 같은 기술을 사용하는데, WAN 역시 일종의 모뎀(Modem)을 사용하여 데이터를 전송한다는 점에서는 LAN과 같은 원리이나, WAN은 도시나 국가 등 지리적으로 완전하게 떨어진 장거리에 분산되어 있는 컴퓨터들을 서로 연결하여 정보의 공유 및 전송을 가능하게 하는 광역 통신망을 의미한다.

즉, WAN은 LAN과 LAN을 연결해 주는 전용선을 제공하는 망을 의미하며, WAN에 사용되는 프로토콜은 X.25와 프레임릴레이 등이 있고, 또한, WAN의 망 구성은 패킷 교환망과 회선 교환망으로 구분되며, WAN은 라우터 또는 패킷 스위치라 불리는 특별한 역할을 수행하는 컴퓨터를 이용하여 여러 전송 선로를 집단적으로 묶는다.

이때, 각 집단을 사이트(Site)라고 부르며, 각 사이트는 라우터 혹은 패킷 스위치를 사용하여 사이트의 내부와 외부의 통신을 담당하고, 따라서 라우터 또는 패킷 스위치는 외부 사이트에서 오는 신호를 받아서 내부의 컴퓨터에 전달하거나 또는 내부 컴퓨터의 신호를 받아서 외부 사이트로 전달하는 역할을 수행한다.

계속해서, 도 15를 참조하면, 도 15는 본 발명의 실시예에 따른 자동주차 시스템의 통신방식을 개략적으로 나타내는 도면이다.

도 15에 나타낸 바와 같이, OCU와 인프라 센서는 유선으로 연결되며, LiDAR와 OCU간 통신은 최대 1km까지 신호를 전송할 수 있는 RS422 통신방식을 사용한다.

또한, 주차공간의 인식을 위해서는 다양한 센서들을 사용할 수 있으며, 즉, CCD카메라를 사용할 경우는 LAN으로 연결되고, 초음파 센서를 사용할 경우는 RS232 통신 방식을 사용한다.

아울러, OCU와 차량간 통신은 무선 라우터(Router)를 각각 설치하여 무선으로 송수신을 행하며, 차량 구동기와 무선 라우터는 RS232 통신방식을 이용하여 신호를 전송한다.

다음으로, 도 16을 참조하면, 도 16은 본 발명의 실시예에 따른 자동주차 시스템의 통신 메시지의 구성을 개략적으로 나타내는 도면이다.

도 16에 나타낸 바와 같이, 본 실시예에 적용된 통신 메시지 셋(Message set)은, 헤더(Header)와 메시지(Message)로 구성되며, 먼저, 헤더는 다음과 같이 구성된다.

ID(Identifier) : 통신하려는 대상(Target)에 따른 식별 ID를 지정.

Message Length : 전송되는 메시지의 정보에 따라 정해지는 메시지의 데이터 길이를 정의.

Message Information : 전송되는 메시지의 정보를 정의.

또한, 도 17을 참조하면, 도 17은 OCU에서 차량으로의 통신 전송을 위한 헤더의 구성을 표로 정리하여 나타내는 도면이다.

즉, 도 17에 나타낸 바와 같이, Target ID의 크기는 등록 가능한 차량 수에 따라 크기가 정해지며, 예를 들면, ID의 크기가 1바이트 이면 등록 가능한 차량은 255대가 된다.

여기서, 'ID 0'는 미등록 상태의 차량을 의미하며, 본 실시예에서는 ID의 크기를 1바이트로 정의하였으며, Need velocity는 설정된 최고속도 30kph를 m/s로 변환한 108m/s를 고려하여 데이터의 크기를 1 바이트로 설정하였고, Need steer angle은 좌우 각각 -700° ~ 700°임을 고려하여 데이터 크기를 int(4바이트)로 설정하였다.

아울러, 도 18을 참조하면, 도 18은 차량에서 OCU로의 통신 전송을 위한 메시지 헤더의 구성을 표로 정리하여 나타내는 도면이다.

도 18에 있어서, 차량이 등록 전 상태라면 Vehicle ID는 0을 나타내고, 차량이 등록된 상태이면 Vehicle ID는 0이 아닌 값을 가진다.

또한, 차량의 현재 속도와 스티어링 휠 조향각은 도 17에서와 동일하게 단위는 m/s 및 °이며, 데이터의 크기는 1바이트, 4바이트로 각각 동일하게 설정하였다.

계속해서, 도 19를 참조하면, 도 19는 인프라에서 OCU로 전송되는 메시지 헤더의 구성을 표로 정리하여 나타낸 도면이다.

도 19에 있어서, Target position x, Target position y는 m를 단위로 가지며 실수형의 데이터 형태를 가지므로 float로 설정하였고, 데이터 크기는 LiDAR에서 획득되는 관심영역 내 장애물 데이터의 크기를 나타내므로, 관심 영역 내에 장애물이 없을 경우 크기는 0 값을 출력한다.

또한, 도 20을 참조하면, 도 20은 전송 메시지에서 지정되는 데이터의 형식(Type)을 나타내는 도면이다(참고문헌 42 참조).

계속해서, 차량 ID 관리에 대하여 설명하면, 주차장 입구에서 운전자가 하차 후 OCU에 입고를 신청할 때, 차량의 ID 0과 입고신청 명령이 동시에 OCU에 입력된다.

OCU는 이들 동시신호를 받아 해당 차량에 ID를 부여하고, 여기서, ID 부여 순서는, 기 등록된 순서에 따라 순차적으로 부여되며, 이후 차량이 인프라 내에서 주행을 시작하면 차량에 부여된 ID, 현재 차량의 상태정보 및 현재 위치가 OCU에 전송된다.

이에, OCU는 인프라에 설치된 LiDAR 중 차량의 현재 위치에 해당되는 LiDAR의 정보만을 선별적으로 사용하여, 차량이 출고될 경우 주차장 출구까지 유도된 차량은 목표 위치에서 정지하게 되고 OCU는 이때 해당 차량의 ID를 0으로 리셋(Reset) 함으로써 차량 ID 관리를 종료한다.

여기서, OCU는 통신부분과 계산부분으로 나눌 수 있으며, 통신부분은 차량의 상태정보와 LiDAR를 통한 차량 위치정보의 송수신을 담당하고, 본 실시예에서 무선 송수신을 위한 공유기의 대역폭은 300Mbps로 이하의 [수학식 4]와 같이 나타낼 수 있다.

[수학식 4]

또한, 통신 메시지에서 정의한 1회 전송 데이터의 크기는 33 바이트이며, 인프라에 구축된 LiDAR는 2대가 중첩된 영역을 감시하므로 추가로 13 바이트의 데이터 양을 더한 46 바이트가 된다.

여기서, 계산부분의 동작시간은 25ms와 지연시간 35ms를 감안하여 60ms로 설정하였으며, 따라서 60ms 주기마다 46 바이트의 데이터가 전송되며, 통신 대역폭은 60ms에 2400000 바이트를 전송할 수 있다.

상기한 바와 같은 내용으로부터, 최종적으로 통신부분에서 대역폭에 따른 동시 처리 가능 횟수는 이하의 [수학식 5]와 같이 나타낼 수 있다.

[수학식 5]

따라서 본 발명의 실시예에 따른 자동주차 시스템은, 통신 전송 부분에 있어서는 차량의 대수가 증가하는 데 따른 통신 부하에 대하여 충분히 안정적인 것을 알 수 있다.

다음으로, 계산 부분에 대한 부하에 대하여는, 먼저, 계산 부분은, 차량의 경로생성과 추적을 담당하는 부분으로 크게 나눌 수 있으며, 여기서, 경로생성 부분은, 인프라 연계 시스템의 특성에 따라 진입로 부근의 경로만 재계산하고 나머지 부분은 미리 저장된 경로를 조합하여 사용하므로, 본 실시예에서는 시스템의 부하에서 제외하고 차량의 경로추적 부분만을 대상으로 시스템 부하를 실험하였다.

또한, 실험방법은, 경로추적 계산부분을 병렬로 증가시키고 입력요소는 동일하게 적용한 후 동시에 동작시키며, 이때 계산부분의 동작시간을 측정하였다.

즉, 도 21을 참조하면, 도 21은 OCU의 계산 부하 시험 결과를 나타내는 도면으로서, 경로추적 부분의 증가에 따른 각 계산부분의 동작시간을 기록한 것이다.

아울러, 도 21에 있어서, Y축은 동작시간으로 ms 단위이며, X축은 기록시간으로 sec 단위로 저장하였고, 35ms 부근의 흰색 선은 경로추적 시 소요되는 동작 설정시간을 나타내며, 25ms 부근의 회색 점선과 분홍색 실선은 각각 통신선의 읽기 쓰기 부분의 동작속도를 기록한 것이고, 30ms 부근을 중심으로 경로추적 시간이 기록되어 있다.

더욱이, 도 21에 있어서, 도 21(a) ~ 도 21(j)는 각각 경로추적 부분을 n개 만큼 증가시키면서 그때의 동작시간을 기록한 것이고, 이때, 통신의 송수신 부분에서 간헐적인 지연현상이 발생하였으며, 최대 지연시간은 28ms를 기록하여, 이에 따라 통신 업데이트는 최소 28ms 이상으로 설정하였다.

실험 결과, 최종적으로 경로추적 부분을 10개까지 병렬 확장하였을 때 9개까지는 설정 시간인 35ms 이내에서 동작하였으며, 10개로 확장하였을 때 최대 36ms 지연시간이 35ms 동안 발생하였다.

따라서 이러한 소프트웨어 시뮬레이션 실험결과로부터, OCU에서는 최대 9대의 경로추적이 동시에 수행 가능하다는 결론을 얻을 수 있다.

다음으로, 도 22를 참조하면, 도 22는 LiDAR의 신호처리 부분의 소프트웨어 부하 계산 결과를 각각 나타내는 도면이다.

여기서, 이 부분의 실험도 상기한 OCU의 경로추적 부분의 테스트와 동일하게 LiDAR 신호처리 부분을 병렬로 최대 10개까지 증가시킬 때의 동작시간을 측정하였다.

도 22(a) ~ 도 22(c)에 나타낸 바와 같이, 신호처리 부분을 3개 증가시킬 때까지는 동작 설정시간인 35ms를 초과하지 않으나, 4개부터는 35ms를 초과하는 부분이 간헐적으로 발생하는 것을 알 수 있으며, 이러한 경향은 개수가 증가할수록 더 빈번해지고 시간 폭과 최대 지연시간도 동반해서 증가하는 것을 볼 수 있다.

따라서 최종 결과를 종합해보면, 3개까지는 시스템의 변화 없이도 동시에 동작시킬 수 있다는 것을 알 수 있으며, 또한 도 21(g) 까지는 동작시간을 초과하였지만 지속시간이 35ms로 나타났다.

또한, 자동주차시 차량의 이동속도는 대략 5kph ~ 10kph 이며, 따라서 이하의 [수학식 6]과 같이 하여 단위 시간당 이동거리를 계산할 수 있다.

[수학식 6]

여기서, 상기한 [수학식 6]에 동작 지연시간인 35ms와 최대 지연시간 45ms를 포함한 80ms를 감안할 경우, 이하의 [수학식 7]과 같이 나타낼 수 있다.

[수학식 7]

상기한 바와 같은 계산결과로부터, 경로추적 알고리즘과 통신, 그리고 LiDAR의 신호처리 부분만을 고려한 소프트웨어 시뮬레이션 결과, 주차시 이동속도 5kph에서는 시간지연이 발생하지만 그 지속시간이 짧으므로 최대 7대까지 범용 컴퓨터를 사용하여 동시에 주차할 수 있다는 결론을 얻을 수 있다.

또한, 8대부터는 범용 컴퓨터가 아닌 대용량 데이터 계산용인 서버급 컴퓨터를 사용한다면 대수 증가에 대한 시스템의 부하에 용이하게 대처할 수 있을 것으로 판단된다.

다음으로, 도 23을 참조하여, OCU와 차량간의 업데이트 갱신속도 측정결과에 대하여 설명한다.

본 발명자들은, OCU에서 차량으로 임의의 값 20을 송신하고 다시 수신되는 차량측 데이터를 저장하는 방식으로 OCU와 차량간의 업데이트 갱신속도를 측정하였으며, 그 결과를 도 23에 나타내었다.

즉, 도 23을 참조하면, 도 23은 OCU와 차량간의 업데이트 갱신속도 측정결과를 나타내는 도면이다.

여기서, 도 23에 있어서, 적색 선은 차량측 데이터를 저장한 것이고, 백색 선은 OCU측 데이터를 저장한 것이다.

또한, 도 23b는 도 23a의 A 부분을 확대한 것으로, 임의의 값 20이 전송되었을 때 OCU의 다음 루프에 그 값이 기록된 것을 알 수 있다.

즉, 시간 k₁에서 송신된 값 20이 그 다음 시간인 k₂에서 수신된 것을 확인할 수 있으며, 이러한 결과로부터, OCU와 차량간의 업데이트 갱신속도는 지정된 시간 35ms 내에서 충분히 이루어진다는 것을 알 수 있다.

다음으로, 센서 데이터의 처리과정에 대하여 설명하면, 먼저, LiDAR를 통해 입력되는 거리 데이터들은 전처리 과정을 통해 고정 장애물을 제거하는 작업이 수행되고, 다음으로, 차량 모델을 기반으로 어떤 종류의 객체인지 판단하는 분류(classification) 과정과, 해당 객체의 이동성을 판단하기 위한 추적(Tracking) 과정이 수행된다.

더 상세하게는, 먼저, 전처리 과정은, LiDAR의 거리정보를 획득함에 있어서 먼저 관심영역(ROI)을 설정하는 것이 중요하며, 즉, 관심영역을 설정함으로써 관심영역 밖의 데이터를 제거하여 계산할 데이터의 양을 줄일 수 있으며, 또한, 물체로부터 난반사되는 레이저에 의해 점핑되는 데이터를 제거하여 알고리즘 적용을 더욱 빠르고 효율적으로 할 수 있다.

더 상세하게는, 도 24를 참조하면, 도 24는 LiDAR를 통해 입력되는 거리 데이터를 직교 좌표계 형태로 나타낸 것이다.

여기서, 도 24에 있어서는, 극 좌표계에서 직각 좌표계로의 좌표계 변환이 적용된 데이터를 사용하였으며, 입력된 데이터의 개수는 총 361개이고, 이는, 0.5°의 분해능으로 180°를 스캔하는 LMS291의 특징에 의한 결과이다.

또한, 도 24는 임의로 설정된 위치 좌표를 대입한 결과로서 x축과 y축 상의 각각 100000(m) 되는 점이 LiDAR가 설치된 위치를 나타낸다.

아울러, 이러한 데이터를 효율적으로 처리하기 위한 전처리 단계는, 첫째로, 먼저 관심영역을 설정한 후 관심영역 이외의 거리데이터는 모두 제거한다.

즉, 도 25를 참조하면, 도 25는 관심영역을 각각 40m로 설정한 상태를 나타내는 도면이다.

도 25에 나타낸 바와 같이 관심영역 밖의 거리 데이터를 삭제할 경우, 도 24와 같은 영역을 고려하면 입력된 거리 데이터의 수는 243개로 줄어들게 되며, 다음으로는, 관심영역 내의 고정 장애물을 제거한다.

즉, 도 26을 참조하면, 도 26은 고정 장애물을 삭제한 결과를 나타내는 도면이다.

여기서, 고정장애물은, 사전에 그 위치를 알 수 있는 대상으로서, 예를 들면, 이미 주차되어 있는 차량이나, 인프라 내의 건물 기둥 또는 시설물 등을 의미하며, 이와 같이 고정 장애물을 삭제함으로써 순수하게 이동경로 상의 데이터만을 처리하는 것이 가능하게 된다.

다음으로, 관심 데이터와 관련되지 않은 먼지나 곤충 등을 제거해주는 과정을 거치며, 이러한 데이터들의 특징은 5m이내에 나타나는 경우가 많고, 그 크기가 작아 하나의 대상에 대해 검출된 포인트의 수가 두 개 이상인 경우는 거의 없는 것으로 나타나며, 또한, 그 포인트의 위치가 불규칙하다는 특징을 가진다.

마지막으로, 노면이나 기둥의 난반사에 의해 주행로 상에 장애물이 있는 것으로 검출되는 경우가 발생할 수 있으며, 이와 같이 주행로 상에 난반사로 인해 임의로 생성되는 데이터들은 그 패턴이나 크기가 불규칙하여 규격화할 수 없는 경우가 발생한다.

따라서 클러스터링할 때의 오류를 최소화하기 위해서 현재 차량의 위치를 중심으로 일정구간 내의 데이터만을 남겨두고 주행로 상의 데이터는 모두 삭제한다.

즉, 도 27을 참조하면, 도 27은 중심영역의 구성을 개략적으로 나타내는 도면이다.

더 상세하게는, 먼저, 그룹화된 클러스터의 중심점 C_j를 기준으로 차량의 형상과 유사한 직사각형의 핵심영역을 설정하기 위한 참조점 P1_j, P2_j, P3_j, P4_j를 각각 설정한다.

여기서, 1≤j≤k 이며, k는 클러스터의 수이고, C_j는 클러스터의 중심점을 의미하며, 1≤i≤n 이고, n은 데이터의 수량을 의미한다.

이러한 참조점들은, 차량의 헤딩을 φ_j, 클러스터 중심점을 C_j, 대상차량의 폭을 L 그리고 대상차량의 길이를 W라 할 때, 이하의 [수학식 8]과 같이 나타낼 수 있다.

[수학식 8]

여기서, 참조점 P1_j, P2_j, P3_j, P4_j의 헤딩은 각각 다음과 같다.

[수학식 9]

헤딩 φP1_j, φP2_j, φP3_j, φP4_j를 바탕으로, 위치좌표 (PN_jx, PN_jy)는 이하의 [수학식 10]과 같이 하여 계산할 수 있다.

[수학식 10]

여기서, N은 네 변을 의미한다.

다음으로, 도 28을 참조하면, 도 28은 유클리디안 거리를 이용하여 중심 영역의 내부와 외부를 결정하는 개념을 개략적으로 나타내는 도면이다.

즉, 도 28에 나타낸 바와 같이, 목표 데이터 d_n과 클러스터 중심점 C_j와의 유클리디안 거리 l_nj와 헤딩각 φ_n 그리고

의 직선의 방정식 y_dn, y_dn과 교차하는

중의 직선의 방정식 y_pn을 이하의 [수학식 11]을 이용하여 각각 구한다.

[수학식 11]

여기서, a_dnj = tan(φ_dnj)이고, a_pj = tan(φ_pj)이다.

와 y_nj의 교차 여부는 이하의 [수학식 12]에 나타낸 바와 같은 P_nj의 헤딩각 φ_Nj 와 φ_dnj의 관계에서 확인할 수 있다.

[수학식 12]

또한, 헤딩φ_j의 변화에 따른 헤딩 φ_nj는 이하의 [수학식 13]과 같이 나타낼 수 있다.

[수학식 13]

마지막으로 P1_j, P2_j, P3_j, P4_j를 이용하여 설정된 핵심영역 선분과

와의 거리 l_2nj를 구한다.

이는, 이하의 [수학식 14]에 나타낸 바와 같이, 두 직선의 방정식 y_nj와 y_pj의 해 P_jx, P_jy를 구함으로써 계산할 수 있다.

[수학식 14]

따라서 상기한 바와 같이 하여 계산된 l_nj, l_2nj를 비교하여, 이하의 [수학식 15]에 나타낸 바와 같이, 목표 데이터 d_nj와 클러스터 중심 C_j를 기반으로 설정된 핵심영역 A_j와의 관계를 판단할 수 있다.

[수학식 15]

다음으로, 도 29 및 도 30을 참조하여, 상기한 바와 같이 하여 수행되는 전처리 결과에 대하여 설명한다.

먼저, 도 29를 참조하면, 도 29는 상기한 바와 같은 전처리 과정에 의해 처리된 결과를 나타내는 도면이다.

도 29에 있어서, 붉은색의 데이터들은 최초에 입력된 후 삭제된 기록을 나타내며, 실제 계산시에는 반영되지 않는다.

또한, 거리 데이터 d₁, d₂는 주행 경로 상에 반사에 의해 생성된 오류데이터를 나타내며, 따라서 붉은색의 데이터들과 달리 삭제되지 않고 남아 있으나, 다음 단계의 핵심영역 A_j 설정으로 인해 두 번째 단계에서는 삭제된 것을 확인할 수 있으며, 삭제되지 않은 데이터들은 이후 파란색으로 표시된 것을 알 수 있다.

아울러, 도 30을 참조하면, 도 30은 실제 차량의 위치는 고정된 상태에서 차량의 헤딩만을 프로그램 내에서 임의로 변화시켰을 때 핵심영역 A_j와 거리 데이터들도 변화하는 것을 나타내고 있으며, 따라서 도 29와 다르게 거리 데이터 d₃가 추가로 삭제된 것을 확인할 수 있다.

다음으로, 클러스터링에 대하여 설명하면, 클러스터링은, 주어진 데이터를 상호간에 유사도가 높은 객체들의 의미 있는 그룹으로 분류하는 방법으로서, 기계학습의 무감독 학습(Unsupervised learning)에 해당한다(참고문헌 43 참조).

또한, 그 구분은, 일반적으로, 분할방법(partitioning method), 계층적 방법(hierarchical method), 밀도 기반 방법(density-based method), 그리드 기반방법(grid-based method) 및 모델 기반 방법(model-based method)의 다섯 가지 카테고리로 나눌 수 있다.

여기서, 분할방법의 예로는, K-means, PAM을 들 수 있으며, 계층적 방법으로는 BRICH, CIRE 등이 있고, 밀도기반 알고리즘으로는 DBSCAN 등이 가장 많이 사용되며(참고문헌 44 참조), 클러스터링 기법과 클러스터링 평가방법은 종래 다양하게 제시된 바 있다(참고문헌 45 ~ 50 참조).

더 상세하게는, 상기한 K-means 클러스터링 알고리즘을 사용하기 위해서는 초기 K값을 선정하여야 하며, 종래, 이를 위한 다양한 연구가 진행된바 있다(참고문헌 51 ~ 54 참조).

또한, 본 실시예에서는, 상기한 K값은 인프라의 LiDAR를 이용하여 주어지며, 따라서 K값 선정을 위한 알고리즘을 고려할 필요가 없게 된다.

아울러, K-means 알고리즘은, 분할 클러스터링 알고리즘으로서, 기본적인 개념은 데이터들이 만드는 클러스터의 중심을 유클리디안(Euclidean) 거리를 사용하여 계산하는 방법을 의미하고, 즉, K-means 클러스터링 기법은 이하의 [수학식 16]과 같은 목적함수 J 값을 최적화하는 방법이다.

[수학식 16]

여기서, [수학식 16]에 있어서, n은 관측된 거리 데이터의 개수이고, k는 클러스터의 전체 개수로서, 전 단계에서 확정된 클러스터의 개수이며, c_j는 클러스터의 중심이고, x_i는 각각의 거리 데이터를 의미한다.

더욱이, 도 31을 참조하면, 도 31은 K-means 클러스터링 알고리즘의 의사 코드(Pseudo code)를 나타내는 도면이다.

계속해서, 도 32 및 도 33을 참조하여, 상기한 바와 같은 클러스터링의 결과에 대하여 설명한다.

먼저, 도 32를 참조하면, 도 32는 K-means 클러스터링 알고리즘을 검증하기 위해 임의로 주어진 데이터를 나타내는 도면이고, 도 33은 도 32에 주어진 임의의 데이터를 대상으로 K-means 클러스터링 알고리즘의 적용한 결과를 나타내는 도면이다.

더 상세하게는, 도 33(a)에서, 초기에 임의로 주어진 그룹 G₁ 및 G₂와, G₁ 및 G₂를 중심으로 한 c₁, c₂를 선정한다.

다음 단계에서, 이전에 선정된 c₁, c₂를 중심으로 가장 근접한 그룹을 도 33(b)와 같이 재선정하고, 이러한 과정을 반복하여 더 이상 c₁, c₂가 변화하지 않는 단계(즉, 도 33(d))에서 클러스터링이 종료된다.

상기한 바와 같이, LiDAR를 이용해 획득된 거리 데이터들은 클러스터링을 통해 대상이 구분되며, 그 대상의 중심점도 확정된다.

그러나 전처리를 통한 감시영역의 축소와 핵심영역 설정에 의한 비정상 데이터들의 최소화에도 불구하고, 시간 K, K₊₁에서의 이동객체를 추적하는데 있어서 많은 어려움이 있다.

이는, 설정된 핵심영역 내에서도 발생하는 노이즈들에 의한 영향과, 객체의 이동을 검출하기 위한 LiDAR는 고정되어 있는 반면 객체는 이동함으로 인해 검출되는 부분이 계속 변화하기 때문이다.

따라서 단순히 현재 데이터만을 이용한 객체추적에는 한계점이 존재하며, 이는, 시간 K에서의 상태를 이용하여 시간 K₊₁에서의 움직임 예측을 위한 이유가 된다(참고문헌 55 참조).

계속해서, 이동객체를 추적하기 위한 객체 추적(Object Tracking) 방법에 대하여 설명하면, 이동객체를 추정하기 위한 방법으로는, 일반적으로, 칼만 필터(Kalman filter), Mean-Shift, 파티클 필터(Particle-filter) 등이 사용되고 있으며, 차량이나 사람의 형상을 구분하는 패턴인식은 비젼 카메라를 사용한 연구가 다수 진행되었고, 비젼 카메라를 이용한 주차에 대한 연구도 진행 되었다(참고문헌 56 ~ 60 참조).

또한, 본 발명자들은, LiDAR를 통해 획득된 거리 데이터들을 이용하여 차량의 형태를 구분하는 연구를 진행하였으나, LiDAR를 이용할 경우, 비젼 카메라에 비해 데이터의 수가 적고 또한 차량 일부분의 형태만을 나타내기 때문에, 클러스터링을 통해 선정된 중심점을 실제 차량의 중심점으로 변환하는데 어려움이 있다.

따라서 본 발명자들은, 이를 개선하기 위해, 차량의 상태정보 중 차량의 속도와 스티어링 휠 조향각, 그리고 패턴의 연속성을 이용한 확률을 사용하여 차량의 형태를 구분하였다.

즉, 도 34를 참조하면, 도 34는 본 발명의 실시예에서 정의된 차량의 형태를 표로 정리하여 나타내는 도면이다.

도 34에 나타낸 바와 같이, 본 발명의 실시예에서, "LiDAR"는 차량에 따른 LiDAR의 측정위치를 나타내고, "L" 및 "R"은 LiDAR를 기준으로 좌측과 우측 방향을 각각 나타내며, "화살표"는 차량의 진행 방향을 의미한다.

따라서 "Type no 1"의 경우, 차량은 LiDAR를 기준으로 우측에서 좌측 방향으로 가로지르며 진행하는 상황을 나타내고, Type no 4는 차량의 정면에서 측정한 것을 나타내며, Type no 5는 차량의 후방을 측정한 것을 나타낸다.

또한, 도 35를 참조하면, 도 35는 센서 데이터의 전처리 단계에서 설정한 핵심영역 내에서 발생하는 잡음(noise)을 나타내는 도면이다.

여기서, 도 35에 있어서, d₁은 LiDAR 빔의 난반사에 의해 주행경로 상에 장애물로 인식되는 것을 나타내고, 핵심영역의 설정에 의해 삭제된 것을 알 수 있으며, d₂는 설정된 핵심영역 내에 생성된 잡음 데이터를 나타내고, 이러한 잡음 데이터는 차량의 형태를 구분하는 데 문제가 되며, 단순히 거리데이터의 위치 포함 여부만을 가지고 차량의 형태를 정의할 경우 전혀 다른 결과를 나타내게 된다.

따라서 본 발명자들은, 다음과 같은 알고리즘을 통하여 이전 상태를 반영하는 것에 의해 오차를 감소하였다.

더 상세하게는, 먼저, 최초 차량의 형태에 따른 타입 넘버, 차량 중심점의 위치 C_x0, C_y0, 차량의 헤딩 Ψ₀는 주어지는 것으로 가정하면, 차량의 상태정보 중 차량의 속도와 휠 조향각은 차량으로부터 무선 통신을 이용하여 제공되므로, 이러한 정보를 이용하여 이동거리 Δdist를 계산할 수 있다.

다음으로, 시간 K에서 차량 중심점의 현재 위치 C_xk, C_yk는 다음과 같이 이동 거리 Δdist 와 현재 차량의 헤딩 Ψ_k를 이용하여, 이하의 [수학식 17]에 의해 구할 수 있다.

[수학식 17]

다음으로, 상기한 [수학식 10]의 참조점 P1_j, P2_j, P3_j, P4_j를 이용하여 LiDAR를 통해 획득된 거리 데이터들을 1차적으로 분류하며, 이하의 [수학식 18]에 나타낸 바와 같이, 분류된 데이터들은 베이즈의 정리(Thomas Bayes' rule)를 통해 최종적인 차량의 형태를 결정한다(참고문헌 61 참조).

[수학식 18]

여기서, 상기한 [수학식 18]은 전체 확률 P^tot _k를 나타내며, 이는, 이전 시간 K에서의 차량 형태와 현재 시간 K₊₁에서 예상되는 차량 형태의 연관성에 따라 각각 정의된 확률 P^F _k, P^SL _k, P^SR _k, P^R _k, 현재 형태에 1차적으로 각각 포함된 거리 데이터의 수 d_F, d_sL, d_sR, d_R을 이용하여, 이하의 [수학식 19]와 같이 하여 구할 수 있다.

[수학식 19]

여기서, [수학식 19]는 [수학식 18]에서 계산된 전체 확률을 바탕으로 각 패턴에 대한 최종 확률 P^F _k, P^SL _k, P^SR _k을 나타낸 것이며, 따라서 단순히 거리 데이터의 위치에 따른 형태의 분류가 아니라, 해당 패턴들의 정의된 확률에 근거하여 차량의 형태를 분류하는 것이다.

계속해서, 도 36 및 도 37을 참조하여, 상기한 바와 같은 형태추적 알고리즘의 수행 결과에 대하여 설명한다.

먼저, 도 36을 참조하면, 도 36은 LiDAR를 이용하여 계산된 주행 궤적을 나타내는 도면이다.

도 36에 있어서, LiDAR가 설치된 위치는 X : 100,000(m) 와 Y : 100,000(m) 이고, 차량은 LiDAR를 기준으로 좌측에서 우측방향으로 진행 후 좌회전하여 주행하였다.

또한, 도 37을 참조하면, 도 37은 도 36에 나타낸 주행 궤적을 따라 형태 구분을 실행한 결과를 나타내는 도면이다.

도 37에 있어서, 구분된 형태는 11, 22, 33, 5로서, 도 34에서 정의된 형태로 식별한 것을 알 수 있다.

계속해서, 객체 추적에 대하여 설명하면, 상기한 바와 같은 전처리 단계에서 클러스터링된 LiDAR의 거리 데이터들을 이용하여 시간 K에서의 위치와 다음 시간 K₊₁에서의 위치 추정을 위해, 본 실시예에서는 확장 칼만 필터(Extended Kalman Filter ; EKF)를 적용하였다.

더 상세하게는, 확장 칼만 필터는, 칼만 필터를 비선형 시스템까지 확대 적용한 알고리즘으로서 오랜 세월 동안 이론과 실전에서 충분히 검증된 방법이며, 또한, 확장 칼만 필터는 다음과 같은 구조로 작동한다.

먼저, 상태 예측값

과 공분산

를 확정하고, 다음으로, 예측(Prediction) 단계로서, 시간 k에서의 상태

와 상태 추정 오차의 공분산(Covariance)

를 예측한다.

두 번째 단계에서는 칼만 이득 K_k를 계산하며, 세 번째 단계에서는 측정값 Z_k, 상태 예측값

, 칼만 이득 K_K, 행렬 H 등을 이용하여 추정값

를 계산한다.

마지막으로, 추정된 값

의 정확도를 오차공분산 P_k를 이용하여 검증하며, 이러한 일련의 단계, 즉, 예측부터 추정값 출력까지를 계속 순환하며 측정값에 대한 추정값

과 오차 공분산 P_k를 출력한다(참고문헌 55 참조).

또한, 도 38을 참조하면, 도 38은 상기한 바와 같은 확장 칼만 필터의 처리 흐름을 나타내는 플로차트이다.

계속해서, 도 39를 참조하면, 도 39는 차량의 기구학 모델을 개략적으로 나타내는 도면이다.

더 상세하게는, 도 39에 나타낸 바와 같이, 본 발명의 실시예에 적용된 차량의 기구학 모델은, 이하의 [수학식 20]에 나타낸 바와 같다.

[수학식 20]

여기서, 상기한 [수학식 20]에 있어서, X, Y 는 차량 뒤 차축의 중심위치, δ_k는 조향각, ψ_k는 차량의 헤딩, 그리고 L은 차량의 축거(Wheel base)를 각각 나타낸다.

또한, 위치 추정을 위한 상태 벡터는 이하의 [수학식 21]에 나타낸 바와 같다.

[수학식 21]

아울러, 제어 입력은 이하의 [수학식 22]에 나타낸 바와 같다.

[수학식 22]

더욱이, 상태 예측값과 공분산 예측값은 각각 이하의 [수학식 23]에 나타낸 바와 같다.

[수학식 23]

여기서, A_[i,j]는 함수 f를 x에 대하여 각각 편미분 한 자코비안 행렬로서, 이하의 [수학식 24]와 같다.

[수학식 24]

또한, 시스템 잡음 W_[i,j]는 함수 f를 u에 대하여 각각 편미분 한 자코비안 행렬로서, 이하의 [수학식 25]와 같다.

[수학식 25]

아울러, 시스템 노이즈 공분산 행렬(Process noise covariance matrix) Q_k는 이하의 [수학식 26]과 같다.

[수학식 26]

더욱이, H_[i,j]는 함수 f를 h에 대하여 각각 편미분 한 자코비안 행렬로서, 이하의 [수학식 27]과 같다.

[수학식 27]

또한, 측정 잡음 V_[i,j]는 함수 h를 v에 대하여 각각 편미분 한 자코비안 행렬로서, 이하의 [수학식 28]과 같다.

[수학식 28]

아울러, 칼만 이득 K_k은 이하의 [수학식 29]와 같다.

[수학식 29]

더욱이, 측정 노이즈 공분산 행렬(Measurement noise covariance matrix) R_k는 이하의 [수학식 30]와 같다.

[수학식 30]

여기서, 공분산 행렬은 각 항의 분산으로 구성된 행렬이며, 이는, 측정과정에서 발생하는 오차로, 이러한 오차특성을 보기 위해 이동이 없는 동일한 물체의 LiDAR 데이터 103,246개(0°~ 180°, 0.5° 분해능)를 5.72초 동안 획득하고 이들을 각각 X, Y, ψ로 변환한 후 이들의 분산을 계산하였다.

따라서 측정 노이즈 공분산 행렬 R_k는 이하의 [수학식 31]과 같이 나타낼 수 있다.

[수학식 31]

또한, 최종적인 추정값

와 오차 공분산 P_k는 이하의 [수학식 32]와 같다.

[수학식 31]

상기한 수학식에 있어서, 시스템 노이즈의 공분산 행렬 Q_k는 실험을 통하여 튜닝되었으며, 즉, 시스템 노이즈 σ² _v : (0.5m/s)²이고, σ² _Ψ : (0.2rad)²이다.

다음으로, 도 40 및 도 41을 참조하여, 상기한 바와 같은 객체추적 결과에 대하여 설명한다.

먼저, 도 40을 참조하면, 도 40은 기구학 모델, LiDAR를 이용한 추적 및 확장 칼만 필터를 사용하여 객체 추적한 차량의 헤딩을 각각 나타내는 도면이다.

도 40에 있어서, B는 LiDAR를 이용하여 계산한 헤딩을 나타낸 것으로, 불규칙하게 헤딩이 변하는 것을 알 수 있으며, 노란색 선은 기구학 모델을 이용하여 계산한 헤딩각으로, 가장 안정된 경향을 보이는 것을 알 수 있다.

또한, 도 41을 참조하면, 도 41은 도 40에 나타낸 세 가지 모델을 사용하여 객체 추적을 수행하여 얻어진 궤적을 각각 나타내는 도면이다.

도 41에 있어서, A는 기구학 모델의 궤적을 나타내며, 계산된 궤적 중 가장 안정된 헤딩각을 가지는 것을 알 수 있으나, 주행거리가 증가할수록 오차가 누적되어 구간을 많이 벗어나는 것을 알 수 있다.

아울러, 분홍색 선은 LiDAR만을 이용하여 계산한 궤적으로, 경향은 유지되지만 세부적으로 보면 도 40의 헤딩각이 변화하는 것처럼 궤적이 급격히 달라지는 것을 알 수 있다.

따라서 도 40과 도 41로부터, 확장 칼만 필터를 사용하여 계산한 궤적이 가장 안정적인 것을 확인할 수 있다.

계속해서, 주차경로 생성 알고리즘에 대하여 설명한다.

종래, 주차 경로를 생성하기 위한 연구들이 다양하게 진행되어 왔으나(참고문헌 63 ~ 73 참조), 본 발명에서는, 주차를 위한 단거리 경로를 생성하는 알고리즘을 설계하였다.

즉, 도 42를 참조하면, 도 42는 본 발명의 실시예에 따른 주차경로 생성 알고리즘의 전체적인 구성을 개략적으로 나타내는 플로차트이다.

더 상세하게는, 주차경로 생성을 위해서, 먼저, 현재 차량의 헤딩과 주차공간 헤딩의 교차점 D를 구하고, 이로부터 곡률반경 R을 구한다.

여기서, 곡률반경의 크기가 최소 회전반경 이상일 경우는, 차량의 현재 헤딩으로부터의 경로를 생성하며, 이때, 곡률반경구간 이외의 차량의 현재위치와 곡률반경까지의 구간 L₁, 곡률반경으로부터 주차공간 헤딩까지의 구간 L₂는 교차점 D와 현재차량의 위치와 헤딩 그리고 주차공간의 위치와 헤딩간의 기하학적 구성으로 인하여 그 구간의 존재 유무가 결정된다.

만약, 곡률반경 R이 최소 회전반경보다 작을 경우, 현재차량의 위치에서 최소 회전반경으로 지정 거리만큼 이동하며, 본 실시예에서, 최소 회전반경은 본 실시예에서 사용한 차량을 고려하여 6m로 설정하였으며, 지정거리는 추후 경로추적(Path tracking)의 용이함을 위해 20cm 이하로 설정하였다.

또한, 본 실시예에서는, 곡률이 존재하는 구간의 경로 생성은 거리의 누적이 아닌 이전 경로부터의 회전 변환을 통하여 계산하였으며, 이는, 곡률 구간의 거리가 길어질 경우 발생하는 오차의 누적을 방지할 수 있다는 장점이 있다.

아울러, 위치좌표의 회전은 이하의 [수학식 33] 및 [수학식 34]와 같이 하여 변환할 수 있다.

[수학식 33]

[수학식 34]

여기서, [수학식 33]은 C.W(Clockwise)이고, [수학식 34]는 C.C.W(Counter clock wise)이며, R_x, R_y는 각각 곡률반경의 중점을 나타내고, θ는 곡률구간의 이동거리 l과 곡률 반지름 R에 대한 비이며, X_{n -1}, Y_{n -1}은 이전의 위치이고, X_n, Y_n은 현재 위치를 나타낸다.

계속해서, 곡률반경의 계산에 대하여는, 먼저, 도 43 및 도 44를 참조하면, 도 43 및 도 44는 곡선경로 생성을 위한 계산과정을 설명하기 위한 도면이다.

도 43에 있어서, 차량의 현재위치는 점 S이고, 이때 차량의 헤딩은

로 나타낼 수 있으며, 목표점의 위치는 점 G이고, 목표점의 헤딩은

로 나타낼 수 있다.

차량의 현재위치 점 S로부터 목표점 G까지의 곡선경로를 만들기 위해, 우선,

,

의 만나는 점D(D_X, D_Y)를 구해야 하며, 이는, 이하의 [수학식 35]에 나타낸 바와 같이 두 직선의 연립방정식의 해를 구함으로써 얻을 수 있다.

[수학식 35]

또한, 상기한 [수학식 35]의 내용을 프로그래밍에 사용하기 위해서 [수학식 35]를 이하의 [수학식 36]과 같이 나타낸다.

[수학식 36]

즉, 교점 D로부터

,

두 직선의 길이 비교를 통해 다른 주행 경로를 생성하며, 도 43 및 도 44와 이하의 [수학식 37]은 이를 나타낸 것으로 두 직선의 길이가 다른 경우를 나타내고 있다.

[수학식 37]

주차를 위한 경로는 초기 위치에서부터 일정한 거리의 갱신으로 이루어지며, 따라서 곡선 경로의 경우 곡률반경은 경로생성 전에 계산하여야 한다.

도 44에 있어서, 곡률반경 R은 이하의 [수학식 38]과 같이 하여 구할 수 있다.

[수학식 38]

또한, 이동거리 계산을 위한 거리 l 은 이하의 [수학식 39]와 같이 하여 구할 수 있다.

[수학식 39]

여기서, [수학식 39]에 있어서, θ는 기하학적 구조로부터 θ = 2×θ₁로 나타낼 수 있다.

또한, 도 45를 참조하면, 도 45는 경로 생성의 예를 나타내는 도면이다.

도 45에 나타낸 바와 같이, 차량과 목표점 1(Goal-1)과의 경로는 다른 과정 없이 경로를 생성할 수 있으나, 목표점 2(Goal-2)의 경우 차량과 목표점과는 교차점이 없으므로 경로를 생성할 수 없다.

따라서 차량을 일정 구간 회전시킨 후 교차점을 찾고 그 점으로부터 선회 반경을 계산하며, 여기서, 구간 회전할 경우 기 설정된 20cm 단위로 이동한다.

즉, 1 회전할 경우 189 단계로 이동하면서 최소 회전반경 이상이 될 때까지 회전시키며 탐색하는 과정을 거치고, 만약 1 회전을 할 동안 최소 회전반경을 찾지 못할 경우 처음 회전방향과 반대 방향으로 회전시키며 이러한 과정을 반복하며, 최종적으로 목표점까지 회전시킴으로써 교차점, 최소 회전반경 이상의 선회 반경을 찾을 수 있다.

계속해서 도 46을 참조하여 상기한 바와 같은 주차경로 생성 알고리즘의 적용결과에 대하여 설명한다.

즉, 도 46을 참조하면, 도 46은 상기한 바와 같은 본 발명의 실시예에 따른 경로생성 알고리즘을 적용하여 생성된 결과를 나타내는 도면이다.

도 46에 있어서, 붉은색 점은 목표점이고, 푸른색 점은 출발점을 각각 의미한하며, 또한, 도 46(a) ~ 도 46(d)는 한번에 경로를 생성하지 못하는 경우의 결과를 나타낸 것으로 각각 시작점의 구간회전과 목표점의 구간회전을 통해 경로를 생성한 결과를 나타낸 것이다.

아울러, 도 47을 참조하면, 도 47은 상기한 바와 같은 본 발명의 실시예에 따른 주차경로 생성 알고리즘을 사용하여 실제 경로를 생성하는 과정을 나타내는 도면이다.

더 상세하게는, 주차경로의 생성과정은, 도 47에 나타낸 바와 같이, 먼저, 차량의 시작점의 위치(Start)와 차량헤딩, 각 경유점의 위치(P1, P2, P3)와 헤딩, 그리고 목표점(Goal)의 위치와 헤딩을 결정한다.

여기서, 시작점과 경유점 간의 연결은 상기에 설명한 주차경로 생성 알고리즘을 적용하며, 최종적인 목표점과 목표점 전의 경로는 후진 주차를 위해 목표점으로부터 90°를 이동한 위치(Reverse)를 기준으로 경로를 생성하며, 후진 시작점과 최종 목표점의 경로는 경로추적 알고리즘의 특성으로 인해 해당 점의 헤딩을 유지한 채 1m를 연장시켜 사용한다.

또한, 시작점을 제외한 경유점, 목표점의 위치는 인프라를 고려하는 것으로 인해 항상 고정되므로, 따라서 시작점에서 차량의 위치와 헤딩을 고려한 경로를 생성하고 다음 경로는 재생성할 필요 없이 이미 계산된 경로를 조합함으로써 경로 생성을 신속하게 수행할 수 있다.

즉, 도 48을 참조하면, 도 48은 시작점의 위치와 차량의 헤딩을 변경한 상태의 경로를 나타내는 도면이다.

도 48에 나타낸 바와 같이, 시작점의 위치와 헤딩이 변화하더라도 경유점의 위치와 목표점의 위치는 고정된 것을 확인할 수 있다.

계속해서, 경로 추적(Path tracking) 알고리즘에 대하여 설명하면, 먼저, 경로추적은, 속도와 조향 명령에 근거하여 경로 오차를 보정하면서 주어진 경로를 연속적으로 주행하는 것을 의미하며, 종래, 이를 위한 여러 가지 알고리즘이 연구된 바 있다(참고문헌 74 ~ 79 참조).

더 상세하게는, 경로 추적 방법으로는, 크게 나누어, 기하학적 방법과 동역학적인 방법이 있으며, 먼저, 기하학적 방법은, 차량의 현재 위치 및 방향과 룩 어헤드 포인트(Look ahead point)인 목표 지점과의 기하학적 구조에 의해 생성된 곡률을 이용하여 차량의 움직임이 이루어지고, 순수 추적(Pure pursuit) 및 벡터 추적(Vector pursuit) 방법 등이 있다.

또한, 동역학적 방법은, 차량으로부터 가장 근접한 경로점과 오차를 포함한 횡방향 차량 모델을 이용하며(참고문헌 80 참조), 또 다른 분류로서, 경로 추적을 하기 위한 기준점(Reference point)의 위치에 따라 나누는 방법이 있다.

아울러, 본 실시예에서는, 경로 추적을 하기 위한 알고리즘 적용에 있어서, 기준점(Reference point)의 위치에 따른 대표적인 알고리즘인 순수 추적(Pure pursuit) 및 스탠리법(Stanley method)을 시뮬레이션하고, 그 결과를 비교하여 적합한 알고리즘을 선정하였다.

즉, 도 49를 참조하면, 도 49는 경로 추적 알고리즘을 시뮬레이션하기 위해 적용된 차량 모델을 나타내는 도면이다.

도 49에 나타낸 바와 같이, 본 실시예에서는, 경로 추적 알고리즘을 시뮬레이션하기 위해서 2륜차(Bicycle) 모델 기반의 차량 모델을 선정하였다.

더 상세하게는, 우선 수평면 내를 운동하는 차량에 있어서 좌우 타이어의 옆 미끄럼각이 같으며 그 값은 충분히 작다고 가정하고, 또한, 차체의 롤과 일정 속도로 주행하는 차량의 타이어 트레드도 무시하면, 전후의 좌우륜이 등가적인 차량의 전후륜과 차축과의 교점에서 각각 집중된 전후륜 2륜의 2륜차(Bicycle) 차량 모델을 얻을 수 있다(참고문헌 81 참조).

여기서, 도 49에 있어서, P는 차량 중심점, r은 P점에서의 요율(Yaw rate), β는 P점에서의 타이어 횡슬립각, V는 차량속도, δ는 조향각, l_f, l_r 은 각각 차량중심점에서부터 전후 축간의 거리를 나타낸다.

또한, 차량 전후륜 타이어의 횡슬립각이 β_f, β_r 이고, 이들 타이어에 작용하는 코너링 포스(Cornering force)는 Y_f, Y_f, 코너링 파워(Cornering power)는 K_f, K_r로 나타낸다.

아울러, 상기한 바와 같은 2륜차 차량모델로부터 차량 횡방향 운동과 연직축 둘레의 요(Yawing) 운동은 이하의 [수학식 40]과 같이 하여 구할 수 있다.

[수학식 40]

여기서, [수학식 40]에 있어서, m은 차량의 관성질량, I는 차량의 요(Yawing) 관성 모멘트를 나타낸다.

[수학식 40]에서, 차량이 정상원 선회를 한다고 가정하면, 차량 중심점의 횡 슬립각의 변화는 없으며, 요(Yaw) 각속도도 일정하다고 볼 수 있다.

즉, dβ/dt = 0, dr/dt = 0을 대입하여 이하의 [수학식 41]과 같이 나타낼 수 있으며, 또한, [수학식 41]로부터, 이하의 [수학식 42]를 이끌어낼 수 있다.

[수학식 41]

[수학식 42]

여기서, 상기한 [수학식 42]에 있어서, 횡 슬립각(β)을 무시할 수 없으나, 각 차륜에서의 속도방향이 차륜의 조향각과 일치한다고 가정하면, 이하의 [수학식 43]과 같이 차량모델을 정의할 수 있다(참고문헌 82 및 83 참조).

[수학식 43]

여기서, X, Y는 차량의 위치를 나타내며, Ψ는 차량의 헤딩을 나타내고, 또한, 속도 V는 차량의 후진시 음수값으로 정의되며, L은 차량의 휠 베이스를 의미한다.

계속해서, 도 50을 참조하면, 도 50은 기준점(Reference point)에 따른 경로 추적 알고리즘의 예로서 순수 추적(Pure pursuit) 방법의 개념을 설명하기 위한 도면이다.

도 50에 나타낸 바와 같이, 순수 추적(Pure pursuit)은, 기준점을 차량의 뒤 차축(rear axle) 중심에 두고 경로추적을 하는 대표적인 경로추적 방법으로서, 모바일 로봇의 경로를 추적하기 위해 사용되는 대표적인 방법이다(참고문헌 84 참조).

또한, 도 50에 있어서, 차량의 선회반경 R을 구하기 위해서는, 우선, 차량의 현재 위치와 목표 경로 좌표를 바탕으로 각 α를 구하며, 여기서, 각 α는, 차량의 현재 헤딩과 경로 헤딩의 차로 구할 수 있다.

아울러, 각 A는 기하학적 구조로부터 2α로 나타낼 수 있으며, 차량의 선회반경 R은 sin 법칙에 의해 이하의 [수학식 44]와 같이 하여 구할 수 있다.

[수학식 44]

또한, 차량의 조향각은, 선회반경 R과 차량의 휠 베이스 L로부터 이하의 [수학식 45]와 같이 하여 구할 수 있다.

[수학식 45]

아울러, 목표점(g_x, g_y)은, 후륜축과 목표점까지의 거리인 예측거리(Look ahead distance) l_d로부터 결정되며, 예측거리(Look ahead distance)가 길어질 경우 추적 오차는 커지고, 조향은 부드럽게 되나, 반대로 짧아지는 경우에는, 추적 오차가 줄어들지만 조향각은 커지고 차량의 주행이 불안정하게 되는 결과를 초래하게 된다.

즉, 차량의 조향각은 차량과 목표점 사이의 각과 곡률, 그리고 예측거리에 의해 결정된다.

또한, 순수 추적(Pure pursuit)은 차량의 종방향 속도에 따라 예측거리를 조절하며, 이를 속도와 곡률에 대한 식으로 정리하면 이하의 [수학식 46]과 같다(참고문헌 85 참조).

[수학식 46]

여기서, [수학식 46]에 있어서, k는 원호의 곡률을 나타내고, 두 번째 줄의 식은 Kinematic, single-track model을 고려한 차량의 조향각을 나타낸다.

다음으로, 도 51을 참조하면, 도 51은 기준점에 따른 경로 추적 알고리즘의 다른 예로서 스탠리법(Stanley method)의 개념을 설명하기 위한 도면이다.

더 상세하게는, 스탠리법(Stanley method)은, 스탠포드(Stanford) 대학에서 사용한 경로추적 알고리즘으로서, 상기한 순수 추적 방법과 달리 기준점을 차량의 전축(front axle) 중심에 두고 경로추적을 하는 대표적인 알고리즘이다.

또한, 도 51에 있어서, e_fa는 목표 경로점(c_x, c_y) 와 차량의 전축중심과의 횡방향 거리 오차를 나타내며, 헤딩 오차 θ_e는 목표 경로점(c_x, c_y)의 헤딩 θ_p, 차량의 현재 헤딩 θ를 통해서 이하의 [수학식 47]과 같이 나타낼 수 있다.

[수학식 47]

따라서 기준점(Reference point)을 차량의 전축 중심에 두는 경로추적 알고리즘에 있어서 차량의 조향각은 이하의 [수학식 48]과 같이 나타낼 수 있다(참고문헌 85 참조).

[수학식 48]

여기서, 상기한 [수학식 48]에 있어서, k는 게인 파라메터이며, 횡방향 거리오차 e_fa가 0일 경우 조향각은 헤딩 오차 θe로 생성되나, 횡방향 거리오차가 발생할 경우는 [수학식 48]에서 두 번째 항의 영향을 받는다.

다음으로, 상기한 두 가지 경로추적 알고리즘을 검증하기 위한 시뮬레이션 결과에 대하여 설명한다.

먼저, 도 52를 참조하면, 도 52는 상기한 두 가지 경로추적 알고리즘을 검증하기 위한 시뮬레이션 경로를 나타내는 도면이고, 도 53을 참조하면, 도 53은 시뮬레이션을 위한 차량 파라미터 설정내용을 표로 정리하여 나타내는 도면이다.

도 52에 나타낸 바와 같이, 시뮬레이션을 위한 경로는, 일반적인 주차경로에서 생성되는 곡선 경로와 직선 경로를 혼합하여 구성하였으며, 구체적으로는, 최소 회전반경 6m에 근접하는 6.38m를 가지는 곡선 경로와, 이를 연결하는 직선 경로로 구성하였고, 각 경로점 간의 거리는 0.2m로 설정하였다.

또한, 시뮬레이션을 위한 실험조건은, 차량의 속도가 각각 10kph, 20kph, 30kph로 주어질 때 예측거리(Look ahead distance)의 변화에 따른 기준경로와의 횡방향 거리오차와 조향각, 그리고 궤적을 비교하였으며, 이를 바탕으로 10kph ~ 30kph의 속도를 고려한 최적의 예측거리를 선정하였고, 이때, 시뮬레이션을 위한 차량 파라미터는 도 53에 나타낸 바와 같이 설정하였다.

아울러, 도 54를 참조하면, 도 54는 상기한 바와 같은 시뮬레이션을 통하여 얻어진 예측거리 선정결과를 나타내는 도면이다.

더 상세하게는, 도 54는 경로추적을 위한 대상차량의 주행속도를 각각 10kph, 20kph, 30kph로 변화시킬 때의 기준경로 궤적과 차량의 주행궤적과의 횡방향 거리오차를 나타낸 것이며, 도 54에서는 예측거리가 2m일 때 가장 작은 경로 오차를 나타내고 있음을 알 수 있다.

계속해서, 도 55를 참조하면, 도 55는 조향각에 대한 시뮬레이션 결과를 나타내는 도면이다.

즉, 상기한 도 54에서 횡방향 거리 오차만을 대상으로 했을 때는 예측거리가 2m일 때 가장 작은 거리 오차를 나타냈으나, 그때의 조향각을 살펴보면 예측거리가 2m일 경우는 조향이 불가능할 정도의 과대 조향각이 생성되는 것을 확인할 수 있다.

따라서 이러한 내용을 고려하여, 주차시 예상 가능한 주행 속도를 10kph ~ 30kph 범위로 하였을 때 예측거리는 3m로 선정하는 것이 바람직하다.

다음으로, 도 56을 참조하면, 도 56은 속도를 10kph ~ 30kph로 변화시킬 때 예측거리에 따른 차량의 주행 궤적을 나타내는 도면이다.

즉, 도 56에 나타낸 바와 같이, 속도가 증가할수록 경로 궤적과의 거리오차가 커지는 것을 알 수 있다.

계속해서, 도 57을 참조하면, 도 57은 최적의 게인 파라메터 K를 선정하기 위해 속도와 게인 파리미터 K를 각각 변화시키면서 경로 궤적과 차량 주행궤적 사이의 횡방향 거리 오차를 비교한 결과를 나타내는 도면이다.

더 상세하게는, 본 발명자들은, 최적의 게인 파라메터 K를 선정하기 위하여 속도를 10 ~ 30kph 까지 변경시키고, 이때, K 역시 각각 변화시키면서 경로 궤적과 차량 주행 궤적과의 횡방향 거리 오차를 비교하였으며, 그 결과를 도 57에 나타내었다.

즉, 도 57에 나타낸 결과로부터, 속도와 무관하게 K 값이 증가할수록 거리 오차가 줄어드는 경향을 보이는 것을 알 수 있다.

또한, 도 58을 참조하면, 도 58은 속도와 K 값의 변화에 따른 조향각을 나타내는 도면이다.

도 58에 나타낸 바와 같이, K 값이 증가함에 따라 조향각의 변화폭이 줄어드는 것을 확인할 수 있다.

아울러, 도 59를 참조하면, 도 59는 속도와 게인 파라메터 K값의 변화에 따른 주행 궤적을 기준경로 궤적과 함께 나타낸 도면이다.

즉, 도 59에 나타낸 바와 같이, K값이 10일 때 속도별로 가장 작은 횡방향 거리 오차를 보였으며, K값이 과대해지면 오히려 경로 안쪽으로 궤적을 그리는 것을 알 수 있다.

따라서 상기한 바와 같은 시뮬레이션 결과를 통하여, 본 실시예에서는, 최적의 K값을 10으로 선정하였다.

다음으로, 도 60을 참조하면, 도 60은 상기한 바와 같은 각각의 경로추적 알고리즘의 시뮬레이션을 통해 얻어진 궤적을 비교한 결과를 나타내는 도면이다.

더 상세하게는, 도 60에 있어서, 차량의 뒷축(rear axle)을 기준점으로 하는 알고리즘의 예측거리를 3m로 하고 , 앞축(front axle)을 기준점으로 하는 알고리즘의 K값을 10으로 적용하였으며, 기준 주행경로와 주행속도는 각각 동일하게 적용한 경우의 주행 궤적을 나타내고 있다.

또한, 도 60에 있어서, 흰색 선은 경로의 궤적이고, 분홍색 선은 뒷축 기준점 알고리의즘이며, 녹색 선은 앞축 기준점 알고리즘을 각각 나타낸다.

아울러, 도 61을 참조하면, 도 61은 속도를 변경시켰을 경우에 각 경로추적 알고리즘을 비교한 결과를 나타내는 면이다.

더 상세하게는, 도 61(d)의 A와 같이 곡선로에서 직선 진입로 구간 또는 직선로에서 곡선 진입로 구간에서 횡방향 거리 오차가 가장 크게 발생하며, 이는, 차량의 현재 헤딩 방향과 기준경로의 헤딩 방향이 가장 많은 차이를 가지는 구간이기 때문이다.

또한, 도 61(a), 도 61(b), 도 61(c)는 도 61(d)의 A 구간에서 기준 경로와 주행 궤적간의 횡방향 거리 오차를 속도별로 각각 나타낸 것이다.

도 61에 나타낸 결과로부터, 뒷축 기준점 경로추적 알고리즘이 그 특성상 이 구간에서 전체 주행구간 중 가장 큰 횡방향 거리 오차를 가지는 것을 알 수 있으며, 이는, 속도의 변화에도 동일한 경향을 가지는 것을 알 수 있다.

즉, 도 62를 참조하면, 도 62는 각각의 경로추적 알고리즘의 속도별 횡방향 거리 오차를 표로 정리하여 나타낸 도면이다.

도 62에 나타낸 바와 같이, 각 경로추적 알고리즘의 속도별 횡방향 거리 오차는 그 경향이 불분명한 부분이 있으나, 경로추적 알고리즘간의 상대 비교에서는 경로 오차가 일정한 비율로 크게 나타난다는 것을 확인할 수 있다.

아울러, 도 63(a) 및 도 63(b)는 뒷축 기준점 경로추적 알고리즘과 앞축 기준점 경로 추적 알고리즘을 적용한 결과를 각각 나타내는 도면으로, 도 63(a)에서 흰색 선은 경로의 궤적이고, 적색 선은 이를 추종한 궤적을 나타내며, 도 63(b)에서 녹색 선은 전륜의 궤적, 청색 선은 후륜의 궤적을 나타낸다.

이는, 앞축 기준점 경로추적 알고리즘을 사용할 경우 차량의 후진시 중심 궤적이 바뀌기 때문이며, 결과 비교에서는 횡방향 거리 오차를 잘 나타내기 위해 설정된 속도의 최고속도인 30kph의 속도를 적용하였다.

또한, 도 63(a)의 A부분에서 경로추적 알고리즘의 특성인 횡방향 거리 오차가 크게 발생하고 이러한 경향이 목표점까지 유지되는 것을 알 수 있는 반면, 도 63(b)의 경우, 기준경로와의 횡방향 거리오차가 거의 발생하지 않는 것을 알 수 있다.

아울러, 도 63(a)에 있어서, 최종 목표점을 기준으로 봤을 때 뒷축 기준점 알고리즘의 경우 약 20cm의 횡방향 거리 오차가 발생하였으며, 종횡방향 위치 또한 정렬되지 않은 것을 확인할 수 있다.

다음으로, 도 64를 참조하면, 도 64(a)는 앞축 기준점 경로추적 알고리즘을 적용한 전륜축의 횡방향 거리 오차이고, 도 64(b)는 뒷축 기준점 경로추적 알고리즘을 적용한 후륜축의 횡방향 거리오차를 각각 나타내는 도면이다.

즉, 도 64에 있어서도, 상기한 결과와 동일하게, 도 64(b)의 횡방향 거리오차가 보다 크게 발생하는 것을 확인할 수 있다.

따라서 상기한 바와 같은 결과로부터, 저속, 단거리, 그리고 곡선 궤적을 가지는 경로를 주행하는 경우는 앞축 기준점 경로추적 알고리즘이 더 적합하므로, 본 발명의 실시예에서는 경로추적 알고리즘으로서 앞축 기준점 경로추적 알고리즘을 선정하였다.

계속해서, 상기한 바와 같이 하여 선정된 본 발명의 실시예에 따른 경로추적 알고리즘을 실제 차량에 적용한 결과에 대하여 설명한다.

먼저, 도 65를 참조하면, 도 65는 경로추적 알고리즘을 사용하여 차량이 실제 도로를 주행한 경로를 나타내는 도면이고, 도 66을 참조하면, 도 66은 도 65의 출발점 P1과 첫 번째 곡선 부분 P2 사이를 확대하여 나타낸 도면이다.

여기서, 주행 경로는 직선과 곡선이 존재하는 2차선 포장도로를 선정하였고, 차량의 주행속도는 주차를 고려하여 10kph로 설정하였으며, 시뮬레이션에서는 최적의 K값을 10으로 선정하였고, 60 이하에서는 그 변화를 구분하기 어려웠으나, 주행실험 결과 K값이 55에서 가장 작은 거리 오차를 가지는 것을 확인하였다.

또한, 도 65에 있어서, 출발점 P1, 첫 번째 곡선 부분 P2를 확대하여 보면 도 66과 같으며, 도 66으로부터 비례상수 K에 따른 주행 궤적의 변화를 알 수 있다.

아울러, 도 66에 있어서, 흰색 선은 주행 궤적을 GPS 신호를 이용하여 나타낸 것으로 경로추적 알고리즘의 기준 주행경로에 해당하며, 나머지 색은 비례상수 K의 변화에 따른 주행 궤적을 나타낸 것이다.

더욱이, 도 66에 있어서, 주안점은 서로 다른 위치와 헤딩을 가진 차량의 주행궤적을 나타낸 것으로, K값이 증가함에 따라 주행 경로로 수렴하는 속도가 더 빨라지는 것을 알 수 있으며, 반대로, K값이 낮을수록 경로에 수렴하는 경향이 늦어지는 것을 알 수 있다.

또한, 도 67을 참조하면, 도 67은 곡선 부분의 주행 궤적을 나타내는 도면이다.

도 67에 있어서도, 도 66에 나타낸 바와 마찬가지로, K값이 10일 경우(적색 선) 주행 경로를 많이 벗어나며 가장 늦게 수렴하는 것을 볼 수 있다.

아울러, 도 68 및 도 69를 참조하면, 도 68은 주행경로와의 전축 거리오차(front axle distance error)를 나타내는 도면이고, 도 69는 주행경로와의 후축 거리오차(rear axle distance error)를 나타내는 도면이다.

더 상세하게는, 도 68(a)는 비례상수 K의 전체 변화를 나타낸 것이고, 도 68(b)는 거리오차가 더 작은 K = 40 ~ 60까지를 대상으로 나타낸 것이다.

도 68에 나타낸 결과로부터, 직선로에서의 횡방향 거리오차는 일정한 편차를 가지며 비례상수 K의 변화에 의한 오차와의 상관관계는 크게 나타나지 않은 반면, 곡선로에서 K = 50일 때 경로를 가장 잘 추종하는 것을 알 수 있다.

또한, 도 69를 참조하면, 도 69는 후축 횡방향 거리오차를 나타낸는 것으로, 전축의 횡방향 거리오차에 비하여 오차가 증가한 것을 알 수 있다.

아울러, 도 70을 참조하면, 도 70은 경로추적 실험시의 스티어링 조향각을 나타내는 도면이다.

도 70에 있어서, 흰색 선은 기준 주행경로의 기록 주행시 저장된 차량 운전자의 조향각을 나타내며, 나머지는 K값 변화에 따른 조향각의 변화를 나타낸 것이다.

도 70에 나타낸 결과로부터, 운전자의 조향각은 변화폭이 좁고 그 크기가 큰 반면, 경로추적 알고리즘에 의한 조향각은 상대적으로 변화폭이 더 완만한 것을 알 수 있다.

즉, 상기한 바와 같이, 안정적인 차량제어를 위해서는 차량의 종횡방향 제어가 중요하며, 본 발명에서는 차량의 종횡방향 구동을 위해 각각 부착된 구동기를 OCU에서 통신을 이용하여 제어한다.

더 상세하게는, 도 71을 참조하면, 도 71은 차량의 종방향 제어를 위한 신호 흐름을 나타내는 블록도이다.

즉, 자동주차 시스템에 있어서, 차량의 종방향 및 횡방향 제어는 차량에 부착된 구동기를 통해 이루어지며, 본 실시예에서는, 차량의 가속을 위해서 기존의 구동기를 대체한 I/O 모듈을 사용하였고(참고문헌 85 참조), 이때, 안정적인 제어를 위하여 차량의 속도와 조향각을 각각 피드백 받는 폐루프 시스템을 구성하였으며, 여기에 PID 보상기를 적용하였다.

여기서, PID 제어기는, 오차신호 e(t)에 따라 플랜트에 가해지는 제어값(MV : Manipulated Variable)을 이하의 [수학식 49]와 같이 하여 생성한다.

[수학식 49]

계속해서, 상기한 바와 같이 하여 구성되는 본 발명의 실시예에 따른 인프라 센서를 이용한 자동주차 시스템의 성능시험을 위한 실험과정 및 결과에 대하여 설명한다.

즉, 본 발명자들은, 상기한 바와 같이 하여 구성되는 본 발명의 실시예에 따른 인프라 센서를 이용한 자동주차 시스템의 성능을 확인하기 위해 포장되고 주차 구획이 존재하는 야외 주차장을 선정하여 실험을 진행하였다.

즉, 도 72를 참조하면, 도 72는 외부 환경에 설치된 LiDAR를 각각 나타내는 도면이다.

여기서, 도 72에 나타낸 바와 같이 주차구획이 존재하는 야외 주차장을 선택하여 실외에서 실험을 할 경우, GPS신호를 이용할 수 있으므로 주행 궤적의 비교 대상으로 사용할 수 있다.

또한, LiDAR는 최소 사용 대수인 2대를 사용하였으며, 이와 같이 2대를 사용함으로써 차량이 이동할 때 차량의 정보가 주차 시스템에서 유지, 전달되는지를 확인하였다.

아울러, 구체적인 실험 순서는, 먼저, 최초에 차량이 설정된 입구에 진입하면, 경로생성 프로그램에서는 해당 차량의 위치와 헤딩을 바탕으로 주어진 주차공간까지의 주차 경로를 생성하고, OCU에서는 이러한 경로를 바탕으로 입고된 차량을 주차공간으로 이동시키며, 이때, 차량의 이동은 설치된 LiDAR를 통해 현재 위치를 판단한다.

즉, 도 73 및 도 74를 참조하면, 도 73은 자동주차를 위해 생성된 궤적을 나타내는 도면이고, 도 74는 차량의 주행 궤적을 나타내는 도면이다.

도 73에 있어서, 경로점 간의 거리는 20cm 이며, L1 및 L2는 설치된 LiDAR의 위치를 각각 나타낸다.

또한, 도 74에 있어서, 붉은색, 노란색 점들은 설치된 두 대의 LiDAR로부터 입력되는 거리정보를 XY 좌표로 위치변환하여 나타낸 것이며, 흰색 선은 주어진 주차경로를 나타내고, 파란색 선은 LiDAR의 거리정보만을 이용하여 나타낸 차량의 이동궤적이며, 분홍색 선은 LiDAR의 거리정보와 차량의 상태정보 중 속도와 조향각을 사용하여 EKF로 융합한 경로를 나타낸다.

아울러, 도 75를 참조하면, 도 75는 주행속도를 나타내는 도면으로, 본 실험에서는 약 5kph의 속도로 주행하였으며, 도 75에 있어서, 50초 부근의 마이너스 속도는 차량의 후진을 의미한다.

다음으로, 도 76 및 도 77을 참조하면, 도 76은 스티어링 조향각을 나타내는 도면이고, 도 77은 기준경로와의 거리오차를 나타내는 도면이다.

도 77에 나타낸 바와 같이, 거리오차만을 보면 LiDAR와 EKF를 사용한 주행 궤적 간의 오차가 크지 않음을 알 수 있으나, LiDAR만을 이용한 궤적의 경우 일정한 경향이 없이 거리오차가 증가하다 급격히 떨어지는 구간이 반복해서 나타난다.

이는, 급격한 헤딩, 위치의 변화를 나타내며, 이렇게 추종된 궤적은 주행이 불가능하다.

또한, 도 78을 참조하면, 도 78은 도 74의 A 부분을 확대하여 나타낸 도면ㅇ으로, 도 78에 나타낸 바와 같이, LiDAR만을 이용한 경로는 헤딩의 변화폭이 크고, EKF를 사용하여 보정한 궤적은 변화량의 폭이 보다 더 완만함을 알 수 있다.

아울러, 도 79를 참조하면, 도 79는 헤딩을 나타낸 도면으로, 횡방향 거리오차 기록에서와 같이 LiDAR만을 이용할 경우 헤딩 변화의 폭이 크고 빈번하게 바뀌는 것을 확인할 수 있다.

더욱이, 도 80을 참조하면, 도 80은 차량의 형태를 주차 시스템이 인식한 모습을 나타내는 도면이다.

여기서, 형태에 따른 정의는 도 34를 참조하여 상기한 바와 같으며, 도 80에 있어서 13초, 24초, 39초 부근의 데이터는 두 가지 형태를 반복하여 인식한 것을 알 수 있다.

이는 차량의 형태가 변화하는 과도구간으로, 형태는 반복 인식되고 있지만 그 상관관계가 동떨어진 형태로 인식하는 것이 아니라 인식 전, 후의 형태로 인식하는 것을 볼 수 있다.

또한, 50초 부근은 후진 구간으로, 이 구간부터 형태가 좌우측이 역전된 것을 볼 수 있다.

이상, 상기한 내용을 정리하면, 본 발명자들은, OCU와 차량, 차량과 OCU, 그리고 OCU와 인프라 간의 통신메시지를 각각 정의하였고, 컴퓨터를 사용하여 실험한 OCU의 부하 실험에서 무선 송수신을 위해 사용한 무선 공유기의 대역폭은 300Mbps로서, 통신 부분만을 고려하였을 때 최대 52173.9대까지 가능하다는 계산 결과를 얻었다.

또한, 본 발명자들은, OCU에서 차량 대수 증가에 대한 시스템 부하문제를 확인하기 위하여 OCU의 주 기능인 경로추적 부분을 10개로 확장하고 동시 동작시켜 시간을 측정한 결과, 시스템 동작시간인 35ms를 감안할 때 최대 9개까지 확장 가능한 것을 확인하였으며, 인프라의 LiDAR를 이용한 신호처리 부분의 경우 3개까지 확장하였을 때 시스템 동작시간을 초과하지 않았고, 4개부터 7개까지는 초과하더라도 지속시간이 35ms이고 전체 주차 동작구간에서 3번 이내로 발생하여, 주차 속도 5kph를 감안할 경우, 시간지연이 발행할 때 11.12cm 이동하므로 동시 주차가 가능하다는 시뮬레이션 결론을 얻을 수 있었다.

아울러, 8대부터는 대용량 데이터 계산용인 서버급 컴퓨터를 사용한다면 대수 증가에 대한 시스템 부하에 대처할 수 있을 것으로 판단되며, OCU의 업데이트 갱신속도는 시스템 속도인 35ms 이내인 것으로 측정되었다.

더욱이, LiDAR의 신호를 처리하는데 있어서, 관심영역과 핵심영역을 설정하여, 관심영역은 LiDAR 전방으로 좌우 각각 20m를 설정하여 이외 지역은 모두 삭제함으로써 데이터 처리시 시스템 부하를 감소하였으며, 핵심영역은 관심영역 내에서 노면이나 기둥의 난반사에 의해 발생하는 노이즈에 대처하기 위해 현재 차량의 위치를 중심으로 대상 차량의 길이와 폭에 오차 30cm를 감안한 영역으로 설정하였다.

또한, 클러스터링 기법으로 k-means를 사용하였으며, 초기 k값은 인프라에서 제공하므로 고려하지 않았고, 알고리즘에 대한 검증은 시뮬레이션과 실차 실험으로 이루어졌으며, 핵심 영역 내에서 발생하는 잡음에 대응하기 위해서 베이즈 룰에 따른 확률 개념을 도입하여, 이전 시간의 형태가 현재 시간에도 유지될 가능성이 높으므로 확률을 높게 하고 다른 형태에 대해서는 상대적으로 확률을 낮게 함으로써 발생하는 잡음에 대처하였다.

아울러, 이동물체의 추적을 위하여 차량의 기구학 모델과 LiDAR의 위치데이터를 융합한 EKF를 사용하였고, 측정 노이즈 공분산 행렬은 최초에 LiDAR 데이터 103,246개를 5.72초 동안 획득한 후 이들의 분산을 계산하였으며, 이후 시스템 노이즈 공분산 행렬을 고려하면서 실험을 통해 그 값을 조정하였다.

더욱이, 단거리 경로생성을 위한 알고리즘은 시작점과 목표점의 위치와 헤딩을 바탕으로 서로 교차하는 점을 찾고, 여기에서 최소 회전반경 이상을 만족하는 원을 그린 후, 각각의 경로를 결합함으로써 주행 경로를 완성하였으며, 이때, 경로점간 거리는 20cm로 설정하였고, 시뮬레이션과 실차 실험을 통해 생성된 경로가 적합함을 확인하였다.

또한, 경로추적 알고리즘은, 기준점이 차량의 전 차축과 후 차축에 위치하는 알고리즘 중 적합한 알고리즘 선정을 위해 시뮬레이션을 실시하였고, 곡선과 직선이 포함된 시험 경로를 10kph ~30kph로 주행하여 횡방향 거리오차와 조향각을 비교하였으며, 비교 결과 기준점이 전 차축에 있는 차량이 15cm 더 작은 횡방향 거리 오차를 보였으며, 주행이 가능한 조향각을 생성하였다.

따라서 이러한 경로추적 알고리즘을 사용하여 600m의 포장도로에서 10kph 속도로 주행실험을 실시하였으며, 그 결과, 비례상수 K가 55일 때 횡방향 거리오차가 곡선부분 최대 20cm, 직선부분 최대 10cm를 기록하였다.

아울러, 자동주차를 위한 실험은 GPS를 기준 신호로 사용하기 위해 실외에서 이루어졌으며, 차량이 이동하는 구간에 LiDAR를 2대 설치하여 차량정보의 공유, 유지가 이루어지는 것을 검증하였고, 주차 우선순위는 주차 대기차량을 기준으로 최단 거리의 주차 가능위치를 목표점으로 선정하였다.

자동주차시 차량은 5kph로 주행하였고, 최종 결과 검증은 LiDAR와 차량의 상태 정보를 EKF를 이용하여 융합한 궤적과 GPS를 통해 주행한 경로 궤적과의 횡방향 거리 오차 비교를 통해 이루어 졌으며, 실험결과 최대 횡방향 거리오차는 30cm가 발생하였으나, 제한된 환경에서 이루어진 야외 실험에서 자동주차가 성공적으로 이루어 짐으로써 본 발명에 따른 자동주차 시스템의 가능성을 확인하였다.

여기서, 거리 센서인 LiDAR는 실험 결과 0.5° 분해능에서 감시할 수 있는 영역이 20m 이내로 한정되어 신호처리에 어려움이 있었으나, 이는, 세밀한 분해능을 가지는 다른 거리 센서로 대체 한다면 보다 정밀하고 넓은 영역으로 감시 영역을 확장할 수 있을 것으로 판단된다.

따라서 상기한 바와 같은 내용들로부터, 본 발명에 따른 인프라센서를 이용한 자동주차 시스템을 구현할 수 있다.

즉, 상기한 바와 같이, 본 발명에 따른 인프라센서를 이용한 자동주차 시스템은, 현재 상용화되어 출시되고 있는 운전자 보조 시스템은 완전 자동이 아니므로 결국은 운전자가 근접 위치까지 운전해야 한다는 점에서 그 한계가 비교적 명확하고, 또한, 현재 연구 진행중인 인프라를 이용한 자동 발렛파킹 시스템에 대한 연구들도 실내에서 주차를 어떻게 할 것인가에 대한 연구는 미흡한 문제점들을 해결하기 위해, 실내에서 운전자를 배제하고 주차가 가능한 자동주차 시스템을 구현하는 것을 그 목적으로 하는 것이다.

이를 위해, 본 발명에 따른 인프라센서를 이용한 자동주차 시스템의 구체적인 구성은, 크게 나누어, 인프라, 관제 시스템 및 차량시스템을 포함하여 구성되며, 여기서, 상기한 인프라에는 주차공간의 인식과 차량의 이동을 추적하기 위한 센서들이 설치되고, 관제 시스템은 인프라에 설치된 각 센서에서 입력된 정보를 바탕으로 차량의 주차 경로를 생성하고 차량의 이동 시 거동을 추적하여 차량이 주차 경로를 따라 진행하도록 제어하는 역할을 하는 것이며, 차량 시스템은 관제시스템으로부터 입력된 명령에 따라 차량을 거동하기 위해 구동기를 제어하는 역할을 한다.

또한, 상기한 바와 같은 본 발명에 따른 인프라센서를 이용한 자동주차 시스템의 구체적인 동작은, 먼저, 차량이 입고되면, OCU는, 인프라로부터 주차가 가능한 공간을 유선통신을 이용해 확인한 다음, 현재 차량을 기준으로 최단거리에 있는 주차가능 공간까지의 주차경로를 주차경로 생성 프로그램에 의해 생성한다.

아울러, OCU는, 제공된 주차경로를 따라 차량이 주행하기 위한 스티어링 휠 조향각과 속도명령을 차량에 무선통신으로 전송하며, 차량에서는 이 신호를 받아 차량에 각각 설치된 구동기를 구동하여 이동한다.

여기서, 차량이 이동할 때, 차량의 현재위치는 실내 공간이므로 GPS 신호를 이용할 수 없으며, 따라서 인프라의 정보(LiDAR를 통해 획득된 거리 데이터를 처리하여 차량의 현재 위치를 추정하고 추정된 현재위치를 OCU에 전송함)와 차량으로부터 입력된 상태정보(현재 스티어링 휠 조향각과 속도)를 EKF(확장 칼만필터)를 이용하여 상태를 추정한다.

이때, 추정된 현재 위치를 바탕으로 차량이 생성된 경로를 주행하도록 차량을 제어하는 조향각과 속도를 차량에 전송하여 차량을 주차시킨다.

아울러, 본 발명에 따른 인프라센서를 이용한 자동주차 시스템의 통신방법은 도 15에 내지 도 20을 참조하여 상기한 바와 같으며, 본 발명의 실시예에서는, 인프라로부터 OCU의 데이터와 신호는 유선으로, OCU와 차량간의 정보는 무선 통신으로 전송되는 것으로 본 발명을 설명하였으나, 본 발명은 반드시 이러한 구성으로만 한정되는 것은 아니며, 필요에 따라 적절한 구성을 적용 가능한 것임에 유념해야 한다.

또한, 본 발명에 따른 인프라센서를 이용한 자동주차 시스템의 센서 데이터 처리는 도 27 내지 도 41을 참조하여 상기한 바와 같으며, 즉, 전체적인 LiDAR 데이터의 처리 순서는, 먼저, LiDAR 거리 데이터 입력 전처리 단계에서 불필요한 데이터를 삭제하고, 분류와 클러스터링을 통해 차량의 현재 중심점을 확정하며, 이 중심점(여기에 오류가 포함되어 있음)을 이전 시간에서의 중심점으로부터 현재의 중심점으로 추적하는 추적(tracking)(EKF를 이용)을 실시한다.

더 상세하게는, 먼저, 전처리 단계는, LiDAR를 통해 입력된 거리 데이터들(LiDAR 1대에서는 361개의 데이터가 생성되며, 차량 1대를 스캔하기 위한 LiDAR는 최대 2대이므로 722개의 거리데이터가 생성됨)을 바탕으로 이들 신호를 처리하여 최종적으로 OCU에는 추정된 차량의 현재위치 (x,y)만을 전송한다.

또한, 관심영역의 설정은, LiDAR 1대당 361개의 데이터가 생성되고 이들을 모두 처리하는 것은 비효율적이므로, LiDAR의 최대 감시가능 영역 중 설정된 영역(40m×40m)을 미리 지정하고, 이 지정된 영역 내에 있는 데이터만을 처리하고 나머지 데이터들은 삭제하고, 이때, 설정된 관심영역 내에서 고정된 장애물(기 주차된 차량, 건물 기둥 등의 시설물)은 인프라의 특성상 그 위치가 명확하고 고정되어 있으므로 삭제하며, 따라서 상기한 과정을 거친 후 남아 있는 거리데이터들은 40m×40m의 영역 내에 차량의 이동이 가능한 주행로(통로) 상의 데이터들만 남게 된다.

아울러, 핵심영역의 설정은, 상기한 단계를 거치고 남은 주행로 상의 데이터들 중에도 LiDAR의 빔이 건물의 기둥이나 바닥에 난반사 되어 장애물로 검출되는 현상이 발생하며, 이들 데이터들을 다음 단계인 클러스터링 단계에서 오류를 증가시키므로, 주행로 상에 난반사 되는 데이터들을 제거하기 위하여 현재 차량의 위치를 중심으로 차량의 길이와 폭, 그리고 오차를 감안한 차량의 형상을 설정하고, 이 영역 내의 데이터만을 최후로 남겨두고 나머지 데이터들은 삭제하게 된다.

여기서, 핵심영역과 영역 외부의 판단은, 차량 중심점을 기준으로 설정된 4개의 차량 외곽점들과 대상 장애물 포인트(장애물을 LiDAR에서 처리하는 단위로 점으로 표현됨)와 차량 중심점간 선분들의 접합점을 찾고, 이 접합점으로부터 차량 중심점간 거리가 설정된 차량의 길이, 폭 이내일 경우 핵심영역 내에 있다고 판단하며, 클 경우 핵심영역 외부에 있다고 판단한다.

검증(50,51페이지): 그림 3.19, 그림3.20에서 차량의 헤딩(방향)에 따라 장애물이 설정된 핵심영역에 포함되는 것을 나타냄.

다음으로, 분류(classification) 과정은, 클러스터링과 차량의 형태를 구분 및 정의하는 단계가 포함된다.

즉, 전처리 과정을 거치고 남은 데이터들은 그 형태가 포인트 클라우드 형태로 불분명하게 나타나며, 이는, LiDAR를 통해 획득되는 정보는 차량의 전체 특징을 나타내지 못하고 어느 일부분만을 나타내기 때문으로, 따라서 이들 데이터들을 처리하여 최종적으로 실제 차량의 중심점을 찾는 과정이 분류 단계라 할 수 있다.

먼저, 클러스터링 알고리즘은, K-means 알고리즘을 사용하였으며, 이에 대한 결과는 도 32 내지 도 33을 참조하여 상기한 바와 같은 내용으로부터 확인할 수 있다.

또한, 형태구분은, 상기한 과정을 통해 확정된 중심점은 실제 차량의 중심점이 아니므로 이를 실제 차량의 중심점으로 변환하는 과정이 필요하며, 이때, 핵심영역 내에도 오류데이터들은 포함되어 있으므로, 형태를 구분하는데 있어서 이 오류데이터들이 영향을 미친다.

즉, 핵심영역 내의 거리 데이터들의 개수가 그 양이 적어(LiDAR로부터 멀어질수록 검출되는 데이터들의 양이 줄어듬) 오류데이터가 포함될 경우 전혀 다른 형태로 인식할 수 있으므로, 따라서 이러한 오류를 줄이기 위해 본 발명에서는 확률개념을 사용하여, 이전시간에 확정된 차량의 형태가 현재 시간에도 유지될 확률이 높으므로 해당 면의 데이터들에 대한 확률을 높이고 해당되지 않는 면의 데이터들의 확률은 낮게 가중치를 설정함으로써 오류를 감소하였다.

예를 들면, 이전 시간에서 차량의 형태가 도 34에 나타낸 1번이었다면, [수학식 18] 및 [수학식 19]를 참조하여 설명한 바와 같이 하여, 현재 차량의 형태를 판단하는데 있어서 차량의 전방과 좌측방의 데이터들에 더 높은 가중치를 부여하며, 다른 면(후방, 우측방)의 데이터들은 더 낮은 가중치를 부여한다.

상기한 바와 같은 과정을 거친 후, 설치된 LiDAR와 검출되는 데이터의 형태에 따라 정의된 차량 형상을 바탕으로 실제 차량 중심점으로 변환하며, OCU에서는 이 위치를 차량의 현재 위치로 인식하고 이를 바탕으로 경로 추적을 행하며, 이에 대한 실험결과는 도 36 및 도 37을 참조하여 상기한 바와 같다.

다음으로, 객체 추적(object tracking) 과정은, 상기한 바와 같이 하여 추정된 실제 차량의 중심점과 차량의 상태정보 중 스티어링 휠 조향각과 차량속도를 조합하고 EKF(확장 칼만 필터)를 이용하여 차량의 현재위치를 최종적으로 확정한다.

여기서, 본 발명은, 차량의 주차를 위한 이동경로를 생성하는 경로생성 알고리즘을 제안하였으며, 더 상세하게는, 차량의 위치와 헤딩을 이용하여 직선을 연장하고, 목표점의 위치와 헤딩을 이용하여 직선을 연장하면, 두 직선이 만나는 경우와 만나지 않는 경우가 있고, 두 직선이 만날 경우, 이 교차점을 중심으로 이등변 삼각형을 만들 수 있으며, 또한, 각 변의 각을 알 수 있으므로 이를 바탕으로 원호를 그릴 수 있다.

이때, 도 43 및 도 44를 참조하여 상기한 바와 같이, 원의 반경이 차량의 최소 회전반경 이상이면 원호를 사용할 수 있고, 차량의 초기 위치 ~ 원호까지의 선분 -> 원호 --> 원호 ~ 차량의 목표점까지의 선분을 연결할 경우 주차를 위한 경로가 만들어진다.

또한, 도 46을 참조하여 상기한 바와 같이, 두 직선이 만나지 않을 경우, 차량의 위치에서 목표점 방향으로 차량의 최소 회전방향을 가지는 원호를 그리며 20cm 마다 회전하면서 두 직선의 교점을 찾으며, 최종적으로 전체 회전할 때까지 교점을 찾지 못할 경우 반대 방향으로 회전시키고, 이 경우에도 발견하지 못할 경우 목표점을 좌우로 회전시키면서 교점을 찾는다.

따라서 상기한 바와 같이 하여, 본 발명에 따른 인프라 센서를 이용한 자동주차 시스템을 구현할 수 있으며, 이에 대한 시뮬레이션 실험 결과는 도 49 내지 도 70을 참조하여 상기한 바와 같다.

또한, 상기한 바와 같이 하여 본 발명에 따른인프라 센서를 이용한 자동주차 시스템을 구현하는 것에 의해, 본 발명에 따르면, 운전자를 배제하고 완전 자동으로 주차가 가능하도록 구성되는 인프라 센서를 이용한 자동주차 시스템이 제공됨으로써, 완전 자동이 아니어서 운전자가 근접 위치까지 운전해야 하는 한계가 있었던 종래의 상용 운전자 보조 시스템들의 문제점들을 해결할 수 있다.

이상, 상기한 바와 같은 본 발명의 실시예를 통하여 본 발명에 따른 인프라 센서를 이용한 자동주차 시스템의 상세한 내용에 대하여 설명하였으나, 본 발명은 상기한 실시예에 기재된 내용으로만 한정되는 것은 아니며, 따라서 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 설계상의 필요 및 기타 다양한 요인에 따라 여러 가지 수정, 변경, 결합 및 대체 등이 가능한 것임은 당연한 일이라 하겠다.

Claims (13)

1. 실내에서 운전자를 배제하고 주차가 가능하도록 구성되는 인프라 센서를 이용한 자동주차 시스템에 있어서,
   주차공간의 인식과 차량의 이동을 추적하기 위해 설치되는 복수의 센서들을 포함하는 인프라(Infra);
   상기 인프라에 설치된 각 센서로부터 입력된 정보에 근거하여 차량의 주차 경로를 생성하고 상기 차량의 이동을 추적하여 상기 차량이 상기 주차경로를 따라 진행하도록 제어하는 관제부(Operating Command Unit ; OCU); 및
   상기 관제 시스템으로부터 입력된 명령에 따라 상기 차량에 설치되는 복수의 구동기를 제어하여 상기 차량을 구동하는 차량부를 포함하여 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
   
2. 제 1항에 있어서,
   상기 인프라는,
   주차공간 인식을 위한 센서로서, CCD(Charged Coupled Device) 카메라, 거리센서, 광센서, 적외선 센서, 초음파(Ultrasonic) 센서 및 압력센서 중 적어도 하나의 센서;
   한정된 범위에 대한 인지를 위한 센서로서, 빛(Light)을 감지하는 포토다이오드(Photodiode), 자기(Magnetic)를 감지하는 지역센서(Area sensor), 압력(Pressure)을 감지하는 스트레인 게이지(Strain guage), 또는, 초음파(Ultrasonic)를 감지하는 초음파 센서 중 적어도 하나의 센서; 및
   차량의 이동 및 이동물체를 검출하기 위한 센서로서, 적어도 하나의 LiDAR(Laser Measurement System)를 포함하여 구성되는 것을 특징으로 하는 인프라센서를 이용한 자동주차 시스템.
   
3. 제 2항에 있어서,
   상기 관제부는,
   차량이 입고될 경우, 상기 인프라에 설치된 센서를 통해 주차가 가능한 주차공간을 확인하고,
   상기 인프라에 설치된 상기 LiDAR를 통해 이동중인 차량의 위치를 인식하며,
   입고된 차량에 ID(Identity)를 부여하고 상기 차량으로부터 최단 거리에 있는 주차공간까지의 이동경로를 생성한 다음, 생성된 주차경로를 따라 주행하기 위한 속도 및 조향에 대한 명령을 포함하는 차량 제어명령을 상기 차량에 전달하도록 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
   
4. 제 3항에 있어서,
   상기 차량부는,
   상기 관제부로부터 입력된 상기 차량 제어명령에 따라 주행을 실시하고, 주행 중의 차량 조향각 및 속도 정보 데이터를 다시 상기 관제부에 피드백하며,
   상기 인프라는,
   상기 차량이 상기 주차경로를 따라 이동할 때 상기 주차경로와 상기 차량간의 오차를 LiDAR에 의해 측정하여 상기 관제부로 전송하고,
   상기 관제부는,
   상기 차량부 및 상기 인프라도부터 수신된 상기 차량의 상태 데이터를 반영하여 상기 차량의 경로 오차를 수정하도록 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
   
5. 제 4항에 있어서,
   상기 차량부는,
   차량의 횡방향 제어를 위해 차량의 조향 컬럼(Column)에 설치되는 조향 구동기;
   차량의 현재 조향각을 인식하기 위한 조향각 센서;
   제동명령 입력시 레버가 제동 페달(Pedal)을 누르도록 구성되는 제동 구동기;
   차량의 가속 제어를 위해 기어 시프트 레버에 설치되어 가속페달 신호를 생성하는 콘트롤러; 및
   차량의 속도 획득을 위해 차량의 구동륜 안쪽에 각각 장착되는 엔코더(Encoder)를 포함하여 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
   
6. 제 5항에 있어서,
   상기 관제부와 상기 인프라는 유선으로 연결되며,
   상기 관제부와 상기 차량부는 무선으로 신호를 전송하도록 구성되고, 통신 메시지 셋(Message set)은, 헤더(Header)부와 메시지(Message)부로 구성되며,
   상기 헤더는,
   통신하려는 대상(Target)을 식별하기 위한 ID(Identifier);
   전송되는 메시지의 정보에 따라 정해지는 메시지의 데이터 길이를 정의하는 Message Length; 및
   전송되는 메시지의 정보를 정의하는 Message Information을 포함하여 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
   
7. 제 6항에 있어서,
   상기 관제부는,
   상기 LiDAR를 통해 입력되는 거리 데이터들로부터 고정 장애물을 제거하는 전처리 과정과,
   상기 전처리 과정을 통해 얻어진 데이터들을 서로 유사도가 높은 객체들의 그룹으로 분류하는 분류(classification) 과정 및
   상기 분류 과정을 통해 얻어진 데이터들로부터 상기 객체의 이동성을 판단하기 위한 추적(Tracking) 과정을 포함하는 센서 데이터 처리과정을 수행하도록 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
   
8. 제 7항에 있어서,
   상기 전처리 과정은,
   상기 LiDAR의 거리정보로부터 관심영역을 설정하고, 상기 관심영역 밖의 거리데이터는 모두 제거하는 단계;
   상기 관심영역 내의 이미 주차되어 있는 차량이나 건물 기둥 또는 시설물을 포함하는 고정 장애물을 제거하는 단계; 및
   노면이나 기둥의 난반사에 의해 주행로 상에 장애물이 있는 것으로 검출되는 오류를 방지하기 위해 차량의 현재 위치를 중심으로 미리 정해진 일정 구간 내의 데이터만을 남겨두고 주행로 상의 데이터를 모두 삭제하는 단계를 포함하여 구성됨으로써, 이동경로 상의 데이터만을 처리하는 것에 의해 계산할 데이터의 양을 감소하는 동시에, 처리속도 및 효율을 높일 수 있도록 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
   
9. 제 8항에 있어서,
   상기 분류 과정은,
   분할 클러스터링 알고리즘인 K-means 클러스터링 알고리즘을 사용하여 수행되도록 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
   
10. 제 9항에 있어서,
    상기 추적 과정은,
    이전 시간 K에서의 차량 형태와 현재 시간 K₊₁에서 예상되는 차량 형태의 연관성에 따라, 단순히 거리 데이터의 위치에 따른 형태의 분류가 아닌 각 패턴들에 대하여 정의된 확률에 근거하여 상기 차량의 형태를 분류하는 단계; 및
    상기 전처리 단계에서 클러스터링된 상기 LiDAR의 거리 데이터들에 확장 칼만 필터(Extended Kalman Filter ; EKF)를 적용하여 시간 K에서의 위치와 다음 시간 K₊₁에서의 위치를 추정하는 단계를 포함하는 처리가 수행되도록 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
    
11. 제 10항에 있어서,
    상기 관제부는,
    상기 주차경로 생성을 위해, 현재 차량의 헤딩과 주차공간 헤딩의 교차점 D를 구하여 곡률반경 R을 구하고,
    상기 곡률반경 R의 크기가 최소 회전반경 이상일 경우는, 상기 차량의 현재 헤딩으로부터의 경로를 생성하며,
    상기 곡률반경 R이 최소 회전반경보다 작을 경우, 현재 차량의 위치에서 최소 회전반경으로 미리 지정된 거리만큼 이동하여 상기 곡률반경을 계산하는 처리를 반복하도록 구성됨으로써,
    곡률이 존재하는 구간의 경로 생성이 거리의 누적이 아닌 이전 경로부터의 회전 변환을 통하여 계산되는 것에 의해 곡률 구간의 거리가 길어질 경우 발생하는 오차의 누적을 방지할 수 있도록 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
    
12. 제 11항에 있어서,
    상기 관제부는,
    기준점(reference point)이 차량의 전 차축(front axle)에 존재하는 경로추적 알고리즘을 이용하여 경로 추적을 수행하도록 구성되는 것을 특징으로 하는 인프라 센서를 이용한 자동주차 시스템.
    
13. 청구항 1항 내지 12항 중 어느 한 항에 기재된 인프라 센서를 이용한 자동주차 시스템을 이용하여 실내에서 운전자를 배제하고 자동으로 주차가 가능하도록 구성되는 것을 특징으로 하는 자동주차방법.
    

Images