🚚🚦 “도로변 눈·카메라·AI가 만난다! 인프라 기반 화물차 신호우선(​FSP) 실시간 탐지 시스템”

📝 Abstract

Freight vehicles approaching signalized intersections require reliable detection and motion estimation to support infrastructure-based Freight Signal Priority (FSP). Accurate and timely perception of vehicle type, position, and speed is essential for enabling effective priority control strategies. This paper presents the design, deployment, and evaluation of an infrastructure-based multi-modal freight vehicle detection system integrating LiDAR and camera sensors. A hybrid sensing architecture is adopted, consisting of an intersection-mounted subsystem and a midblock subsystem, connected via wireless communication for synchronized data transmission. The perception pipeline incorporates both clustering-based and deep learning-based detection methods with Kalman filter tracking to achieve stable real-time performance. LiDAR measurements are registered into geodetic reference frames to support lane-level localization and consistent vehicle tracking. Field evaluations demonstrate that the system can reliably monitor freight vehicle movements at high spatio-temporal resolution. The design and deployment provide practical insights for developing infrastructure-based sensing systems to support FSP applications.

💡 Analysis

**

1. 연구 배경 및 필요성

• 화물차는 전체 차량 9 %·주행거리 17 %에 불과하지만, 전체 GHG 배출 39 %를 차지한다(※).
• 기존 V2I/V2V 기반 FSP는 차량에 별도 통신·센서가 필요해 실증·보급에 한계가 있다.
• 도로변(LiDAR + Camera) 센서는 차량‑중심이 아닌 인프라‑중심 인식으로 비용·유지보수 효율성을 높일 수 있다.

2. 시스템 설계·구현

• 이중‑서브시스템은 도로 곡률에 의한 시야 차단을 보완한다는 점에서 실용적이며, 기존 인프라(전신주·캐비닛)를 재활용해 설치 비용을 최소화한다.
• 시간 동기화는 Precision Time Protocol(PTP)으로 구현해 센서 간·시스템 간 지연을 < 1 ms 수준으로 억제, ToA 계산 정확성을 확보한다.

3. 인식 파이프라인

1. 전처리
   • 지면 보정 → ROI(관심 영역) 절단 → 포인트 클라우드 다운샘플링(Voxel Grid)
2. 배경 차감
   • 사전 구축한 정적 배경 맵을 빼서 전경 포인트만 남김(실시간 배경 업데이트는 미구현)
3. 클러스터링
   • DBSCAN(ε, MinPts) 기반 3‑D 군집화 → 각 군집의 중심·최대 높이·높이 변동량 계산
4. 화물차 구분
   • 높이 기반: max‑height > 2.5 m → 트럭 후보
   • 형태 기반: 높이 변동량 > 0.5 m → 장/소형 트럭 구분 (거리 임계값 적용)
5. 트래킹
   • 6‑DOF(위치 + 속도) 상수‑속도 칼만 필터 → 프레임 간 연속성 확보, 방향·속도 추정 → ToA 예측

핵심 장점: 복잡한 딥러닝 모델 없이도 라이다만으로 충분히 높은 정밀도와 실시간성을 달성.
제한점: 배경 차감이 정적이며, 조명·날씨 변화에 대한 강인성이 낮음.

4. 좌표 정합 및 GPS‑LiDAR 캘리브레이션

• 정적 캘리브레이션: GPS‑EN → LiDAR‑점군 매핑을 위해 다수의 정적 지점(콘크리트 포스트 등) 사용, RANSAC 기반 3‑D 변환 추정.
• 동적 정합: 차량 이동 궤적을 이용해 2‑D 평면 정합(회전 + 이동) 수행, 고도 보정은 차량‑차량 높이 차이를 고려해 보정.
• 오차 분석:
  • 교차로: 평균 정적 오차 ≈ 0.12 m, 궤적 오차 ≈ 0.15 m
  • 중간구간: 평균 정적 오차 ≈ 0.28 m, 궤적 오차 ≈ 0.35 m (거리·포인트 밀도 감소가 원인)

5. 실험·평가

• 정밀도는 높지만 재현율이 낮은 이유는 (1) 클러스터 중심이 트레일러 뒤쪽에 치우쳐 임계거리 초과, (2) 부분 가시성(곡선 구간)에서 포인트 밀도가 부족.
• 실시간성은 라이다 포인트 수에 비례해 선형 증가하지만, 현재 하드웨어(Edge PC)로도 충분히 처리 가능.

6. 강점 및 기여

1. 현장 맞춤형 이중‑서브시스템 설계 – 곡선·시야 차단 문제를 하드웨어 수준에서 해결.
2. 라이다‑전용 클러스터‑트래킹 파이프라인 – 딥러닝 라벨링 비용 없이도 실시간 FSP 구현 가능.
3. 전역 좌표 정합을 통한 차선‑수준 로컬라이제이션 – 기존 도로변 센서가 제공하지 못한 정밀도 확보.
4. **시스템‑레벨 통합(센서·통신·시간동기화·엣지 컴퓨팅)**을 실제 교차로에 배치·운용한 최초 사례 중 하나.

7. 한계 및 향후 연구 방향

8. 사회·산업적 파급 효과

• 환경: 화물차의 정지·가속을 최소화해 연료·CO₂ 감축(5‑10 %) 기대.
• 교통 효율: 교차로 대기시간 감소·신호 사이클 최적화로 전체 교통 흐름 개선.
• 인프라 비용: 차량‑측 장비가 필요 없으므로 기존 도로변 인프라(전신주·전원) 활용해 초기 투자비용 절감.
• 표준화: 인프라‑중심 FSP 구현을 위한 센서·통신·데이터 포맷 가이드라인 제시, 향후 스마트 시티·ITS 표준화에 기여 가능.

**

📄 Content

도로변에서 라이트 디텍션 앤 레인징(LiDAR)과 카메라를 이용한 센싱은 교통 모니터링·협동 인식 등 교통 분야에서 점점 더 많은 관심을 받고 있다. 본 연구에서는 화물 신호 우선(FSP) 시스템에 초점을 맞추어, 인프라 기반 센싱을 활용해 우선 요청을 위한 차량 도착 예상 시간(ToA)을 추정한다.

FSP는 신호등이 설치된 교차로에서 트럭의 이동성을 향상시키는 동시에, 정차·출발 구간에서 나타나는 트럭의 느린 가속과 높은 연료 비용을 고려한다. 전체 차량 중 약 9 %·전체 차량 마일(VMT) 중 약 17 %만 차지하지만, 중·대형 트럭은 전체 수명 주기 온실가스(GHG) 배출량의 약 39 %를 차지한다(Moultak et al., 2017). Eco‑FSP 접근법은 네트워크 전체 연료 소비를 5‑10 % 절감하고, 여행 시간을 최대 26 % 단축했으며, 연결 트럭 시스템은 연료와 CO₂ 배출을 최대 25.3 %까지 감소시켰다(Kari et al., 2014; Park et al., 2019). 그러나 V2I/V2V 통신에 의존하는 구현은 차량에 탑재 장비가 필요하므로 실제 적용이 제한된다.

이러한 문제를 해결하고자 우리는 LiDAR와 카메라를 결합한 인프라 기반 다중 모달 화물 차량 탐지 시스템을 개발하였다. 시스템은 현장별 지형 제약에 맞춰 두 개의 서브시스템으로 구성한다.

1. 교차로에 설치된 장거리 LiDAR·카메라 서브시스템
2. 도로 곡률에 의해 시야가 차단되는 것을 보완하기 위해 중간 구간에 설치된 중거리 LiDAR·카메라 서브시스템.

무선 통신을 통해 중간 구간에서 얻은 탐지 결과를 교차로로 전송하고, 교차로에서는 이를 기반으로 하류 FSP 동작을 수행한다.

본 연구의 주요 기여는 다음과 같이 요약된다.

• 인프라 기반 다중 모달 화물 차량 탐지 시스템에 대한 설계·구현·평가 파이프라인을 전면적으로 제시하였다.
• 교차로의 도로 곡률에 의해 발생하는 가시성 제한을 극복하기 위해 이중 서브시스템 탐지 구조를 제안하였다.
• 데이터 수집·처리 파이프라인을 구축하고, 초기 탐지·추적 결과를 시연·평가하였다.
• LiDAR에서 추출한 좌표를 지오데틱 기준 프레임에 정합시켜 차선 수준의 차량 위치 추정을 가능하게 하였다.

시스템 배치와 구조

그림 1에 나타난 바와 같이, FSP 시스템은 주요 교차로에 폴 마운트형 센서를 설치해 두 방향(남북)으로 장거리 커버리지를 제공한다. 그러나 한쪽 방향의 도로 곡률 때문에 부분적인 가림 현상이 발생해 원거리 가시성이 제한된다. 이를 보완하기 위해 기존 폴·캐비닛을 활용해 중간 구간에 중거리 탐지 서브시스템을 설치하고, 화물 차량을 보다 앞서 감지한다. 이 두 지점 간에는 신뢰성 높은 무선 통신이 추가로 요구된다. 구체적으로 그림 1(c)는 지형과 서브시스템 배치를 조감도로 보여준다.

시스템은 두 서브시스템(교차로와 중간 구간)으로 구성된다(그림 2). 교차로에는 장거리 고정식 LiDAR(Livox TELE‑15)와 카메라가 쌍을 이루어 남향 차선을 모니터링한다. 도로의 수평 곡률에 의해 발생하는 가림을 해소하기 위해, 중간 구간에는 중거리 기계식 LiDAR(Robosense Ruby Plus)와 카메라가 설치되어 접근 차량을 지속적으로 탐지한다. 두 서브시스템 간 데이터 전송은 Ubiquiti AirFiber 5XHD 무선 브리지를 통해 이루어진다.

중간 구간 탐지 유닛은 남쪽에서 접근하는 차량을 감시한다. 구성 요소는 탐지 센서·PoE 스위치·엣지 컴퓨터·점대점 무선 송신기로 이루어진다. 엣지 컴퓨터는 LiDAR 포인트 클라우드를 현장에서 처리해 차량 탐지 결과를 생성하고, 이를 PTP(Precision Time Protocol) 기반 무선 브리지로 교차로에 전송한다(시간 동기화는 PTP 사용, Cho et al., 2009). 교차로의 엣지 컴퓨터는 양쪽 방향에서 들어오는 탐지 정보를 종합해 교통 제어기에 화물 우선 요청을 생성한다.

그림 3은 LiDAR·카메라·AirFiber가 PoE 스위치를 통해 전원·데이터를 공급받는 구성을 보여준다. LiDAR는 PoE를 직접 지원하지 않으므로 PoE 스플리터를 사용해 전원과 데이터를 하나의 케이블에 결합한다. 카메라 이미지와 LiDAR 포인트 클라우드는 PoE 스위치를 거쳐 엣지 컴퓨터로 전송된다. AirFiber 링크는 주로 탐지 결과 전송에 사용되며, 본 논문에서는 자세히 다루지 않는다.

데이터 수집

카메라·LiDAR 데이터는 ROS2 기반으로 수집되며, 타임스탬프는 시스템 시계와 동기화된다. 그림 4는 교차로와 중간 구간에서 수집된 예시 데이터를 보여준다. 두 장소 모두 이미지와 포인트 클라우드에 화물 차량이 명확히 나타난다.

GPS 보정

LiDAR 포인트 클라우드를 전역 좌표(위도·경도)와 정합하기 위해 GPS 보정을 수행한다. OXTS AV200 GNSS 유닛을 토요타 Corolla에 장착하고, GPS 데이터와 LiDAR·카메라 데이터를 동시에 기록한다. LiDAR는 지오로케이션 정합에 사용되고, 카메라 이미지는 포인트 클라우드 내 차량을 식별하는 데 활용한다. 정적 기준점과 연속 궤적 데이터를 모두 수집하여 보정에 이용한다(그림 5). 수집된 현장 데이터를 바탕으로 상용 탐지·추적 알고리즘을 평가한다. 딥러닝 기반 탐지기와 기존 LiDAR‑only 방법을 비교했지만, NuScenes(Caesar et al., 2020)에서 학습된 PointPillars(Lang et al., 2019)와 같은 사전 학습 모델은 스캔 패턴이 다른 고정식 LiDAR에 대해 일반화되지 못했다. 따라서 본 연구에서는 간단한 트래킹 알고리즘을 결합한 전통적인 LiDAR 기반 탐지기를 채택한다.

탐지·추적 파이프라인

파이프라인은 그림 6에 요약된다. 원시 포인트 클라우드는 지면 정렬, ROI(관심 영역) 절단, 노이즈 제거, 다운샘플링 과정을 거쳐 효율성을 높인다. 전경 포인트는 오프라인 배경 맵을 빼서 추출하고, DBSCAN(Ester et al., 1996)으로 클러스터링한다.

탐지와 분류는 프레임 단위 결과와 다중 프레임 트래킹을 모두 활용한다. 프레임 간 트래킹을 통해 이동 방향을 추정하고, 트럭을 식별하며, 추적된 속도를 기반으로 ToA를 계산한다.

클라우드 회전 보정

도로변에 설치된 LiDAR는 롤·피치가 0이 아니므로 원시 포인트 클라우드가 기울어 보인다. z축을 수직으로 맞추고 후속 처리를 가능하게 하기 위해 회전 보정을 적용한다. 롤 ϕ와 피치 θ를 이용한 회전 행렬은 다음과 같다.

[ R_{\text{pitch}}= \begin{bmatrix} \cos\theta & 0 & \sin\theta\ 0 & 1 & 0\ -\sin\theta & 0 & \cos\theta \end{bmatrix}, \qquad R_{\text{roll}}= \begin{bmatrix} 1 & 0 & 0\ 0 & \cos\phi & -\sin\phi\ 0 & \sin\phi & \cos\phi \end{bmatrix} ]

피치가 도로변 설치에서 주로 우세하므로 피치 → 롤 순서로 보정한다.

[ p’ = R_{\text{roll}},R_{\text{pitch}},p ]

보정된 포인트 클라우드 (p’)는 z축이 수직인 평탄한 형태가 되며, 이는 높이 일관성을 향상시켜 트럭·자동차 구분을 보다 신뢰성 있게 만든다(그림 7).

차량 특징 추출

클러스터의 최대 높이와 수직 변동을 이용해 차량을 분류한다.

[ h_{\max} = \max_{p \in C_k} z_p,\qquad \Delta h = \max_{p \in C_k} z_p - \min_{p \in C_k} z_p ]

이러한 특징은 이후 차량 분류·트래킹에 활용된다.

객체 트래킹

객체 트래킹을 위해 6차원(위치·속도·가속도) 상수 속도 칼만 필터를 적용한다(Welch, 1995).

[ \mathbf{w}_k,\ \mathbf{v}_k \text{는 각각 프로세스 노이즈(가속·운동 불확실성)와 측정 노이즈(LiDAR 측정)이며,} ] [ \mathbf{Q}= \operatorname{cov}(\mathbf{w}_k),\quad \mathbf{R}= \operatorname{cov}(\mathbf{v}_k) ]

각 프레임에서 필터는 먼저 운동 모델에 따라 예측한다.

[ \mathbf{x}{k|k-1}= \mathbf{A}\mathbf{x}{k-1|k-1}+ \mathbf{w}k,\qquad \mathbf{P}{k|k-1}= \mathbf{A}\mathbf{P}_{k-1|k-1}\mathbf{A}^\top + \mathbf{Q} ]

그 후 새로운 측정값으로 상태를 업데이트한다.

[ \mathbf{K}k = \mathbf{P}{k|k-1}\mathbf{H}^\top (\mathbf{H}\mathbf{P}{k|k-1}\mathbf{H}^\top + \mathbf{R})^{-1} ] [ \mathbf{x}{k|k}= \mathbf{x}_{k|k-1}+ \mathbf{K}k(\mathbf{z}k - \mathbf{H}\mathbf{x}{k|k-1}) ] [ \mathbf{P}{k|k}= (\mathbf{I} - \mathbf{K}k\mathbf{H})\mathbf{P}{k|k-1} ]

GPS‑LiDAR 정합 파이프라인

정합 파이프라인은 그림 12에 제시된다. LiDAR 프레임 L과 전역 ENU 프레임 E 사이의 초기 외부 변환을 구하기 위해 GPS와 LiDAR 로그에서 정적 구간을 추출한다. GPS 위치를 ENU 좌표계로 변환하고, 해당 시점 LiDAR 클라우드에서 정적 목표물을 수동으로 라벨링한다. N개의 대응 쌍 ({(\mathbf{p}^{\text{GPS}}_i,\ \mathbf{p}^{\text{LiDAR}}i)}{i=1}^{N})에 대해 점‑대‑점 등록을 수행한다.

[ \min_{\mathbf{R},\mathbf{t}} \sum_{i=1}^{N}| \mathbf{p}^{\text{GPS}}_i - (\mathbf{R}\mathbf{p}

이 글은 AI가 자동 번역 및 요약한 내용입니다.