고도 인식 2D/3D 교통 흐름·차량 동역학 공동 시뮬레이션 프레임워크

초록

본 논문은 OpenStreetMap 도로망과 USGS 고도 데이터를 자동으로 결합해 3차원 지형을 재현하고, 이를 SUMO와 CARLA에 연동하는 고도 인식 공동 시뮬레이션 파이프라인을 제안한다. 자동화된 OSM‑DEM 통합, 고도 프로파일 스무딩, 기하학·정밀도 검증을 거쳐 샌프란시스코의 급경사 구역에 적용했으며, 대규모 교통 흐름과 고충실도 센서 데이터를 동시에 구현한다.

상세 분석

이 연구는 자율주행 시스템 검증에 필수적인 ‘디지털 트윈’ 구축을 목표로, 기존 2D 교통 시뮬레이터와 3D 고충실도 시뮬레이터 사이의 도메인 갭을 해소한다. 핵심 기술은 (1) OSM 도로망 좌표에 DEM 고도값을 빌리니어 보간으로 매핑해 (x, y, z) 3차원 포인트 클라우드를 자동 생성하는 알고리즘이며, 이는 알고리즘 1에 명시된 바와 같이 각 도로점마다 1 m 간격으로 샘플링해 연속적인 고도 프로파일을 만든다. (2) 생성된 고도 프로파일에 대해 도로 설계 기준(고속도 8 %, 간선도로 12 %, 주거도로 15 % 이하)의 경사 제한을 적용하고, 초과 구간은 3점 이동 평균(식 9)으로 스무딩한다. 이 과정은 물리적 현실성을 유지하면서 시뮬레이션 안정성을 확보한다. (3) 좌표계는 UTM 기반 평면 좌표와 WGS84 고도를 그대로 사용해 SUMO와 CARLA 양쪽 모두에서 변환 없이 직접 활용할 수 있다. 검증 단계에서는 MAE, RMSE, 최대 오차, 3D 유클리드 거리 등 다중 지표를 통해 DEM 원본과의 차이를 정량화하고, 경사 준수 비율(식 14)로 기하학적 일관성을 평가한다. 실험 결과, 샌프란시스코 지역 5 km² 구역에서 평균 MAE ≈ 0.27 m, RMSE ≈ 0.34 m를 기록했으며, 98 % 이상의 도로 구간이 설계 경사 기준을 만족했다. 마지막으로, CARLA 내 LiDAR 포인트 클라우드와 카메라 시야가 고도 변화에 따라 어떻게 차단·왜곡되는지를 시각화해, 고도 인식 시뮬레이션이 인식 알고리즘 테스트에 미치는 영향을 실증하였다. 전체 파이프라인은 모듈식 설계로, OSM‑DEM 교체, RoadRunner 파라미터 조정, SUMO‑CARLA 동기화 주기 변경 등을 손쉽게 적용할 수 있어 다양한 도시와 시나리오에 확장 가능하다.