1. 자율주차에서 SLAM 기술이 중요한 이유
자동 발렛 주차(AVP, Automated Valet Parking)는 운전자가 주차장 입구나 지정된 장소에서 차량을 맡기면, 차량이 스스로 주차 공간을 찾아 이동하고 주차를 수행하는 기술입니다. 운전자가 차량 안에 탑승하지 않은 상태에서도 작동하도록 설계할 수 있다는 점에서 일반적인 주차 보조 시스템과 차이가 있습니다.
AVP가 안정적으로 작동하려면 차량이 현재 어느 위치에 있는지, 주변에 어떤 장애물이 있는지, 목적지까지 어떤 경로로 이동해야 하는지 파악해야 합니다. 특히 지하주차장은 위성항법시스템(GNSS)의 신호가 약하거나 수신되지 않는 경우가 많습니다. 콘크리트 기둥과 벽이 반복되고 비슷한 형태의 주차 구역이 이어지기 때문에 차량이 자신의 위치를 정확하게 판단하기도 어렵습니다.
이러한 문제를 해결하는 데 활용되는 기술이 **SLAM(Simultaneous Localization and Mapping, 동시적 위치 추정 및 지도 작성)**입니다. SLAM은 차량이 주변 환경을 관측하면서 자신의 위치를 추정하고, 동시에 주변 환경의 지도를 구성하거나 기존 지도를 갱신하는 기술입니다.
카메라를 활용하는 Visual SLAM은 이미지에서 특징점을 추출하고 여러 시점의 영상 변화를 분석해 차량의 움직임과 주변 공간의 구조를 추정합니다. 여기에 지하주차장에 설치된 비콘의 위치 정보를 결합하면, 카메라만으로 위치를 추정할 때 발생할 수 있는 오차를 보완할 가능성이 있습니다.
다만 비콘과 Visual SLAM을 결합하는 방식이 모든 AVP 시스템에 필수적인 것은 아닙니다. 실제 구현에서는 차량에 탑재된 센서, 주차장 인프라, 요구되는 위치 정확도와 비용에 따라 다양한 구성이 사용될 수 있습니다.
2. SLAM과 Visual SLAM의 작동 원리
SLAM은 차량이 이동하면서 얻는 센서 데이터를 바탕으로 위치와 주변 환경을 함께 추정하는 기술입니다. 차량의 현재 위치를 알려주는 정보가 충분하지 않은 상황에서도 주변 환경의 특징을 관측해 이동 경로를 추정할 수 있습니다.
Visual SLAM은 이 과정에서 카메라 영상을 활용합니다. 일반적으로 단안 카메라 한 대를 이용하는 방식과 스테레오 카메라 또는 여러 카메라를 활용하는 방식으로 구분할 수 있습니다.
단안 Visual SLAM은 한 대의 카메라로 촬영한 연속 이미지에서 특징점의 이동을 추적합니다. 예를 들어 지하주차장의 기둥 모서리, 벽면의 표지, 바닥 표시선 등이 여러 영상에서 어떻게 이동하는지 분석하면 카메라의 상대적인 움직임을 추정할 수 있습니다.
스테레오 카메라는 서로 다른 위치에서 촬영한 두 영상의 차이를 이용해 깊이 정보를 추정할 수 있습니다. 카메라 구성과 보정 상태에 따라 거리 추정의 안정성을 높이는 데 도움이 될 수 있습니다.
Visual SLAM은 일반적으로 다음 과정을 거칩니다.
- 영상 입력: 카메라가 주차장 주변을 연속적으로 촬영합니다.
- 특징점 추출: 영상에서 기둥 모서리나 벽면의 특징처럼 추적할 수 있는 지점을 찾습니다.
- 특징점 추적: 연속 영상에서 같은 특징점이 이동한 위치를 계산합니다.
- 위치 추정: 특징점의 변화와 카메라 모델을 이용해 차량의 움직임을 추정합니다.
- 지도 구성: 관측된 특징과 공간 구조를 이용해 주변 환경을 지도 형태로 표현합니다.
- 오차 보정: 새로운 관측 정보와 기존 지도 정보를 비교해 위치 추정 결과를 개선합니다.
이 방식은 주차장 내부에서 차량의 이동을 추정하는 데 유용하지만, 환경에 따라 성능이 크게 달라질 수 있습니다. 벽과 바닥이 지나치게 단순하거나 조명이 어둡고, 차량이 빠르게 회전하거나 영상이 흔들리면 특징점을 안정적으로 추적하기 어려울 수 있습니다.
3. 지하주차장 비콘은 어떤 역할을 할까?
비콘은 일정한 신호를 송신해 주변 기기가 위치 추정이나 구역 인식에 활용할 수 있도록 하는 장치입니다. 실내 위치 측위에서는 블루투스 저전력(BLE) 비콘, 초광대역(UWB) 기반 장치 등 다양한 무선 기술을 고려할 수 있습니다. 다만 이들은 신호의 특성과 위치 측정 방식이 서로 다르므로 같은 기술로 취급해서는 안 됩니다.
BLE 비콘은 일반적으로 고유한 식별 정보와 신호를 송신합니다. 차량이나 수신 장치가 신호 세기를 측정하면 특정 비콘에 가까워지는지 추정하거나, 사전에 구성한 구역 정보를 활용할 수 있습니다. 그러나 신호 세기만으로 정확한 좌표를 얻기는 어렵습니다. 벽과 차량에 의한 반사, 사람의 이동, 장치의 설치 위치 등에 따라 신호 세기가 달라질 수 있기 때문입니다.
UWB는 적절한 하드웨어와 배치 환경에서 신호의 도달 시간 등을 이용해 보다 정밀한 거리 측정을 지원할 수 있습니다. 하지만 UWB 역시 설치 구성, 기준 장치의 위치, 가시선 확보 여부와 주변 전파 환경에 영향을 받습니다.
지하주차장에 비콘을 설치할 때는 장치의 개수만 늘리는 것보다 배치 위치와 측위 목적을 명확하게 정하는 것이 중요합니다. 출입구와 층간 연결부, 교차로, 구역 경계처럼 차량의 위치를 확인하기 어려운 지점에 인프라를 배치하면 시스템 설계에 도움이 될 수 있습니다.
비콘의 역할은 카메라가 관측한 모든 환경을 대체하는 것이 아닙니다. 비콘은 특정 기준점이나 구역 정보를 제공하고, Visual SLAM은 주변 환경의 시각적 특징을 이용해 상대적인 이동과 공간 구조를 추정합니다. 두 정보의 특성이 다르기 때문에 서로 보완적으로 활용할 수 있습니다.
4. 비콘과 Visual SLAM을 결합하는 방법
비콘 신호와 Visual SLAM을 결합하는 핵심은 서로 다른 센서에서 얻은 정보를 동일한 좌표계와 시간 기준으로 해석하는 것입니다. 단순히 비콘 신호와 카메라 영상을 동시에 사용한다고 해서 위치 정확도가 자동으로 높아지는 것은 아닙니다.
일반적인 결합 구조는 다음과 같습니다.
첫째, Visual SLAM이 차량의 상대적인 움직임을 추정합니다. 카메라 영상에서 추적한 특징점을 통해 차량이 이전 위치에서 얼마나 이동하고 회전했는지 계산합니다. 이 정보는 차량이 짧은 시간 동안 어떻게 움직였는지 파악하는 데 유용합니다.
둘째, 비콘 시스템이 기준 위치나 구역 정보를 제공합니다. 비콘의 설치 좌표가 사전에 측량되어 있고, 수신 장치가 신뢰할 수 있는 측위 결과를 얻는다면 차량의 위치 추정값을 보정하는 기준으로 활용할 수 있습니다. 단순한 BLE 신호 감지만 가능한 구성이라면 정확한 좌표 대신 구역 식별이나 위치 범위 확인에 활용할 수 있습니다.
셋째, 두 정보의 신뢰도를 평가합니다. 카메라 영상이 어둡거나 특징점이 부족할 때는 Visual SLAM의 위치 추정에 불확실성이 커질 수 있습니다. 반대로 무선 신호가 반사되거나 가려지면 비콘 기반 측위 결과의 신뢰도가 떨어질 수 있습니다. 시스템은 각 정보의 오차 특성을 고려해 결합 여부와 가중치를 결정해야 합니다.
넷째, 통합 위치 추정 결과를 주행 계획에 전달합니다. 차량은 추정된 위치와 주변 장애물 정보를 이용해 주행 경로를 계획하고, 주차 공간까지 이동하거나 지정된 위치에 정차합니다.
정보 결합에는 칼만 필터 계열의 추정기, 확장 칼만 필터(EKF), 그래프 기반 최적화 등 여러 방법을 사용할 수 있습니다. 어떤 방식이 적합한지는 센서의 출력 형태와 오차 모델, 계산 자원, 시스템의 요구사항에 따라 달라집니다.
5. 두 기술을 결합했을 때의 장점
비콘과 Visual SLAM을 결합하면 각 기술이 가진 약점을 보완할 가능성이 있습니다.
첫 번째 장점은 위치 추정의 안정성 향상입니다. Visual SLAM은 차량의 움직임을 연속적으로 추정할 수 있지만, 오차가 누적될 수 있습니다. 신뢰할 수 있는 기준 위치 정보가 제공된다면 누적 오차를 줄이는 데 도움이 될 수 있습니다.
두 번째는 지하주차장처럼 GNSS 사용이 제한적인 환경에서 위치 정보를 확보할 수 있다는 점입니다. 주차장 내부에 설치된 인프라를 이용하면 외부 위성 신호에 의존하지 않는 위치 추정 구조를 설계할 수 있습니다.
세 번째는 주차장 구역 인식과 경로 관리에 도움이 된다는 점입니다. 비콘으로 층이나 구역을 구분하고, Visual SLAM으로 주변 기둥과 벽면의 상대적인 위치를 추정하면 차량이 어디에 있는지 판단하는 데 활용할 수 있습니다.
네 번째는 시스템의 유연성입니다. 주차장 구조와 비용에 따라 비콘의 배치 밀도, 카메라 구성, 지도 작성 방식 등을 조정할 수 있습니다. 다만 인프라를 줄이면 위치 추정 성능이나 가용성이 저하될 수 있으므로 설치 비용만으로 구성을 결정해서는 안 됩니다.
6. 실제 적용 시 발생할 수 있는 문제
비콘과 Visual SLAM을 결합한 시스템에도 여러 기술적 한계가 있습니다.
조명 변화와 시각적 특징 부족
지하주차장은 조명이 균일하지 않고 반복적인 기둥과 벽면이 많습니다. 카메라가 추적할 만한 특징이 부족하면 차량의 움직임을 정확하게 계산하기 어려울 수 있습니다. 차량의 헤드라이트나 다른 차량의 조명 때문에 영상의 밝기가 급격하게 변하는 상황도 고려해야 합니다.
무선 신호의 반사와 간섭
콘크리트 벽과 금속 구조물, 주차된 차량은 무선 신호의 전파 경로에 영향을 줄 수 있습니다. 특히 BLE의 수신 신호 세기를 거리로 환산하는 방식은 주변 환경의 변화에 민감할 수 있습니다. 따라서 비콘의 설치 환경을 조사하고 실제 주차장에서 측정 오차를 검증해야 합니다.
좌표계와 시간 동기화
Visual SLAM이 사용하는 좌표계와 비콘 시스템의 좌표계가 다르면 두 정보를 직접 결합할 수 없습니다. 카메라의 설치 위치와 방향, 비콘의 기준 좌표, 센서 데이터의 시간 차이를 함께 고려해야 합니다. 좌표 변환이나 시간 동기화가 부정확하면 오히려 위치 추정 결과가 불안정해질 수 있습니다.
센서 고장과 불확실한 결과
카메라 렌즈가 오염되거나 무선 신호가 일시적으로 끊기면 시스템이 신뢰할 수 있는 위치 정보를 얻지 못할 수 있습니다. 이때는 위치 추정의 불확실성을 감지하고, 안전한 속도로 감속하거나 정지하는 등 시스템 설계에 맞는 대응을 수행해야 합니다. 센서 융합은 고장 가능성을 없애는 기술이 아니라, 다양한 정보를 활용해 인식의 신뢰성을 높이는 접근입니다.
7. AVP 시스템의 성능을 어떻게 검증할까?
AVP용 위치 추정 시스템은 특정 환경에서 한 번 작동하는 것만으로 안전성을 입증할 수 없습니다. 다양한 주차장 구조와 조명, 주행 속도, 무선 신호 조건에서 반복적으로 시험해야 합니다.
평가 항목으로는 위치 오차, 방향 추정 오차, 위치 추정 실패율, 신호가 끊겼을 때의 복구 시간, 처리 지연시간 등을 사용할 수 있습니다. 위치 오차는 시스템이 추정한 위치와 기준 측정 장비로 확인한 실제 위치의 차이를 비교해 평가할 수 있습니다.
예를 들어 직선 주행뿐 아니라 좁은 통로에서의 회전, 기둥 주변 통과, 층간 연결부 진입, 차량이 밀집된 구역에서의 이동 등을 시험할 수 있습니다. 조명이 갑자기 바뀌거나 비콘 신호가 일시적으로 불안정해지는 상황도 포함해야 합니다.
또한 평균 위치 오차만 확인해서는 안 됩니다. 대부분의 구간에서 정확하더라도 특정 교차로나 회전 구간에서 큰 오차가 반복되면 실제 주차 성능에 영향을 줄 수 있습니다. 따라서 최대 오차와 오차 분포, 위치 추정이 불가능한 구간까지 함께 분석하는 것이 중요합니다.
마지막으로 위치 추정 결과가 실제 차량 제어에 전달되는 과정도 검증해야 합니다. 위치 정보가 정확하더라도 장애물 탐지와 경로 계획, 제동 제어가 적절하게 작동하지 않으면 안전한 자동 주차를 보장할 수 없습니다.
결론: 비콘과 Visual SLAM의 결합은 지하주차장 위치 추정의 보완책
자동 발렛 주차(AVP)는 차량이 스스로 위치를 파악하고 주변 환경을 이해해 주차를 수행하는 기술입니다. 지하주차장처럼 GNSS 신호를 활용하기 어려운 환경에서는 Visual SLAM을 통해 주변 시각 정보를 분석하고, 비콘 기반 위치 정보를 추가로 활용하는 방식을 고려할 수 있습니다.
Visual SLAM은 카메라 영상에서 특징점을 추적해 차량의 상대적인 움직임과 공간 구조를 추정합니다. 비콘은 구현 방식에 따라 구역 정보나 기준 위치, 거리 측정 정보를 제공할 수 있습니다. 두 정보를 적절하게 결합하면 위치 추정의 안정성을 높이는 데 도움이 될 수 있지만, 정확도는 센서의 종류와 설치 환경, 좌표계 정합, 알고리즘 설계에 따라 달라집니다.
따라서 AVP 시스템을 설계할 때는 센서 두 종류를 단순히 연결하는 데 그치지 않고, 각 센서의 오차 특성과 고장 상황을 분석하고 실제 주차장에서 충분한 검증을 수행해야 합니다. 안전한 자동 주차를 구현하려면 위치 추정뿐 아니라 장애물 인식, 경로 계획, 차량 제어까지 전체 시스템을 함께 평가하는 접근이 필요합니다.