이는 IoT로 가능해진 미래의 차량 기능에 대한 논의로 직접 우리를 데려다 준다. 물론, 여기에서의 궁극적 목표는 자동 주행이다. 대부분의 출판물은 또한 자가 운전 자동차 또는 자율 주행에 대해 이야기한다. 우리는 이것이 단지 차량의 자율성보다 훨씬 더 많은 것을 포함한다고 믿는다. 결국, IoT가 커넥티드 카를 가능하게 할 것이다. 다음에서, 우리는 자율 주행과 커넥티드 카 모두를 지칭하기 위해서 용어 “자동 주행”을 사용한다.

자동/자율 운전으로 우리를 이끌 로드맵에 대해 많이 설명되어 있지만, 대부분의 사람들은 “자율 주행이 빅뱅이 될 수는 없을 것이며, 일련의 작은 단계가 될 것이다”라는 의견에 동의한다 (Toscan Bennett, Volvo [LL1]).

사용자 수용, 기술, 법률 그리고 특히 보험 위험과 보험료를 계산하는 통계 전문가인 보험 계리사 등의 많은 다른 요인들이 자동 운전의 발전에 영향을 미칠 것이다.

Bosch의 전문가들에 의해 개발된 자동 운전 로드맵은 아래 그림에 표시된다. 이 로드맵의 핵심 가정은 실시간으로 서로 다른 데이터 소스로부터 데이터를 효율적으로 결합하는 능력이 결정적 일 것이라는 것이다. 단일 센서는 차선 유지 조종 등의 적응형 자동 주행 속도 유지 어플리케이션과 같은 기본 기능에 사용된다. 센서 데이터의 융합은 통합 주행 지원 및 고속도로 지원과 같은 고급 솔루션을 지원하는 여러 소스로부터의 데이터 병합을 가능하게 한다. 지도 데이터의 추가는 이미 고도로 자동화된 주행 기능을 제공하는 고속도로 조종 기능을 지원한다. 자동 주행의 가장 큰 도전은 인구 밀도가 높은 도시 지역에서의 운전이며, 이는 횡단 보행자, 놀고 있는 어린이 등 많은 관련 위험 때문이다.

Roadmap towards automated driving (Source: Bosch)

이 분야에서 미래의 발전을 예측하는 것은 어려운 일이다. Wolf-Henning Scheider (Bosch 관리 위원)에 따르면, Bosch는 이미 2017년과 2018년 반자동 주행에 필요한 레이더, 카메라, 제어 장치 및 기타 기술을 공급하기 위해 생산 주문을 받았다. 이를 기반으로, 그는 4단계 로드맵을 마련했다 [TAP1]:

• 2017년, 최대 75mph 속도로 완전한 자동 차선 유지가 가능한 통합된 고속도로 지원 기능을 탑재한 최초의 자동차가 이용 가능해질 것이다.

• 2018년, 고속도로 지원 기능이 더 높은 속도뿐만 아니라 운전자 승인 하에 자동 차선 변경을 지원하도록 확장될 것이다. 여전히 운전자는 항상 도로를 지켜볼 필요가 있다.

• 2020 년까지 고속도로 조종 기능은 고속도로에서 완전한 자동 주행을 지원할 것이다. 차를 추월할 필요가 있는 경우, 운전자는 통보 받을 것이며, 이것이 충분히 빠르게 일어나지 않는 경우, 자동차는 차를 세우고 멈출 것이다.

• 약 2025년까지 Bosch는 자동 조종 기능이 운전자의 임의의 개입 필요 없이, 완전 자동화 된 door-to-door 운송을 지원할 것이라고 믿는다.

2004년 첫 번째 DARPA 자가 운전 대회에서 어떠한 자동차도 계획한 150마일 중 처음 7마일을 넘지 못한 것을 감안할 때, 이는 분명히 야심찬 목표이다. 그럼에도 불구하고, CES 2015에 있었던 많은 OEM 업체들이 비슷한 타임라인을 확인시켜주면서, 시장은 전체적으로 동의하는 듯하다.

물론, 센서는 자율 주행에 중요한 역할을 담당할 것이다. 현대의 자동차들은 이미 틸트 센서 (광 제어 시스템에 의해 사용), 높은 압력 센서 (Electronic Stability Program (ESP)에 의해 사용), 토크 센서 (조종 장치), 핸들 각도 센서 (조종 및 ESP 시스템), 가속도 센서, 좌석 점유 센서 (에어백 제어 시스템), 바퀴 회전 각 센서 (ESP 시스템) 및 바퀴 각속도 센서 (Anti-locking Braking System (ABS))를 포함하는 수많은 다른 센서를 사용한다 [LA11].

자동 주행을 위해서, 다른 센서는 일반적으로 차량 주변 환경의 가상 이미지를 생성하기 위해 결합된다. 이들은 다음을 포함한다:

• LIDAR: 이 기술은 반사된 빛을 분석하여 거리를 측정하는 레이저를 사용한다. 적응형 자동 주행 속도 유지 장치 (ACC)에 사용되는 LIDAR 장치는 차량과 앞에 있는 차량 사이의 거리를 감지하기 위해 차량의 전방에 장착된다.

• 레이더: 밀리미터파 레이더는 일반적으로 사용된다. 이는 다양한 적외선 및 광학 센서를 포함하며, 차량의 전방, 측면 및 후방 구역에 배치된다.

• 초음파: 자동 주차 시, 근접 장애물 감지에 사용된다.

• 카메라: 근처의 위험 (보행자 및 자전거)을 확인하고, 도로 표지판을 읽고, 신호등을 감지하는데 사용된다.

구글은 자율 운전의 선구자 중 하나로 볼 수 있다. 구글 카의 중심 요소는 자동차 지붕에 장착되는 레이저 거리 측정기 (LIDAR)이다 [IE1]. 이 장치는 주변 환경의 상세한 3차원 지도를 만들어 낸다. 이 시스템은 주변 지역의 고해상도 지도와 이러한 레이저 측정을 결합시킨다. 추가 센서는 신호등을 감지하는 백미러에 가까운 카메라뿐만 아니라, 고속도로에서 빠른 교통 흐름을 처리하는 4개의 레이더 (전면 및 후면 범퍼에 장착)를 포함한다. 위치 결정을 위해 GPS가 차량의 실제 움직임을 측정하는 관성 측정 유닛 (IMU)와 결합되며, 이는 GPS 데이터를 보완한다.

                        Technologies for automated driving
                        

자동 주행의 중요한 다른 개념은 Car2X (또는 Vehicle2X)라 불리는 Car2Car 및 Car2Infrastructure이다. 이러한 기술은 자동차를 다른 차량들과 (Car2Car), 또는 신호등과 같은 교통 인프라와 (Car2Infrastructure) 통신할 수 있게 한다. Car2Car 기술은 또한 자동차가 훨씬 앞에 있는 자동차와 통신할 수 있게 하기 때문에, 예측 가능한 주행을 가능하게 한다. 당연히, 이는 모든 차량의 동일한 인터페이스 지원을 필요로 하며, 그 자체가 큰 장애물이 된다.

자동 주행 시스템을 위한 핵심 과제는 다른 센서들로부터 오는 상당한 양의 데이터를 결합하고 관리하며, 운전 행동에 관한 결정을 내리는 데 사용될 수 있는 데이터로부터 일관된 모델을 생성하는 것이다.

아래 그림 (다시 우리의 IoT AIA 템플릿을 사용)에 도시된 바와 같이, 이러한 문제에 대한 일반적인 해결책은 계층적 센서 융합 구조의 생성이다 [TI1].

                              AIA for automated driving
                              

대부분의 센서에는 가공되지 않은 아날로그 센서 데이터의 디지털 표현을 생성하는 전용 처리 장치가 장착되어 있습니다. 예를 들면, LIDAR 센서의 출력은 차량 주위 환경의 3D지도가 될 수 있다.

센서 데이터의 융합은 여러 센서들의 출력을 결합한다. 예를 들어, 두 개의 카메라로부터의 데이터는 심도 정보 (또한 스테레오 비전이라고도 함)를 추출하기 위해 결합될 수 있다. 마찬가지로, 시야의 중첩을 일으키는 유형의 다른 센서로부터의 데이터는 물체 감지 및 분류를 개선하고 보다 정확한 모델을 만들기 위해 병합될 수 있다.

이는 외부 시스템으로부터 데이터를 추가하는 것도 가능하다. 예를 들어, 자동차 클라우드로부터의 데이터는 상세한 지도 데이터, 교통 데이터 및 기상 데이터를 포함한다. Car2X 관문으로부터의 데이터 추가도 가능하다.

그 결과는 자동차 주위 환경의 상세한 3차원 지도이다. 이 지도는 객체를 기반으로 하며, 차선 표지판, 다른 차량, 보행자, 자전거, 거리 표지판, 신호등 등을 포함한다. 이 상세한 지도는 또한 네비게이션에 필요한 더 크고 덜 상세한 지도 내에 위치하게 된다. 두 모델의 관점은 다른 시간 간격으로 실시간 업데이트된다.

전체 프로세스는 센서 데이터에 기초한 가상 세계에서의 실제 세계 “복원”으로 설명될 수 있다. 유사한 접근 방식은 이 책의 다른 사례, 예를 들어 CERN의 Large Hadron Collider LHCb 실험의 사례연구에서 찾아 볼 수 있다. 또한 용어 “복원”은 이 책의 Ignite | IoT Methodology 부분 전반에 걸쳐 사용된다.

                         Google 3D data model (Source: [MI1])

복원 과정의 결과를 활용하여, 중앙 주행 제어 엔진은 속도, 방향, 비상 제동 등을 포함하는 운전 행동에 대한 결정을 하기 위해 이제 이 모델을 사용할 수 있다. 엔진은 이를 달성하기 위해 중앙 VCU 및 다른 ECU와 같은 다른 자동차 제어 요소와 상호 작용한다.

이러한 시스템의 복잡한 특징뿐만 아니라, 가장 현대적인 자동차에서 발견되는 매우 이질적인 환경에 때문에, 고도로 집중화된 이러한 유형의 접근법은 일부 경우 위험할 수 있다. 예를 들어, 보안상의 이유로, 자동 긴급 브레이크 (AEB) 기능은 필요하다면 중앙 주행 엔진을 대체 할 수 있는 자동 시스템으로 전개될 가능성이 매우 높다.

자동차 클라우드 서비스와 지역 센서 데이터의 결합은 더 경제적인 운전을 지원하면서 운전 경험을 더욱 최적화하도록 돕는다. 이것의 좋은 예는 Bosch에 의해 개발된 Digital Horizon 시스템이다 [ST1]. Digital Horizon 시스템은 클라우드 기반의 백엔드와 CAN 버스 [CAN1]를 통해 자동차 주행 컨트롤에 연결되는 내장형 장치를 결합한다. 클라우드 백엔드는 도로 상태, 속도 제한 등에 관련된 메타데이터로 풍부한 지도 데이터를 제공한다. 내장형 장치는 이 데이터를 받아 다음과 같은 여러 다른 서비스를 지원하는데 사용한다.

• 조명 예측 제어: 연결된 horizon data를 센서 판독 및 카메라 영상 분석과 결합하여, 시스템은 이후의 상황에 조명을 맞출 수 있다. 기능은 헤드램프 빔 높이 조절 및 조명의 곡선 예측을 포함한다.

• 보조 운전: 속도는 전방 도로의 조건에 따라 조절될 수 있다. 예를 들어, 전방에 단단한 굴곡 또는 품질 불량의 도로가 있는 경우, 시스템은 속도를 감소시킬 수 있다.

• 관성 주행 지원 (추진력 없이 이동): 쭉 뻗은 내리막에서의 재래식 제동 또는 한계 속도에 접근할 때는 열의 형태로 차량의 에너지를 소비한다. 관성 주행은 주행 저항을 극복하기 위해 차량의 운동 에너지를 사용한다. 이 시스템은 관성 주행에 적합한 쭉 뻗은 도로를 식별하고 운전자가 엑셀레이터에서 발을 떼야 할 때를 보여준다.

• 하이브리드 예측 관리: 하이브리드 전기 자동차는 제동 에너지를 되찾아 배터리에 저장할 수 있다. 제한된 배터리 용량을 극복하기 위해, 시스템은 이후 도로 구간에 대한 회수 가능성을 결정하는 지형 네비게이션 데이터를 이용한다. 이 정보에 기반하여, 시스템은 에너지의 최대치가 나중에 회수될 수 있도록 보장하는 전기 모터 사용의 증가를 통해 충분히 배터리를 방전시킨다.

                                    Digital Horizon
                                    

자동 주차는 완전히 자동화된 차량 제어 상품화의 첫 단계가 될 것이다 (기술적으로는 주행이 아니기 때문에, 위 로드맵에는 포함되지 않음).

Roadmap for automated parking (Source: Bosch)

초기 생산 준비 주차 지원 시스템은 이미 자동차가 조종하는 주차 조종 제어 장치를 제공하며, 운전자는 속도 및 제동을 통제한다. 이에 이어 시스템에 의해 자동화된 제동 단계인 주차 기동 통제가 이어질 것이다. 다음 단계는 운전자가 차량 외부로부터 자신의 차를 주차 할 수 있는 원격 주차 지원이 될 것이다. 마지막 단계는 완전히 자동화된 주차를 지원하는 자동 조종 주차이다.

쉽게 완전히 자동화된 환경으로 변할 수 있는 다층 주차장의 가능성 때문에 (적어도 부분적으로), 자동 주차 대행은 완전 자동 주행을 대규모로 선보일 수 있는 또 다른 흥미로운 영역이다. 이러한 주차 자동화 시나리오 중 일부는 자동차와 외부 시스템 사이의 연결을 필요로 하지 않으며, 그렇기에 아마 IoT 솔루션의 완벽한 예는 아니지만, 그들은 여전히 전체 그림의 중요한 부분이다. 또한, IoT 개념이 주차와 함께 사용되는 다른 흥미로운 시나리오가 있다. 첫 번째 예는 Automated Valet Parking (AVP)으로, 주차 층과 자동차를 연결할 뿐만 아니라, AVP 시스템과 사용자를 연결한다 (지불, 차량의 드롭 오프 및 픽업을 위한 시간 예약 등의 서비스를 위해 폰을 사용하는 것 등). 또 다른 좋은 예는 지역 사회 기반 주차이다. 이 경우에는, 차량 내에 설치된 센서가 이용 가능한 주차 공간을 찾아 근처 거리를 스캔한다 (운전자가 한 자리를 찾는 게 아닌 경우에도). 이 데이터는 중앙에서 수집되고 지속적으로 업데이트된다. 이는 시스템의 모든 사용자가 인근의 이용 가능한 주차장에 대한 실시간 정보를 얻을 수 있다는 것을 의미한다. 이 정보는 또한 운전자의 자동차 네비게이션 시스템 내 지도 데이터에 추가될 수 있다.