May.

5월
HD map 최신화 및 자동생성 기술 동향

1. 서론 3p

2. 본론 4p
2.1 센서데이터를 활용한 HD map 업계 동향
2.2 크라우드 소스 기반 HD map 최신화
2.3 HD map의 최신화 기술
2.4 HD map의 자동생성 기술

3. 결론 18p
 2023년 5월│Monthly Report

HD map 최신화 및 자동생성 기술동향

충북대학교 / 기석철 교수
충북대학교 스마트카연구센터 / 이원종 연구원

01 서론
■ 자율주행에서의 HD map은 고도자율주행을 구현하기 위한 핵심 연구 분야로 자리 잡은
가운데, 위치 정보를 기반으로 HD map을 관리하고 최신화하여 유지하는 기술은
자율주행 차량의 안전과 효율성을 보장하기 위한 필요성이 강조되고 있다. 기존의 HD
map을 제작하는 방식은 고정밀 측위 장치를 탑재한 차량과 장비를 활용하여 수작업에
의존하여 작성되었다. 하지만, 도심의 자율주행 환경은 교통 규제와 차로의 확장 등으로
다변화하며 기존의 HD map만 활용하여 주행하는 방식은 제약이 많을 뿐만 아니라
위험성도 수반한다. 이를 해결하기 위해 실시간성이 확보되는 다양한 센서들(Lidar1),
Camera, IMU2), GNSS, Radar3))과 기존에 제작된 HD map을 응용하여 최신화하는
방안과 이를 기반으로 자동생성 기술들이 연구되고 있다.

■ 초기 HD map을 구축하는데 상당한 비용을 투자하여 제작하게 되는데, 이를 도로

환경이 변함에 따라 매번 최신화를 하는 작업은 추가적인 비용과 시간이 소요된다.
특히 차선은 도로의 일시적 차단 및 공사를 위한 임시차로 생성 등 변화가 빈번하다.
차선은 도로 규제와 더불어 차선과 차로의 구분, 색상 등 다양한 정보를 포함하고
있으므로 HD map에서 차선의 위치 정보는 필수적이다.

■ 자율주행 기술이 발전함에 따라 자율주행 연구를 위한 차량에 탑재되는 센서의 다양화와

그 성능이 고도화되고 있는데 이를 통해 수집되는 데이터를 기반으로 실시간 HD map
수정 및 최신화를 위해 크라우드 소스 데이터를 활용하는 방안이 논의되고 있다.
크라우드 소스 데이터는 온라인 혹은 그에 상응하는 플랫폼에서 특정 그룹으로부터
수집되는 데이터를 말한다. 크라우드 소스 데이터의 활용 방안으로 차량의 객체 인식

1) 라이다(Lidar) : 레이저 펄스를 발사하여 그 빛이 대상 물체에 반사되어 돌아오는 신호를 수신하여 물체의
3D 형상까지 이미지화하는 센서
2) IMU(Inertial Measurement Unit) : 이동 물체의 속도와 방향, 중력, 가속도를 측정하는 관성 센서
3) Radar(Radio Detecting And Ranging) : 안테나로 전자기파를 발사하고 물체에서 반사되는 전자기파를 수신
하여 물체와의 거리와 속도 등을 측정하는 센서

3
 2023년 5월│Monthly Report

기능을 향상할 수 있다. 예를 들어, 다수의 이용자가 도로 위험을 보고하는 경우 이

데이터를 활용하여 차량의 MMS4) 기반의 최신화를 통해 타 차량의 위험을 경고하는
역할을 할 수 있다. HD map을 위한 크라우드 소스 데이터에는 노면 정보를 위해
수집되는 점군데이터(Point Cloud Data)를 기반으로 기존 HD map의 차선 혹은 노면
표시 정보와 실시간으로 정합된 차선의 정보를 비교할 수 있다.

■ 따라서, 본고에서는 크라우드 소스 데이터를 활용한 HD map 최신화 및 자동생성

기술의 방법을 살펴보고, 그 중요성을 진단한다. HD map은 차량이 정확하고 신뢰할
수 있는 정보를 얻기 위해 최신 상태로 유지되어야 하므로 크라우드 소스 데이터를
사용하여 지도의 오류 또는 부정확성을 식별하고 HD map을 수정하는 방법에
대해서도 알아본다.

02 본론
2.1 센서데이터를 활용한 HD map 업계 동향

■ 지금까지 구축된 HD map은 데이터 수집 장치인 MMS로부터 수집된 데이터를

기반으로 사람의 수작업 및 후처리에 의해 제작되었다. 하지만 서론에서 언급한
바와 같이 급변하는 도심의 도로 환경에 신속하게 대응하고 도로 정보를
갱신하기 위한 최신화 작업을 진행하는 데에 한계가 분명하다.

■ 지난 2018년 BMW 그룹과 Mobileye는 시장에 출시되는 BMW 그룹의 새로운 모델에
Mobileye의 REM(Road Experience Management) 데이터 생성기술 도입 계약을
체결하였다. 이는 카메라 기반 첨단운전자보조시스템 (ADAS) 기술이 탑재된 차량을
활용하여 크라우드 소스 데이터를 위한 실시간 데이터를 소싱(Sourcing)하도록 하여
보다 나은 차세대 HD map을 구축하기 위한 목적이라 판단된다. 이는 여러 자동차
제조사와의 데이터와의 융합을 위해 안전하고 강력한 방식의 자율주행 기술을
선도하고자 하는 목표와 포용성을 두루 갖춘 협력을 위한 의미가 있다. BMW 그룹의
센서 데이터는 Mobileye의 Global RoadBook을 만드는데 사용되는 많은 양의
데이터가 정확하고 신속한 Localization5) 기능을 위해 즉각적인 최신화를 할 수
있도록 반영한다. 자율주행 기술을 위한 HD map은 초단기간의 즉각적인 실제 환경
반영이 가능한 환경 변화를 인식하고 최신화 할 수 있는 HD map이 필요하기 때문이다.

4) 이동 지도제작 시스템(MMS, Mobile Mapping System) : 차량의 운행과 함께 도로 주변에 있는 지형지물의 위치

측정과 시각정보를 취득할 수 있도록 구현한 시스템
5) Localization : 자율주행차가 자차의 위치를 정밀하게 인식하는 기능

4
2023년 5월│Monthly Report

그림 1. Mobileye REM 데이터 기술

출처 : Mobileye

그림 2. Global Roadbook 예시

출처 : Mapbox

■ 다수의 차량으로부터 전체 데이터를 수집할 수 있는 Mobileye EyeQ 프로세서 및

소프트웨어를 탑재한 카메라는 고도로 압축된 형식으로 클라우드로 전송되는
중요한 정보를 식별할 수 있는 주요 센서이다. 이 데이터를 통해 BMW 그룹은
현재와 미래를 아우르는 Dynamic Map을 위한 계층을 추가하는데 사용할 수
있으며 이는 교통 흐름과 잠재적 도로 위험 및 기상조건 등 운전자에게 유용한
정보를 실시간으로 제공할 수 있다.

5
2023년 5월│Monthly Report

■ HD map의 신속하고 정확한 생성과 업데이트를 위해 BMW 그룹과 Mobileye는

익명화된 데이터를 HERE로 전송한다. HERE는 지도화 및 위치 정보와 관련된
광범위한 제품 서비스를 선도하는 서비스 중 하나로써, HERE는 이 데이터와 정보를
사용하여 부분 및 고도, 완전 자율주행을 위한 HERE의 실시간 클라우드 서비스인
HERE HD Live Map의 실시간 업데이트를 수행하고 나아가 Mobileye와 함께 이전의
REM 기술을 통해 수집된 데이터를 HERE HD Live Map의 레이어로 통합하여
변화하는 실제 환경을 위한 작업을 정확하게 수행할 것이라고 발표하였다.

■ 또 다른 자율주행 위치 기술 회사인 TomTom과 컴퓨터 비전 소프트웨어를 제공하는

HELLA Aglaia는 TomTom의 HD map을 크라우드 소싱한 카메라 데이터를 사용하여
실시간 업데이트를 위한 협력을 지난 2019년에 발표하기도 했다. TomTom은 협업의
목적으로 HELLA Aglaia와 AutoStream을 사용하여 구독방식의 최신 TomTom HD
map에 접근하고 정확한 Localization을 위한 차량에서의 HD map을 사용한 전처리
된 카메라 데이터를 TomTom의 자율주행용 클라우드 기반 매핑 시스템과 공유하여
실시간으로 업데이트한다. 이는 HD map이 도로의 현실을 반영하도록 RoadGram
이라는 크라우드 소싱 지도를 사용하여 최신화하도록 한다. RoadGram은 자율주행차
센서의 정확한 크라우드 소싱 지도를 위한 간결한 속성 표현으로 새로운 교통 표지판
등의 맵에서 감지된 변경 사항을 처리하여 HD map 속성으로 추가된다.

그림 3. HERE의 HAD 스플라인

출처 : HERE

6
2023년 5월│Monthly Report

그림 4. TomTom과 HELLA Aglaria의 실시간 HD map 업데이트

출처 : TomTom

■ 이처럼 TomTom과 BMW 그룹과 같은 글로벌 대규모 협력 업체들은 앞다투어

협력 구도를 만들고 자율주행차의 주변 환경 인식을 위한 HD map 구축에 힘을
썼다. 하지만 이러한 HD map은 공개된 오픈소스가 아닌 자체 연구 및 기업의
전략 도구로 활용되고 있다.

2.2 크라우드 소스 기반 HD map 최신화

■ HD map의 최신화를 위해서는 고가의 매핑 시스템을 통해 구축되는데, 많은

경우 수동으로 조정하는 등 수작업의 의존도가 크기 때문에 주기적인 최신화에
어려움을 겪고 있다. 반면에 크라우드 소싱 기술을 활용한다면 지역적으로
반복으로 운행하는 택시나 버스와 같은 차량으로부터 데이터를 수집하여 많은
양의 데이터를 기반으로 단기간에 의미 있는 정보를 추출하는 방안을 제시할
수 있다. 여기서 얻어진 원본 소싱 데이터는 불확실성이 높고 정확도가 낮지만
이를 처리하는 방법들이 아래 논문처럼 제안된다. 크라우드 소싱 기술을 통해
HD map을 유지보수하고 클라우드를 통해 다른 사용자에게 변경사항을
알림으로써 더욱 높은 수준의 HD map 관리에 대한 접근방식을 제안할 수 있다.

■ 크라우드 소싱 업데이트를 위한 실시간 HD map 변화 감지에 대한 Pan Zhang

et al. 저자의 논문을 우선 살펴보면, 산업용 카메라와 고정밀 GNSS/IMU 센서
및 온보드 컴퓨팅의 플랫폼을 갖춘 중급형 센서를 기반으로 크라우드 소싱
기반의 HD map 최신화를 제안한다. 자체 위치 정확도 달성을 통해 실시간

7
 2023년 5월│Monthly Report

시멘틱 분할을 위한 아래 그림의 BiSeNet을 활용한 개선된 네트워크를 활용하여

31FPS에서 83.9%의 비율(IOU,Intersection over Union)의 결과를 아래의 표로
제시하였다. 픽셀 유형의 정보와 관련된 SLAM이 차선 분할 및 노면 표시 및 기타
정적 개체와 같은 기능의 의미론적 포인트 클라우드 데이터 추출을 통해 시멘틱
포인트 클라우드 데이터의 노이즈 제거 및 클러스터링6) 후 벡터화 된 정보를
HD map와 매칭되어 HD map의 변화에 대응하는 HD map을 구축하는 방법을
제안하였다. 이 결과로 HD map의 크라우드 소싱 최신화 방식이 효과적인
방식임을 입증하기도 하였다.

■ 차량에 탑재된 다양한 이종 센서 간의 정확도와 범위가 다르므로 Lidar가

포함되어 있는지와 GNSS 성능 보장 여부를 확인하는 전략을 세우기도 하였다.
감지된 데이터의 원본을 전부 클라우드로 업로드, 혹은 키 프레임 일부
데이터만 업로드 하거나 혹은 인지의 결과로만 업로드 해야 하는지를 판단해야
한다. 마지막으로 고려할 사항으로 HD map의 유무에 따른 실시간 환경인식의
차이를 업로드 하는지에 대한 총 3가지 문제를 고려하는 것을 제안한다.

표 1. BiSeNet을 활용한 IOU 성능지표

출처 : 참조 논문 발췌

6) 클러스터링(clustering) : 유사성 등의 개념에 기초하여 데이터를 몇몇의 그룹으로 분류하는 수법

8
2023년 5월│Monthly Report

그림 5. HD map 최신화를 위한 BiSeNet 기반의 개선된 네트워크

출처 : 참조 논문 발췌

그림 6. 시멘틱 포인트 클라우드 데이터의 벡터화 및 클러스터링의 예(화살표 노면표시의 예)

출처 : 참조 논문 발췌

■ 노이즈 제거 및 클러스터링과 벡터화된 결과를 생성하면 차선 경계를 나타내는

부분에서는 선과 선 사이의 매칭이 필요하다. 일치정도는 일반적으로 거리와
각도를 통해 계산된 유사도와 동일하고 화살표와 같은 노면표시의 다각형
요소의 경우 일치 정도를 확인하기 위해 포함된 영역의 비율(IOU)로 평가된다.

9
2023년 5월│Monthly Report

그림 7. 지도 요소 존재 확인 및 시멘틱 포인트 클라우드에서 새 지도 기능 생성

출처 : 참조 논문 발췌

■ Martin Liebner. et al. 저자의 논문에서는 그래프 기반 SLAM을 통한 도로 모델

추정 및 Crowdsourced HD map 패치에 관한 연구를 진행하였다. 앞서 언급한
HERE의 HD map 제작을 위한 200여 대의 차량을 투입하여 제작한 방식과
다르게 이 저자의 접근방식은 도로 기반의 시설 변화를 수집하기 위해 이미
도로에 존재하는 수백만 대의 차량을 활용하였다. 이러한 적합도를 기반으로
자율주행 기능을 위해 특정 경로를 삭제하거나 특정 도로의 매핑 차량을 주행을
시작하는 것을 결정할 수 있다고 한다.

■ 본 연구에서 도로 모델의 추정과 그래프 기반 SLAM을 이용하여 크라우드

소싱된 HD map 패치를 생성하는 방법으로써 현재까지는 단일 링크 순차
정렬에 따라 맵 패치를 구성한다. 이는 아직 고속도로 환경과 같은 간단하지만
중요한 시나리오에만 적용 가능성을 내비치고 있다. 고속도로와 같은 환경은
대부분의 초기 자율주행 시스템의 검증이 이루어지도록 고려되는 환경이며,
자율주행의 응용에 있어서 가장 큰 이점을 가져오는 환경이기도 하다.

■ 그래프 기반 SLAM을 기반으로 크라우드 소싱된 HD map 패치를 생성하는

방법을 제안한다. 위치 정보를 읽어 들여와 GPS 및 Odometr(주행 거리 측정)
값을 기반으로 편평화를 적용한 후, 3차원 점군 특징점의 결과 추적을 일반적인
관찰법으로 정렬한다. 이를 통해 도로에 따라 차선 표시의 순차 정렬을 찾은 후
이산 최적화7) 및 해당 순차 정렬을 사용하여 개체 형상을 얻는 방법을 아래

10
 2023년 5월│Monthly Report

그림으로 제안한다. 청록색 선의 경우 차량의 궤적을 나타내며 차선 경계를

빨간색으로 혹은 도로 가장자리는 주황색으로 표시된다. 밝은 파란색의 경우
경계점에 대한 정보를 나타낸다. (b)와 (c)의 파란색의 원통은 궤적을 정렬할 수
있도록 둘 이상의 차량에서 관찰된 경계점을 나타낸 것이며 최종적인 학습된
차선 경계를 (c)에서 빨간 선으로 확인할 수 있다.

그림 8. 학습에 기반한 HD map에서의 차선 추출

출처 : 참조 논문 발췌

■ 크라우드 소싱 데이터의 활용을 통한 새로운 피처 레이어를 HD map에 매핑하는

방법에 대해서 김찬수 et al. 저자의 논문을 확인하고자 한다. 저자는 다수의 매핑
차량을 기반으로 하는 새로운 피처 레이어 매핑과 관련된 문제를 해결하기 위해
크라우드 소싱 데이터 매핑 프로세스를 제안한다. 기존 HD map와 크라우드
소싱 정보를 활용하여 추가 비용과 인력 및 제작 소요의 시간을 최소화하여 HD
map의 정확도 수준에서 새로운 피처 레이어를 생성하고자 한다. 이 레이어는
지능형 자율주행에 적용하여야 하므로 새로운 피처 레이어의 정확도가 매우
높아야 하는 것을 주장한다. 새로운 피처의 정밀도를 높이기 위해서
차량으로부터 획득하는 크라우드 소싱 데이터가 매핑 차량에서 획득한 정보만큼
정확하지 않다는 사실에 주목해야 한다고 한다. 이 부정확성을 극복하기 위해
이 논문에서는 HD map과의 일치 및 크라우드 소싱 데이터의 두 가지 개념을
사용한다. 제안된 알고리즘은 1) HD map과의 일치는 센서 정보와 HD map 기존

7) 이산 최적화(Discrete Optimization) : 연속형 데이터가 아니라 이산형 데이터의 최적화

11
2023년 5월│Monthly Report

피처 간의 일치를 고려한 새로운 피처 레이어가 향상된 정밀도로 생성되며 2)

크라우드 소싱 데이터를 획득한 많은 새로운 기능적 계층을 결합하여 부정확한
센서를 사용하면서 발생하는 정확도 문제가 해결된다고 한다.

그림 9. HD map 클라우드 시스템을 사용하는 새 피쳐 레이어의 크라우드 소싱 매핑 프로세스

출처 : 참조 논문 발췌

2.3 HD map의 최신화 기술

■ Wanru Xia 저자의 논문에 의하면, HD map는 자율주행차의 정밀한 위치인식을

위해 시기적절한 유지보수와 업데이트를 필요로 한다. HD map을 제작하기 위해
이미지 데이터와 포인트 클라우드 데이터를 활용하는데, 이 때문에 HD map을
최신화하는 방법에는 어느 데이터가 최신화된 데이터인지 구별할 필요가 있다.

■ 가장 간단한 최신화의 예로는 이미지 데이터만 재촬영을 하는 것인데, 도로

가장자리와 표면이 모두 같고 표시 지점이 다르게 되는 경우이다. 이 경우 새로
촬영된 이미지 점의 RGB 값을 업데이트하기 위해 공간적으로 가장 가까운
포인트 클라우드와 일치시킨다. 하지만 원래 생성된 주행 궤적과 같은 궤적을
생성하는 것은 거의 불가능하다. 이미지 캡처를 위해 타임스탬프를 활용하여
보간된(interpolation) 포인트 클라우드를 추출하여 아래 예시 사진과 같이
포인트 클라우드의 프레임과 이미지 프레임이 다를 경우의 대비하여 일치하는
영상에 투영되면 최신화된 구간의 원래 표시 지점을 제거하고 필터링 후 새로
추출된 도로 피처에 추가할 수 있다. 이를 방식으로 새로운 지점에 대한
클러스터링이 가능하다.

12
2023년 5월│Monthly Report

그림 10. HD map 최신화

출처 : 참조 논문 발췌

■ 위의 방법과 같이 이미지 혹은 포인트 클라우드 기반으로 지도를 최신화하는

방법이 제안되었지만, Mahdi E. et al. 저자는 딥러닝 기반의 지도 생성을 통해
HD map을 구축하고 레이블을 지정하는 프로세스를 제안한다. 카메라의 약점인
도심 시나리오에서 밝기 문제에 관해 지적하며 Lidar를 응용한 딥러닝 기반의
자율주행 프로세스를 제안한다. HD map는 3차원 포인트 클라우드 데이터
기반을 둔 시멘틱 정보의 조화로 구성되는 것이 보편적이라고 한다. 하지만
자율주행에 응용하기 위해서 추가적인 데이터를 활용한 해야 한다.
자율주행차를 비롯한 자동차는 기본적인 교통 법규를 준수하며 안전하게
주행해야 한다. 하지만 차선, 도로 표지판 등 위치 정보를 표시하기 위한
일반적인 방법은 수동으로 레이블을 지정하고 저장하는 것이 보편적이다. 이
문제는 정확성이 부족함을 지적하고 있다. 포인트 클라우드는 RGB 값의 부재로
Intensity 기반의 필드를 레이블에 저장하기에는 다소 루즈한 기법이다. 딥러닝
기반의 감지 결과를 HD map을 자율주행차에 배포하기 이전 오프라인으로
지도를 생성하고 레이블을 지정하여 정확도와 견고성을 향상하기 위한 여러
가지 방법론적인 라벨링 프로세스의 자동화를 제안한다.

13
 2023년 5월│Monthly Report

■ 3D NDT8) 알고리즘은 M. Magnusson et al. 저자에 의해 제안된 방식으로,

확률밀도 함수로 변환을 기반으로 당시 ICP9) 알고리즘을 능가하는 성능을
보여줬다. 저자는 3D NDT 알고리즘의 속도와 정확도를 모두 개선하기 위해
EKF10)를 활용하여 IMU 및 GNSS 데이터를 융합한 초기 추측결과를 반환한다.

■ 포인트 클라우드를 구성한 초기 지도는 자율주행차가 주행할 수 있도록 차선

및 주행 가능 영역 등의 시멘틱 정보를 수작업으로 추가한다. 예를 들어,
Autoware에서는 Vector Mapper를 온라인 도구에 접근하도록 제공하여 미리
제작된 포인트 클라우드 데이터를 불러와 수동으로 레이블을 지정할 수 있다.
하지만 이 경우 역시 수동으로 매칭해야 하는 부분에 있어 정확도와 시간 비용을
상쇄하기 어렵다.

■ 이 저자는 포인트 클라우드를 첫 단계로써 구축한 다음 수동으로 두 번째

단계로의 레이블이 지정되도록 하는 독립적인 프로세스를 제안하였다.
레이블이 지정되는 대부분 정보들은 딥러닝의 신경망으로 생성되며 이는
수동으로 레이블을 지정하는 과정 대신에 네트워크에서 생성된 예측을
사용하여 포인트 클라우드에 자동으로 레이블을 지정하도록 제안한다.

그림 11. 3D-NDT를 사전 훈련된 심층 신경망(DNN, Deep Neural Network)과 결합하여 레이블이

지정된 HD 맵 생성 파이프라인

출처 : 참조 논문 발췌

8) NDT (Normal Distribution Transformation) 알고리즘 : Point cloud 간의 매칭을 통해 변환행렬을 계산하는
알고리즘 중 하나
9) ICP(Iterative Closest Point) 알고리즘 : 한 대상물에 대해 다른 지점에서 스캔된 두 개의 포인트 클라우드가
있을 경우, 이 두 개의 데이터를 퍼즐처럼 합쳐 정합(registration)하는 알고리즘
10) EKF(Extended Kalman Filter) : 비선형 모델을 추정하기 위한 필터

14
 2023년 5월│Monthly Report

2.4 HD map의 자동생성 기술

■ Yun Tang et al. 저자의 논문에 의하면, 현재의 HD map은 두 가지 중요한 제약이
있다고 한다. 공개적으로 사용 가능한 HD map에서 교차점에 대한 정보의
다양성이 부족하며 새로운 HD map을 구축하는데 상당한 비용이 소모된다고
주장한다. 저자는 시나리오 다양성이 보장된 간결한 HD map을 자동으로
생성하는 첫 단계로 FEAT2MAP을 제안한다. FEAT2MAP은 도심 도로의 시나리오
다양성에 영향을 미치는 것을 고려하여 교차점에 중점을 두어 제작한다.
FEAT2MAP은 교차점을 특성화하는 일련의 기능을 정의한다. 그다음 FEAT2MAP은
입력된 HD map 혹은 사용자가 원하는 요구사항을 만족하는 정의 목록을 고정
교차점 기능을 추출하고 샘플링하는 기능을 한다. 각 접합부의 Feature들은
접합을 생성한다. 이를 통해 FEAT2MAP은 교차점을 격자형 레이아웃으로
연결하여 지도를 생성하게 된다.

■ ISO 21448에 따르면 SOTIF11)는 자율주행시스템 안전의 핵심이다. 하지만

테스트 시나리오를 지정하고 이를 위한 많은 양의 파라미터 조합으로 인해
알려지지 않은 시나리오 영역을 줄이는 것을 목표로 하는 ADS(자율주행시스템)의
SOTIF를 검증하는 것은 어려운 일이며 이를 검증하기 위한 기존 방법의 하나인
시뮬레이션 기반 ADS 테스트는 기존의 시스템이 알아차리기 힘든 시나리오의
영역을 줄이는 것을 목표로 한다. 시뮬레이션 환경을 구성하는 HD map, 차량
동역학 및 센서 등 요소에서 테스트 시나리오의 다양성을 결정하는 HD map는
ADS 테스트의 전제조건이자 테스트 효율성에 직접적인 영향을 미친다.

■ 차선 유지 기능을 위한 변화하는 곡률의 차선을 생성하는 방식의 연구에서는

교차로 및 교통 통제와 같은 통제 요소를 고려하지 않은 채 생성된 HD map은
불완전하고 시나리오가 제한적으로 생성될 수밖에 없다. 다양한 환경의
시나리오 검증을 위한 상용 HD map은 다양성에서 부족함을 가질 수밖에 없다.
Carla 및 SVL과 같은 오픈 소스 시뮬레이터를 활용하기 위한 HD map 역시
제한된 수의 교차로와 도로로 인해 상대적으로 작다. 이는 생성되는 시나리오의
다양성이 제한적일 수밖에 없다. 나아가, 검증을 거친 구역의 HD map 이외의
다른 도로 상황을 갖는 지역에서는 서로 다른 접합 구조를 갖는 HD map이
고려되어야 한다. ADS를 충분히 테스트하기 위해서는 각기 다른 영역 및 다른
구조를 갖는 HD map을 구성해야 하며 각 지도에서의 시스템의 시나리오를
수행하게 된다. 저자는 이 문제점을 지적하며 간결하면서도 시나리오가 다양한
HD map을 자동으로 생성할 수 있는 프레임워크 개발을 필수적이라고 주장한다.

11) SOTIF(Safety of the Intended Functionality) : 의도된 기능의 안전성 검증 프로세스

15
2023년 5월│Monthly Report

그림 11. Carla 시뮬레이터에서 맵을 생성하는 방법

출처 : Carla Simulator

■ 또 다른 HD map의 자동 최신화 기법으로 크라우드 소싱 데이터로 HD map가

얼마나 자주, 그리고 자동으로 최신화 되는지에 대해 작성한 조민우 et al. 저자의
논문을 예로 들 수 있다. 이 연구의 주요 관심사는 차선 수준의 랜드마크를
최신화하여 많은 양의 크라우드 소싱 데이터를 정확하고 사전의 참조 없이
처리하는 방법을 복잡한 도심 지역에서의 추가 적용하기 위한 실용적인 전략을
제시한다. 이 유용성은 서울 시내의 도심 구간에서 다수의 시내버스와
택시로부터 확보한 대량의 크라우드 소싱 데이터를 활용하여 실험적으로
증명하였다.

■ 저가의 카메라와 GNSS센서는 위에서 언급한 도심구간을 오가는 대중교통

수단에 장착할 수 있는 최적의 센서로, 이 센서로 구성된 크라우드 소싱
장치로부터 수집된 단일 드라이브의 도로 관찰은 아래 그림과 같다. 본
논문에서는 HD map와 크라우드 소싱 데이터의 특징을 국토지리정보원에서
제공하는 HD map의 레이어를 참조하여 크라우드 소싱 데이터의 3차원 개별
포즈를 순차적으로 나타내며 도로 관찰에는 관찰된 연속 및 불연속의
랜드마크가 포함된다. 각 랜드마크 포인트는 불확실성의 정도를 공분산
타원으로 나타낸다. 여기서 ROD는 Road Observation Data로 논문에서 활용한
크라우드 소싱 데이터를 의미한다.

16
2023년 5월│Monthly Report

그림 11. 단일 드라이브의 ROD 시각화

출처 : 참조 논문 발췌

■ 제안한 방법을 검증하기 위해 도심 환경에서 수집한 ROD를 사용하여 크라우드

소싱 데이터 활용량을 증가시켜 평균 8.7%의 차선 관찰 포즈를 증가함을
보였으며 아래 그림과 같이 정성적 평가를 통해 업데이트 이전의 HD map와
업데이트 후의 HD map을 비교하여 새롭게 관찰된 차선을 표시하는 결과를
제시하였다.

그림 11. 차선 관찰 결과와 신규 차선의 매핑

출처 : 참조 논문 발췌

17
2023년 5월│Monthly Report

03 결론
■ 자율주행 상용화와 안전성 검증에 대한 이슈가 부상하고 있는 시점에서 HD
map은 필요한 도로 인프라로 논의되고 있다. 지금까지 보편적인 방법으로
개발됐던 MMS 기반의 방식은 HD map의 최신화와 자동생성 측면에서 여러
가지 문제점이 지적되었다.

■ 본고에서는 중저가 센서를 활용한 연구, 그래프 기반 SLAM 연구, 새로운 도로

특징(피처) 레이어를 HD map에 매핑하는 연구 등 크라우드 소스 기반의 HD
map 최신화와 자동생성 기법에 대한 최근 연구 동향을 분석함으로써, 향후 연구
방향을 제시하였다.

■ 자율주행기술 상용화를 위해서는 고정밀지도는 물론이고, Digital Twin 시뮬레이션

기술, 센서/차량 빅데이터, Edge 시나리오 평가기술, V2X 통신기술 등도 도로
인프라 기술로 고도화가 필요하다.

■ 기석철 [교수]
- 충북대학교 지능로봇공학과 교수
- 충북대학교 스마트카연구센터장 (‘16.02 ~ 현재)
- 한국자동차공학회 전기전자부문 부회장 (’21.01 ~ 현재)
- 국토교통부 자율주행자동차 사고조사위원회 위원 (‘20.11 ~ 현재)
- 충청북대 도정정책자문단 위원 (’21.11 ~ 현재)

■ 이원종 [연구원]
- 충북대학교 스마트카연구센터 연구원 (‘23.03 ~ 현재)
- 충북대학교 스마트자동차공학 석사 졸업 (‘23.02)
- 충북대학교 전자공학 학사 졸업 (’21.02)

18
2023년 5월│Monthly Report

참고문헌

[1] HERE. HERE and Mobileye: crowd-sourced HD mapping for autonomous

cars.
(https://www.here.com/learn/blog/here-and-mobileye-crowd-sourced-hd-mappi
ng-for-autonomous-cars)

[2] TomTom. A look inside TomTom’s partnership with HELLA Aglaia for
crowdsourced HD maps.
(https://www.tomtom.com/newsroom/partner-stories/crowdsourced-hd-maps/)

[3] Zhang, Pan, Mingming Zhang, and Jingnan Liu. "Real-time HD map change
detection for crowdsourcing update based on mid-to-high-end sensors."
Sensors 21.7 (2021): 2477.

[4] Liebner, Martin, et al. "Crowdsourced HD map patches based on road

model inference and graph-based slam." 2019 IEEE Intelligent Vehicles
Symposium (IV). IEEE, 2019.

[5] Kim, Chansoo, et al. "Crowd-sourced mapping of new feature layer for
high-definition map." Sensors 18.12 (2018): 4172.

[6] Xia, Wanru. "High-definition map creation and update for autonomous
driving." (2021).

[7] Elhousni, Mahdi, et al. "Automatic building and labeling of hd maps with
deep learning." Proceedings of the AAAI Conference on Artificial
Intelligence. Vol. 34. No. 08. 2020.

[8] Tang, Yun, et al. "Automatic Map Generation for Autonomous Driving
System Testing." arXiv preprint arXiv:2206.09357 (2022).

[9] Cho, Minwoo, et al. "Frequent and Automatic Update of Lane-Level HD

Maps with a Large Amount of Crowdsourced Data Acquired from Buses and
Taxis in Seoul." Sensors 23.1 (2022): 438.

19
발 행 일 2023년 5월 31일
발 행 및 편 집 한국인터넷진흥원 개인정보보호본부 이용자보호단 위치정보팀
주 소 전라남도 나주시 진흥길 9 한국인터넷진흥원 Tel 1544.5118
▶ 본지에 실린 내용은 필자의 개인적 견해이므로, 우리 한국인터넷진흥원의 의견과 다를 수 있습니다.
▶ KISA Report의 내용은 무단 전재할 수 없으며, 인용할 경우 그 출처를 반드시 명시하여야 합니다.