차량에 장착하여 사용하는 후방 카메라는 외부 환경에 그대로 노출되어 있어 강수, 도로 먼지, 벌레 등 다양한 이물질에 의해 오염되는 현상이 빈번하게 발생한다(그림 1). 이물질로 인해 후방 카메라 화면이 오염될 시, 운전자는 선명한 시야를 확보하기 위해 빈번히 후방 카메라를 세척하여야 하며, 이는 워셔액의 불필요한 낭비와 세척 장비의 잦은 교체를 야기하여 경제적 비효율을 초래한다. 더 나아가 세척 빈도의 증가로 인한 차량 유지 보수의 번거로움과 비용이 증가하는 문제도 제기된다.

Figure 1. Blurry image of a rear camera due to the contaminants.

또한 최근 자동차 산업에서는 인공지능(artificial intelligence, AI) 기술의 도입과 함께 자율주행 기술이 빠르게 발전하고 있다. 이에 따라 차량의 주변 환경을 정확하게 인식하는 센서 기술의 중요성이 날로 부각되며^[1] 안전한 자율주행을 위한 후방 카메라를 비롯한 광학 센서, 라이다 등도 함께 주목받고 있다. 그러나 주행 환경에서 발생하는 이물질은 센서에 부착되어 광량을 감소시키거나 이미지 품질을 저하시키고^[2], 주차 지원, 적응형 정속 주행 장치, 자동 비상 제동 등 자율주행 기능의 정확성과 안정성을 저해한다. 이는 자율주행 시스템의 신뢰성을 저하시킬 뿐만 아니라, 운행 중 사고의 위험을 높이는 주요 요인으로 작용한다^[3]. 이러한 문제를 해결하기 위해 최근에는 후방 카메라에 자동 세척 시스템을 도입함으로써 운전자의 개입 없이도 이물질을 제거할 수 있는 기술이 개발되고 있다. 자동 세척 시스템을 효과적으로 운용하기 위해서는 자동 세척 시스템의 AI 학습 시 최적의 세척 기준을 설정하는 것이 매우 중요하다^[4]. AI가 이물질의 종류, 크기, 위치 등의 다양한 요인을 학습하여 세척이 필요한 시점을 정확히 판단하고 작동할 수 있어야만 실제 주행 상황에서 효율적인 세척이 가능하기 때문이다. 특히 진흙이나 먼지와 같이 투과성이 없으며 빛의 산란이 주로 발생하는 오염원과 물방울에 의한 투과성 오염원에 의한 광학 센서의 성능 저하는 서로 다르므로^[5], AI가 이들을 구분하도록 학습시키기 위한 정확한 기준 설정이 필요하다.

본 논문에서는 세척 시스템의 자동화 및 AI 학습을 위한 구체적인 기준을 제시하고자 한다. 이를 위해 진흙, 먼지 등 투과성이 없는 산란형 오염원과 물방울과 같은 투과성 오염원의 크기, 위치, 그리고 오염량에 따른 영향 등을 종합적으로 분석하고, 이러한 이물질이 차량 후방 카메라의 광량 및 영상 품질에 미치는 영향을 시뮬레이션을 통해 정량적으로 평가하여 그 결과를 바탕으로 AI 학습에 활용할 수 있는 상황별 세척 조건을 제시하고자 한다. 이를 통해, 본 연구는 자율주행 차량의 후방 카메라에서 AI를 통한 효과적인 세척 시스템 구축을 위한 기준을 마련하고, 주행 효율성과 안전성을 향상시키기 위한 실질적인 방안을 제안하고자 한다.

2.1. 이물질 종류, 크기 및 위치에 따른 시뮬레이션 환경 구현

후방 카메라의 성능에 미치는 이물질의 영향을 분석하기 위해 다양한 시뮬레이션 환경을 구현하였다. 본 연구에서는 시뮬레이션용으로 화각이 120°로 넓은 후방 카메라 광학계를 그림 2와 같이 설계하고, 이를 통해 얻는 이미지의 크기는 11.12 mm (W) × 6.25 mm (H)로 설정하여 시뮬레이션을 진행하였다. 또한 이물질이 카메라 렌즈에 부착될 때의 광량 감소와 조도 변화를 정량적으로 분석하기 위해 LightTools 광학 설계 프로그램을 활용하여 조도 변화를 측정하였다.

Figure 2. Layout of camera optical system.

시뮬레이션용으로 사용하기 위하여 Wrtn ver. 2.15.1 (Copyright ⓒ 뤼튼테크놀로지스)을 활용하여 기준 배경(그림 3)을 생성하였다. 이와 관련하여 저자는 감사의 글에 밝힌 바와 같이 뤼튼테크놀로지스 사의 저작권 정책에 따라 뤼튼 테크놀로지스 사가 제공한 서비스를 통해 생성된 컨텐츠와 관련된 모든 책임이 저자에게 있음을 인정하고, 생성된 컨텐츠가 오로지 연구 목적으로만 사용되었음을 명시한다. 이미지를 생성하기 위해 플랫폼에 접근한 일시는 2024년 8월 16일이고, 이미지 생성을 위해 “자동차 후방카메라로 본 도로를 보여주는데, 배경 양쪽에 자동차가 주차되어 있고, 배경 중간에는 내 차 바로 뒤에 어두운 색의 차가 있었으면 좋겠어.”와 같이 프롬프트를 입력하였다.

Figure 3. Background image without any contaminants. The image was generated by Wrtn AI, ver. 2.15.1 (https://wrtn.ai/). Wrtn Technologies does not claim ownership of captions, prompts, creations and does not ensure the invasion of the copyright does not occur during the image generation by the authors. The copyright of a generated image is reserved to the authors. The platform was accessed on Aug. 16, 2024. The authors input the prompts “I want the rearview camera of the car to show a road where cars are parked on both sides, and a dark-colored car is positioned right behind my car in the middle of the background.”

Figure 4. Contamination simulation images based on the substance type of (a) dust and (b) water.

Figure 5. Contamination simulation images based on the attachment position: dust attached to (a) the center and (b) the edge of the lens, and water attached to (c) the center and (d) the edge of the lenses, respectively.

기준 배경 사진(그림 3)은 후진 주행 중 후방에 차량이나 장애물이 존재하는 상황의 경우를 고려하여 상대적으로 중심이 어둡고, 다양한 외부 요인이 포함된 환경을 묘사하였다. 그러나 시뮬레이션에서는 이미지의 배경이 고정되어 있는 것과 달리 실제 차량 주행 환경에서는 배경이 시시각각 변하며, 변화하는 배경의 조도 특성에 따라 동일한 오염물이 부착되더라도 오염도의 값 또한 달라질 수 있다. 따라서 이를 고려하여 보다 현실적이고 신뢰할 수 있는 광량 및 영상 품질 변화를 측정하기 위해 먼저 오염되지 않은 기준 배경 조도 값을 설정하고, 이를 기준으로 정량적인 분석을 수행하였다.

본 연구에서 고려한 대표적인 이물질은 먼지와 물방울이다. 이들은 광학적 특성이 각각 다르기 때문에 렌즈 표면에 미치는 영향 또한 상이하다. 따라서 정밀한 평가를 위해 먼지와 물방울의 특성을 구분하여 시뮬레이션에 반영하였다. 먼저 먼지의 경우 스캐터링을 설정하였다. 이는 먼지가 카메라 렌즈 표면에 부착되었을 때, 해당 부분에서 빛이 반사되어 센서로 전달되지 않음을 모사한 것이다. 그 결과 먼지가 부착된 부분은 시뮬레이션 결과에서 어둡게 나타났으며, 영상의 명확성을 크게 저하시켰다. 이러한 현상은 후방 카메라의 영상 인식에 큰 방해가 되며, 자율주행 시스템의 안전성과 정확성을 저해하는 중요한 요인으로 작용한다. 반면 물방울의 경우 투과성과 굴절 효과를 반영하였다. 물방울이 렌즈 표면에 부착되면, 빛이 물방울을 거쳐 굴절되면서 경로가 왜곡되거나 반사되어 영상에 왜곡을 유발하며, 특정 영역의 광량이 비정상적으로 증가하거나 감소하는 현상이 발생한다. 이러한 현상은 영상의 왜곡을 야기하여 센서의 인식 정확도에 부정적인 영향을 준다.

실제 오염 환경에서 발생 가능한 경우의 수를 재현함으로써 두 이물질에 의한 영향을 보다 정확하게 측정하기 위해, 이물질의 위치와 크기를 다양하게 설정하여 각각의 영향력을 측정하였다. 먼저 이물질의 크기는 그 위치가 중앙일 경우 커버글라스 면적의 0.1–5% 크기로, 위치가 가장자리일 때는 커버글라스 면적의 2–20% 크기로 설정하였다.

이물질이 카메라 렌즈에 부착되는 위치에 따라 조도 감소와 영상 품질 저하의 정도가 다르게 나타날 수 있기 때문에, 이를 분석하기 위해 위치에 따른 가중치를 적용한 시뮬레이션을 진행하여 이물질의 위치에 따른 오염도를 체계적으로 평가하고, 후방 카메라 영상 품질 저하에 미치는 영향을 정량화하고자 하였다.

시뮬레이션에서는 선형 가중치를 적용하여 렌즈의 중심부에서 가장자리까지 이물질의 위치별로 영향력을 다르게 부여하였다. 이때 렌즈의 중앙 영역에 부착된 이물질이 가장자리의 이물질보다 영상 품질에 더 큰 영향을 미친다는 점을 고려하여 오염도 측정 시 이물질이 렌즈의 중심부에 가까울수록 오염도에 미치는 영향이 커지도록 하였다. 즉, 후방 카메라 영상에서 중요한 영역인 중심부는 가장 높은 가중치를 부여받았으며, 가장자리로 갈수록 가중치가 선형적으로 감소한다. 가중치 적용 방식은 식 (1)과 같다.

이때 렌즈 중심으로부터 특정 픽셀의 거리 r을 기준으로 최대 거리를 R로 설정하였으며, 도출될 가중치는 w로 나타내었다. 식 (1)에서 도출한 가중치를 기준 배경 조도 값 데이터와 이물질이 묻은 배경 조도 값 데이터에 반영한 후, 차량 후방 카메라 렌즈에 이물질이 부착된 상황에서의 조도 변화를 정량적으로 분석하기 위해 root mean square (RMS) 방식을 사용하였다. 이로써 이물질로 인해 발생하는 미세한 조도 변화를 정확하게 측정할 수 있었다.

식 (2)에서 n은 전체 셀의 수, 각 셀 X^Ref와 X^Pol는 동일한 위치의 픽셀에서 각각 기준 배경 조도 값과 오염된 조도 값을 나타낸다. w_n는 식 (1)에서 정의된 선형 가중치를 각 셀에 적용한 값이다. RMS 값을 구한 후, 오염도를 산출하기 위해 기준 배경 조도 값과 오염된 조도 값을 비교한다. 이를 통해 오염도를 식 (3)과 같이 정의할 수 있다.

이때 RMS_{Weighted,Ref−Pol}는 가중치를 적용한 기준 배경 조도 값과 오염된 조도 값 간의 차이로부터 도출된 RMS를 의미하며, RMS_{Weighted,Reference}는 전체 기준 배경 조도 값의 RMS 값이다.

2.2. 상황별 오염도 시뮬레이션 결과 및 분석

시뮬레이션은 기준 배경 조건에서 이물질을 먼지와 물방울의 두 가지로 가정하여 진행되었으며, 이물질의 위치에 따라 크기를 중앙일 시 커버글래스 면적의 0.1%–5%, 외곽일 시 2%–20%로 증가시켜가며 광량 감소와 오염도를 측정하였다. 본 논문에서는 측정 결과를 직관적으로 보여주기 위해 전체 실험결과 중 중앙 위치에서 1%, 2%, 5%, 외곽 위치에서 2%, 5%, 10% 크기의 이물질을 통해 얻어진 결과를 추출하여 표 1에 제시하였다.

Table 1 . Results of the contamination simulation based on the size of the object attached to the center of the cover glass in the optical system.

Contamination per Object Type	Size of the Object Relative to Cover Glass of Optical System (%)
	1	2	5
Dust
Contamination (%)	12.8	23.8	43.1
Water
Contamination (%)	11.5	20.3	35.06

표 1은 이물질이 중앙에 위치하였을 때 이물질의 크기에 따른 오염도 변화를 정리한 결과이다. 먼저, 먼지의 경우 크기가 1%에서 5%로 커짐에 따라 오염도는 12.8%에서 43.1%까지 증가하였다. 이는 이물질 크기가 커질수록 더 많은 빛이 차단되며, 영상 품질에 큰 영향을 미친다는 것을 보여준다. 물방울의 경우도 이와 유사한 경향을 보이며, 크기가 1%에서 5%로 커지면 오염도는 11.5%에서 35%까지 증가하였다. 물방울의 경우 크기가 커지더라도 먼지보다는 다소 낮은 오염도를 보였으나, 크기 증가에 따른 영상 품질 저하 경향은 동일하였다.

표 2는 이물질이 외곽에 위치하였을 때 크기별 오염도 변화를 정리한 결과이다. 먼지의 경우 크기가 2%에서 10%로 커짐에 따라 오염도가 16.1%에서 43.6%까지 증가하였다. 이는 외곽에 부착된 이물질일지라도 크기가 커질수록 더 많은 빛을 차단하므로 영상 품질에 상당한 영향을 미침을 나타낸다. 물방울의 경우 크기가 2%에서 10%로 증가하며 오염도 또한 9.7%에서 21.1%로 증가하였다. 물방울은 먼지에 비해 오염도가 낮았으나, 여전히 크기가 커질수록 영상 품질에 상당한 영향을 미치는 경향을 확인할 수 있었다. 결과적으로 중앙부에 비하면 영향이 덜할 수 있으나, 외곽에 위치한 이물질도 이물질의 종류와 상관없이 크기가 커지면 영상 품질에 영향을 미칠 수 있음을 알 수 있다.

Table 2 . Results of the contamination simulation based on the size of the object attached to the edge of the cover glass in the optical system.

Contamination per Object Type	Size of the Object Relative to Cover Glass of Optical System (%)
	2	5	10
Dust
Contamination (%)	16.1	29.6	43.6
Water
Contamination (%)	9.7	17.8	21.1

표 1과 표 2에 제시된 결과를 종합해 보면, 차량 후방 카메라에 부착된 이물질은 그 위치와 크기에 따라 영상 품질에 모두 큰 영향을 미친다. 중앙에 부착된 이물질은 크기가 작더라도 영상 품질에 직접적인 영향을 미치며, 크기가 커질수록 오염도는 급격히 증가한다. 반면에 외곽에 부착된 이물질은 상대적으로 영향이 적으나, 일정 크기 이상이 되면 중앙에 위치한 이물질과 마찬가지로 영상 품질에 영향을 줄 수 있다. 또한 이물질이 부착된 위치뿐만 아니라 이물질의 종류에 따라서도 세척 기준을 달리 설정할 필요가 있다.

주행 시의 안전을 확보하기 위해, 본 논문에서는 후방 카메라의 세척이 필요한 시점을 이물질이 주행에 불편함을 초래할 수 있는 특정 크기에 도달하는 순간으로 제안한다. 세척이 필요한 시점의 기준은 그림 6과 7의 두 종류의 오염물 위치에 따른 오염도 그래프를 바탕으로 하여 시각 평가 방법을 사용해 결정하였다. 중앙부의 오염은 이물질의 크기가 작더라도 큰 영향을 미치므로 외곽 오염보다 더욱 자주 세척 작업이 이루어져야 한다. 반면 외곽 오염 시의 세척 기준은 이물질의 크기가 운전자가 주행에 불편함을 느끼는 수준 이상으로 커졌을 때로 설정하였다. 이상을 종합하면 각 이물질의 위치 및 크기에 따른 세척 시점은 다음과 같다. 먼저 이물질의 위치가 중앙인 경우의 세척 필요 시점은 이물질의 종류가 먼지일 때 크기 2%, 오염도가 약 24% 이상일 때이며, 이물질이 물방울일 때는 크기 2%, 오염도 약 20% 이상일 때로 설정하였다. 한편 이물질의 위치가 외곽일 경우, 먼지는 크기 5% 및 약 29% 이상의 오염도에서, 물방울은 크기 5% 및 오염도가 약 18% 이상일 때 세척 시스템의 작동이 필요하다.

Figure 6. Contamination level based on the object size attached to the center of the cover glass in the optical system: (a) dust and (b) water.

Figure 7. Contamination level based on the object size attached to the edge of the cover glass in the optical system: (a) dust and (b) water.

본 논문에서는 차량 후방 카메라에 부착된 이물질을 먼지와 물방울로 구분한 후, 이물질의 크기 및 위치별로 조도 시뮬레이션을 진행하여 오염도를 산출하였으며, 이를 바탕으로 주행 중 운전자가 불편함을 느낄 수 있는 크기에 도달하였을 때 세척 시스템이 자동으로 작동하도록 작동 시점 기준을 제안하였다. 먼저 시뮬레이션을 통해 얻은 조도 값 데이터에 선형 가중치를 적용하여 렌즈의 중심부에서 가중치가 가장 크고, 외곽으로 갈수록 가중치가 선형적으로 감소하도록 설정하였다. 그 후, 이물질이 없는 기준 배경의 조도 값에서 이물질이 부착된 배경의 조도 값을 차감한 뒤, RMS 방식을 사용하여 오염도를 산출하였다. 시뮬레이션 결과, 이물질이 외곽에 부착된 경우 대비 중앙에 부착된 경우의 성능 저하가 컸으며, 이물질의 크기가 커질수록 오염도는 급격히 증가하였다. 이를 바탕으로 이물질이 중앙에 위치할 때 세척이 필요한 시점을 각각 먼지 크기가 2% 이상이며 오염도가 약 24% 이상일 때, 물방울의 크기가 2% 이상이며 오염도가 약 20% 이상일 때로 설정하였다. 이물질이 외곽에 위치할 때, 세척이 필요한 순간을 먼지 크기가 5% 이상이며 오염도가 약 29% 이상일 때, 물방울의 크기가 5% 이상이며 오염도가 약 18% 이상일 때로 기준을 설정하였다. 본 논문에서는 이물질의 종류, 크기, 위치 등을 고려해 차량용 후방 카메라의 세척 필요 시점에 대한 구체적인 기준을 제시함으로써 후방 카메라 세척 시스템의 AI 학습에 필요한 기준을 제공하였으며, 이를 통해 자율주행 시의 안전성과 성능 유지에 기여할 수 있을 것으로 기대된다.

본 연구에서 사용된 그림 3의 이미지는 인공지능 생성 도구 뤼튼(Wrtn), ver. 2.15.1, Copyright ⓒ 뤼튼테크놀로지스(https://wrtn.ai/)를 활용하여 생성되었다. 뤼튼테크놀로지스 사는 회원이 해당 서비스를 사용하여 만들어진 결과물이나 결과물 작성 과정에 노출된 각종 정보가 타인의 저작권과 기타 지적재산권을 침해하지 않음을 보증하지 않으며, 보증 및 분쟁 발생 시의 책임은 서비스 이용자가 진다. 저자는 뤼튼테크놀로지스 사의 저작권 정책에 따라 뤼튼테크놀로지스 사가 제공한 서비스를 통해 생성된 컨텐츠와 관련된 모든 책임은 저자에게 있음을 인정하고, 인공지능을 통해 생성된 컨텐츠가 오로지 연구 목적으로만 사용되었음을 명시한다.

본 연구는 산업통상자원부 경기산학융합지구 기업밀착형 산학융합촉진지원사업(Grant no. P0027475) 프로젝트 Lab 과제의 지원을 받아 수행된 연구이다.

저자는 본 논문과 관련된 어떠한 이해충돌 사항도 없었음을 밝힌다.

본 연구의 결과 분석 및 생성된 데이터는 모두 본 논문 내 명시되어 있으며 공공의 이용이 가능하다. 데이터에 접근하거나 사용하고자 하는 이는 저자에게 타당한 이유를 밝히고 허가를 득해 사용 가능하다.