1. 서론

최근 도로교통부분에는 교통혼잡, 예상치 못한 교통지체, 사고 및 환경오염 등 대단히 혼란스러운 양상을 나타나고 있다. 이러한 문제점들을 극복하기 위해 세계 각국에서는 첨단 기술을 동원하며 많은 노력과 자원을 투입하고 있는 상황이다. 비록 일부 세부적인 분야에서는 이러한 노력이 성과를 보이고 있기는 하지만, 전반적인 상황은 거의 변화가 없을 뿐만 아니라 오히려 교통혼잡은 점점 더 심해지고 있는 실정이다.

“관련 연구 과업들은 이러한 유럽의 증가하는 이동수요, 증가하는 교통혼잡, 높은 에너지 소비량, 높은 오염물질 배출량 및 교통사고 사망 및 부상 등과 같은 주요 사회-경제적인 문제점을 해결하기 위한 방안을 모색하고 있다. 연구결과에 따르면 2010년 시점에 자동차 운행거리는 26% 증가하고, 화물 운송량은 36% 증가하여 이에 대한 대책이 수립/적용되지 않을 경우 유럽의 GDP는 4% 감소하는 결과를 가져올 것으로 예상하고 있다. (FP7-ICT-2009-6, challenge 6)”

자동 교통시스템에 대한 연구는 위에서 언급된 문제점들을 해결하기 위한 방안을 모색하기 위하여 개발되어 왔다. 세계 자동 교통시스템(GATS)는 무인 통합 교통시스템이다. 이 시스템은 도로교통 네트워크의 거시적 및 미시적인 필요 조치들을 동시에 조절할 수 있는 능력을 가지고 있다. 수백만 대의 차량이 가상의 무한한 지리적 영역에서 동시에 최적의 경로로 자동으로 운행되고, 동시에 개별 차량들과 탑승객들의 요구조건들도 같이 수반되도록 구성되어 있다. 이러한 해당 시스템의 모듈화 구조에 의한 분산적 특성에 의해서 지역, 국립 및 국제 도로시스템 뿐만 아니라 공항, 제조 플랜트 및 놀이공원 등과 같이 소규모 폐쇄적인 영역에서도 적용이 가능하다.

이러한 GATS 시스템의 요소들을 시행하기 위해서는 다른 연구영역 들과의 상호 협조가 필요하다. 이러한 필요 연구영역 중 중요한 한 분야로는 노선계획과 연관된 분야를 들 수 있다. 이러한 분야와의 협력체계 구축을 위해 GATS 시스템의 내제적인 특성에 의한 분산지능형 접근방법이 가장 추천되는 방안이다. 본 연구에서는 지능형 분산 알고리즘과 holonic 다중인자 시스템을 교통영역의 시뮬레이션 환경 하에서 통합하여 시스템 상의 다양한 차량들을 효율적이고 안전하게 유도하는 방안을 제안한다. 이러한 목적달성을 위해 본 연구진들은 GATS 시스템 상의 두 지점에 대한 최단거리를 산정하고 교통시스템 상에서 서로 다른 차량들을 유도하는 다중인자 시스템기술을 사용하는 시뮬레이션 환경을 개발하였다.

본 보고서의 구성은 2장에 GATS 시스템의 기본기능과 통합기능에 대해 소개하였고, 3장에 GATS 시스템의 홀론기반의 분산구조에 대해 설명하였다. 4장에서는 분산알고리즘에 대해 기술하였고 5장에서는 시뮬레이션 환경과 제안된 방법에 대한 분석내용을 수록하였다. 6장에는 본 주제와 관련된 작업들에 대한 개요를 기술하고 마지막으로 7장에 본 연구의 결론과 향후 과업에 대해 기술하였다.

2. GATS 의 기본기능과 통합 기능

본 장에서는 GATS의 내부구조에 대해 정리하도록 한다. 차로 중간지점에서 도로 표면의 10~15cm 하부에 “지능형 케이블”이 매설되어 있다. 이 케이블에 작은 Road-units(RUs)들이 대략 3m 정도의 정해진 간격으로 포함되어 있다. 주행 중에 차량은 단파신호를 이 RU 장치에 일정 시간간격으로 송달하게 되고 이 RU는 차량으로부터 정보를 전달받아 처리 후에 다시 차량으로 신호를 전달하는 기능을 수행한다. 도로 위로 차량이 주행할 때 차량은 이 도로 하부에 매설된 RU와 순차적으로 통신을 주고받게 되므로 연속적인 상호 통신이 가능하다. 이 RU는 Serial Bus 또는 Parallel Bus 등과 같이 2가지 방법으로 직접 연결이 가능하다.

각 RU는 RU의 기계적 특성과 상부 차량에게 전달하는 지침사항 등이 저장되어 있다. 일부 연속적인 RU 장치들은 Segment Controller(SC)에 의해 제어되는 한 세그먼트로 작동하기도 한다. 이 SC는 RU 장비들과 Parallel Bus를 통해서 연결되어 있으며, 차량을 자신들의 영역 안에서 주행하도록 하고, 세그먼트 내의 부품들에 대한 정기적인 유지관리 점검 및 일상적인 상호 성능모니터링을 시행하고 있다. Level m의 경우 인근 일련의 SC장치들은 Level m-1 제어장치라고 하는 상위 제어장치를 가지게 되며, 이들은 이들 제어장치들의 개별적 및 상호간의 기능을 조절하고 제어하게 된다. 이런 식으로 Level m-1 제어장치는 상위의 Level m-2 제어장치를 갖게 된다. 이러한 위계질서는 <그림 1 >에서 보는 바와 같다. Level 0 제어장치는 전체 시스템의 기능을 제어하고 조정하게 된다. 이러한 Level의 수와 시스템의 지정학적 영역에 대한 제한은 원칙적으로 없다.

< 그림 1. 시스템이 위계 조직도 >

3. GATS의 holonic 아키텍쳐

기존의 중앙집중형 기술들은 해당 문제점들의 내재적인 복잡성과 대규모인 성질로 인하여 대상 문제점을 모델링하거나 개선하는데 실패하였다. 이들 문제점들의 분산형식과 모듈적 성질을 감안할 때 각각의 자동차들의 운행계획을 계산하는 알고리즘은 반드시 분산형식을 띄어야만 한다. 이러한 약점을 극복하기 위하여 본 연구진은 Salido 등이 제안한 분산형 모델을 사용하였는데, 이 모델에서는 대상 문제점들은 지역, 국가 등과 같은 하위 문제점으로 분리되어 처리되게 된다. 여기서 연구진들은 각 하위 문제들을 해결하기 위한 객체들을 조직하는데 holonic 아키텍처를 사용하게 된다. 한 개의 holon은 자율적이고 협력적인 객체로서 객체의 전체 또는 한 부분으로 인식될 수 있다. 이러한 방식으로 연구진들은 모든 RU유닛은 holon이며 다른 holon인 SC holon/agent의 제어를 받는 것으로 간주하였다. 모든 SC holon 들은 동시에 차상급 수준의 holon (LC)의 제어를 받는다. 이러한 조직체계는 그림 2에 잘 나타나 있다.

< 그림 2. GATS의 holonic 아키텍쳐 >

각각의 문제는 분산 구조 내에서 해결되게 되는데, 이 구조 내에서 범용 및 최적 해를 얻기 위해서는 협력, 융통성, 자율성, 상호작용 및 자발성 등이 요구된다. 문제 해결인자는 제어 holon내에 캡슐화 되어있다. 이 holon은 자신이 제어하고 있는 세그먼트를 통해서 교통흐름을 운영하는 책임을 부여 받고 있다. 이러한 문제에 대한 분산형 관리방식의 이점은 최초의 난해한 문제들이 몇 개의 해결 가능한 문제들로 나뉘게 된다는 점이다. 각 제어인자는 각각의 사적인 정보를 비밀 데이터에 보관하여 보안을 유지할 수 있다. 모든 하위 문제들은 상당히 납득할 만한 시간 안에 범용의 해를 구할 수 있도록 해 준다. 이렇게 작동할 수 있도록 하기 위해서 모든 제어 holon은 (1) 자동차에게 도로를 배정하고 계획하는 지능형 처리능력을 보유하고, (2) 교차로를 이용하여 한 세그먼트의 교통정보를 다른 세그먼트로 연결하기 위한 협상 시나리오에 참여하며, (3) 서로 다른 도로상의 차량에 대한 각각의 특성과 우선순위에 근거하여 해당 보안수준을 정의하는 협력 시나리오에 참여하며, (4) 예측할 수 없는 상황에서 제어 및 재시도에 대한 협력시나리오에 참여한다.

4. GATS 의 분산형 알고리즘

본 장에서는 SC 및 LC holon 의 지능형 행동양식에 대해서 기술한다. 이 두 가지 holon의 주된 임무는 노선계획 기능이다. 이 행위는 교통시스템 내에 있는 차량에 의해 새로운 노선을 요청 받았을 때나 RU가 일시적으로 작동불능에 빠지거나 도로 일부분이 통과 불가 상태라든지 등등의 노선 재조정이 필요할 경우에 활성화 된다.

이 시스템은 다음과 같은 목적을 가지고 있다. (1) 출발지에서 목적지까지 가장 최단거리를 계산, (2) 최단거리 노선에 포함되지 않을 확률이 높은 지역을 배제하여 탐색지역을 제한, (3) 알고리즘을 변경하지 않고 다양한 지역 Level을 사용, (4) RU가 운행시간을 동시에 고려하여 가장 최단거리 노선 상에 있을 경우 자동차의 향후 도착시간을 저장, (5) 일시적으로 이용이 불가하거나, 특정 차량은 통과할 수 없는 차량에 대한 도로는 배제, (6) 실시간 정보를 기반으로 하는 최단거리 계산, (7) 절대적 거리 또는 시간을 기반으로 하는 최단거리 계산, (8) 자동차의 특성에 맞는 여향시간 조정, (9) 시스템 저장장치에서 불필요한 정보를 삭제하고 유용한 정보를 분류

최단거리를 찾아내려는 목표는 탐색범위의 선정, 대상 지역의 정보 입수 및 전달, 이러한 정보를 저장하고 이용하여 최단거리를 찾아내는 것으로 달성된다.

5. 시뮬레이션 환경 및 분석

본 장에서는 개발된 알고리즘과 holonic 아키텍처를 통합하는 시뮬레이션 툴을 제시한다. 그림 6은 연구진들이 개발한 스마트 교통 시스템의 holonic 시뮬레이션 환경의 계층 아키텍처를 나타내고 있다. 하부 계층은 시뮬레이션 계층(Layer)이라고 칭한다. 여기에는 3장과 4장에 기술한 요소들이 포함되게 된다. 이 계층에서는 상기에 기술한 알고리즘을 수행하는 RUs, SC 및 LC 인자들을 기동시키는 기능을 수행한다. 상위 계층은 인터페이스 계층으로 불리며 다음과 같은 3가지의 주요 요소로 구성되어 있다. (1) 시뮬레이션 메니저는 주어진 시뮬레이션을 분석한다. 여러 형태의 시뮬레이션 요소들이 분석되는데, 교통 네트워크, 시스템의 차량의 수 및 형식, 교통차로 내에 있는 RUs, 주어진 SC 에이전트에 의해 제어되는 RUs 그룹, 단일 LC에 의해 지배되는 SCs 그룹들, 상위 LC에 의해 모니터링 되는 LC 에이전트 그룹 등이다. 더욱이, 시뮬레이션이 실행될 때 이들을 기동시키기 위하여 단절 이벤트를 계획할 수도 있다. 이러한 이벤트에는 무작위 RU 파괴, 차로에 갇힌 차량 및 RUs 와 SC 에이전트 간의 미리 계획된 통신 두절 등이 있다. (2) Simulation Player 는 시뮬레이션 계층에서 어떤 것이 실행되는 지를 알려주는 요소이다. 이러한 방식으로 서로 다른 차선에서 RUs, 차량 및 이벤트들이 동적인 아이콘을 활용하여 스마트 교통시스템을 시각적 요소로 나타낼 수 있도록 한다. (3) Data Analyzer 부분은 시뮬레이션 실행에 대한 성능데이터를 얻기 위한 통계적 기능을 적용한다. 이러한 데이터들은 사용자에게 단절 이벤트의 발생 시 교통 네트워크의 부하, 시스템 성능 및 네트워크의 신뢰성 등에 대한 정보를 제공하게 된다.

< 그림 5. 기동작업이 없는 하향식 계산 >

< 그림 6. 시뮬레이션 툴의 계층별 아키텍쳐 >

상기에 기술한 시뮬레이션 환경은 단독실행 Java 소프트웨어로 실행되었다. 그림 7에서는 이러한 시뮬레이션 툴의 전경을 보여준다. 이 툴의 인터페이스는 시뮬레이션 상태를 파악할 수 있는 간략한 상태창으로 구현된다. 교통 네트워크는 Node 박스내의 설정 파일 내부에 규정되어 있다. SC들의 위계는 스마트 교통 시스템을 관리하기 위해 얼마만큼의 SC 에이전트를 생성하여야 하는지를 규정하는 문서파일 내에 정의되어 있다. Vehicle 관리 파일에서는 시스템의 차량 형식과 수를 정의한다. 마지막으로 교통 네트워크가 Path 박스에 로드되게 된다. 여기에 추가로 사용자는 일부 시뮬레이션 파라미터 즉, 실행시간, 시뮬레이션 시간 및 RUs 거리 등을 조정할 수 있다.

< 그림 7. 시뮬레이션 툴 >

시뮬레이션 환경은 최초에 시스템 내의 자동차의 경로를 계산하고 이를 파일에 저장하게 된다. 이 파일은 이 시스템을 관리하는 SC 에이전트들의 기반지식이 된다. 다른 RUs들은 능동적으로 네트워크 내의 발생 가능한 사고상황을 감지해 내고 이를 SC 에이전트에게 송부한다. 모든 SC 에이전트는 이러한 사고데이터를 분석하고 네트워크의 안전성을 유지하기 위해 어떤 조치를 취해야 하는지를 결정하여 자동차를 목적지에 도착하도록 수단을 강구하고, 총 여행시간을 단축하도록 해 준다. 이러한 작업을 하기 위해 SC 에이전트는 앞의 4장에 제시한 알고리즘을 수행하고 특정 데이터를 각각의 RU 유닛에 보내준다. RU가 메시지를 SC 에이전트에게 전달하는 것을 중지할 때 마다, 해당 RU는 손상된 것으로 간주된다. 이러한 손상된 RU가 속해있는 세그먼트를 관리하는 SC 에이전트는 이에 대해 영향을 받을 수 있는 모든 차량에 대해 교통계획을 재수립하고 이 데이터를 새로운 경로의 RU에 재송부하게 된다.

< 그림 8. 제조공장의 교통 시나리오 >

제안된 툴의 평가를 위해 연구진들은 지능형 제조공장에서의 간단한 시나리오를 시뮬레이션 하였다. 이 교통문제는 그림 8의 두 개의 다른 창고시설에서 적재 및 하역작업을 하는 제조 산업체에서 발생하는 문제이다. 이 교통시스템에서는 4가지 형태의 차량이 사용되는데, 리프트 트럭, 자동차, 트럭 및 자동유도 자동차가 그것들이다. 점선은 리프트 트럭, 트럭 및 자동차의 순환동선을 나타내고 있다. 실선은 리프트 트럭과 자동차가 순환하는 동선을 그리고 나머지 선들은 리프트 트럭과 AGV 들이 순환하는 동선을 나타낸다.

6. 결론 및 향후 연구계획

본 연구에서는 holonic 시뮬레이션 환경으로 통합된 GATS 문제를 해결하기위한 분배 알고리즘을 제시하였다. 이 분배 알고리즘은 holonic 아키텍처에 장착되도록 하여 전체 holon에 대한 보안을 보장하도록 하였다. 모든 holon은 일정 지역 및 일부 지역의 세그먼트를 관리하며 자신들이 제어하는 지역에 어떤 일이 발생하는지에 대한 정보만을 가지고 있다. 상기의 holon은 다른 holon에게 단지 거리에 대한 정보만을 요청할 수 있을 뿐 다른 지역에 어떤 일이 발생했는지에 대해서는 직접적으로 알 수 없다. 여기서 제안하는 알고리즘은 각 수준별 제어장치가 동일한 알고리즘을 사용하는 아키텍처로 되어 있다는 점으로 인하여 축척기능을 적용할 수 있고, 모든 제어장치는 하위 지역의 최단경로를 결정하며, 일단 이 경로가 결정되면 하위 수준의 제어장치도 상위 작업에서 수집한 자료를 바탕으로 동일한 작업을 수행하게 된다. 제안된 시뮬레이션 시나리오를 평가하기 위하여 제조공장에서의 사례분석을 시행하였다. 이 시나리오에서는 4가지의 다양한 교통 차량들이 적용되었다. 이들 차량들은 다양한 특성들을 보유하고 있어서 해당 교통 문제들의 복잡성을 가중시키고 있다. 더욱이, 교통 시스템의 보안 유지를 위해 보수작업의 시행을 야기시키는 변칙적인 상황을 모사하도록 동적인 이벤트들이 적용되었다. 모사된 결과는 자율적 도로 교통 시스템의 다중 에이전트 분배모델은 중대한 상황 및 문제발생 시 다양한 수준에서의 자율적인 조치를 취하도록 하는 보안성이 뛰어난 접근방식이라는 것을 입증하였다.

< 그림 9. 사례분석 시나리오 시뮬레이션 >

향후 과업으로는 알고리즘의 동적인 부분에 대해 연구가 필요하다. 여행시간이 길어지게 되면 어떠한 상황이 발생할 것인가? 전체 노선이 다시 계산될 것인가, 아니면 노선이 위치한 일부지역에 대해서만 재계산될 것인가? 초기에는 다른 가능성에 대해서도 검토될 것이며, 단지 최단노선 뿐만 아니라 최적 대안에 대해서도 검토가 될 것이다. 최적대안과 현재의 노선의 차이점은 현재 노선의 지연시간이 최단노선의 재계산을 수행할 만큼이 되는지를 결정하는 완충 시간으로서 사용될 것이다.