Digital Twin for Smart Mobility
2021-10-25
org.kosen.entty.User@523242e7
조병진(bjcho)
1. 개요
산업발전에 따른 급증하는 자동차 수요는 도로교통체계라는 시스템 안에서 효율적인 교통운영·관리를 요구하고 있다. 꾸준히 증가된 인구 수와 함께 최근 기하급수적으로 늘어난 차량 인구를 안정적으로 서포트하기 위해 최적의 자원 할당 및 연결 자원을 활용하는 솔루션들이 주목받고 있다. 특히, 통찰력 기반 실시간 교통 관리는 전 세계적으로 더 스마트한 도시를 구축하고 유지하는 데 중요한 구성 요소가 되고 있다. 하지만, IT 솔루션 및 서비스 영역에서 다수의 자동화된 교통 관리 솔루션들은 교통안전을 보장하기에는 반응이 느리고, 앞으로 점점 더 연결되고 역동적인 도시 환경에서는 효율성을 보장할 수 없다. 이에 따라 차량용 디지털 가상 모델 및 실시간 스마트 교통 데이터 분석 기술과 같은 잠재적이고 유망한 기술과 도구를 활용하는 새로운 접근 방식들이 주목받고 있다. 본 보고서에서는 지속 가능한 도시를 위한 스마트 교통 응용 분야에 중점을 둔 디지털 트윈에 대해 알아보자고 한다.
2. 주요 내용
2.1. Smart mobility
모빌리티는 도시 지역의 기능을 지원하는 가장 중요한 요소이다. 교통사고나 교통체증과 같은 오래된 문제들은 인구 증가 이슈와 함께 운송네트워크 과부하를 비롯해서, 교통 혼잡 및 CO2 배출 증가라는 심각한 혼란들을 야기하고 있다 [1]. 이에 따라 오늘날 우리가 알고 있는 모빌리티를 신중하게 평가하고, 고려하고, 재창조해야 할 필요성에 직면해 있으며, 초고효율 차량, 재생 에너지, 협력 시스템, ITS (지능형 운송 시스템 및 서비스)를 통한 도시 자원 할당의 혁신 및 최적화를 통한 스마트 모빌리티 서비스의 사용 증가를 장려하는 패러다임 전환의 교차점에 서 있다.
기존 문헌 [2, 3]에 따르면 가장 중요한 스마트 모빌리티 목표를 오염 감소, 교통혼잡의 감소, 인명 안전 증대, 소음공해 감소, 전송 속도 향상, 및 이전 비용 절감으로 6가지 범주로 요약할 수 있다. 자율주행차, 5G 통신, IoT(사물인터넷) 등의 급속한 발전으로 위 스마트 모빌리티 목표를 실현하는데 더욱 한발짝 다가가고 있다. 실제로 미래에는 VANET(Vehicular Ad Hoc Network)으로 더 잘 알려진 커넥티드 차량만이 아니라 서로(V2V) 및 인프라(V2I)와 통신할 수 있으며, 각각의 차량에는 사물 인터넷의 일부로 인터넷 및 통신 기능이 자율적으로 장착되어, 보행자, 도로 인프라 (노변기지국, 지능형 신호등), 당국, 기타 차량과 같은 모든 기여 에이전트와 이해 관계자 간의 통신을 보장한다. ITS와 정보 통신 기술 통합이 증가함에 따라 이제 문제는 전체 운송 시스템이 변환되고 혁명을 일으킬지 여부가 아니라 얼마나 빨리 일어날 것인지 의심의 여지가 없다. 정보 통신 기술을 활용하는 ITS는 비용이 많이 드는 교통 인프라 건설에서 이동성과 운송 시스템의 효율성, 안전성, 환경적 영향 및 전반적인 생산성 향상에 크게 기여할 뿐만 아니라 새로운 비즈니스를 창출 및 활성화함으로써 스마트 모빌리티 목표를 달성하는 데 도움이 된다.
2.2. Digital Twin
참고문헌 [4]에 공식적으로 정의된 바와 같이 디지털 트윈은 실시간 예측, 최적화 및 제어, 더 나은 의사 결정 등과 같은 시스템에 대한 능력을 얻기 위해, 데이터 및 시뮬레이션을 통해, 물리적 시스템을 가상으로 표현한다. 전통적인 모델링 시뮬레이션 방식은 이론이기 때문에 검증의 문제가 있을 뿐 더러, 데이터 기반의 방식은 데이터가 없으면 무용지물이 되고, 데이터가 있더라도 새로운 변화에 대한 예측이 어렵 다라는 단점들이 있다. 주목할 점은 순수 시뮬레이션과 달리 디지털 트윈은 시뮬레이션과 물리적 시스템 간의 연결을 더 강조하며, 제조, 기상학, 교육, 건강, Mobility 및 기타 여러 분야에서 다양한 응용 분야를 가지고 있다. 이러한 다양성을 뒷받침하기 위해서는 디지털 트윈 모델 및 실현에 관련한 표준 확립이 요구되어지고 있으며, 모델링 방식에 대한 연구들이 진행되어 오고 있다.
참고문헌 [5]에서는 물리적 인식 데이터를 기반으로 하는 디지털 트윈 모델을 제안했으며, 플랜트 물리적 부분, 디지털 부분, 및 3D 가상 부분이 실시간으로 결합되어 디지털 트윈의 기본 모델을 형성된다. 참고문헌 [6]에서는 매개변수와 실제 장치의 해당 데이터 스트림 간의 관계를 온톨로지에 매핑함으로써, 디지털 트윈의 동적 모델링 접근 방식을 제안하였다. 참고문헌 [7]에서는 기하학, 물리학, 능력, 행동 및 규칙을 포함한 5가지 차원으로 설명이 가능한 재구성 가능한 디지털 트윈(RTD)을 제안하였으며, 동일한 현상을 다른 관점/차원으로 설명할 수 있게 함으로써 충실도가 높은 디지털 트윈 시스템을 구축하는 데 적합하게 되었다. 참고문헌 [8, 9, 10, 11] 에서는 마이크로 서비스를 기반으로 하는 사이버 물리적 생산 시스템"(DT-CPPS)이라는 참조 아키텍처를 제안하였으며, 물리적 표현과 디지털 표현 간의 동기화를 가능하게 하는 미들웨어를 사용하였으며, Automation Markup 이라는 언어를 통해 일반 디지털 트윈 시스템에서 정보 교환을 모델링하는 방법론을 제안하였다. 위 참고문헌들을 요약하자면, 디지털 트윈 모델의 개념적 수준과 구현 수준 모두에서 다양한 접근 방식들을 고려 해야 하며, 디지털 트윈 개념은 아직 초기 단계에 있기에 앞으로 합의 해야 할 부분들이 있다.
2.3. Digital Twin assisted Smart mobility
급변하는 모빌리티 환경에서 커넥티드 차량들의 (위 스마트 모빌리티 목표 달성을 향한) 스마트한 의사 결정과 실행력이 더욱 중요해지고 있다. 이를 위해 차량들의 정보 습득, 처리, 판단에 있어 디지털화에 대한 새로운 접근 방식이 필요로 한다. 이러한 맥락에서 디지털 트윈은 실제 모빌리티 환경을 모사한 가상 표현을 제공하기 때문에 디지털화에 적합한 솔루션으로 각광받고 있다. 최근 몇 년 동안 인공 지능, 빅 데이터, 고성능 컴퓨팅의 급속한 발전으로, 디지털 트윈은 점점 더 실현 가능해지고 있다. 특히, 디지털 환경을 통한 가상 공간에서의 다양한 경험을 하면서 스마트 모빌리티 프로세스별 인공지능과 최적화 기술을 함께 구축해 최적의 의사결정이 자동화될 수 있게 한다. 특히, ITS 기반 스마트 모빌리티에 디지털 트윈을 적용함으로써 보다 안정적이고 효율적인 도로 네트워크를 구축할 수 있는 강력한 방법으로 관심 받고 있다.
Figure 1. LGSVL simulator [21]
참고문헌 [12]은 연료 소비를 줄이기 위해 차량 소대를 구성하기 위해 V2V 및 V2I 통신을 활용하는 대규모 운송 문제에 대한 사이버-물리 시스템을 소개하고 있다. 참고문헌 [13]의 정의에 따라 스마트 교통 시스템의 완전한 디지털 트윈은 i) 물리적 부분, ii) 가상 부분, iii) 데이터, iv) 연결 및 v) 서비스의 5가지 요소들을 포함해야 한다.1) 물리적 부분에는 도로 네트워크, 차량, 자전거, 보행자 등과 같은 교통 참가자, 교통 신호 및 표지판, 감지기와 같은 도로변 장치(RSU)가 있고, 2) 가상 부품에는 모든 물리적 부품과 이들의 상호 작용에 대한 충실도가 높은 시뮬레이션이 있으며, 3) 데이터 부분은 도로망의 토폴로지 구조, 차량의 경로, 실시간 속도, 운전자의 정보, 신호등의 운행 상태 등과 이들의 과거 데이터를 포함하며, 4) 서비스 부분에는 교통 신호 최적화, 빠른 비상 대응, 운송 비용 절감이 포함될 수 있으며 더 많은 잠재적 서비스가 생성될 것이며, 5) 연결 부분은 가상 부분, 물리적 부분, 데이터 및 서비스를 연결시키고 있다. 특히, 가상 부분의 경우 여러 오픈 소스 시뮬레이터들이 고려되고 있다. 예를 들어, AirSim [14], CARLA [15], LGSVL [16] , Cognatan [17], Metamoto [18] 시뮬레이터들이 현실 세계와 일치하는 사실적인 가상 환경을 지원하고 있으며, 일부 시뮬레이터들은 여러 오픈 소스 자율 주행 소프트웨어들 (Autoware[19] 및 Baidu Apollo [20]) 과 결합되어 폭넓은 교통 환경을 제공하고 있다. 그림 1은 차량과 실제 거리를 시뮬레이션 하는 LGSVL 시뮬레이터의 스크린샷을 보여주고 있다. 그림에서 보는 바와 같이 비, 안개, 구름, 도로 젖음, 시간 및 주변 교통체증을 포함한 모빌리티 환경을 쉽게 변경시킬 수 있으며, 트래픽 볼륨을 포함한 이러한 환경 조건의 값은 시뮬레이터의 Python API를 통해 변경시킴으로써, 수많은 테스트 케이스를 생성할 수 있게 한다. 현실에서 만나기 어렵거나 불가능한 경우도 있지만 자율주행차의 안전성을 확보하기 위해서는 다양한 사례로 테스트하는 것이 매우 중요하다. 그림 2에서 왼쪽 이미지는 자동차를 제어하는 자율주행 소프트웨어인 Baidu Apollo의 인터페이스를 오른쪽 이미지는 해당되는 LGSVL 시뮬레이터의 장면이다. 자율 주행 차량의 모든 센서는 시뮬레이션 되며 Apollo는 센서 데이터가 실제 또는 시뮬레이션에서 나온 것인지 알지 못합니다. Apollo 내부의 모든 모듈의 성능은 시뮬레이션을 통해 테스트 및 개선할 수 있으며 최종적으로 실제 차량에서 실제 실행에 도움이 된다. 디지털 트윈은 새로운 기능과 희귀한 환경 조건을 테스트하고, 버그를 수정하고, 소프트웨어를 개선하고, 최종 실제 세계 검증을 위한 절차를 제공한다.
Figure 2. Apollo on LGSVL [22]
2.4. Use cases
교통 신호 최적화
디지털 트윈이 제공할 수 있는 가장 중요한 스마트 모빌리티 서비스 중 하나는 트래픽 신호 최적화이다. 차량의 실시간 데이터(경로, 위치, 속도 등)는 디지털 트윈의 가상 부분으로 전송될 수 있으며, 교통 신호의 위치를 기반으로, 다양한 교통 신호 계획에서 차량의 잠재적인 움직임을 시뮬레이션 하여 전체 차량의 이동 시간을 줄일 수 있다. 가상 부분은 가장 좋은 부분을 찾아 그에 따라 신호를 변경할 수 있다. 자율주행 차량이 주요 도로 참가자가 되면 가상 부품과 보다 정확한 궤적을 공유할 수 있으며 최적의 교통 성능을 달성하기 위해 각 자율 차량에 대해 매우 정확한 모션 계획을 생성할 수 있다. 디지털 트윈 시스템은 교통 네트워크의 정확한 정보를 활용하여 각 차량의 이동 시간을 절약하고 전반적인 연료 소비를 줄이는 최적의 경로를 계산할 수 있다.
전기충전소 최적화
일상적인 출퇴근을 위해 전기 자동차(EV)를 운전하는 사람들이 점점 더 많아지면서 충전소에 대한 수요가 증가하고 있으며, 충전소의 위치는 사람들의 주행 경로 계획에 큰 영향을 준다. 디지털 트윈은 이러한 작업을 차량 별 및 충전/방전 스테이션 위치에 맞게 최적으로 배치하는 데 필수적이다. 이러한 디지털 트윈은 시스템에 있는 모든 엔티티의 가상 표현을 통해 사람들의 통근 활동을 시뮬레이션하고 최적의 충전/방전 스테이션 위치를 찾을 수 있게 한다. 또한, 과거 데이터를 기반으로 예측된 ？？전력 사용량을 통해 디지털 트윈은 매 순간의 동적 트래픽 및 전력 사용량을 고려하면서 최상의 계획을 가질 수 있도록 도움을 준다.
Digital Twin of Smart Traf？c
디지털 트윈의 큰 장점은 아직 사용할 수 없는 기술을 먼저 시뮬레이션 하여 새로운 기술의 적용을 촉진하기 위해 어떤 일이 일어나고 어떤 종류의 인프라가 필요할 수 있는지 확인할 수 있다는 것이다. 자율 주행 차량의 모든 센서는 시뮬레이션 되며 자동차를 제어하는 ？？자율주행 소프트웨어인 Baidu Apollo는 센서 데이터가 실제 또는 시뮬레이션에서 나온 것인지 알지 못한다. 이로써Apollo 내부의 모든 모듈의 성능은 시뮬레이션을 통해 테스트 및 개선할 수 있으며 최종적으로 실제 차량에서 실제 실행에 도움이 된다. 디지털 트윈은 새로운 기능과 희귀한 환경 조건을 테스트하고, 버그를 수정하고, 소프트웨어를 개선하고, 최종 실제 세계 검증을 위한 폐쇄 루프를 제공할 수 있다. 이와 더불어Apollo는 횡단하는 보행자와의 반응 테스트를 가능하게 함으로써 모든 교통 보행자들의 안전 보호 실현을 할 수 있게 되었다. 보행자 감지기와 같은 새로운 RSU를 추가하여 차량에 경고하거나 자율 차량과 보행자의 스마트폰 간의 통신을 기반으로 차량에 경고할 수 있는 새로운 알고리즘도 테스트할 수 있게 되었다.
3. 마무리
운송 부문은 획기적인 기술과 도구의 지속적인 흐름으로 앞으로 몇 년 동안 더 좋고 더 큰 일을 성취할 태세를 갖추고 있다. 정보, 통신, 감지, 인식, 비전, 통합, 지식 발견 및 보급, 의사결정 지원 분야의 선구적인 기술들은 교통 산업에 더 많은 기여를 할 수 있게 되었다. 이미 지능형 운송 시스템(ITS)이 있으며, 이제 실시간 정보 수집 및 분석 기능이 추가되어 운송 및 물류 산업 분야에서 획기적인 성과를 기대할 수 있게 되었다. 디지털 트윈은 제조, 건강, 운송 등과 같은 점점 더 많은 분야에서 점점 더 많이 적용되고 있으며, 본 보고서는 스마트 교통 시스템의 응용에 중점을 둔 디지털 트윈 기반 스마트 시티에 대해 알아보았다. 디지털 트윈의 진화하는 개념과 함께 5G/AI의 빠른 확산은 자동차, 트럭, 버스, 선박, 기차, 로켓 및 위성, 비행기 및 기타 운송 솔루션을 더욱 정교하고 스마트하게 만드는 데 큰 도움이 될 것으로 기대되고 있다.
References
[1] R. P. Dameri, Comparing Smart and Digital City: Initiatives and Strategies in Amsterdam and Genoa. Are They Digital and/or Smart?. In: Dameri R., Rosenthal-Sabroux C. (eds) Smart City. Progress in IS. Springer, Cham, 2014.
[2] F. Lawrence, et.al, Promoting public health through Smart Growth: building healthier communities through transportation and land use policies and practices, 2006.
[3] M. Bencardino, et.al, Smart Communities. Social Innovation at the Service of the Smart Cities. TeMA - Journal of Land Use, Mobility and Environment.
[4] A. Rasheed, et.al, “Digital twin: Values, challenges and enablers from a modeling perspective,” IEEE Access, vol. 8, pp. 21 980–22 012, 2020.
[5] Q. Zhang, et.al, “Modeling of digital twin workshop based on perception data,” in International Conference on Intelligent Robotics and Applications. Springer, 2017, pp. 3–14.
[6] W. Xu, et.al, “Dynamic modeling of manufacturing equipment capability using condition information in cloud manufacturing,” J. of Manufacturing Science and Engineering, vol. 137, 2015.
[7] C. Zhang, et.al, “A recon？gurable modeling approach for digital twin-based manufacturing system,” Procedia CIRP, vol. 83, pp. 118–125, 2019.
[8] K. Ding, et.al, “De？ning a digital twin-based cyber-physical production system for autonomous manufacturing in smart shop ？oors,” Int. J. of Production Research, vol. 57, no. 20, 2019.
[9] V. Damjanovic-Behrendt, et.al,, “An open source approach to the design and implementation of digital twins for smart manufacturing,” Int. J. of Computer Integrated Manufacturing, vol. 32, 2019.
[10] D. Rovere, et.al, “A centralized support infrastructure (csi) to manage cps digital twin, towards the synchronization between cps deployed on the shop？oor and their digital representation,” in The digital shop？oor—Industrial automation in the industry 4.0 Era: performance analysis and applications. River Publishers, 2019, pp. 317–335.
[11] G. N. Schroeder, et.al, “Digital twin data modeling with automationml and a communication methodology for data exchange,” IFAC-PapersOnLine, vol. 49, no. 30, pp. 12–17, 2016.
[12] B. Besselink, et.al, “Cyber–physical control of road freight transport,” Proceedings of the IEEE, vol. 104, no. 5, pp. 1128–1141, 2016.
[13] Q. Qi, et.al, “Enabling technologies and tools for digital twin,” Journal of Manufacturing Systems, 2019.
[14] S. Shah, et.al, “Airsim: High-？delity visual and physical simulation for autonomous vehicles,” in Field and service robotics. Springer, 2018, pp. 621–635.
[15] A. Dosovitskiy, et.al, “Carla: An open urban driving simulator,” in Conference on robot learning. PMLR, 2017, pp. 1–16.
[16] G. Rong, et.al, “Lgsvl simulator: A high ？delity simulator for autonomous driving,” in 2020 IEEE ITSC, 2020, pp. 1–6.
[17] Cognata. [Online]. Available: https://www.cognata.com/
[18] Metamoto. [Online]. Available: https://www.metamoto.com/
[19] S. Kato, et.al, “An open approach to autonomous vehicles,” IEEE Micro,vol. 35, no. 6, pp. 60–68, 2015.
[20] Apolloauto: An open autonomous driving platform, https://github.com/ApolloAuto/apollo
[21] https://autowarefoundation.gitlab.io/autoware.auto/AutowareAuto/lgsvl.html
[22] Tutorial: End-to-end video tutorial of LGSVL simulator with Apollo driving,
https://www.youtube.com/watch?v=Ucr0aM334_k
산업발전에 따른 급증하는 자동차 수요는 도로교통체계라는 시스템 안에서 효율적인 교통운영·관리를 요구하고 있다. 꾸준히 증가된 인구 수와 함께 최근 기하급수적으로 늘어난 차량 인구를 안정적으로 서포트하기 위해 최적의 자원 할당 및 연결 자원을 활용하는 솔루션들이 주목받고 있다. 특히, 통찰력 기반 실시간 교통 관리는 전 세계적으로 더 스마트한 도시를 구축하고 유지하는 데 중요한 구성 요소가 되고 있다. 하지만, IT 솔루션 및 서비스 영역에서 다수의 자동화된 교통 관리 솔루션들은 교통안전을 보장하기에는 반응이 느리고, 앞으로 점점 더 연결되고 역동적인 도시 환경에서는 효율성을 보장할 수 없다. 이에 따라 차량용 디지털 가상 모델 및 실시간 스마트 교통 데이터 분석 기술과 같은 잠재적이고 유망한 기술과 도구를 활용하는 새로운 접근 방식들이 주목받고 있다. 본 보고서에서는 지속 가능한 도시를 위한 스마트 교통 응용 분야에 중점을 둔 디지털 트윈에 대해 알아보자고 한다.
2. 주요 내용
2.1. Smart mobility
모빌리티는 도시 지역의 기능을 지원하는 가장 중요한 요소이다. 교통사고나 교통체증과 같은 오래된 문제들은 인구 증가 이슈와 함께 운송네트워크 과부하를 비롯해서, 교통 혼잡 및 CO2 배출 증가라는 심각한 혼란들을 야기하고 있다 [1]. 이에 따라 오늘날 우리가 알고 있는 모빌리티를 신중하게 평가하고, 고려하고, 재창조해야 할 필요성에 직면해 있으며, 초고효율 차량, 재생 에너지, 협력 시스템, ITS (지능형 운송 시스템 및 서비스)를 통한 도시 자원 할당의 혁신 및 최적화를 통한 스마트 모빌리티 서비스의 사용 증가를 장려하는 패러다임 전환의 교차점에 서 있다.
기존 문헌 [2, 3]에 따르면 가장 중요한 스마트 모빌리티 목표를 오염 감소, 교통혼잡의 감소, 인명 안전 증대, 소음공해 감소, 전송 속도 향상, 및 이전 비용 절감으로 6가지 범주로 요약할 수 있다. 자율주행차, 5G 통신, IoT(사물인터넷) 등의 급속한 발전으로 위 스마트 모빌리티 목표를 실현하는데 더욱 한발짝 다가가고 있다. 실제로 미래에는 VANET(Vehicular Ad Hoc Network)으로 더 잘 알려진 커넥티드 차량만이 아니라 서로(V2V) 및 인프라(V2I)와 통신할 수 있으며, 각각의 차량에는 사물 인터넷의 일부로 인터넷 및 통신 기능이 자율적으로 장착되어, 보행자, 도로 인프라 (노변기지국, 지능형 신호등), 당국, 기타 차량과 같은 모든 기여 에이전트와 이해 관계자 간의 통신을 보장한다. ITS와 정보 통신 기술 통합이 증가함에 따라 이제 문제는 전체 운송 시스템이 변환되고 혁명을 일으킬지 여부가 아니라 얼마나 빨리 일어날 것인지 의심의 여지가 없다. 정보 통신 기술을 활용하는 ITS는 비용이 많이 드는 교통 인프라 건설에서 이동성과 운송 시스템의 효율성, 안전성, 환경적 영향 및 전반적인 생산성 향상에 크게 기여할 뿐만 아니라 새로운 비즈니스를 창출 및 활성화함으로써 스마트 모빌리티 목표를 달성하는 데 도움이 된다.
2.2. Digital Twin
참고문헌 [4]에 공식적으로 정의된 바와 같이 디지털 트윈은 실시간 예측, 최적화 및 제어, 더 나은 의사 결정 등과 같은 시스템에 대한 능력을 얻기 위해, 데이터 및 시뮬레이션을 통해, 물리적 시스템을 가상으로 표현한다. 전통적인 모델링 시뮬레이션 방식은 이론이기 때문에 검증의 문제가 있을 뿐 더러, 데이터 기반의 방식은 데이터가 없으면 무용지물이 되고, 데이터가 있더라도 새로운 변화에 대한 예측이 어렵 다라는 단점들이 있다. 주목할 점은 순수 시뮬레이션과 달리 디지털 트윈은 시뮬레이션과 물리적 시스템 간의 연결을 더 강조하며, 제조, 기상학, 교육, 건강, Mobility 및 기타 여러 분야에서 다양한 응용 분야를 가지고 있다. 이러한 다양성을 뒷받침하기 위해서는 디지털 트윈 모델 및 실현에 관련한 표준 확립이 요구되어지고 있으며, 모델링 방식에 대한 연구들이 진행되어 오고 있다.
참고문헌 [5]에서는 물리적 인식 데이터를 기반으로 하는 디지털 트윈 모델을 제안했으며, 플랜트 물리적 부분, 디지털 부분, 및 3D 가상 부분이 실시간으로 결합되어 디지털 트윈의 기본 모델을 형성된다. 참고문헌 [6]에서는 매개변수와 실제 장치의 해당 데이터 스트림 간의 관계를 온톨로지에 매핑함으로써, 디지털 트윈의 동적 모델링 접근 방식을 제안하였다. 참고문헌 [7]에서는 기하학, 물리학, 능력, 행동 및 규칙을 포함한 5가지 차원으로 설명이 가능한 재구성 가능한 디지털 트윈(RTD)을 제안하였으며, 동일한 현상을 다른 관점/차원으로 설명할 수 있게 함으로써 충실도가 높은 디지털 트윈 시스템을 구축하는 데 적합하게 되었다. 참고문헌 [8, 9, 10, 11] 에서는 마이크로 서비스를 기반으로 하는 사이버 물리적 생산 시스템"(DT-CPPS)이라는 참조 아키텍처를 제안하였으며, 물리적 표현과 디지털 표현 간의 동기화를 가능하게 하는 미들웨어를 사용하였으며, Automation Markup 이라는 언어를 통해 일반 디지털 트윈 시스템에서 정보 교환을 모델링하는 방법론을 제안하였다. 위 참고문헌들을 요약하자면, 디지털 트윈 모델의 개념적 수준과 구현 수준 모두에서 다양한 접근 방식들을 고려 해야 하며, 디지털 트윈 개념은 아직 초기 단계에 있기에 앞으로 합의 해야 할 부분들이 있다.
2.3. Digital Twin assisted Smart mobility
급변하는 모빌리티 환경에서 커넥티드 차량들의 (위 스마트 모빌리티 목표 달성을 향한) 스마트한 의사 결정과 실행력이 더욱 중요해지고 있다. 이를 위해 차량들의 정보 습득, 처리, 판단에 있어 디지털화에 대한 새로운 접근 방식이 필요로 한다. 이러한 맥락에서 디지털 트윈은 실제 모빌리티 환경을 모사한 가상 표현을 제공하기 때문에 디지털화에 적합한 솔루션으로 각광받고 있다. 최근 몇 년 동안 인공 지능, 빅 데이터, 고성능 컴퓨팅의 급속한 발전으로, 디지털 트윈은 점점 더 실현 가능해지고 있다. 특히, 디지털 환경을 통한 가상 공간에서의 다양한 경험을 하면서 스마트 모빌리티 프로세스별 인공지능과 최적화 기술을 함께 구축해 최적의 의사결정이 자동화될 수 있게 한다. 특히, ITS 기반 스마트 모빌리티에 디지털 트윈을 적용함으로써 보다 안정적이고 효율적인 도로 네트워크를 구축할 수 있는 강력한 방법으로 관심 받고 있다.
Figure 1. LGSVL simulator [21]
참고문헌 [12]은 연료 소비를 줄이기 위해 차량 소대를 구성하기 위해 V2V 및 V2I 통신을 활용하는 대규모 운송 문제에 대한 사이버-물리 시스템을 소개하고 있다. 참고문헌 [13]의 정의에 따라 스마트 교통 시스템의 완전한 디지털 트윈은 i) 물리적 부분, ii) 가상 부분, iii) 데이터, iv) 연결 및 v) 서비스의 5가지 요소들을 포함해야 한다.1) 물리적 부분에는 도로 네트워크, 차량, 자전거, 보행자 등과 같은 교통 참가자, 교통 신호 및 표지판, 감지기와 같은 도로변 장치(RSU)가 있고, 2) 가상 부품에는 모든 물리적 부품과 이들의 상호 작용에 대한 충실도가 높은 시뮬레이션이 있으며, 3) 데이터 부분은 도로망의 토폴로지 구조, 차량의 경로, 실시간 속도, 운전자의 정보, 신호등의 운행 상태 등과 이들의 과거 데이터를 포함하며, 4) 서비스 부분에는 교통 신호 최적화, 빠른 비상 대응, 운송 비용 절감이 포함될 수 있으며 더 많은 잠재적 서비스가 생성될 것이며, 5) 연결 부분은 가상 부분, 물리적 부분, 데이터 및 서비스를 연결시키고 있다. 특히, 가상 부분의 경우 여러 오픈 소스 시뮬레이터들이 고려되고 있다. 예를 들어, AirSim [14], CARLA [15], LGSVL [16] , Cognatan [17], Metamoto [18] 시뮬레이터들이 현실 세계와 일치하는 사실적인 가상 환경을 지원하고 있으며, 일부 시뮬레이터들은 여러 오픈 소스 자율 주행 소프트웨어들 (Autoware[19] 및 Baidu Apollo [20]) 과 결합되어 폭넓은 교통 환경을 제공하고 있다. 그림 1은 차량과 실제 거리를 시뮬레이션 하는 LGSVL 시뮬레이터의 스크린샷을 보여주고 있다. 그림에서 보는 바와 같이 비, 안개, 구름, 도로 젖음, 시간 및 주변 교통체증을 포함한 모빌리티 환경을 쉽게 변경시킬 수 있으며, 트래픽 볼륨을 포함한 이러한 환경 조건의 값은 시뮬레이터의 Python API를 통해 변경시킴으로써, 수많은 테스트 케이스를 생성할 수 있게 한다. 현실에서 만나기 어렵거나 불가능한 경우도 있지만 자율주행차의 안전성을 확보하기 위해서는 다양한 사례로 테스트하는 것이 매우 중요하다. 그림 2에서 왼쪽 이미지는 자동차를 제어하는 자율주행 소프트웨어인 Baidu Apollo의 인터페이스를 오른쪽 이미지는 해당되는 LGSVL 시뮬레이터의 장면이다. 자율 주행 차량의 모든 센서는 시뮬레이션 되며 Apollo는 센서 데이터가 실제 또는 시뮬레이션에서 나온 것인지 알지 못합니다. Apollo 내부의 모든 모듈의 성능은 시뮬레이션을 통해 테스트 및 개선할 수 있으며 최종적으로 실제 차량에서 실제 실행에 도움이 된다. 디지털 트윈은 새로운 기능과 희귀한 환경 조건을 테스트하고, 버그를 수정하고, 소프트웨어를 개선하고, 최종 실제 세계 검증을 위한 절차를 제공한다.
Figure 2. Apollo on LGSVL [22]
2.4. Use cases
교통 신호 최적화
디지털 트윈이 제공할 수 있는 가장 중요한 스마트 모빌리티 서비스 중 하나는 트래픽 신호 최적화이다. 차량의 실시간 데이터(경로, 위치, 속도 등)는 디지털 트윈의 가상 부분으로 전송될 수 있으며, 교통 신호의 위치를 기반으로, 다양한 교통 신호 계획에서 차량의 잠재적인 움직임을 시뮬레이션 하여 전체 차량의 이동 시간을 줄일 수 있다. 가상 부분은 가장 좋은 부분을 찾아 그에 따라 신호를 변경할 수 있다. 자율주행 차량이 주요 도로 참가자가 되면 가상 부품과 보다 정확한 궤적을 공유할 수 있으며 최적의 교통 성능을 달성하기 위해 각 자율 차량에 대해 매우 정확한 모션 계획을 생성할 수 있다. 디지털 트윈 시스템은 교통 네트워크의 정확한 정보를 활용하여 각 차량의 이동 시간을 절약하고 전반적인 연료 소비를 줄이는 최적의 경로를 계산할 수 있다.
전기충전소 최적화
일상적인 출퇴근을 위해 전기 자동차(EV)를 운전하는 사람들이 점점 더 많아지면서 충전소에 대한 수요가 증가하고 있으며, 충전소의 위치는 사람들의 주행 경로 계획에 큰 영향을 준다. 디지털 트윈은 이러한 작업을 차량 별 및 충전/방전 스테이션 위치에 맞게 최적으로 배치하는 데 필수적이다. 이러한 디지털 트윈은 시스템에 있는 모든 엔티티의 가상 표현을 통해 사람들의 통근 활동을 시뮬레이션하고 최적의 충전/방전 스테이션 위치를 찾을 수 있게 한다. 또한, 과거 데이터를 기반으로 예측된 ？？전력 사용량을 통해 디지털 트윈은 매 순간의 동적 트래픽 및 전력 사용량을 고려하면서 최상의 계획을 가질 수 있도록 도움을 준다.
Digital Twin of Smart Traf？c
디지털 트윈의 큰 장점은 아직 사용할 수 없는 기술을 먼저 시뮬레이션 하여 새로운 기술의 적용을 촉진하기 위해 어떤 일이 일어나고 어떤 종류의 인프라가 필요할 수 있는지 확인할 수 있다는 것이다. 자율 주행 차량의 모든 센서는 시뮬레이션 되며 자동차를 제어하는 ？？자율주행 소프트웨어인 Baidu Apollo는 센서 데이터가 실제 또는 시뮬레이션에서 나온 것인지 알지 못한다. 이로써Apollo 내부의 모든 모듈의 성능은 시뮬레이션을 통해 테스트 및 개선할 수 있으며 최종적으로 실제 차량에서 실제 실행에 도움이 된다. 디지털 트윈은 새로운 기능과 희귀한 환경 조건을 테스트하고, 버그를 수정하고, 소프트웨어를 개선하고, 최종 실제 세계 검증을 위한 폐쇄 루프를 제공할 수 있다. 이와 더불어Apollo는 횡단하는 보행자와의 반응 테스트를 가능하게 함으로써 모든 교통 보행자들의 안전 보호 실현을 할 수 있게 되었다. 보행자 감지기와 같은 새로운 RSU를 추가하여 차량에 경고하거나 자율 차량과 보행자의 스마트폰 간의 통신을 기반으로 차량에 경고할 수 있는 새로운 알고리즘도 테스트할 수 있게 되었다.
3. 마무리
운송 부문은 획기적인 기술과 도구의 지속적인 흐름으로 앞으로 몇 년 동안 더 좋고 더 큰 일을 성취할 태세를 갖추고 있다. 정보, 통신, 감지, 인식, 비전, 통합, 지식 발견 및 보급, 의사결정 지원 분야의 선구적인 기술들은 교통 산업에 더 많은 기여를 할 수 있게 되었다. 이미 지능형 운송 시스템(ITS)이 있으며, 이제 실시간 정보 수집 및 분석 기능이 추가되어 운송 및 물류 산업 분야에서 획기적인 성과를 기대할 수 있게 되었다. 디지털 트윈은 제조, 건강, 운송 등과 같은 점점 더 많은 분야에서 점점 더 많이 적용되고 있으며, 본 보고서는 스마트 교통 시스템의 응용에 중점을 둔 디지털 트윈 기반 스마트 시티에 대해 알아보았다. 디지털 트윈의 진화하는 개념과 함께 5G/AI의 빠른 확산은 자동차, 트럭, 버스, 선박, 기차, 로켓 및 위성, 비행기 및 기타 운송 솔루션을 더욱 정교하고 스마트하게 만드는 데 큰 도움이 될 것으로 기대되고 있다.
References
[1] R. P. Dameri, Comparing Smart and Digital City: Initiatives and Strategies in Amsterdam and Genoa. Are They Digital and/or Smart?. In: Dameri R., Rosenthal-Sabroux C. (eds) Smart City. Progress in IS. Springer, Cham, 2014.
[2] F. Lawrence, et.al, Promoting public health through Smart Growth: building healthier communities through transportation and land use policies and practices, 2006.
[3] M. Bencardino, et.al, Smart Communities. Social Innovation at the Service of the Smart Cities. TeMA - Journal of Land Use, Mobility and Environment.
[4] A. Rasheed, et.al, “Digital twin: Values, challenges and enablers from a modeling perspective,” IEEE Access, vol. 8, pp. 21 980–22 012, 2020.
[5] Q. Zhang, et.al, “Modeling of digital twin workshop based on perception data,” in International Conference on Intelligent Robotics and Applications. Springer, 2017, pp. 3–14.
[6] W. Xu, et.al, “Dynamic modeling of manufacturing equipment capability using condition information in cloud manufacturing,” J. of Manufacturing Science and Engineering, vol. 137, 2015.
[7] C. Zhang, et.al, “A recon？gurable modeling approach for digital twin-based manufacturing system,” Procedia CIRP, vol. 83, pp. 118–125, 2019.
[8] K. Ding, et.al, “De？ning a digital twin-based cyber-physical production system for autonomous manufacturing in smart shop ？oors,” Int. J. of Production Research, vol. 57, no. 20, 2019.
[9] V. Damjanovic-Behrendt, et.al,, “An open source approach to the design and implementation of digital twins for smart manufacturing,” Int. J. of Computer Integrated Manufacturing, vol. 32, 2019.
[10] D. Rovere, et.al, “A centralized support infrastructure (csi) to manage cps digital twin, towards the synchronization between cps deployed on the shop？oor and their digital representation,” in The digital shop？oor—Industrial automation in the industry 4.0 Era: performance analysis and applications. River Publishers, 2019, pp. 317–335.
[11] G. N. Schroeder, et.al, “Digital twin data modeling with automationml and a communication methodology for data exchange,” IFAC-PapersOnLine, vol. 49, no. 30, pp. 12–17, 2016.
[12] B. Besselink, et.al, “Cyber–physical control of road freight transport,” Proceedings of the IEEE, vol. 104, no. 5, pp. 1128–1141, 2016.
[13] Q. Qi, et.al, “Enabling technologies and tools for digital twin,” Journal of Manufacturing Systems, 2019.
[14] S. Shah, et.al, “Airsim: High-？delity visual and physical simulation for autonomous vehicles,” in Field and service robotics. Springer, 2018, pp. 621–635.
[15] A. Dosovitskiy, et.al, “Carla: An open urban driving simulator,” in Conference on robot learning. PMLR, 2017, pp. 1–16.
[16] G. Rong, et.al, “Lgsvl simulator: A high ？delity simulator for autonomous driving,” in 2020 IEEE ITSC, 2020, pp. 1–6.
[17] Cognata. [Online]. Available: https://www.cognata.com/
[18] Metamoto. [Online]. Available: https://www.metamoto.com/
[19] S. Kato, et.al, “An open approach to autonomous vehicles,” IEEE Micro,vol. 35, no. 6, pp. 60–68, 2015.
[20] Apolloauto: An open autonomous driving platform, https://github.com/ApolloAuto/apollo
[21] https://autowarefoundation.gitlab.io/autoware.auto/AutowareAuto/lgsvl.html
[22] Tutorial: End-to-end video tutorial of LGSVL simulator with Apollo driving,
https://www.youtube.com/watch?v=Ucr0aM334_k