강우 상황에 따른 LiDAR 인프라 시스템 성능 평가 및 시험 방법에 관한 연구

A Study on Performance Evaluation and Test Method of LiDAR-Based Infrastructure Systems Under Rainfall Conditions

본 연구는 강우 환경이 LiDAR 기반 자율협력주행 인프라 시스템의 인식 성능에 미치는 영향을 정량적으로 분석하고, 기상환경을 고려한 인프라 성능 평가 절차를 제안하는 것을 목적으로 한다. 이를 위해 연천 SOC 실증연구센터의 강우 재현 장비를 활용하여 강우 강도와 시험 차량의 속도를 조합하여 9가지 시험 조건을 구성했다. 동일한 시험 절차를 건기 환경과 강우 환경에서 반복 수행하였으며, 객체 검출률, 추적 연속성, 거리 추정 정확도, 위치 정확도 등을 주요 평가 지표로 설정하여 비교 분석했다. 건기 환경에서는 구성한 시험 조건에서 평균 98% 이상의 높은 객체 검출률과 안정적인 추적 성능을 확인한 반면, 강우 환경에서는 평균 검출률이 약 40% 수준으로 감소하고, 객체 ID 유지 시간 역시 약 90% 이상 단축되어 강우로 인한 인식 성능 저하가 뚜렷하게 나타났다. 위치 정확도 또한 건기 환경에서 평균 0.22 m 수준의 오차를 보인 반면, 강우 환경에서는 평균 0.55 m, 최대 0.83 m까지 증가하여 포인트 클라우드 밀도 저하 및 반사 신호 불규칙성의 영향을 확인할 수 있었다. 이와 같은 결과는 강우 환경이 LiDAR 기반 인프라 인식의 신뢰도와 정밀도 전반에 부정적 영향을 미치며 검출률 및 추적성 저하, 위치 오차 증가로 이어져 성능이 저하되는 현상을 확인했다. 현재 국내외 자율협력주행 관련 표준과 시험 규격은 통신 계층 및 상위 서비스 중심으로 구성되어 있어, 인프라 센서의 기상환경별 인식 성능을 체계적으로 평가할 수 있는 기준이 미비한 실정이며, 본 연구에서 제안한 방법이 인프라 성능 평가 절차 수립을 위한 기초 자료로 활용될 수 있을 것으로 기대된다.

This study examines the impact of rainfall on the perception performance of a LiDAR-based cooperative driving infrastructure system and presents a weather-aware performance evaluation methodology. Controlled rainfall experiments were conducted at the SOC Demonstration Center in Yeoncheon, where combinations of rainfall intensity and vehicle approach speed were configured to create nine test scenarios. Each scenario was executed repeatedly under both clear and rainfall conditions. The evaluation focused on key performance indicators (KPIs) including object detection rate, tracking continuity, distance estimation accuracy, and position accuracy. Under clear conditions, the LiDAR infrastructure system exhibited stable perception performance, achieving an average object detection rate above 98% across all scenarios and maintaining consistent tracking continuity. In contrast, rainfall conditions caused substantial degradation: detection rates dropped to approximately 40%, ID continuity was reduced by more than 90% relative to clear-weather baselines, and position accuracy deteriorated from a mean error of 0.22 m to 0.55 m, with a maximum error of 0.83 m. These degradations were primarily driven by rainfall-induced laser attenuation, back-scattering, reduced point-cloud density, and the resulting deformation of object clusters that led to centroid estimation instability. The results demonstrate that rainfall imposes significant adverse effects on roadside LiDAR perception, triggering cascading performance degradation in detection reliability, tracking stability, and spatial accuracy. Existing C-ITS and cooperative perception standards predominantly emphasize communication and interoperability layers, and therefore lack systematic sensor-level evaluation procedures that account for adverse weather. The methodology proposed in this study provides foundational guidance for developing standardized, weather-robust performance evaluation protocols for cooperative perception infrastructure in real-world operating environments.