송민혁
(Minhyuk Song)
1iD
조윤범
(Youn-beom Jho)
2iD
김종우
(Jongwoo Kim)
3†iD
-
정회원 · ㈜유디엔에스 개발본부 연구원
(UDNS. Co., Ltd · alsgur756@gmail.com)
-
㈜유디엔에스 개발본부 상무
(UDNS. Co., Ltd · jhoyb74@gmail.com)
-
종신회원 · 교신저자 · ㈜유디엔에스 경영본부 사장
(Corresponding Author · UDNS. Co., Ltd · roadload2014@gmail.com)
Copyright © 2026 by the Korean Society of Civil Engineers
핵심용어
재귀반사도, 시각화 플랫폼, MCP, 대화형 분석
Keywords
Retroreflectivity, Visualization platform, Model Context Protocol (MCP), Conversational analysis
1. 서 론
도로노면의 상태는 교통안전, 운전 편의성, 그리고 최근 각광받는 자율주행 시스템의 신뢰도에 직접적인 영향을 미친다. 특히 도로노면의 위험요소는 크게
두 가지로 구분할 수 있다. 하나는 포트홀, 균열, 박리 등 물리적 손상, 다른 하나는 노면표시(차선 등)의 퇴색, 재귀반사성능 저하 등의 시인성
결함이다. 이 중 물리적 손상은 국토부의 포트홀 긴급 복구 사업과 지자체 단위의 도로 유지관리 예산 편성을 통해 대응된다. 노면표시의 경우 Pike et al.(2024)에 따르면, 재귀반사성능을 기준으로 정비되며 KS M 6080 및 KS L 2521에 부합하도록 국내 규정 역시 동일하게 적용된다. 범용적으로 사용되는
백색 노면표시의 경우 설치 1주일 이내 240 mcd/(m2·lx) 이상의 재귀반사성능을 확보해야 하며, 이후에도 기준 이상을 유지해야 한다.
Fig. 1. Pavement Marking Management Tool
국토부는 국도 차선관리 시스템(Pavement Marking Management System, PMMS)을 도입해 차선 재귀반사성능을 측정하고 위치
기반으로 데이터베이스화하고 있으나, 이는 일부 도심부 구간에 국한되며 측정 장비의 보급률, 인력 부족, 데이터의 표준화 문제로 인해 전국 단위 운영에는
한계가 있다. 또한, 수기로 입력되는 정보와 지역 간 데이터 호환성 문제, 재귀반사성능 저하의 실시간 확인 어려움 등으로 인해 유지관리 정책의 실효성은
낮다(Lee et al., 2024;
Kong et al., 2022).
미국의 경우, Federal Highway Administration(FHWA)는 차선 유지보수의 중요성을 강조하며, 각 주(州) 교통국(DOT)
주도로 Pavement Marking Management Tool(PMMT)을 개발 및 운영하고 있다. 아이오와주 DOT는 휘도계 장비를 장착한 차량을
통해 차선의 재귀반사성능을 주기적으로 스캔하고, 그 데이터를 기반으로 GIS 기반 유지보수 우선순위 지도를 구축한다. 이와 같은 시스템은 유지보수
예산의 배분과, 계절별/시간대별 시인성 저하 패턴을 시각적으로 분석하는 데 활용되고 있다(Sassani et al., 2021).
또한, 노스캐롤라이나주 교통국은 PMMS에 기상정보와 교통량 정보를 통합하여, 강설 후 도색이 지워진 구간을 우선 보수 대상으로 자동 추천하는 알고리즘을
적용하고 있다(Sassani et al., 2021). 이처럼 노면표시 관리가 단순한 시설물 관리가 아닌 교통안전 및 비용 최적화의 핵심 도구로 인식되고 있다.
노면표시의 재귀반사도는 야간 또는 우천 시 운전자의 시야 확보에 결정적인 요소이며, 특히 레이더나 라이다에 의존하지 않는 자율주행 시스템에서는 차선
인식 성능에 직접적인 영향을 미친다. 국제적으로 SAE J3016 기준에 따른 자율주행 단계 중 레벨 4 이상은 차선 인식 실패에 대비한 경로 유지
기능을 요구하며, 이를 위해서는 일정 수준 이상의 노면표시 재귀반사성능이 확보되어야 한다(Pike et al., 2024).
Sassani et al.(2021)에 따르면 기존의 노면표시 유지관리 시스템은 여러 구조적 한계를 가진다. 일부 지역에서 점검은 휴대용 휘도계에 의존하고 있으며, 효율적인 측정을 위한
휘도계 조사차량 장비는 고가이기 때문에 일부 공공기관이나 민간업체에만 국한되어 사용되고 있다. 또한 정기적인 점검을 수행할 인력과 예산이 부족해 실제
도로에서 노면표시의 시인성이 저하되어도 이를 적시에 인지하고 보수하는 것이 어렵다. 이로 인해 현재의 노면표시 관리는 문제가 발생한 이후 보수를 시행하는
‘사후 대응형’ 방식에서 벗어나지 못하고 있으며, 계절 변화나 기상 악화와 같은 환경 요인에 선제적으로 대응하는 것은 거의 불가능하다(Mahlberg et al., 2021).
이러한 한계점을 극복하기 위해 본 연구는 도로노면의 재귀반사도를 통합적으로 관리할 수 있는 효율적이고 확장 가능한 유지관리 플랫폼을 제안한다. 특히
노면표시의 재귀반사성능을 정량적으로 수집하고 분석할 수 있는 시스템을 구축하며, 이를 위치 기반의 GIS 시스템과 연동하여 위험 구간을 직관적으로
파악하고 유지보수 우선순위를 과학적으로 설정할 수 있도록 한다. 또한, 단순히 노면표시에 국한되지 않고 포트홀, 균열, 결빙 위험 등 다양한 도로노면의
위험요소들을 함께 통합 관리하는 체계를 지향한다. 궁극적으로 본 연구는 데이터를 기반으로 한 유지보수 이력 관리가 가능한 알고리즘을 도입함으로써,
자율주행 시대에 필수적인 인프라 시인성 기준을 만족시키고, 디지털 기반 도로 관리체계로의 전환을 촉진하는 것을 목표로 한다.
2. 연구방법
2.1 노면표시 재귀반사도 데이터 수집 방법론
본 연구는 도로노면 위험요소 중에서도 노면표시의 재귀반사성능 저하, 물리적 손상을 중점적으로 다룬다. 해당 요소들은 각각 야간 운전 시 시인성 확보,
계절적 안전사고 예방, 자율주행 환경 구현 등에서 핵심적 역할을 하며, 그 실시간 관리와 평가가 요구된다. 이를 위해 본 연구에서는 다양한 계측 장비와
인공지능 기반 분석 기법을 활용하여 도로 위험요소를 정량적으로 수집·관리하는 데이터 수집 체계를 설계하였다.
Fig. 2. Measurement of Retroreflectivity Using Mobile Retroreflectometer
우선 노면표시의 건전도는 재귀반사성능을 기준으로 평가된다. 기존에는 휴대용 휘도계를 이용하여 국부적으로 값을 측정해왔으나, 측정시간과 인력 소요가
크고, 도로 전 구간에 대한 연속적 데이터 확보는 불가능하다는 한계가 있었다. 이에 따라 본 연구에서는 모바일 라이다 장비를 활용하여 도로 상의 노면표시에
대한 연속적인 재귀반사도 정보를 확보하는 방식을 채택하였다. 라이다 센서는 조사 영역에서 반사된 에너지의 강도를 재귀반사도 값으로 반환하며, 이 값은
송신 에너지 및 입사각, 거리 등의 요소를 보정함으로써 재귀반사도에 근접한 추정값으로 환산될 수 있다.
Fig. 3. Mobile LiDAR-based Pavement Marking Retroreflectivity Assessment
교통표지판에 대한 라이다 기반 자동재귀반사도 평가기법은, 재귀반사도 값을 거리 및 입사각에 따라 정규화하는 모델에 의해 수행된다(Ai and Tsai, 2016). 이러한 기법은 노면표시 평가에도 적용되었으며(Che et al., 2019) 본 연구에서는 동일한 정규화 모델을 차용하여 Eqs. (1)-(3)와 같이 노면표시 영역에 대한 연속적 라이다 데이터를 처리하였다. Eq. (1)에서 $q$는 입사광선에 대한 라이다의 계측값의 비이며 재귀반사도를 나타낸다. Eq. (2), Eq. (4)의 $f$와 $g$는 각각 각도함수, 거리함수이며 센서와 노면이 이루는 각도 $\theta$와 센서와 노면의 거리 $R$에 대한 함수이다. 함수에서
각도의 상관계수 $k_{s}$와 거리와 표면 상관지수 $a, b$는 실험에 의해 결정된다. 실험은 지정된 차량 제원에 설치한 라이다의 각도 및 노면과의
거리를 변화시키며 얻은 신호강도를 회귀 분석하여 수행된다. Ai and Tsai(2016)에 의해 수행된 결과로 $k_{s}$는 라이다의 입사각에 대한 2차 다항식으로 표현되며 Eq. (3)과 같이 표현된다. $a+b$는 실험에 사용된 라이다의 증폭 임계거리 15 m 미만의 거리에서 -0.04224로 결정된다. 이는 노면의 반사특성이
위치, 재질, 마모 상태에 따라 다르게 나타나는 현실을 고려하여, 단일 점이 아닌 클러스터 단위의 값을 평가함으로써 보다 객관적인 유지관리 판단이
가능하도록 한다.
라이다 기반재귀반사도 데이터는 횡단방향 도색 품질, 색상 대비, 퇴색 여부 등의 정보를 간접적으로 포함하므로, 임계치 이하의 구간은 유지보수 우선
대상 구간으로 지정될 수 있다. 이를 통해 기존의 휘도계를 이용한 불연속적인 평가 방식보다 높은 공간적 해상도를 확보할 수 있으며, 실제로 노면표시
성능 저하가 교통사고와 직결되는 우회전 램프, 신호 없는 교차로, 야간 시인성 저하 구간 등에서 활용도가 높다.
2.2 노면표시 재귀반사도 유지관리를 위한 데이터 베이스 설계
수집된 노면표시 데이터는 국토교통부에서 운영하는 국가공간정보 플랫폼인 Vworld의 연계 활용을 전제로 데이터베이스화되었다. 스키마는 정밀도로지도(A2_LINK)를
중심으로 공간참조 일원화가 가능하도록 외래키(Foreign Key) 기반의 관계형 데이터베이스 구조를 설계하였다.
Fig. 4. Proposed Database Entity Relationship Diagram
구체적으로, 조사 차량의 RTK GNSS 기반 계측 데이터를 Road_LINK_sample 테이블에 기록하며, 각 샘플은 marking_line 테이블의
차선 객체에 스냅핑되어 Road_LINK_match로 연계된다. 일정 구간 내 통계적 기준을 만족하지 못하는 경우는 Road_LINK_violation
테이블에 등록되며, 법정 건전도 기준(예: KS M 6080)에 기반한 위험도 판단이 가능하도록 설계되었다. 또한, 국토지리정보 포맷과 동일하게 100
m 간격으로 구간 대푯값을 생성하고 시계열 분석을 위한 Road_LINK_summary_100m 테이블을 별도로 구성하여 플랫폼 상에서의 시각화,
지도 레이어 기반 표출, API 응답의 효율성을 고려하였다.
모든 위치 정보는 WGS84 기반의 위경도 좌표(geom)로 저장되며, 시계열 처리 및 시각화 연계를 고려하여 각 주행(run_id) 단위로 계측
흐름을 관리할 수 있도록 Road_LINK_run 테이블을 병행 설계하였다. 이러한 구조는 Google Maps, Vworld 등 지도 API와의
호환성뿐만 아니라, 향후 자연어 질의 기반 유지보수 어시스턴트(MCP 서버)에서 대화형 쿼리 및 통계 요약 응답을 제공하기 위한 기반으로 활용된다.
2.2 MCP 기반 손상 데이터 분석 어시스턴트
최근 도로 유지관리 분야에서는 대규모 공간데이터와 문서 기반 지침을 통합적으로 활용하는 요구가 증가하고 있으나, 기존 유지관리 시스템은 SQL 기반의
정형 쿼리 방식에 의존하고 있어 실무자가 충분한 데이터 구조 지식을 갖추지 않으면 원하는 정보를 얻기 어렵다는 한계가 있다.
본 연구에서 제안한 MCP(Model Context Protocol) 기반 LLM(Large Language Model) 분석 파이프라인은 이러한
문제를 해결하기 위해 설계된 데이터 접근 구조로서, 고속도로 건설 산업의 안전관리 분야에서 사용된 바 있다(Smetana et al., 2024). LLM이 데이터베이스·PDF 문서·웹 정보에 직접 접근하여 다중 맥락을 형성할 수 있도록 하였다. 일반적인 LLM은 사용자가 제공하는 입력 프롬프트
안의 정보만을 근거로 응답하기 때문에 최신 데이터가 중요한 유지관리 업무에는 적용이 어렵다. 이를 해결하기 위해 본 연구는 LLM이 MCP 서버를
통해 도로 손상 데이터베이스, 유지관리 지침서(PDF), 플랫폼 매뉴얼(PDF), 법령 문서, 외부 웹 API를 직접 조회하여 컨텍스트로 활용할 수
있도록 하였다. 실제 프로그램은 Python3.10을 사용한 FastAPI 서버형태로 구현하였으며, LLM은 OpenAI API를 통해 GPT o3
모델을 호출하는 형태로 사용하였다. 컨텍스트의 입력은 Pydantic을 이용하여 json스키마 형태로 변환하여 임베딩하였다.
LLM은 사용자의 질문을 해석하며, 해석된 결과에 따라 MCP 서버 내 도구가 선택적으로 호출되도록 설계되어 있다. 재귀반사도 통계와 관련된 요청은
통계 쿼리 도구에 의하여 SQL로 변환되며, 이에 따라 DB에서 해당재귀반사도 통계가 조회된다. 법령 또는 매뉴얼과 관련된 요청은 법령 검색 도구에
의하여 해당 VertorDB 내 PDF 문서에서 의미적으로 유사한 문단이 검색된다.
이와 같이 제안된 MCP 기반 대화형 분석 파이프라인은 Fig. 5와 같이 ① 사용자 입력, ② LLM 질의 해석, ③ MCP 도구 호출, ④ 컨텍스트 입력, ⑤ 컨텍스트 분석, ⑥ 응답 생성을 순차적으로 수행하며,
최종적으로 관리자가 노면 재귀반사도 데이터를 직관적으로 이해하고 즉시 대응할 수 있는 종합 분석 결과를 제공한다. 또한 플랫폼 매뉴얼을 포함하여 실무자가
플랫폼 활용을 능동적으로 할 수 있도록 한다.
Fig. 5. Retroeflectivity Analysis Pipeline with MCP
2.3 웹 기반 노면표시 유지관리 정보 시각화
노면표시 상태 정보를 공간적으로 시각화하기 위해 웹 기반 GIS 플랫폼의 백엔드와 프론트엔드를 구축하였다. 백엔드는 RESTful 엔드포인트를 중심으로
설계되었으며, 사용자가 특정 구간을 요청할 경우 해당 위치의 좌표, 주행차량 기반의 재귀반사도 값, 물리적 손상 정보를 일관된 형식으로 제공한다.
엔드포인트가 반환하는 데이터 구조는 지도 API 비종속적(JSON 기반)으로 설계되어 Google Maps API, vWorld API 엔진과 쉽게
연동될 수 있도록 하였다.
Table 1. Database Table Definition for Road Marking Maintenance
|
Table name
|
Description
|
Main column
|
|
Road_LINK_sample
|
Raw sample of data measured form DAQ vehicle
|
sample_id (PK), run_id (FK), geom, heading_deg, rl, link_id (FK)
|
|
Road_LINK_match
|
Results of matched sample coordinates
|
sample_id (PK/FK), marking_id (FK), snapped, dist_m, hdg_diff_deg
|
|
Road_LINK_violation
|
Defect locations and information that exceed statutory standards
|
violation_id (PK), marking_id (FK), run_id (FK), min_rl, geom
|
|
Road_LINK_summary_100m
|
Summary of section average and statistics at 100m intervals
|
marking_id, run_id, bucket_m (PK), rl_mean, rl_p05, rl_p50, rl_p95, rl_stdev, below_thr_len_m
|
|
marking_line
|
Information on the HDmap of road markings
|
marking_id (PK), link_id (FK), kind, side, lane_idx, color, width_mm, offset_m, geom
|
|
a2_link
|
National Standard Node Link-Based Road Centreline Information
|
link_id (PK), road_name, oneway, lanes_l, lanes_r, lane_width_m, geom
|
|
Road_LINK_run
|
Measurement driving unit information
|
run_id (PK), meas_date, device, cond, speed_kph, raw_uri
|
프론트엔드는 확장성 확보를 위해 Next.js프레임 워크와 Google Maps API를 기반으로 구현하였다. 전체 인터페이스 구성은 Fig. 6에 제시하였다. (a) 메인 화면에서는 선택 기반의 조건 입력을 통해 노선, 기간, 지사, 차선 유형 등의 필터링이 가능하며, 필터링 결과는 지도
상의 마커와 레이어 형태로 표현된다. 사용자는 레이어별 토글 기능을 통해 재귀반사도, 차로중심선, 손상 유형 등 다양한 공간 레이어를 선택적으로 켜고
끌 수 있으며, (b) 데이터 내려받기 화면으로 이동 시 해당 구간의 값을 개별 테이블 형태로 조회하고 내려받을 수 있다.
또한, 웹 플랫폼은 (c) MCP기반 LLM 어시스턴트 화면을 제공한다. 사용자가 시각화 화면 또는 쿼리 화면에서 확인한 재귀반사도 값, 손상 패턴,
구간별 통계량 등을 기반으로 자동 계산 및 요약을 수행하며, MCP(Model Context Protocol) 서버를 통해 대화형 프롬프트 기반의
통계·해석 지원도 가능하다. 이와 같은 구조는 유지관리자가 데이터 쿼리, 시각화, 분석, 보고서 작성을 단일 인터페이스에서 수행하도록 하여, 종래의
수작업 중심 유지관리 시스템 대비 높은 효율성과 지속가능성을 확보할 수 있게 한다.
Fig. 6. Display of Road Marking Retroreflecticity Visualization Platform. (a) Map-based
Retroreflectivity Visualizing Page, (b) Data Download Page, (c) MCP-driven LLM Assistant
Page
3. 결 론
본 연구는 도로노면 위험요소, 특히 노면표시 재귀반사도의 실측·이력 기반 관리를 위해 모바일 라이다 계측-정밀도로지도 매칭-빅데이터 분석-웹 기반
시각화-MCP 기반 대화형 분석을 통합한 유지관리 플랫폼을 제안하였다. 기존의 휘도계 의존적·국부적 측정방식이 갖는 공간적 한계, 데이터 비표준성,
인력 의존성을 고려할 때, 제안한 구조는 전국 단위 확장성과 데이터 연속성을 동시에 확보하는 것이 가능하다.
라이다 기반재귀반사도 추정(Che et al., 2019)은 정규화 모델을 도입하여 실측재귀반사도의 근사값을 생성하고, 이를 KS M 6080·KS L 2521 기준과 연결함으로써 유지관리 적합성을 향상시켰다.
또한 표준 노드·링크(A2_LINK)를 중심으로 설계된 공간 데이터베이스는 구간 요약값, 스냅핑된 샘플 정보, 위험도 판단결과를 통합적으로 다룰 수
있어 도로노면 유지관리의 공간·시간적 참조체계를 획일화하였다.
웹 기반 플랫폼은 Google Maps API와 독립적인 JSON 구조를 통해 지도 API 비종속적이며, 유지관리자는 지도 시각화-데이터쿼리-구간별
통계 확인을 단일 인터페이스에서 수행할 수 있다. 특히 LLM-MCP 연동은 기존 노면표시 유지관리 시스템과 차별되는 핵심 기능으로, 관리자는 자연어
기반 질의로 데이터베이스, 유지관리 지침서, 플랫폼 매뉴얼, 기상·온도 API 등 다중 컨텍스트를 통합한 보고서를 즉시 생성할 수 있다. 이는 유지관리
업무의 자동화 수준을 현저히 높이고, 비전문가·신규 담당자의 활용성을 크게 향상시킨다.
향후 연구에서는 실제 라이다 장비의 다계절·다환경 계측자료를 이용해 구간별재귀반사도 열화 패턴을 도출하고, FHWA PMMT· AASHTO 모델을
참조한 국내형 건전도 등급 기준(안)을 정립할 예정이다. 또한 포트홀·균열·결빙 등 타 위험요소까지 확장한 통합 위험지수 개발을 통해, 본 플랫폼이
국가 도로자산 관리체계의 핵심 구성요소로 기능할 수 있을 것으로 기대된다.
Acknowledgements
This research was funded by the Korea Agency for Infrastructure Technology Advancement
(KAIA) grant funded by the Ministry of Land, Infrastructure, and Transport under grant
number [RS-2023-00243421].
This paper has been written by modifying and supplementing the KSCE 2025 CONVENTION
paper.
References
Ai C., Tsai Y. J. (2016). "An automated sign retroreflectivity condition evaluation
methodology using mobile LiDAR and computer vision", Transportation Research Part
C: Emerging Technologies, Vol. 63, pp. 96-113
Che E., Olsen M. J., Parrish C. E., Jung J. (2019). "Pavement marking retroreflectivity
estimation and evaluation using mobile LiDAR data", Photogrammetric Engineering &
Remote Sensing, Vol. 85, No. 8, pp. 573-583
Kong W., Zhong T., Mai X., Zhang S., Chen M., Lv G. (2022). "Automatic detection and
assessment of pavement marking defects with street view imagery at the city scale",
Remote Sensing, Vol. 14, No. 16, pp. 4037
Lee S., Koh E., Jeon S., Kim R. E. (2024). "Pavement marking construction quality
inspection and night visibility estimation using computer vision", Case Studies in
Construction Materials, Vol. 20, pp. e02953
Mahlberg J. A., Sakhare R. S., Li H., Mathew J. K., Bullock D. M., Surnilla G. C.
(2021). "Prioritizing roadway pavement marking maintenance using lane keep assist
sensor data", Sensors, Vol. 21, No. 18, pp. 6014
Pike A., Shirinzad M., Nayak A., Rathinam S. (2024). "Assessing pavement markings
for automated vehicle readiness", Transportation Research Record, Vol. 2678, No. 5,
pp. 987-999
Sassani A., Smadi O., Hawkins N. (2021). "Developing pavement marking management systems:
A theoretical model framework based on the experiences of U.S. transportation agencies",
Infrastructures, Vol. 6, No. 2, pp. 18
Smetana M., Salles de Salles L., Sukharev I., Khazanovich L. (2024). "Highway construction
safety analysis using large language models", Applied Sciences, Vol. 14, No. 4, pp.
1352