Journal Search Engine

Volume/Issue :

Year(s) : to

Search :

Title :

Author :

Keyword :

Abstract :

Figure :

Table :

Reference :

Search Advanced Search

Adode Reader(link)

View PDF Download PDF Export Citation Korean Bibliography PMC Previewer

The Journal of The Korea Institute of Intelligent Transport Systems Vol.25 No.4 pp.152-172
DOI : https://doi.org/10.12815/kits.2026.25.4.152

Design of Autonomous Driving Strategies at Unsignalized Intersections in Mixed Traffic Based on Psychological Safety Margin

Chaewon Lee^*

, Hoyoon Lee^**

, Yuanming Cui^***

, Cheol Oh^****†

^*Dept. of Smart City Eng., Hanyang University, ERICA
^**Dept. of Highway&Transportation Research, Korea Institute of Civil Engineering and Building Technology
^***Dept. of Smart City Eng., Hanyang University, ERICA
^****Dept. of Transportation and Logistics Eng., Hanyang University ERICA

^† Corresponding author : Cheol Oh, cheolo@hanyang.ac.kr

Received 25 May 2026 │ Revised 19 June 2026 │ Accepted 9 July 2026

Abstract

The mixed traffic environment in which autonomous vehicles (AVs) and manual vehicles (MVs) coexist is expected to persist. Existing physical safety measures fail to account for the psychological safety of MV drivers. A trade-off exists between psychological safety and traffic mobility depending on the aggressiveness of AV driving. This study defined the Psychological Safety Margin (PSM) and developed an AV driving strategy design process for unsignalized intersections. The results show that for AV market penetration rates of 10–80%, under level of service (LOS) B conditions, no significant difference in the PSM score was observed between the two strategies (Cautious: 6.30–6.52, Aggressive: 6.23–6.43), while a significant difference in intersection delay was observed (Cautious: 0.73–1.06s, Aggressive: 0.68–0.69s), leading to the selection of the aggressive driving strategy as optimal. Under LOS D conditions, a significant difference in PSM score was observed (Cautious: 6.84-6.99, Aggressive: 6.39-6.63), leading to the selection of the cautious strategy as optimal. These findings are expected to contribute to the development of a novel system that dynamically manages AV driving aggressiveness based on real-time traffic conditions in cooperative automated driving environments.

Key Words : Mixed Traffic Flow , Psychological Safety Margin , Traffic Mobility , Level of Autonomous Driving Aggressiveness , Autonomous Driving Strategy

심리적 안전마진(Psychological Safety Margin) 기반 혼합교통류 비신호교차로 자율주행전략 설계 연구

이채원^*

, 이호윤^**

, 최원명^***

, 오철^****†

^*주저자 : 한양대학교 ERICA 스마트시티공학과 석사과정
^**공저자 : 한국건설기술연구원 도로교통연구본부 석사후연구원
^***공저자 : 한양대학교 ERICA 스마트시티공학과 석박사통합과정
^****교신저자 : 한양대학교 ERICA 교통물류공학과 교수

초록

자율차와 비자율차가 혼재하는 혼합교통류 환경이 지속될 전망이다. 물리적 안전 지표는 운전자의 심리적 안전성을 반영하지 못하며, 자율차의 주행 적극성 수준에 따라 심리적 안전성과 교통류 이동성 간 상충관계가 형성된다. 본 연구에서는 비자율차 운전자의 심리적 안전마진을 정의하고 자율주행 전략 설계 프로세스를 개발했다. 시뮬레이션 분석 결과, 자율차 혼입률 10~80%일 때 서비스수준 B에서는 심리적 안전성 점수가 보수적 전략 적용 시 6.30~6.52, 공격적 전략 적용 시 6.23~6.43으로 유의한 차이가 없는 반면, 교차로 지체는 보수적 전략 적용 시 0.73~1.06초, 공격적 전략 적용 시 0.68~0.69초로 유의한 차이가 나타나 공격적 전략을 적용하는 것이 바람직한 것으로 도출됐다. 서비스수준 D에서는 심리적 안전성 점수가 보수적 전략 적용 시 6.84~6.99, 공격적 전략 적용 시 6.39~6.63으로 유의한 차이가 나타나 보수적 전략을 적용하는 것이 심리적 안전마진 확보를 위해 필요함을 확인했다. 본 연구의 결과물은 자율협력주행 환경에서 실시간 교통 조건을 고려한 최적의 자율주행 적극성을 관리하는 시스템 개발에 유용하게 활용될 것으로 기대된다.

키워드 : 혼합교통류 , 심리적 안전마진 , 교통류 이동성 , 주행 적극성 수준 , 자율주행전략

This article has been cited by 0 article in crossref

Cited-By

Funding:

Korean National Police Agency
RS-2023-00238253

Ⅰ. 서 론

자율주행 기술의 발전으로 SAE International 기준 Level 3 이상의 자율주행차(Autonomous Vehicle, AV)가 상용화 단계에 진입하고 있다. 그러나 AV가 전체 교통류를 완전히 점유하기까지는 상당한 시간이 소요될 것으로 전망되며, 그 과정에서 AV와 비자율주행차(Manual Vehicle, MV)가 혼재하는 혼합교통류 환경이 장기간 지속될 것으로 예상된다(Kim et al., 2023;Pan et al., 2024;Peng et al., 2025). 혼합교통류 환경에서 AV는 짧은 차두시간, 정밀한 차간거리 유지, 알고리즘 기반의 가·감속 패턴 등 MV와 구별되는 주행 거동 특성을 나타낼 수 있으며, 이러한 이질적 거동은 MV 운전자에게 익숙하지 않고 예측하기 어려운 상황으로 인식될 수 있다(Ma and Zhang, 2022;Jo et al., 2024). 특히 비신호교차로는 다양한 방향의 교통류가 교차·합류하는 공간적 특성으로 인해 연속류 대비 충돌 위험이 높고, 명시적 통행 우선순위 규칙 없이 운전자 개별 판단에 의존하는 구조로 복합적인 위험이 발생한다(Park and Jeong, 2024). 또한 신호 제어가 부재한 환경에서 AV는 교차하는 차량의 거동을 실시간으로 예측하고 이에 맞는 속도 및 경로 결정을 동시에 수행해야 하며, 이러한 특성으로 인해 비신호교차로는 AV의 주행 의사결정이 복잡하게 나타나는 환경이다. 또한 Kim et al., 2024은 California DMV 사고 보고서(2019~2023) 분석을 통해 자율주행 모드 사고의 74.7%가 교차로에서 발생함을 확인하였다.

기존 연구는 Time to Collision (TTC), Post Encroachment Time (PET), Deceleration Rate to Avoid the Crash (DRAC) 등 물리적 안전 지표를 중심으로 AV-MV 상호작용을 평가해 왔다(Kim et al., 2023;Kim et al., 2025;Lee et al., 2024;Sharma et al., 2021). 그러나 물리적 충돌이 발생하지 않는 상황에서도 AV의 이질적 주행 거동이 MV 운전자에게 심리적 불안을 초래하고 실제 주행 행태에 직접적인 영향을 미칠 수 있다는 점에서, 물리적 안전 지표만으로는 혼합교통류 환경에서의 안전성을 충분히 평가하기 어렵다(Othman, 2021;He et al., 2022). 나아가 AV의 주행 거동 수준은 MV 운전자의 심리적 안전성과 교통류 이동성 간 trade-off 관계를 형성하는 것으로 확인된 바 있으나(Alambeigi et al., 2020;Almusawi et al., 2024;Rahmani et al., 2025), 두 목표를 동시에 고려한 정량적 분석 프로세스와 이에 기반한 자율주행 전략 설계 연구는 부족한 실정이다. 본 연구는 MV 운전자의 심리적 안전성을 정량적으로 반영한 심리적 안전마진(Psychological Safety Margin, PSM)을 제시하고, 이를 기반으로 비신호교차로에서의 교통 조건별 최적 자율주행 전략 설계 프로세스를 개발하는 것을 목적으로 한다.

PSM은 MV 운전자의 심리적 안전을 확보하며 비신호교차로를 통과할 수 있는 AV의 속도 범위로 정의된다. Kim et al., 2025은 뇌전도(Electroencephalogram, EEG) 기반 불안·긴장 지수(Anxiety and Nervousness Index, ANI) 분석을 통해 비신호교차로 AV-MV 상호작용 상황에서 PET 2.7초를 기점으로 MV 운전자의 심리적 안전성 변화가 최소화됨을 확인하였으며, 본 연구에서는 이를 PET 임계값으로 적용하여 PSM을 산출한다. 이를 기반으로 심리적 안전성 지표인 PSM score와 이동성 지표인 교차로 평균 지체(Delay)를 정의하여, AV의 주행 적극성 수준(Level of Autonomous Driving Aggressiveness, LADA)에 따른 두 지표 간 trade-off 관계를 정량적으로 분석한다. VISSIM 시뮬레이션을 활용하여 LADA, 교차로 서비스수준(Level of Service, LOS), AV 혼입률(Market Penetration Rate, MPR) 조건을 조합한 시나리오를 구성하고, PSM score와 Delay를 산출하여 심리적 안전성을 상위 기준, 교통류 이동성을 하위 기준으로 하는 계층적 의사결정 구조에 기반한 교통 조건별 최적 자율주행 전략을 도출한다. 본 연구는 기존의 물리적 안전 지표 중심 연구에서 나아가 MV 운전자의 심리적 안전성을 정량적으로 반영한 새로운 지표인 PSM을 제시하고, 이를 토대로 심리적 안전성과 교통류 이동성 간 상충관계를 동시에 고려한 자율주행 전략 설계 프로세스를 개발한다는 점에서 기존 연구와 구별된다.

본 논문의 구성은 다음과 같다. Ⅱ장에서는 물리적 안전 지표 중심 연구의 한계와 MV 운전자의 심리적 안전성 고려 필요성, 그리고 AV 주행 거동 수준에 따른 안전성-이동성 trade-off 관계에 관한 선행연구를 검토한다. Ⅲ장에서는 PSM 산출 방법, 평가지표 정의, 자율주행 전략 설계 프로세스 및 시뮬레이션 환경 구축을 포함한 연구 방법론을 기술한다. Ⅳ장에서는 시나리오에 대한 PSM score 및 교차로 평균 지체 산출 결과와 t-test 및 동등성 검정 기반 변별력 평가를 통한 교통 조건별 최적 LADA 도출 결과를 제시하고, 각 결과에 대한 해석을 수행한다. Ⅴ장에서는 연구 결과를 요약하고 한계점 및 향후 연구 방향을 제시한다.

Ⅱ. 기존문헌 고찰

본 연구는 혼합교통류 비신호교차로에서 MV 운전자의 심리적 안전성과 교통류 이동성을 동시에 고려한 AV 주행 전략 설계 프로세스를 개발한다. 이와 관련하여 첫째, 기존 물리적 안전 지표 중심의 연구에서 심리적 안전성 연구로의 흐름을 검토하고 MV 운전자의 심리적 안전성 고려의 필요성을 파악하였다. 둘째, AV 주행 거동 수준에 따른 교통 안전성 및 이동성 변화에 관한 선행연구를 검토하여 안전성과 이동성 간의 trade-off 관계를 확인하였다.

1. 심리적 안전성 (Psychological Safety)

TTC, PET, DRAC 등의 지표는 상충 가능성과 사고 개연성을 정량적으로 평가하여 물리적 충돌 회피 기준을 제시하는 데 유용하나, 도로 이용자가 체감하는 불안, 긴장 등 심리·생리적 요소를 설명하는 데는 한계가 있다. AV 도입을 결정하는 가장 중요한 요소는 안전 문제이며, 이는 물리적 안전뿐만 아니라 사용자가 실제로 느끼는 안정감까지 포함한다(Othman, 2021;He et al., 2022;Akalin et al., 2022). AV에 대한 신뢰와 위험 인식은 AV의 이용 의향과 사회적 수용도를 결정하는 핵심 변수로 확인된 바 있으며(Liu et al., 2019), 물리적 안전이 확보된 상황에서도 MV 운전자가 심리적 불안을 경험할 수 있다는 점에서 두 개념은 구분된다. 또한 혼합교통류 환경에서 AV의 이질적 주행 거동은 MV 운전자에게 익숙하지 않고 예측하기 어려운 상황으로 인식될 수 있다. Ma and Zhang, 2022은 공격적인 운전 성향의 MV 운전자가 MV-MV 상호작용 대비 AV와의 상호작용 시 더 높은 불안감을 경험함을 실험으로 확인하였다. Ma and Zhang, 2024은 MV 운전자가 인식하는 AV의 주행 거동 방식이 AV에 대한 신뢰 형성에 중요한 영향을 미침을 확인하였으며, 이는 AV의 주행 스타일이 MV 운전자의 심리적 반응에 직접적인 영향을 미침을 시사한다. Kim et al., 2025은 EEG 기반 ANI를 활용하여 비신호교차로 AV-MV 상호작용 상황에서 PET와 ANI 간 역의 관계를 정량적으로 분석하였으며, 심리적 안전성을 정량적으로 평가할 수 있는 근거를 제시하였다. 이러한 연구들은 혼합교통류 환경에서 MV 운전자의 심리적 안전성을 정량적으로 고려할 필요가 있음을 시사한다.

2. AV 거동 수준이 안전성 및 이동성에 미치는 영향

혼합교통류 환경에서 AV의 주행 거동 수준은 안전성과 이동성 간 trade-off 관계를 형성한다. AV는 MV 대비 더 큰 안전마진을 유지하도록 설계되어 있으나, 이러한 보수적 거동이 교통 효율을 저해하는 요인으로 작용할 수 있다. Alambeigi et al., 2020은 AV의 보수적 주행으로 인한 차간거리 증가가 교통 효율성을 저하시키고 끼어들기를 유발할 수 있음을 확인하였다. Almusawi et al., 2024는 주행 시뮬레이션을 통해 보수적인 AV가 MPR 100% 조건에서 지체를 59.03%까지 증가시키는 반면, 공격적인 AV는 27.59%까지 감소시킴을 실증하였다. Niroumand et al., 2022은 혼합교통류 교차로 환경에서 AV의 거동 수준이 교차로 안전성 및 이동성 지표에 상이한 영향을 미침을 확인하였으며, AV 거동 수준에 따라 안전성과 이동성 간 상충관계가 형성됨을 실증하였다. Lee et al., 2024은 혼합교통류 도심 환경에서 비신호교차로의 AV 혼입률 10% 및 50% 조건에서 주행 안전성이 낮게 나타남을 확인하였다. 이는 보수적으로 설계된 AV가 낮은 속도로 교차로에 접근함에 따라 뒤따르는 MV의 차로변경이 유발되고, 이로 인해 충돌 위험이 증가하기 때문으로 해석된다. Sharma et al., 2021은 혼합교통류 환경에서 자율주행차가 교통 흐름 개선에 기여할 수 있으나 교통류 내 배치 방식에 따라 효과가 달라짐을 확인하였다. Rahmani et al., 2025은 비신호교차로에서 AV의 보수적 주행 스타일이 물리적 안전마진을 확보함에도 MV 운전자에게 예측 불가능한 상황을 유발하여 오히려 위험으로 이어질 수 있음을 확인했고, 안전성과 이동성을 동시에 고려한 AV 거동 분석의 필요성을 제기하였다.

3. 시사점

기존 연구에서는 혼합교통류 환경에서 AV와 MV 간 상호작용 과정에서 AV의 주행 거동이 MV 운전자의 심리적 불안을 유발할 수 있으며, AV 주행 거동 수준에 따라 안전성과 이동성이 상충관계를 형성함을 확인하였다. 그러나 MV 운전자의 심리적 안전성을 정량적으로 반영한 평가지표를 제시하고, 이를 교통류 이동성과 동시에 고려한 자율주행 전략을 설계하는 방법론에 대한 연구는 부족한 실정이다. 본 연구에서는 이를 바탕으로 MV 운전자의 심리적 안전성을 정량적으로 반영한 PSM을 제시하고, 심리적 안전성과 이동성을 동시에 고려한 비신호교차로 AV 주행 전략 설계 프로세스를 개발한다.

Ⅲ. 방법론

1. 연구 수행 과정

본 연구에서는 비신호교차로 내 AV와 MV 간 상호작용 상황에서 심리적 안전 지표를 제시하고, 심리적 안전성과 교통류 이동성을 동시에 고려한 교통 조건별 최적 자율주행 전략 설계 프로세스를 개발한다. AV의 주행 적극성 수준은 MV 운전자의 심리적 안전성과 교통류 이동성 간 trade-off 관계를 형성하는 핵심 변수로, 본 연구에서는 LADA로 정의한다. 연구 수행 과정은 <Fig. 1>에 제시된 바와 같이 3단계로 구성된다. 1단계에서는 Expected PET (ePET)를 활용하여 MV 운전자의 심리적 안전성을 확보하는 AV의 임계 속도를 산출하고, PSM을 정의한다. 2단계에서는 LADA에 따른 심리적 안전성과 교통류 이동성 간 trade-off 관계를 정량적으로 분석하기 위한 평가지표를 정의한다. 3단계에서는 평가지표를 기반으로 자율주행 전략 설계 프로세스를 개발하고, 시뮬레이션 분석을 통해 교통 조건별 최적 LADA를 도출한다.

<Fig. 1>

Overall research procedure

2. Psychological Safety Margin (PSM)

PET는 두 차량이 교차 지점을 통과하는 시간 차이를 기반으로 상충 가능성을 정량화한 물리적 안전 지표로, 교차로 내 상호작용 안전성 평가에 효과적으로 활용된다. 전통적인 PET (이하 Observed PET)는 <Fig. 2a>와 같이 선행차량(Preempt Vehicle)이 교차 지점을 완전히 통과 완료한 시점을 t_i−1, <Fig. 2b>와 같이 후행차량(Yield Vehicle)이 교차 지점에 진입하기 시작한 시점을 t_i로 정의할 때, Equation 1과 같이 두 시점의 차이로 산출된다. Observed PET는 상호작용이 완료된 이후 사후적으로 산출되는 단일 관측치로, 상호작용 진행 중 연속적인 위험 수준 변화를 실시간으로 반영하는 데 한계를 가진다.

<Fig. 2a>

Vehicle interaction at tᵢ₋₁

<Fig. 2b>

Vehicle interaction at tᵢ

Observed PET = t_{i} - t_{i - 1}

(1)

여기서, $t_{i}$ : time when the yield vehicle enters the conflict area at time step $i$
$t_{i - 1}$ : time when the preempt vehicle exits the conflict area at time step $i - 1$
$i$ : time step index

본 연구에서는 이러한 한계를 보완하기 위해 ePET를 제시한다. <Fig. 3>에 제시된 바와 같이, 각 차량의 속도와 교차 지점까지의 거리는 매 시점마다 변화하므로, 이를 기반으로 교차 지점까지의 예상 도착 시간을 시점별로 추정하면 Observed PET와 달리 상호작용 전 구간에 걸쳐 연속적인 ePET를 산출할 수 있다. <Fig. 3>의 ePET=a, ePET=b, ePET=c는 동일한 상호작용 내에서도 시점에 따라 각 차량의 속도와 거리가 달라짐에 따라 ePET 값이 다르게 산출됨을 나타낸다. ePET는 Equation 2와 같이 각 시점 t에서 선행차량과 후행차량의 예상 도착 시간 차이로 정의되며, 각 차량은 현재 주행 궤적을 유지하며 교차 지점까지의 경로가 변하지 않는다고 가정한다.

<Fig. 3>

Conceptual illustration of ePET

ePET (t) = {\hat{TTA}}_{p} (t) - {\hat{TTA}}_{y} (t) = \frac{d_{p} (t)}{v_{p} (t)} - \frac{d_{y} (t)}{v_{y} (t)}

(2)

여기서, $ePET (t)$ : Expected PET at time $t$
${\hat{TTA}}_{p} (t)$ , ${\hat{TTA}}_{y} (t)$ : estimated time-to-arrival of preempt and yield vehicle at the conflict area at time $t$
$d_{p} (t)$ , $d_{y} (t)$ : distance from preempt and yield vehicle to the conflict area at time $t$
$v_{p} (t)$ , $v_{y} (t)$ : speed of preempt and yield vehicle at time $t$

PSM 산출을 위한 ePET 임계값 설정을 위해 Kim et al., 2025의 연구를 참고하였다. Kim et al., 2025은 <Fig. 4a>와 같이 EEG 측정 장비와 주행 시뮬레이터를 활용한 실험 환경을 구축하고, EEG 기반 ANI를 통해 주행 시뮬레이션 환경에서 AV 거동에 따른 MV 운전자의 심리·생리적 부하를 정량적으로 평가하였다. ANI는 이완·안정 상태에서 우세한 Alpha파와 긴장·불안 상태에서 우세한 Beta파의 비율(β/α)로 정의되며, 값이 클수록 MV 운전자의 심리적 부하가 높은 상태를 나타낸다. <Fig. 4b>는 비신호교차로 AV-MV 상호작용 상황에서 도출된 PET와 ANI 간 관계 모델을 나타낸다. PET가 증가함에 따라 ANI가 감소하는 역의 관계가 도출되었으나, PET 2.7초를 기점으로 ANI의 감소율은 더 이상 유의하게 나타나지 않았다. 이는 PET 2.7초 이상부터는 추가적인 차두간격 확보가 MV 운전자의 심리적 안전성 개선에 유의미한 영향을 미치지 않음을 의미하며, 본 연구에서는 이를 MV 운전자의 심리적 안전성 변화가 최소화되는 ePET 임계값으로 설정한다.

<Fig. 4a>

Example of wearing EEG headset

<Fig. 4b>

Relationship between PET and ANI

PSM 산출을 위해 교차 상황을 <Fig. 5>와 같이 AV가 MV보다 먼저 통과하는 선행(Preempt) 상황과 MV에 양보하는 양보(Yield) 상황으로 구분하고, 각 상황에서 ePET=2.7초를 만족하는 AV의 임계 속도를 Equation 3, Equation 4와 같이 산출한다. 선행 상황의 임계 속도 v_preempt는 AV가 MV의 예상 도착 시간보다 2.7초 앞서 교차 지점을 통과하기 위한 최소 속도이며, 양보 상황의 임계 속도 v_yield는 MV가 교차 지점을 통과한 후 2.7초가 경과한 시점에 AV가 교차 지점에 도달하기 위한 최대 속도이다. 두 임계 속도를 기반으로 각 상황에서 MV 운전자의 심리적 안전을 확보할 수 있는 AV의 속도 범위인 PSM을 정의한다.

<Fig. 5>

AV preempt and yield cases at an unsignalized intersection

v_{preempt} (t) = \frac{d_{AV} (t)}{{\hat{TTA}}_{MV} (t) - ePET} = \frac{d_{AV} (t)}{{\hat{TTA}}_{MV} (t) - 2.7}

(3)

v_{yield} (t) = \frac{d_{AV} (t)}{{\hat{TTA}}_{MV} (t) + ePET} = \frac{d_{AV} (t)}{{\hat{TTA}}_{MV} (t) + 2.7}

(4)

여기서, $v_{preempt} (t)$ , $v_{yield} (t)$ : critical speed of AV for preempt and yield cases at time $t$
$d_{AV} (t)$ : distance from AV to the conflict area at time $t$
${\hat{TTA}}_{MV} (t)$ : estimated time-to-arrival of MV at the conflict area at time $t$

산출된 AV의 임계 속도를 기반으로 PSM은 <Fig. 6> 및 Equation 5와 같이 정의된다. PSM_preempt는 AV가 MV보다 먼저 교차 지점을 통과하는 선행 상황에서 MV 운전자의 심리적 안전을 확보할 수 있는 AV의 속도 범위로, v_preempt 이상의 범위로 정의된다. 이는 AV가 MV보다 충분히 빠르게 교차 지점을 통과함으로써 MV 운전자 입장에서 AV가 이미 지나간 이후 교차 지점에 도달하는 상황을 만들어 심리적 불안을 최소화하는 속도 범위에 해당한다. 반면, PSM_yield는 AV가 MV에 양보하는 상황에서 MV 운전자의 심리적 안전을 확보할 수 있는 AV의 속도 범위로, v_yield 이하의 범위로 정의된다. 이는 AV가 MV보다 충분히 느리게 주행하여 MV가 먼저 교차 지점을 통과한 이후 AV가 진입하는 상황을 만들어 MV 운전자의 심리적 불안을 최소화하는 속도 범위에 해당한다.

<Fig. 6>

Conceptual illustration of PSM

PSM (t) = [0, v_{yield} (t)] \cup [v_{preempt} (t), v_{\max}]

(5)

여기서, $PSM (t)$ : Psychological Safety Margin at time $t$
$v_{\max}$ : maximum speed of AV

3. Evaluation Indicators

본 연구에서는 LADA Cautious와 LADA Aggressive 두 가지 수준으로 구분하여 분석을 수행하며, 각 LADA 수준에 따른 구체적인 차량 제원 파라미터는 본 장의 5절 시뮬레이션 환경 구축에서 제시한다. <Fig. 7>과 같이 LADA Aggressive 조건에서는 AV가 빠른 속도로 교차 지점에 접근하므로 AV를 뒤따르는 차량과의 차두간격(Spacing)이 증가하여 교차로 이동성은 향상되나, 교차하는 MV 운전자 입장에서는 AV의 빠른 접근으로 인해 심리적 불안이 유발될 수 있다. 반면 LADA Cautious 조건에서는 AV가 교차 지점에 천천히 접근하므로 교차하는 MV 운전자의 심리적 안전성은 확보되나, AV를 뒤따르는 차량과의 차두간격이 감소하여 교차로 이동성이 저해된다.

<Fig. 7>

Conceptual illustration of AV driving behavior by LADA

LADA별 심리적 안전성과 교통류 이동성 간 trade-off 관계를 정량적으로 분석하기 위해 심리적 안전성 지표인 PSM score와 이동성 지표인 교차로 Delay를 정의한다. <Fig. 8>과 같이 AV의 주행 속도가 PSM 범위를 만족하여 MV 운전자의 심리적 안전이 확보된 상태를 PSM satisfied, 그렇지 않은 상태를 PSM unsatisfied로 정의한다. PSM score는 전체 AV-MV 상호작용 시간 중 PSM satisfied 상태의 비율을 0~10 척도로 수치화한 지표로, Equation 6 및 Equation 7과 같이 정의된다. PSM score가 높을수록 AV가 MV 운전자의 심리적 안전성을 확보하며 주행한 비율이 높음을 의미한다. 본 연구에서는 이를 LADA별 심리적 안전성 수준을 정량적으로 비교하기 위한 지표로 활용한다.

<Fig. 8>

Conceptual illustration of PSM score

PSM score = \frac{1}{N} \sum_{t = 1}^{N} I_{PSM} (t) \times 10

(6)

I_{PSM} (t) = \{\begin{matrix} 1 & v(t) ∈ PSM(t) \\ 0 & otherwise \end{matrix}

(7)

여기서, $N$ : total number of time steps in the analysis period
$t$ : time step ( $t$ = 0.1, 0.2, …, $N$ )
$I_{PSM} (t)$ : PSM satisfaction indicator at time $t$ (PSM satisfied=1, PSM unsatisfied=0)
$v (t)$ : speed of AV at time $t$

교차로 Delay는 Equation 8, Equation 9와 같이 교차로 통과 차량의 실제 통행시간과 자유속도 기반 이론적 최소 통행시간의 차이를 차량별로 산출한 후 평균한 값으로, 값이 낮을수록 교통류 이동성이 우수함을 의미한다. 본 연구에서는 이를 LADA별 교통류 이동성 수준을 정량적으로 비교하기 위한 지표로 활용한다.

{Delay}_{i} = {TT}_{i} - {TT}_{\min, i}

(8)

\bar{Delay} = \frac{1}{N} \sum_{i = 1}^{N} {Delay}_{i}

(9)

여기서, ${Delay}_{i}$ : delay of vehicle $i$
$\bar{Delay}$ : average intersection delay
${TT}_{i}$ : actual travel time of vehicle $i$ through the intersection
${TT}_{\min, i}$ : minimum travel time of vehicle $i$ based on free-flow speed
$N$ : total number of vehicles passing through the intersection

4. 자율주행 전략 설계 프로세스

심리적 안전성과 교통류 이동성은 LADA에 따라 trade-off 관계를 형성하므로, 단일 기준만으로는 교통 조건별 최적 LADA를 도출하는 것이 불가하다. 본 연구에서는 PSM score와 교차로 Delay를 기반으로 두 목표를 동시에 고려한 AV 주행 전략 설계 프로세스를 개발한다. 프로세스는 <Fig. 9>와 같이 수행된다. 심리적 안전성을 상위 기준(High Level, HL), 교통류 이동성을 하위 기준(Low Level, LL)으로 설정하는 계층적 의사결정 구조로, MV 운전자의 심리적 안전성이 확보된 조건 하에서 교통류 이동성을 최적화하는 방향으로 설계된다. 먼저 분석 대상지의 실시간 교통 조건(LOS 및 MPR 등)을 모니터링하고 수집한 후, PSM score와 교차로 Delay를 산출한다. 상위 기준인 PSM score에 대한 평가를 우선적으로 수행하여 LADA 간 유의한 차이 여부를 검토하고, PSM score 평가 결과에 따라 하위 기준인 교차로 Delay에 대한 평가로 이어진다. 각 평가 단계에서 LADA 간 지표 차이의 유의성을 기준으로 <Table 1>에 정리된 세 가지 의사결정 Case 중 하나에 해당하는 최적 LADA가 도출되며, 교통 조건 변화가 감지될 경우 프로세스를 재수행하여 주행 전략을 동적으로 전환하고 변화가 없는 경우 현재 전략을 유지한다.

<Fig. 9>

LADA strategy design process based on PSM score and Delay

<Table 1>

LADA selection criteria based on PSM score and Delay

Case	PSM score Difference	Delay Difference	Selected LADA
1	Significant	-	LADA Cautious
2	Not Significant	Significant	LADA with lower Delay
3	Not Significant	Not Significant	LADA Aggressive

Case 1은 LADA 간 PSM score에 유의한 차이가 있는 경우로, LADA에 따라 MV 운전자가 경험하는 심리적 안전성 수준이 다름을 의미한다. 심리적 안전성이 상위 기준으로 설정된 계층적 의사결정 구조에 따라 PSM score가 더 높은 LADA Cautious를 최적 LADA로 채택한다. 이 경우 교통류 이동성은 하위 기준으로서 의사결정에 반영되지 않는다. Case 2와 Case 3은 LADA 간 PSM score에 유의한 차이가 없는 경우로, LADA와 상관없이 MV 운전자의 심리적 안전성 수준이 동등한 상황에 해당한다. 따라서 하위 기준인 교통류 이동성을 고려하여 교차로 Delay 평가를 수행한다. Case 2는 LADA 간 교차로 Delay에 유의한 차이가 존재하는 경우로, 이동성 측면에서 유리한 교차로 Delay가 낮은 LADA를 최적값으로 채택한다. Case 3은 PSM score와 교차로 Delay 모두 LADA 간 유의한 차이가 없는 경우로, 심리적 안전성과 교통류 이동성 모두 LADA에 관계없이 동등한 상황에 해당한다. 두 지표 모두 변별력이 없으므로 교통류 이동성 측면에서 유리한 LADA Aggressive를 최적값으로 채택한다.

5. 시뮬레이션 환경 구축

본 연구의 방법론을 적용하기 위해 VISSIM 시뮬레이션을 활용하였다. 분석 대상 교차로는 <Fig. 10>과 같이 횡성 Proving Ground (PG) 실도로 Level 4 자율주행 평면 및 종단면도를 참고하여 구성한 비신호 4지교차로이다. 실도로 환경을 기반으로 시뮬레이션 네트워크를 구축하여 현실성을 확보하였으며, 향후 해당 site에서 실도로 자율주행 운행이 예정되어 있어 추후 실도로 데이터를 활용한 검증 및 분석 확장이 가능하다는 점에서 본 연구의 시뮬레이션 대상지로 선정하였다. 주도로(동서 방향)는 왕복 8차로이며 도로 연장은 245m, 부도로(남북 방향)는 왕복 2차로이며 도로 연장은 145m이다. 각 차량의 Desired Speed는 도심부 교차로 환경임을 고려하여 50 kph±2 kph로 설정하였다. 본 연구에서는 VISSIM의 Conflict Area를 passive (우선권 미지정) 상태로 적용하여 특정 접근로에 통행 우선권을 부여하지 않았다. 이는 AV-MV 상호작용에서 preempt (선행) 또는 yield (양보) 결정 자체가 분석의 핵심 대상이기 때문이다. 우선권을 사전에 고정할 경우 차량 간 상호작용이 규칙에 의해 결정되어, 본 연구가 분석하고자 하는 LADA에 따른 AV의 preempt 또는 yield 결정이 무의미해진다. 우선권을 지정하지 않더라도 Conflict Area 위의 차량은 항상 장애물로 인식되어 차량 간 상대적 위치와 속도를 바탕으로 거동이 결정되므로, 차량 간 충돌 없이 시뮬레이션이 안정적으로 수행됨을 확인하였다.

<Fig. 10>

VISSIM network of the analysis area

혼합교통류 환경 재현을 위해 AV와 MV를 별도의 Vehicle Type으로 구성하고 각 차종의 LADA에 맞게 파라미터를 설정하였다. MV는 VISSIM Wiedemann 74 차량 추종 모델의 기본 파라미터를 적용하였다. AV는 EU Horizon 2020 프로젝트인 CoEXist의 차량 제원 파라미터를 적용하였다(Sukennik, 2018). CoEXist는 실제 AV 프로토타입 주행 데이터를 기반으로 Wiedemann 99 파라미터를 보정하여 Cautious, Normal, Aggressive의 3가지 거동 수준별 파라미터 셋을 VISSIM 내장 모듈로 제공한다. 본 연구에서는 LADA 선택에 따른 심리적 안전성과 교통류 이동성 간 trade-off 관계를 명확히 드러내기 위해, 이 중 가장 대비되는 두 주행 거동 수준인 Cautious와 Aggressive를 LADA로 선정하여 분석하였다. LADA별 파라미터는 <Table 2>에 제시하였으며, Cautious는 차두시간(CC1: 1.50 s), 가속도(CC8: 3.00 m/s²)로, Aggressive는 차두시간(CC1: 0.60 s), 가속도(CC8: 4.00 m/s²)로 설정되어 두 수준 간 주행 적극성의 차이가 파라미터에 반영되어 있음을 확인할 수 있다.

<Table 2>

Vehicle parameters for MV and AV (Sukennik, 2018)

Parameter	Definition	MV	AV
Parameter	Definition	MV	Cautious	Aggressive
CC0	Minimum standstill distance (m)	1.50	1.50	1.00
CC1	Desired time headway (s)	0.90	1.50	0.60
CC2	Following variation (m)	4.00	0.00	0.00
CC3	Threshold for entering following (s)	-8.00	-10.00	-6.00
CC4	Negative speed difference for deceleration (m/s)	-0.35	-0.10	-0.10
CC5	Positive speed difference for acceleration (m/s)	0.35	0.10	0.10
CC6	Speed dependency of oscillation	11.44	0.00	0.00
CC7	Oscillation acceleration (m/s²)	0.25	0.10	0.10
CC8	Standstill acceleration (m/s²)	3.50	3.00	4.00
CC9	Acceleration at 80 km/h (m/s²)	1.50	1.20	2.00

분석 시나리오는 LADA, LOS, MPR 세 가지 변수를 조합하여 구성하였다. LOS는 도로용량편람(2013)의 비신호교차로 서비스수준 산정 기준을 적용하였다. LOS 수준 설정은 비신호교차로에서 AV-MV 상호작용 표본을 안정적으로 확보하면서도 LADA에 따른 안전성-이동성 trade-off를 명확히 드러내기 위한 목적으로 결정하였다. LOS A는 교차로 통과 차량 간 교차 상황의 발생 빈도가 매우 낮아 AV-MV 상호작용 표본을 충분히 확보하기 어려우며, LOS F는 과도한 지체와 혼잡으로 인해 정상적인 교차로 통과 거동 자체가 성립하기 어려워 LADA에 따른 거동 차이를 변별하기 어렵다. 이에 AV-MV 상호작용이 원활하게 발생하면서도 분석이 안정적으로 성립할 수 있는 LOS C를 기준으로, 이보다 원활한 조건인 LOS B와 혼잡한 조건인 LOS D를 대비되는 두 조건으로 선정하였다. 각 LOS 조건의 교차로 총 교통량은 도로용량편람(2013)의 비신호교차로 서비스수준 기준에 따라 LOS B는 800 vph, LOS D는 1,600 vph로 설정하였다. 주도로(8차로)와 부도로(2차로)의 차로수 비율을 기반으로 주도로 교통량 비율을 80%로 설정하였으며, 이에 따라 LOS B는 주도로(동·서) 각 방향당 320 vph, 부도로(남·북) 각 방향당 80 vph로, LOS D는 주도로 각 방향당 640 vph, 부도로 각 방향당 160 vph로 배분하였다. 방향별 회전비율은 직진:좌회전:우회전=6:2:2로 설정하였다. 회전비율에 대한 통일된 표준값은 존재하지 않으며, 본 연구에서는 비신호교차로에서 발생할 수 있는 다양한 AV-MV 상충 상황(직진-직진, 좌회전-직진 등)의 표본을 충분히 확보하기 위해 해당 비율을 적용하였다. MPR은 AV 보급 단계에 따른 혼합교통류 환경을 재현하기 위해 10%~90% 범위에서 10% 단위로 9개 수준으로 구성하였다. 시나리오당 10개의 seed로 반복 수행하였으며, 이때 동일한 seed 번호에서는 LADA 조건을 제외한 나머지 요소를 동일하게 유지하여, 추후 LADA 간 비교 시 무작위성에 따른 변동을 제거하고 검정력을 높일 수 있도록 하였다. 이에 따라 총 2×2×9×10=360회의 시뮬레이션을 수행하였다.

전체 시뮬레이션 시간 3,700초 중 초반 100초는 Warm-up 시간으로 제외하였으며, 유효 분석 시간은 3,600초이다. 데이터 수집 간격은 0.1초로 설정하였으며, 차량 ID, 차종, 시뮬레이션 시간, 차량 좌표, 차량 속도 및 가속도 등을 수집하였다. 수집된 데이터의 전처리는 다음과 같이 수행하였다. 먼저 각 차량의 주행 궤적을 직진, 좌회전, 우회전 총 12개 방향으로 분류하고 상충 지점을 식별하였다. 교차 상충의 경우 두 차량의 궤적이 교차하는 지점의 좌표를 상충 지점으로 설정하였으며, 합류 상충의 경우 주행 궤적 양쪽으로 1m씩 버퍼를 적용하여 두 버퍼가 최초로 접촉하는 지점을 상충 지점으로 식별하였다. 버퍼 크기는 두 차량의 궤적이 완전히 교차하기 이전에도 실질적인 상충 위험이 존재함을 고려하여 차량 폭(1.8 m~2.5 m) 및 도심 차로 폭(3.0 m~3.7 m)을 기반으로 결정하였다. 이후 모든 AV-MV pair에 대해 Observed PET≤10초인 pair를 유효 분석 대상으로 선정하고, ePET가 처음으로 10초 이하가 되는 시점을 분석 시작점으로, 한 차량이 상충 지점을 통과 완료하는 시점을 분석 종점으로 설정하였다.

Ⅳ. 분석 결과

1. 시나리오별 PSM score 및 Delay 산출 결과

Ⅲ장에서 제시한 방법론을 적용하여 시나리오별 평균 PSM score와 교차로 Delay를 산출하였다. PSM score와 교차로 Delay 모두 LOS 및 MPR 조건에 따라 다른 양상을 나타냈으며, 이를 통해 LADA에 따른 심리적 안전성과 교차로 이동성 간 trade-off 관계를 정량적으로 확인하였다. 먼저 조건별 PSM score의 기초통계는 <Table 3>에 제시하였으며, PSM score 산출 결과는 <Fig. 11>에 제시하였다. <Table 3>에 제시된 바와 같이 각 시나리오당 평균 유효 AV-MV pair 수는 LOS B에서 약 69~70쌍, LOS D에서 약 272~282쌍의 표본이 확보되었다. 다음으로 <Fig. 11>을 확인했을 때 LOS B 조건에서는 모든 MPR 구간에서 Cautious의 PSM score가 Aggressive보다 높게 나타났으며, 두 LADA의 PSM score는 각각 6.30~6.52, 6.23~6.43 범위로 산출되었다. PSM score 차이는 0.02~0.09 수준으로, 이는 교통량이 적은 LOS B 조건에서 AV-MV 간 교차 상황의 발생 빈도가 낮고 상호작용의 위험도가 낮아 MV 운전자의 심리적 안전성에 미치는 영향이 제한적이기 때문으로 해석된다. LOS D 조건에서는 모든 MPR 구간에서 Cautious의 PSM score가 Aggressive보다 높게 나타났으며, 두 LADA의 PSM score는 각각 6.84~6.99, 6.39~6.63 범위로 산출되어 LOS B 대비 전반적으로 높은 수준을 나타냈다. PSM score 차이는 0.11~0.47 수준으로 LOS B 대비 증가하였으며, 이는 교통 혼잡도가 높은 조건에서 AV-MV 간 상호작용이 더 빈번하게 발생하여 Cautious의 보수적 주행이 MV 운전자의 심리적 안전 확보에 더 크게 기여하기 때문으로 해석된다. LOS D 조건에서 MPR이 증가함에 따라 PSM score 차이가 MPR 10%에서 0.36, MPR 70%에서 0.45로 증가하는 경향이 확인되었다. 결과적으로 LADA, LOS, MPR 관점에서 PSM score 산출 결과를 정리하면 다음과 같다. LADA 관점에서는 모든 LOS 및 MPR 조건에서 Cautious의 PSM score가 Aggressive보다 높게 나타나 보수적 주행이 MV 운전자의 심리적 안전 확보에 유리함을 확인하였다. LOS 관점에서는 LOS D 조건에서 LOS B 대비 PSM score가 전반적으로 높게 나타났으며, 두 전략 간 PSM score 차이도 증가하였다. 이를 통해 교통 혼잡도가 높을수록 자율주행 전략 선택이 심리적 안전성에 미치는 영향이 커짐을 확인하였다. MPR 관점에서는 두 LOS 조건 모두에서 MPR 변화에 따른 PSM score 차이가 크지 않아 AV 혼입률이 심리적 안전성에 미치는 영향은 LOS 및 LADA 조건 대비 상대적으로 제한적인 것으로 나타났다.

<Table 3>

Descriptive statistics of PSM score by LOS and LADA

LOS	LADA	# of scenarios	# of analyzed AV-MV pairs	Mean	Standard Deviation	95% Confidence Interval
B	Aggressive	90	70.4	6.301	0.454	[6.206, 6.396]
B	Cautious	90	69.3	6.386	0.462	[6.289, 6.483]
D	Aggressive	90	281.9	6.507	0.217	[6.462, 6.553]
D	Cautious	90	272.1	6.904	0.204	[6.861, 6.947]

<Fig. 11>

PSM score by LOS

한편 <Fig. 11> 및 <Table 3>에 제시된 바와 같이 PSM score는 모든 시나리오에 걸쳐 6점대의 범위에 집중되는 경향을 보였다. 이러한 현상은 VISSIM 시뮬레이션이 실제 교차로 환경에서 발생할 수 있는 운전 행태, 즉 끼어들기나 신호 무시와 같은 공격적인 행태와 충분한 여유를 두고 정지하여 양보하는 보수적인 행태를 충분히 구현하지 못한다는 점에서 기인한 것으로 판단된다. VISSIM은 일정한 규칙 기반으로 차량 거동을 생성하므로, AV-MV 상호작용 결과가 PSM score의 중간 수준의 분포에 머무르는 경향을 보인 것으로 해석된다.

교차로 Delay 산출 결과는 <Fig. 12>에 제시하였다. LOS B 조건에서는 MPR이 증가할수록 Cautious의 Delay가 MPR 10%일 때 0.73초에서 MPR 90%일 때 1.06초로 지속적으로 증가한 반면, Aggressive의 Delay는 모든 MPR 구간에서 0.68~0.69초로 일정하게 유지되었다. 두 LADA 간 Delay 차이는 MPR 10%에서 0.05초, MPR 90%에서 0.37초로 MPR이 증가할수록 확대되었으며, 이는 보수적 주행 특성으로 인해 AV가 교차 지점 접근 시 속도를 낮추어 교차로 내 차량 흐름을 지체시키고 MPR이 클수록 이러한 영향이 교통류 전반에 누적되기 때문으로 해석된다. LOS D 조건에서도 동일한 경향이 나타났으나 그 차이가 크게 증가하여, Cautious의 Delay는 MPR 10%일 때 1.29초에서 MPR 90%일 때 2.47초로 증가한 반면, Aggressive의 Delay는 1.09~1.17초 범위에서 일정하게 유지되었다. LOS D 조건에서 MPR 90% 기준 두 LADA 간 Delay 차이는 1.38초로, LOS B 조건의 동일 MPR 기준 차이인 0.37초 대비 증가했다. 결과적으로 LADA, LOS, MPR 관점에서 교차로 Delay 산출 결과를 정리하면 다음과 같다. LADA 관점에서는 모든 LOS 및 MPR 조건에서 Aggressive의 Delay가 Cautious보다 낮게 나타나 공격적 주행이 교통류 이동성 측면에서 유리함을 확인하였다. LOS 관점에서는 LOS D 조건에서 LOS B 대비 두 LADA 간 Delay 차이가 크게 증가하여 교통 혼잡도가 높을수록 LADA 선택이 교통류 이동성에 미치는 영향이 커짐을 확인하였다. MPR 관점에서는 Cautious의 Delay가 MPR 증가에 따라 지속적으로 증가한 반면, Aggressive의 Delay는 MPR 변화에 관계없이 일정하게 유지되어 AV 혼입률 증가가 교통류 이동성에 미치는 영향이 LADA에 따라 다르게 나타남을 확인하였다. 한편 도로용량편람 기준상 LOS D는 교통류가 여전히 안정적으로 유지되면서 밀도가 증가하는 수준에 해당한다. 본 연구에서 산출된 LOS D 조건의 교차로 Delay가 1~2초 수준으로 나타난 것은 이러한 LOS D의 정의와 부합하는 결과로 해석된다.

<Fig. 12>

Delay by LOS

2. 시나리오별 최적 LADA 도출

LADA에 따른 PSM score와 교차로 Delay의 변별력을 평가하기 위해 동일 LOS 및 MPR 조건 내 동일 seed로 짝지은 대응표본(paired) t-test를 수행하였으며, p-value 결과는 <Table 4>에 제시하였다(유의수준 5%). PSM score 변별력 평가 결과, LOS B 조건에서는 모든 MPR 구간에서 두 LADA 간 PSM score에 유의한 차이가 나타나지 않았다(p > 0.05). 이는 LOS B 조건에서 LADA에 따른 주행 거동 차이가 MV 운전자의 심리적 안전성에 유의한 영향을 미치지 않음을 의미한다. 반면 LOS D 조건에서는 모든 MPR 구간에서 두 LADA 간 PSM score에 유의한 차이가 확인되었으며(p < 0.05), 모든 MPR 조건에서 Cautious의 PSM score가 Aggressive보다 높게 나타났다. 이는 LOS D 조건에서는 LADA에 따른 주행 거동 차이가 MV 운전자의 심리적 안전성에 통계적으로 유의한 영향을 미친다는 것을 의미한다. 교차로 Delay 변별력 평가 결과, LOS B 및 LOS D의 모든 MPR 구간에서 두 LADA 간 교차로 Delay에 유의한 차이가 확인되었으며(p < 0.05), 모든 조건에서 Aggressive의 Delay가 Cautious보다 낮게 나타났다.

<Table 4>

P-value of t-test results for PSM score and Delay by LADA

Indicator	LOS	MPR (%)
Indicator	LOS	10	20	30	40	50	60	70	80	90
PSM score	B	0.873	0.914	0.640	0.470	0.521	0.481	0.426	0.830	0.716
PSM score	D	0.020	0.001	0.000	0.000	0.000	0.000	0.000	0.000	0.037
Delay	B	0.028	0.002	0.000	0.000	0.000	0.000	0.000	0.000	0.000
Delay	D	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000

본 연구에서는 LOS B 조건의 PSM score에 대해 t-test에 더하여 동등성 검정(equivalence test)을 Two One-Sided Tests (TOST) 방식으로 추가 수행하였다. 이는 단순히 유의성 여부를 확인하는 것에서 나아가, 두 LADA 간 심리적 안전성이 실질적으로 동등한 수준인지를 검증하기 위함이다. 동등성 마진은 선행연구에서 TOST 적용 시 최소 관심 효과크기 기준으로 활용되는 Cohen's d=0.5를 기준으로 설정하였다(Lakens et al., 2018). Cohen's d는 두 그룹 간 평균 차이를 두 그룹의 표준편차로 나눈 표준화된 효과크기 지표로, d=0.5보다 작은 차이는 실질적으로 동등하다고 판단할 수 있는 기준이다. 이를 역산하면 동등성 마진은 d에 표준편차를 곱한 값으로 산출되며, LOS B 조건의 표준편차인 0.458에 d=0.5를 적용하면 동등성 마진 ±0.229가 산출된다. 즉, 두 LADA 간 PSM score 차이가 0.229 이내이면 실질적으로 동등한 수준으로 판단할 수 있다. 동등성 검정은 두 개의 단측검정을 동시에 수행하여 도출된 p를 기준으로 판단한다. p < 0.05이면 두 그룹의 차이가 동등성 마진 이내에 있음이 통계적으로 검증된다. 이는 두 LADA 간 PSM score 평균 차이의 90% 신뢰구간(90% Confidence Interval, CI)이 동등성 마진(±0.229) 범위 내에 포함되는 결과이다. 동일 seed로 짝지은 대응표본을 기준으로 LOS B의 전체 MPR 구간에 대해 동등성 검정을 수행한 결과는 <Table 5>에 제시하였다.

<Table 5>

90% CI and p of equivalence test for PSM score under LOS B

MPR(%)	90% CI lower	90% CI upper	p
10	-0.108	0.211	0.036
20	-0.069	0.123	0.002
30	0.021	0.166	0.004
40	0.022	0.153	0.002
50	0.025	0.178	0.007
60	0.062	0.217	0.032
70	0.054	0.198	0.014
80	-0.067	0.164	0.009
90	-0.066	0.245	0.068

PSM score 및 Delay의 t-test 변별력 평가 결과와 LOS B 조건에 대한 동등성 검정 결과를 종합하여 Ⅲ장의 자율주행 전략 설계 프로세스를 적용한 조건별 최적 자율주행 전략 도출 결과를 <Fig. 13>에 제시하였다. LOS B 조건에서는 t-test 결과 두 LADA 간 PSM score에 유의한 차이가 확인되지 않았으며, 동등성 검정을 통해 MPR 10~80% 구간에서 심리적 안전성이 실질적으로 동등함이 확인되었다. 교차로 Delay에는 유의한 차이가 존재하여 Case 2에 해당하며, 심리적 안전성이 동등하게 확보된 조건 하에서 교통류 이동성이 유리한 Aggressive를 최적 LADA로 채택하였다. MPR 90% 구간에서는 동등성 검정 결과 p=0.068로 동등성이 확인되지 않아 두 LADA 간 심리적 안전성이 동등하다고 판단하기 어렵다. 이는 MPR 90% 조건에서 AV가 교통류의 대부분을 차지함에 따라 AV-MV 상호작용 pair 수가 상대적으로 감소하고, 표본 수 감소로 인해 seed 간 변동성이 증가하게 되면서 90% CI가 동등성 마진(±0.229)을 벗어나게 된 데 따른 것으로 해석된다. 이에 따라 현재 실험 조건에서는 MPR 90% 구간에 본 연구의 프레임워크를 적용하기에는 제한이 있다고 판단하였다. LOS D 조건에서는 LADA 간 PSM score에 유의한 차이가 존재하여 Case 1에 해당하며, 심리적 안전성을 상위 기준으로 하는 계층적 의사결정 구조에 따라 PSM score가 더 높은 Cautious를 최적 LADA로 채택하였다. 종합하면 LOS B 및 LOS D 조건 모두 MPR 10~80% 구간에서 각각 Aggressive와 Cautious가 최적 전략으로 도출되었다.

<Fig. 13>

Optimal LADA by LOS and MPR

Ⅴ. 결 론

본 연구에서는 AV-MV 혼합교통류 환경에서 기존 물리적 안전 지표만으로는 MV 운전자가 경험하는 심리적 불안을 정량적으로 평가하기 어렵다는 한계를 극복하기 위한 방안으로 심리적 안전성을 정량적으로 반영한 평가지표인 PSM을 제시하였다. PSM은 물리적 안전성과 심리적 안전성을 동시에 고려할 수 있는 평가체계를 제공한다. 나아가 AV의 주행 적극성 수준에 따라 MV 운전자의 심리적 안전성과 교통류 이동성 간 trade-off 관계가 형성됨을 확인하고, PSM score와 교차로 Delay를 각각 심리적 안전성과 교통류 이동성의 평가지표로 정의하여 비신호교차로에서의 AV 주행 전략 설계 프로세스를 개발하였다. VISSIM simulation 기반 비신호 4지 교차로에서 LADA, LOS, MPR 조건을 조합한 360개 시나리오를 구성하고 본 연구에서 개발한 프로세스를 적용한 결과, MPR 10~80%일 때 LOS B 조건에서는 LADA Aggressive가, LOS D 조건에서는 LADA Cautious가 최적 주행 전략으로 도출되었다. 이는 교통 혼잡도에 따라 심리적 안전성과 교통류 이동성 간에 의사결정 우선순위가 달라지며, AV가 교통 상황에 따라 동적으로 LADA를 전환할 수 있도록 하는 새로운 개념의 교통관리 전략이 필요함을 시사한다.

본 연구에서 제시한 PSM 기반 자율주행 전략 설계 프로세스는 Vehicle to Infrastructure (V2I) 환경에서의 실시간 주행 전략 전환 시스템으로의 적용 가능성을 평가하였다는 측면에서 학술적 의의가 있다. 비신호교차로 인프라가 실시간으로 교통량 및 MPR 정보를 수집하여 LOS 및 MPR 수준을 판단하고, 해당 정보를 AV에 전달하여 프로세스에 따라 최적 LADA를 선택함으로써 MV 운전자의 심리적 안전성과 교통류 이동성을 동시에 고려한 실시간 자율주행 전략 운용이 가능하다. 이는 향후 V2I 인프라가 구축된 비신호교차로 환경에서 AV의 주행 전략을 교통 조건에 따라 동적으로 제어하는 시스템 설계의 기초 자료로 활용될 수 있다.

본 연구의 학술적 기여도와 유용한 시사점들을 바탕으로 새로운 교통관리 시스템을 제안한 것은 유의미한 것으로 판단된다. 그러나 다음과 같은 한계와 향후 추가 연구가 필요하다. 분석 대상이 횡성 PG 4지 비신호교차로에 한정되어 있어 다양한 교차로 유형 및 교통 조건으로의 적용 가능성을 추가적으로 검토할 필요가 있다. 본 연구에서 PSM 산출의 핵심 기준이 되는 ePET 임계값(2.7초)은 단일 선행연구(Kim et al., 2025)의 결과에 근거하고 있어, 향후 연구에서는 다양한 운전자 특성 군을 반영한 민감도 분석을 통해 PSM 프레임워크의 일반화 가능성을 검증할 필요가 있다. 또한 본 연구는 MV 운전자의 심리적 안전성에 초점을 두었으나, 혼합교통류 환경에서는 AV 탑승자의 심리적 안전성 또한 고려될 필요가 있으며, 향후 AV 탑승자 관점의 심리적 안전 지표를 도입하여 분석을 고도화할 필요가 있다. PSM score는 모든 시나리오에 걸쳐 산출값이 6점대에 집중되어 지표의 실질적인 변별 범위가 제한적임을 확인하였다. 이는 VISSIM 시뮬레이션이 실제 도로 환경의 운전 행태를 충분히 구현하지 못하는 데 따른 현상인지, PSM score 산출 방식의 특성인지는 현재로서는 단정하기 어렵다. 동등성 검정 결과 LOS B 조건의 MPR 90% 구간에서 통계적 동등성이 확인되지 않은 것도 동일한 맥락에서, 현재 실험 설계 범위 내에서 원인을 명확히 규명하기 어려운 한계가 있다. 따라서 향후 연구에서는 분석 대상 교차로 유형, MPR 조건, LOS 수준, LADA 세분화(More Cautious, Moderate, More Aggressive 등), 기상조건 및 도로 기하구조 등 다양한 조건으로 분석을 확장함으로써 이러한 한계를 보완하고 본 연구의 프레임워크를 실제 자율주행 제어전략으로 발전시키는 후속 연구가 요구된다.

ACKNOWLEDGEMENTS

본 연구는 정부(경찰청)의 재원 및 과학치안진흥센터의 지원으로 수행하였습니다. (과제명: 실도로 기반 Lv.4 자율주행차량 운전능력 평가기술 개발 / 과제번호: RS-2023-00238253)

Figure

<Fig. 1>.

Overall research procedure

<Fig. 2a>.