Ⅰ. 서 론
1.1 연구 배경 및 문제 정의
기존 사고조사는 운전자와 목격자 진술, 블랙박스 영상, EDR(Event Data Recorder) 기록 등을 종합적으로 검토하여 사고 원인을 추론하는 방식으로 수행되어 왔다. 그러나 자율주행 기술의 발전과 도입이 확대됨에 따라, 기존 사고조사 방식만으로는 사고 당시의 시스템 작동 상태와 제어 주체를 충분히 규명하기 어렵다는 한계가 제기되고 있다. SAE J3016이 정의하는 Level 3 이상의 자율주행차량에서는 자율주행 시스템이 동적 주행 임무를 직접 수행하므로, 사고 당시 어떤 자율주행 기능이 활성화되었는지, 운전자에게 제어권 전환 요청이 있었는지, 시스템이 어떠한 판단 및 행동을 취하였는지 등에 대한 데이터 기반의 답변이 책임 판정의 핵심이 된다(SAE International, 2021b). 이러한 필요성에 대응하여 UNECE WP.29는 ALKS(Automated Lane Keeping System)를 대상으로 UN Regulation No.157(UN R157)을 채택하였다. 해당 규정은 ALKS 탑재 차량에 DSSAD(Data Storage System for Automated Driving) 장착을 요구하고, 데이터 검색 가능성과 무결성 자체 검증, 저장 데이터 조작 방지 요건을 만족해야 함을 명시하였다(UNECE, 2021). DSSAD는 자율주행 시스템과 운전자 간의 제어권 전이 여부를 확인하고, 사고 당시 주행 주체 및 시스템 상태를 객관적으로 분석하기 위한 핵심 사고조사 기록 장치로 활용될 수 있다.
그러나 DSSAD 이벤트 기록은 사고조사 관점에서 구조적인 한계를 가진다. DSSAD 데이터는 자율주행 시스템의 활성화, 운전자 개입, 전환 요청, 충돌 감지 등 차량 내부의 상태 전이 및 시스템-운전자 간 상호작용을 중심으로 기록되므로, 특정 이벤트의 발생 시각과 당시 자율주행 시스템의 작동 상태를 확인하는 데 유용하다. 반면, 이벤트 발생 시점에 선행 차량, 보행자, 도로 공사와 같은 주변 객체 및 도로 이벤트의 존재 여부와 ego 차량 기준 상대 위치 정보는 DSSAD 기록과 체계적으로 연결되지 않는다(Kim et al., 2022;Böhm et al., 2020). SAE J3197 또한 Level 3 이상의 차량 사고조사에서 카메라, LiDAR, Radar 등의 센서 기반 주변 인식 정보가 사고 배경을 파악하는 데 필요한 정보임을 설명한다(SAE International, 2021a). 따라서 DSSAD 단독 기록만으로는 이벤트 발생 시점의 외부 상황을 함께 고려한 사고 맥락 해석이 제한적이며, 사고조사 관점에서 DSSAD 이벤트와 주변 상황 정보를 동일 시점 기준으로 결합한 사건 중심 기록 단위가 필요하다.
LDM(Local Dynamic Map)은 이러한 한계를 보완할 수 있는 개념적 기반을 제공한다. ETSI EN 302 895는 ITS-S(Intelligent Transport Systems Station) 내부에서 주변 객체와 도로 이벤트 정보를 관리하고, 이를 ITS 애플리케이션에 제공하기 위한 LDM 개념을 정의한다. LDM은 차량 주변의 교통 상황 정보를 차량 내부에서 동적으로 관리하기 위한 개념이다. 예를 들어 주변 차량, 보행자, 장애물과 같은 객체 정보를 시간 및 위치 정보와 함께 저장하고, 필요한 애플리케이션이 특정 범위 내 객체만 조회할 수 있도록 제공한다. ETSI EN 302 895는 이러한 LDM 개념과 관련하여 LDM 객체의 시간적 유효성을 의미하는 time validity, 객체 정보를 유지하는 지리적 범위인 AoM(Area of Maintenance), LDM 데이터를 요청하는 애플리케이션 또는 서비스가 조회 범위로 지정하는 AoI(Area of Interest)를 주요 개념으로 제시한다(ETSI, 2014). 기존의 LDM 관련 연구는 실시간 상황 인식 혹은 저지연 협력 주행 등에 주로 초점을 맞춰 왔으며, 사고 발생 시 LDM 데이터를 사고 원인 규명 및 증거 확보에 활용하기 위한 논의는 충분히 이루어지지 않았다(Eiter et al., 2019;García et al., 2022;Taddei et al., 2024;Risma Carletti et al., 2024).
따라서 본 논문에서는 DSSAD에 기록되는 자율주행 시스템 작동 상태, 운전자 개입 여부, 이벤트 발생 시각 및 트리거 정보와 LDM에 유지되는 주변 객체 정보를 이벤트 단위로 결합하여 사고 분석에 활용할 수 있도록 패키지화하는 구조를 제안하고, 실주행 로그 기반 구현 및 검증을 수행함으로써 제안 구조의 적용 가능성과 실효성을 확인하고자 한다.
1.2 연구 목적 및 기여
본 연구의 목적은 DSSAD 이벤트 기록만으로는 이벤트 발생 당시의 주변 객체와 도로 상황을 충분히 설명하기 어렵다는 한계를 보완하기 위해, LDM 객체 정보를 결합한 이벤트 패키지 구조를 설계 및 구현하고, 이를 실주행 데이터를 기반으로 검증하는 것이다. 이를 위해 실차 주행 로그를 시간순으로 재생하고, Advanced Driver Assistance Systems(ADAS) 상태 신호를 기반으로 하여 UN R157의 DSSAD 이벤트 취지에 대응되는 이벤트를 운용 정의 방식으로 판정하였다. 또한, 이벤트 발생 시점의 ego 차량 위치를 기준으로 time validity와 AoI 조건을 만족하는 LDM 객체를 스냅샷 형태로 조회한 뒤, 이를 DSSAD 이벤트 기록과 결합하였다. 본 연구에서의 LDM 스냅샷은 LDM에 저장되는 ego 차량, 선행 차량, 보행자, 도로 이벤트 등의 객체 정보를 이벤트 발생 시점에 조회한 결과로 정의된다. 본 연구의 기여는 다음과 같다.
-
이벤트 시점 LDM 스냅샷 조회 구조 설계: ETSI EN 302 895의 LDM 개념을 참조하여 ego, 선행 차량, 보행자, 도로 이벤트 객체를 포함하는 로컬 동적 저장소를 구성함. 이벤트 발생 시각과 ego 위치를 기준으로 time validity, AoI 조건을 적용함으로써, 이벤트 발생 시점에 유효한 LDM 객체 집합을 스냅샷 형태로 조회하는 구조를 설계함
-
DSSAD-LDM 이벤트 패키지 구조 제안: DSSAD 이벤트 기록과 이벤트 시점의 LDM 스냅샷을 결합한 DSSAD-LDM 이벤트 패키지 구조를 설계함. 제안 구조는 이벤트 식별 정보, 이벤트 유형, 차량 정보, ADS 상태, ego 차량 상태, 이벤트 트리거, LDM 스냅샷, SHA-256 기반 해시값을 하나의 이벤트 단위 데이터로 구성함. 이를 통해 DSSAD 이벤트 기록이 이벤트 발생 당시 주변 객체 및 도로 이벤트 정보와 함께 해석될 수 있도록 함
-
PoC 구성 및 검증 결과 제시: 실차 주행 로그 및 보강 시나리오를 활용한 DSSAD-LDM 이벤트 패키지 생성 PoC를 구현함. 생성된 35건의 이벤트 패키지를 대상으로 필수 필드 포함 여부, LDM 스냅샷 포함 여부, 미래 시점 객체 미포함 여부, 이벤트 시점 객체 유효성, SHA-256 해시 재계산 일치성을 검증함. 검증 결과, 모든 이벤트 패키지가 DSSAD 이벤트 기록 및 LDM 스냅샷을 포함하였으며, 전체 패키지에 대한 해시 재계산 결과가 저장된 해시값과 일치함을 확인함
Ⅱ. 배경지식 및 선행 연구
2.1 DSSAD 기록 체계 및 규제 배경
DSSAD는 자율주행 중 차량 제어권과 시스템 상태를 사고 이후에 재구성하기 위한 핵심 기록 장치이다(UNECE, 2019). UN R157은 ALKS 차량을 대상으로 DSSAD를 정의하며, DSSAD가 ALKS와 운전자 간 상호작용을 판단할 수 있도록 하는 장치임을 명시한다. 또한 형식 승인 과정에서 DSSAD에 대하여 데이터 검색 가능성, 데이터 무결성 자체 검증, 저장 데이터 조작 방지의 세 가지 기능 요건을 요구하며, 이는 DSSAD가 자율주행차 사고조사 시 포렌식 수준의 증거 데이터로 활용될 수 있음을 의미한다.
UN R157에서 요구하는 DSSAD 필수 기록 이벤트는 ALKS 활성화/비활성화, 전환 요청, 운전자 개입 여부, 비상 기동 시작/종료, EDR 트리거 입력, 충돌 감지, MRM(Minimum Risk Manoeuvre) 시동, 심각한 시스템/차량 고장 등의 항목으로 구성된다. 각 이벤트에는 발생 이유와 날짜(YYYY/MM/DD), 타임스탬프(HH/MM/SS, 정확도 ±1.0초)가 함께 기록되어야 한다(UNECE, 2021). 이러한 이벤트들은 사고 시점 전후에 자율주행 시스템이 주행을 담당했는지, 시스템이 최소 위험 기동으로 전환했는지, 운전자가 제어권을 회수했는지 등을 확인하기 위한 핵심 단서가 된다. 따라서 DSSAD는 사고 당시의 주행 제어 주체와 자율주행 시스템의 상태 전이를 설명하는 데 적합한 기록 체계라고 할 수 있다.
그러나 DSSAD의 기록 범위는 기본적으로 차량 내부 자율주행 상태와 운전자, 시스템 간의 상호작용에 초점을 둔다. 즉, DSSAD는 이벤트 당시의 주변 차량이나 보행자, 도로 공사 등과 같은 주변 주행 상황 정보를 이벤트 기록 내부에 포함하는 구조가 아니다. 사고조사에서는 주변 교통 객체 및 도로 이벤트의 존재 여부가 함께 고려되어야 하므로, DSSAD 이벤트 기록에 외부 주행 상황 정보를 결합하는 구조가 필요하다.
현재 DSSAD가 탑재된 Level 3 차량의 상용화는 진행되고 있다. Mercedes-Benz의 DRIVE PILOT은 2021년 KBA1)로부터 공공 도로 운행 승인을 받은 최초의 상용 Level 3 ALKS 시스템이다(Mercedes-Benz Group, 2021). Honda의 SENSING Elite는 2020년 MLIT2)로부터 형식 지정을 받아, 유럽 외의 국가에서 최초로 인증된 Level 3 시스템이다(Honda Motor Co., 2020). 두 시스템은 독자적인 OEM 백엔드 인프라에서 DSSAD 데이터를 관리하고 있으며, 연구 목적으로 자유롭게 활용할 수 있는 DSSAD 환경은 아직까지 마련되어 있지 않다.
2.2 LDM 개념 및 표준
LDM은 ETSI EN 302 895에 의해 협력형 ITS를 위한 핵심 시설 계층 구성 요소로 정의되는 ITS-S 내부의 개념적인 데이터 저장소이며(ETSI, 2014), 주변 차량과 같은 이동 객체뿐 아니라 교통 표지, 도로 이벤트, 장애물과 같은 정적 혹은 반정적 객체 정보도 관리할 수 있다. LDM이 유지하는 데이터는 시간적 지속성 및 갱신 특성에 따라 <Fig. 1>과 같이 네 개의 계층으로 분류된다.
LDM의 핵심은 time validity를 만족하는 주변 객체 정보를 AoI에 따라 LDM 데이터 소비자에게 제공하는 것이다. LDM에는 객체를 등록 및 갱신하는 주체인 데이터 제공자와, AoI 및 필터 조건을 지정하여 객체 집합을 조회 및 구독하는 주체인 데이터 소비자가 존재한다. 데이터 제공자는 차량 센서, Global Positioning System(GPS), 협력형 ITS 메시지 수신기 등으로부터 수집된 객체 정보를 LDM에 등록한다. 데이터 소비자는 경로 계획 모듈, 사고 기록 모듈, 위험 판단 모듈 등으로 구성될 수 있다.
LDM에서 중요한 공간적 개념은 AoM과 AoI이다. AoM은 LDM이 객체 정보를 유지하는 지리적 관리 영역으로, 일반적으로 host ITS-S의 현재 위치를 중심으로 정의된다. AoI는 데이터 소비자가 조회 시 지정하는 관심 영역을 뜻하며, 특정 기능 또는 이벤트에 필요한 객체를 선별적으로 조회하기 위하여 설정하는 범위이다. 따라서 AoI는 AoM 내부에서 특정한 목적에 따라 설정되는 부분 영역이라고 해석된다.
LDM에 등록되는 모든 객체는 time validity를 가진다. 이동 차량이나 보행자와 같이 위치가 빠르게 변화하는 객체는 짧은 time validity를 가지며, 도로 공사나 장애물과 같은 도로 이벤트는 상대적으로 긴 time validity를 가질 수 있다. 등록 시각으로부터 time validity가 경과하면 해당 객체는 무효화된다.
LDM에 객체 정보를 공급하는 대표적인 V2X 메시지로는 Cooperative Awareness Message(CAM)와 Decentralized Environmental Notification Message(DENM)가 있다. CAM은 ITS-S 간의 상호 인지를 생성 및 유지하기 위해 주기적으로 교환되는 메시지로, 송신 ITS-S의 상태 및 속성 정보를 포함한다. ETSI EN 302 637-2는 CAM의 구문, 의미, 메시지 처리 방식을 규정한다. CAM은 차량의 위치, 속도, 가속도, 방향, 차량 크기, 차량 유형과 같은 차량의 운동학적 상태 및 차종 정보를 포함하여 1~10Hz 주파수로 방송되며, LDM에서는 주변 차량과 같은 이동 객체를 갱신하기 위한 입력으로 활용될 수 있다(ETSI, 2019a). DENM은 도로 위험 또는 비정상적인 교통 상황이 감지되었을 때 생성되는 이벤트 기반의 V2X 메시지로, 도로 이벤트의 원인 코드, 이벤트 위치 및 지속 시간 정보를 포함할 수 있다. ETSI EN 302 637-3은 DENM의 구문, 의미, 프로토콜 처리 방식을 규정한다(ETSI, 2019b).
2.3 선행 연구
1) DSSAD 및 사고조사 데이터 연구
DSSAD 및 Automated Driving System(ADS) 데이터 기록에 대한 기존 관련 연구는 자율주행차에 어떤 데이터를 저장해야 하는지, 기존의 EDR과 비교하여 저장 요구사항이 어떻게 달라져야 하는지, 사고 재구성에 필요한 데이터 요소가 무엇인지에 주로 초점을 맞추어왔으며, 자동차 디지털 포렌식 연구는 차량 데이터가 사고조사에서 신뢰성 있는 증거로 활용되기 위해 어떤 구조를 가져야 하는지 논의되어 왔다.
Kim et al.(2022)은 UN R157 및 UN R160의 요구사항을 분석하여, ADS 시대의 데이터 저장 요구사항이 기존 EDR보다 훨씬 커질 수 있음을 제시하였다. 해당 연구는 DSSAD 및 EDR의 규제적인 요구를 비교하고, 저장 용량 및 사이버보안 요구사항을 논의했다는 점에서 의미가 있다.
Böhm et al.(2020)은 자율주행차 사고 재구성을 위한 기존의 EDR 데이터 모델 확장 필요성을 제시하며, 비디오 및 객체 수준의 데이터 캡처를 포함하는 방식을 적용한 AHEAD 데이터 모델을 제안하였다.
Strandberg et al.(2023)은 UN R155 및 ISO 21434를 포함한 규정이 포렌식 안전성과 변조 방지, 보안 관련 이벤트의 안전한 로깅에 대한 세부적인 정보를 제공하지 않는다고 주장하며, 자동차 포렌식 표준화를 위한 요구사항을 식별하고 포렌식 기능 차량을 설계하기 위한 Automotive Black-Box 구조를 제안하였다.
Ten Holter et al.(2024)은 안전성과 책임성, 공공 신뢰를 확보하기 위해 존재하는 자율주행차 데이터 기록 장치에 대해 윤리적/법적/실무적인 문제점이 함께 고려되어야 한다고 지적하였다. 이러한 논의는 DSSAD 및 ADS 데이터 기록이 단순 기록 문제가 아닌 사고조사 제도와 연결된 문제임을 보인다.
2) LDM 연구
Eiter et al.(2019)은 표현력 및 질의 기능 확장을 위해 온톨로지와 공간 스트림 데이터베이스를 통합한 의미론적 LDM을 제안하였다. 이 연구는 LDM이 단순한 객체 저장소를 넘어, 의미 기반 추론 및 표현력 있는 질의를 지원할 수 있음을 보였다는 점에서 의의가 있다.
García et al.(2022)은 그래프 데이터베이스와 공통 데이터 형식을 이용한 상호운용형 그래프 기반 iLDM을 구현하였다. 이를 통해 LDM 내 객체와 정보원을 노드와 관계로 구성하여, 다양한 데이터 소스의 통합과 객체 간의 연관성 표현을 하나의 구조 내에서 처리할 수 있음을 보였다.
Taddei et al.(2024)은 표준 LDM에 검출 및 예측 계층을 추가한 확장형 LDM 구조를 제안하였다. 이 연구는 협력 인식을 활용하여 자율주행차의 주변 환경 인식 능력을 향상시키는 데 초점을 두었으며, 이는 LDM이 자율주행 시스템의 실시간 의사 결정 및 인식 성능 향상에 활용될 수 있음을 보여준다.
Risma Carletti et al.(2024)은 5G 및 모바일 엣지 컴퓨팅 기반의 서버 LDM을 제안하였으며, 이는 LDM 개념이 차량 내부의 로컬 저장소를 넘어 인프라 및 엣지 환경으로 확장될 수 있음을 보여준다.
2.4 연구 차별성
본 연구는 DSSAD 기록의 해석 가능성을 보강하는 이벤트 단위 결합 구조를 제안하는 데 초점을 둔다. 기존 DSSAD 및 ADS 데이터 기록 연구는 사고조사를 위한 데이터 요소, 저장 용량, 회수 가능성 및 보안 요구사항을 다루어 왔으며, 자동차 포렌식 연구는 차량 데이터의 수집 및 보존, 증거성 확보 및 접근 통제를 중심으로 발전해 왔다. 그러나 DSSAD 기록을 주변 교통 상황 정보와 연계하여 해석하는 구조는 충분히 제시되지 않았다. 또한 본 연구는 LDM을 실시간 주행 판단을 위한 운영 데이터베이스에 한정하지 않고, 이벤트 시점의 주변 객체 및 도로 이벤트 정보를 제공하는 사고조사 보조 데이터 계층으로 재해석한다. 기존 LDM 연구는 센서·V2X 정보 통합, 협력 인식 및 주변 교통 정보 제공 등 주행 중 인식과 의사결정 지원을 중심으로 수행되어 왔으나, 특정 시점의 LDM 정보를 DSSAD 기록과 결합하여 사고 이후 분석에 활용하는 접근은 충분히 다루어지지 않았다. 이에 본 연구는 DSSAD 기록과 LDM 스냅샷을 이벤트 패키지로 결합하여 사고조사 시 차량 내·외부 정보를 통합적으로 해석하는 구조를 제안함으로써 기존 연구와 차별성을 지닌다.
Ⅲ. DSSAD-LDM 이벤트 패키지 설계
3.1 설계 개요 및 요구사항
본 연구의 설계 목표는 DSSAD 이벤트 발생 시점의 차량 내부 상태와 LDM을 통해 조회되는 차량 주변 객체 정보를 동일 시점 기준으로 결합하여 하나의 DSSAD-LDM 이벤트 패키지로 기록하는 것이다. 여기서 DSSAD-LDM 이벤트 패키지는 DSSAD 이벤트 기록과 LDM 스냅샷을 결합한 사건 단위의 기록을 의미한다. 이를 통해 사고조사자는 하나의 이벤트 패키지 안에서 자율주행 시스템의 상태, ego 차량의 주행 상태, 이벤트 발생 트리거, 주변 객체 및 도로 이벤트 정보를 함께 확인할 수 있다. 본 연구에서 제안하는 사건 단위 기록 구조는 <Fig. 2>와 같이 네 개의 논리 계층으로 구성된다.
-
입력 계층: ego 차량의 상태 신호, 위치 정보, 차량 메타데이터를 제공함
-
DSSAD 이벤트 기록 계층: 이벤트 유형, 발생 시각, ADS 상태, ego 차량 상태, 이벤트 트리거를 포함하는 DSSAD 이벤트 기록을 구성함
-
LDM 스냅샷 계층: 이벤트 발생 시각 및 ego 차량 위치를 기준으로 time validity와 AoI 조건을 만족하는 차량 주변 객체 및 도로 이벤트 정보를 조회함
-
DSSAD-LDM 이벤트 패키지 생성 계층: DSSAD 이벤트 기록과 LDM 스냅샷을 결합한 뒤, 저장 이후 변경 여부 확인을 위한 SHA-256 기반 해시값을 포함하여 JSONL 형식의 이벤트 패키지로 저장함
제안하는 이벤트 패키지 구조가 만족해야 하는 설계 요구사항은 다음과 같다. 첫째, DSSAD 이벤트 기록과 LDM 스냅샷은 동일한 이벤트 시각을 기준으로 결합되어야 한다. 둘째, LDM 스냅샷에 포함되는 각 객체 정보는 이벤트 발생 시각을 기준으로 time validity 조건을 충족해야 한다. 즉, 이벤트 발생 이후 생성 또는 갱신되었거나, 이벤트 시점에 이미 유효 시간이 만료된 객체 정보는 제외해야 한다. 셋째, LDM 스냅샷에는 이벤트가 발생한 위치를 기준으로 설정한 AoI 안의 객체만 포함되어야 한다. 넷째, 조사자가 하나의 이벤트 패키지 안에서 이벤트의 유형과 차량 상태, 이벤트 트리거, 주변 객체 및 도로 이벤트 정보를 함께 확인할 수 있어야 한다. 다섯째, 저장된 이벤트 패키지가 사후에 변경되었는지 확인할 수 있어야 한다.
3.2 이벤트 시점 정렬 및 데이터 결합
DSSAD-LDM 이벤트 패키지 생성을 위해서는 DSSAD 이벤트가 발생한 시점의 차량 상태 정보와 LDM 스냅샷 조회에 사용되는 ego 차량 위치 정보가 동일한 시간 기준으로 결합되어야 한다. 그러나 실제 차량 시스템에서 CAN 기반 차량 상태 정보와 GPS 기반 ego 차량 위치 정보는 서로 다른 갱신 주기와 기록 시점을 가질 수 있으므로, 본 연구에서는 각 입력 데이터의 타임스탬프를 밀리초 단위의 공통 시간축으로 정렬하였다. 이후 DSSAD 이벤트 발생 시각을 기준으로, 해당 시각 이전 또는 동일 시각에 기록된 최신 차량 상태 정보와 ego 차량 위치 정보를 선택하여 이벤트 시점 상태를 구성하였다. 이는 이벤트 발생 이후 정보가 사건 시점 정보로 포함되는 것을 방지하기 위한 직전 유효 샘플 유지 방식이며, 본 연구에서는 별도의 선형 보간이나 위치 보정은 수행하지 않았다. 이벤트 시점 상태는 DSSAD 이벤트 발생 시점에 참조되는 차량 내부 상태 정보와 ego 차량 위치 정보의 집합을 의미한다. 이와 같이 도출된 시간 기준 정보는 DSSAD 이벤트 기록 구성과 LDM 스냅샷 조회의 기준 입력으로 사용된다. <Fig. 3>은 이러한 이벤트 시점 정렬 및 데이터 결합 구조를 나타낸다.
3.3 LDM 기반 스냅샷 조회
본 연구에서 이벤트 패키지 생성 모듈은 DSSAD 이벤트 기록 및 LDM 스냅샷을 동일 이벤트 시각 기준으로 결합하는 논리적 구성 요소로 정의한다. DSSAD 이벤트가 기록되면 이벤트 패키지 생성 모듈은 해당 이벤트 발생 시각과 ego 차량의 위치를 기준으로 LDM에 스냅샷을 요청하며, LDM은 요청된 시점에 time validity를 만족하고 AoI 안에 위치한 객체의 스냅샷 데이터를 반환한다.
LDM 스냅샷에 포함되는 객체의 정보는 객체 식별자, 유형, 위치, 갱신 시각, time validity, 속성 정보이다. 객체별 time validity는 해당 객체 정보가 이벤트 발생 시점에 유효한 정보로 취급될 수 있는 기간을 의미한다. 예를 들어, 주변 차량이나 보행자와 같이 위치가 빠르게 변하는 동적 객체는 짧은 유효 시간을 갖고, 도로 공사와 같은 도로 이벤트 객체는 상대적으로 긴 유효 시간을 가질 수 있다. LDM 스냅샷 객체의 갱신 시각은 DSSAD 이벤트 발생 시각보다 늦을 수 없고, 객체 정보는 이벤트 발생 시점에 유효 시간이 만료되지 않은 상태여야 하며, ego 차량 위치를 중심으로 설정한 AoI 안에 위치해야 한다.
여기서 는 DSSAD 이벤트 발생 시각, 는 LDM 객체의 마지막 갱신 시각, 는 해당 객체 정보가 유효한 시간, 는 이벤트 시점의 AoI 반경을 의미한다. 식 (1)은 이벤트 이후 생성 또는 갱신된 객체 정보가 스냅샷에 포함되는 것을 방지하며, 식 (2)는 객체별로 설정된 time validity를 기준으로 이벤트 시점에 이미 유효 시간이 만료된 객체 정보를 제외한다. 식 (3)은 이벤트 발생 위치 주변의 관련 객체만 포함하기 위한 공간 조건이다.
3.4 이벤트 패키지 데이터 구조 및 해석 가능성
DSSAD-LDM 이벤트 패키지는 DSSAD 이벤트 기록과 LDM 스냅샷을 결합한 이벤트 단위의 JSONL 형식 데이터로 정의한다. 각 이벤트 패키지는 이벤트 식별 정보, 차량 정보, ADS 상태, ego 차량 상태, 이벤트 트리거, LDM 스냅샷, SHA-256 기반 해시값으로 구성되며, <Table 1>은 제안하는 DSSAD-LDM 이벤트 패키지의 논리적 필드 구성을 나타낸다. 해당 필드는 DSSAD 이벤트 기록 및 LDM 스냅샷을 이벤트 단위로 결합하기 위해 본 연구에서 설계한 패키지 구성 요소이다. event_hash_sha256은 DSSAD-LDM 이벤트 패키지의 사후 변경 여부를 확인하기 위한 값으로, 해시 계산 시에는 자기 참조 문제를 방지하기 위해 event_hash_sha256 필드를 제외한 나머지를 canonical JSON 형태로 직렬화한 후 SHA-256 알고리즘을 적용하여 산출한다(NIST, 2015). 이후 검증 단계에서는 동일한 방식으로 해시값을 재계산하고, 이를 패키지에 저장되어 있는 해시값과 비교하여 저장 이후 이벤트 패키지의 변경 여부를 확인한다.
<Table 1>
Field Structure of the Proposed DSSAD-LDM Event Package
| Field | Description | Representative Fields or Examples |
|---|---|---|
| event_id | Unique event identifier | UUID or event-based ID |
| event_type | DSSAD event type | ADS_ENGAGED, TIMEOUT, COLLISION_DETECTED |
| event_time | Human-readable event time | UTC timestamp |
| event_time_ms | Event time in milliseconds | Unix epoch ms |
| vehicle | Vehicle metadata | manufacturer, model, year, fuelType, displacement |
| ads_state | ADS-related state | ADS mode, automation status, system state |
| ego_state | Ego vehicle state | position, speed, motion state, driver input |
| trigger | Event decision evidence | trigger reason, decision evidence |
| ldm_snapshot | Event-time LDM snapshot | query center, radius, query time, objects, count |
| event_hash_sha256 | Package hash | SHA-256 over package contents |
Ⅳ. 실험 및 검증
본 장에서는 3장에서 제안한 DSSAD-LDM 이벤트 패키지 구조를 연구용 PoC 환경에서 구현한 뒤, 생성 및 검증 결과를 분석한다. 실제 형식 승인 차량의 DSSAD 출력 데이터에 직접 접근하기 어려운 상황을 고려하여, 본 연구에서는 실차(Genesis GV80) 주행 로그를 기반으로 DSSAD 이벤트를 생성하고, 이벤트 발생 시점의 LDM 스냅샷을 결합하여 JSONL 형식의 DSSAD-LDM 이벤트 패키지를 구성하였다. 실주행 중 직접 재현하기 어려운 희소 이벤트는 보강 시나리오로 추가하여, 다양한 DSSAD 이벤트 유형에 대한 제안 구조의 동작 일관성을 확인하였다. 검증은 이벤트 패키지 생성 절차의 정상 수행 여부, 이벤트 시점 LDM 스냅샷의 유효성, 저장된 패키지의 해시 재계산 일치성을 중심으로 수행하였다.
4.1 PoC 실험 환경 및 데이터셋
1) 연구용 PoC 환경 개요
본 연구의 PoC 실험 환경은 실차 데이터 취득부와 이벤트 패키지 생성부로 구분된다. 실차 데이터 취득부는 ESP32 기반 Controller Area Network(CAN) 데이터 취득 모듈과 Raspberry Pi 4 기반 로깅 장치로 구성된다. CAN 데이터 취득 모듈은 차량의 OBD-II 포트에 연결되어 CAN 데이터를 수집한 뒤, 로깅 장치로 전송하는 역할을 수행한다. 이때 CAN 데이터 취득 모듈의 수집 대상 정보는 속도, RPM, 브레이크, 엑셀, LKAS, ACC 상태 등 차량 및 ADAS 관련 신호를 포함한다. 데이터 취득이 완료된 후에는 로깅 장치가 저장된 실주행 로그를 재생하며 DSSAD-LDM 이벤트 패키지 생성 및 저장을 수행한다. <Fig. 4>는 실차 주행 중 차량 신호가 취득되어 로깅 장치에 저장된 후, 이벤트 패키지 생성 입력 데이터셋을 구성하는 흐름을 나타낸다. 단, 본 연구의 검증 범위는 이벤트 패키지 생성 절차의 동작 확인에 있으며, 실차-장치 간 무선 전송 경로 자체의 성능이나 신뢰성 평가는 포함하지 않는다. <Table 2>는 본 연구의 PoC 구현 환경을 구성하는 주요 요소 및 각 요소의 역할을 정리한 표이다.
<Table 2>
PoC Implementation Environment
| Layer | Component | Role |
|---|---|---|
| Vehicle | Genesis GV80 | Source vehicle for real-driving logs |
| Signal acquisition | ESP32-based OBD-II/CAN module | Acquires vehicle and ADAS-related signals |
| Logging / Replay | Raspberry Pi 4 | Stores driving logs and executes the replay pipeline |
| LDM Local Store | In-memory dynamic store | Maintains ego and research-purpose LDM objects |
| Output | dssad_events.jsonl | Stores DSSAD-LDM event packages in JSONL format |
2) 실주행 데이터셋 및 보강 시나리오
본 PoC 구현에서는 3장에서 제안한 입력 계층을 실차 주행 중 취득된 로그 데이터로 대응시켜 구성하였다. ego 차량 위치 정보는 gps_log.json, 차량 상태 정보는 sensors.json, 차량 메타데이터는 vehicle_info.json을 통해 제공되도록 하였으며, 이 파일들은 DSSAD-LDM 이벤트 패키지 생성 절차의 입력 데이터로 사용된다.
gps_log.json은 타임스탬프 기반 ego 차량의 위치 정보를 포함하며, LDM 스냅샷 조회의 위치 기준 및 주행 궤적 시각화에 사용된다. sensors.json은 DSSAD 이벤트 생성과 ego/ADS 상태 기록에 사용되며, ACC, LKAS, brake, accel, speed, rpm 신호의 타임스탬프 기반 시계열 데이터를 포함한다. vehicle_info.json은 실험 대상 차량의 제조사, 모델, 연식, 연료 유형, 배기량 등의 차량 메타데이터를 포함하며, 이벤트 패키지의 차량 정보 필드에 반영된다. 실주행 로그는 한국 표준시 기준 2024년 10월 22일 14:35:32.045부터 14:53:14.611까지 약 17.71분 동안의 주행 구간을 포함한다. scenario_coverage.json은 실주행 로그만으로 관측되지 않은 이벤트 유형에 대한 기능 검증 입력으로 사용되었다. 해당 시나리오는 실제 충돌 또는 시스템 고장을 의미하지 않으며, 이벤트 패키지 저장 절차가 모든 이벤트 유형에 대해 일관되게 수행되는지를 확인하기 위함이다.
4.2 실주행 로그 기반 DSSAD 이벤트 생성 방법
본 연구의 PoC 구현에서는 실차 주행 로그에 포함된 차량 상태 및 ADAS 관련 신호를 이용하여 UN R157의 DSSAD 기록 취지에 대응되는 이벤트를 생성하였다. 여기서 연구용 운용 정의는 제안한 DSSAD-LDM 이벤트 패키지 생성 절차를 검증하기 위해 실주행 로그의 차량 상태 신호를 이벤트 판정 조건으로 매핑한 실험 기준을 의미한다. 이벤트 판정에는 ACC, LKAS, brake, accel, speed 신호를 사용하였다. ACC 및 LKAS 상태는 ADS 활성 여부 판단을 위한 핵심 신호로 사용하였고, brake 및 accel 입력은 운전자의 개입 여부 판단에 사용하였다. speed는 ego 차량 상태 기록과 MRM 완료 여부를 판단하기 위한 보조 신호로 사용되었다.
본 연구에서 사용한 수집 모듈의 표시 기능에 따르면, ACC 신호는 raw 값 0, 1, 2가 각각 Disable, Standby, Enable 상태에 대응되도록 처리되며, LKAS 신호의 경우 raw 값이 0이면 Deactive, 0이 아니면 Active로 표시되도록 처리된다. 본 실주행 데이터셋에서는 LKAS raw 값이 주로 0과 1로 관측됨에 따라, 본 연구에서의 ADS 활성 상태는 ACC가 2이고, 동시에 LKAS가 1인 경우로 정의하였다. ADS 비활성화 이벤트는 직전 시점까지 ADS 활성 조건을 만족하였으나 현재 시점에서 ACC 또는 LKAS 중 하나라도 활성 조건을 만족하지 않는 경우로 정의된다. 충돌 감지, 시스템 오류 이벤트는 실주행 로그에서 추출되지 않아, 시나리오 주입을 통해 생성하였다. 본 연구에서 사용한 DSSAD 이벤트 운용 정의는 <Table 3>에서 정리된다.
<Table 3>
DSSAD Event Generation Rules Used in the PoC Experiment
| Event Type | Related DSSAD Concept | Decision Rule |
|---|---|---|
| ADS_ENGAGED | System activation | Generated when ACC=2 and LKAS=1. |
| ADS_DISENGAGED | System deactivation | Generated when ADS-active condition is no longer satisfied. |
| DRIVER_OVERRIDE | Driver input | Generated when brake or accel input is detected. |
| TAKEOVER_REQUEST | Transition demand | Generated by ACC/LKAS transition rule or coverage injection. |
| TIMEOUT | No driver response | Generated 5,000 ms after an unanswered transition demand. |
| MRM_START | MRM initiation | Generated immediately after TIMEOUT. |
| MRM_COMPLETE | MRM completion | Generated when a stop-speed condition, time-limit condition, or injected completion condition is satisfied. |
| COLLISION_DETECTED | Collision detected | Generated by coverage injection; an actual collision was not induced. |
| SYSTEM_FAULT | System failure | Generated by coverage injection; an actual system fault was not induced. |
4.3 LDM 스냅샷 생성
3.3절에서 정의한 LDM 스냅샷 조회 구조를 PoC 환경에서 검증하기 위해, 본 연구에서는 실차 주행 로그와 보강 시나리오를 기반으로 연구용 LDM 객체를 생성하고 로컬 LDM 저장소에 시간순으로 등록하였다. <Fig. 5>는 이벤트 발생 시점의 ego 차량 위치를 기준으로 설정한 AoI와 LDM 객체 배치 예시를 나타낸다. 본 연구에서 스냅샷 조회 영역은 ego 차량 위치 기준 반경 150 m 이내로 설정하였다. ego 객체는 실제 GPS 로그를 기반으로 생성하였으며, 선행 차량 객체는 ego 차량의 전방 30 m 및 측면 2 m, 보행자 객체는 ego 차량의 우측 10 m 오프셋에 위치하도록 구성하였다. 도로 이벤트 객체는 ego 차량 전방 80 m 및 측면 –3m 오프셋에 배치하고, denm_cause=roadworks 속성을 포함하는 DENM 유사 도로 이벤트로 생성하였다. <Table 4>는 생성된 LDM 객체의 유형, 출처, 상대 위치, time validity를 정리한 표이다. 스냅샷 조회 시 객체는 AoI 조건과 객체별 time validity를 모두 만족하는 경우에만 포함되도록 하였으며, 동적 객체인 ego 차량, 선행 차량, 보행자 객체에는 6,000 ms, 이벤트성 객체인 도로 이벤트 객체에는 12,000 ms의 time validity를 적용하였다.
<Table 4>
Generated LDM Object Types and Validity Settings
| Object ID | Object Type | Source | Relative Position | Time Validity |
|---|---|---|---|---|
| ego | ego | Real GPS log | Measured latitude / longitude | 6,000 ms |
| veh_lead | vehicle | Synthetic object | 30 m ahead, 2 m lateral offset | 6,000 ms |
| ped_right | pedestrian | Synthetic object | 10 m right-side offset | 6,000 ms |
| road_event | road_event | Synthetic DENM-like object | 80 m ahead, -3 m lateral offset | 12,000 ms |
4.4 DSSAD-LDM 이벤트 패키지 생성 결과
본 연구에서는 제안한 DSSAD-LDM 이벤트 패키지 생성 절차의 동작을 확인하기 위해 실주행 로그에 보강 시나리오를 적용한 최종 검증 세션을 구성하였다. 최종 검증 세션에서는 총 35건의 DSSAD-LDM 이벤트 패키지가 생성되었다. 최종 검증 세션에서 DSSAD-LDM 이벤트 패키지가 생성된 핵심 구간은 한국 표준시 기준으로 2024년 10월 22일 14:42:48.454부터 14:50:45.772까지의 약 7.96분에 해당한다. 이는 전체 실주행 로그 약 17.71분 중 DSSAD-LDM 이벤트 패키지 생성이 집중된 구간이다. <Fig. 6>은 해당 구간에서 생성된 이벤트 패키지를 실차 주행 궤적 위에 표시한 결과이다. 검은 선은 전체 실주행 경로를, 파란색 점은 실주행 로그 기반으로 생성된 이벤트를 나타내며, 지도 내 확대 영역은 이벤트 발생 시점의 LDM 스냅샷을 표시한 화면이다. 이를 통해 제안한 이벤트 패키지가 실제 주행 시간과 위치 축 위에서 해석 가능한 사건 단위 기록으로 생성되었음을 확인할 수 있다.
4.5 검증 결과 분석
생성된 DSSAD-LDM 이벤트 패키지에 대한 검증은 최종 검증 세션에서 생성된 JSONL 형식의 이벤트 패키지를 대상으로, 각 패키지가 제안한 구조에 따라 정상적으로 구성되었는지를 확인하는 방식으로 수행하였다. 검증은 패키지 구성, LDM 스냅샷 유효성, 해시 재계산 일치성의 세 가지 관점에서 이루어졌다.
패키지 구성 검증에서는 각 이벤트 패키지가 event_type, event_time_ms, vehicle, ads_state, ego_state, trigger, ldm_snapshot, event_hash_sha256 필드를 모두 포함하는지 확인하였다. LDM 스냅샷 유효성 검증에서는 스냅샷 내 객체의 timestamp_ms가 이벤트 발생 시각인 event_time_ms보다 늦지 않은지, event_time_ms – timestamp_ms가 객체별 time_validity_ms를 초과하지 않는지를 확인하여, 이벤트 발생 시점에 유효 시간이 만료된 객체가 포함되었는지를 검증하였다. AoI 조건은 연구용 LDM 객체가 이벤트 발생 시점 ego 차량 위치를 기준으로 설정된 150 m AoI 내 배치되고, 해당 조건에 따라 스냅샷에 포함되도록 구성되었는지 확인하였다. 해시 검증에서는 생성된 이벤트 패키지에 대해 SHA-256 해시값을 재계산하여 저장된 해시값과 일치하는지 확인하였다. 검증 결과, 최종 검증 세션에서 생성된 총 35건의 DSSAD-LDM 이벤트 패키지는 모두 필수 필드와 LDM 스냅샷을 포함하였다. 각 패키지의 LDM 스냅샷에는 ego 차량, 선행 차량, 보행자, 도로 이벤트 객체가 포함되어 총 140개의 LDM 객체가 검증 대상이 되었다. 전체 객체 중 이벤트 발생 이후의 timestamp_ms를 갖는 객체는 존재하지 않았으며, event_time_ms – timestamp_ms가 객체별 time_validity_ms를 초과한 사례도 없었다. 또한 각 패키지의 LDM 스냅샷은 이벤트 발생 시점 ego 차량 위치를 기준으로 한 150 m AoI 반경을 query 조건으로 포함하고 있으며, 연구용 LDM 객체는 해당 AoI 조건 내 스냅샷에 포함되도록 구성되었다. 전체 35건의 이벤트 패키지에 대해 event_hash_sha256 값을 동일한 방식으로 재계산한 결과, 재계산된 해시값과 저장된 해시값이 모두 일치하였다. <Table 5>는 최종 검증 세션에서 생성된 이벤트 패키지에 대한 검증 결과를 나타낸다.
<Table 5>
Validation Summary for Generated DSSAD-LDM Event Packages
| Validation Item | Result | Interpretation |
|---|---|---|
| Generated event packages | 35 | 35 JSONL event packages were generated in the final validation session. |
| Event types included | 9 types | Real-driving-based and scenario-augmented event types were included. |
| Required package fields | 35/35 | All packages include event metadata, vehicle, ADS/ego state, trigger, LDM snapshot, and package hash. |
| LDM snapshots included | 35/35 | Every event package contains an LDM snapshot. |
| LDM objects checked | 140 | 35 packages × 4 LDM objects per package. |
| Future object inclusion | 0 | No object has timestamp_ms > event_time_ms. |
| Expired object inclusion | 0 | No object violates event_time_ms – timestamp_ms ≤ time_validity_ms. |
| AoI-based snapshot configuration | Applied | Snapshots were generated using the event-time ego position and a 150 m query radius. |
| Package hash verification | 35/35 | Recomputed SHA-256 hashes matched the stored event_hash_sha256 values. |
| Overall result | PASS | The event package generation and validation procedure operated consistently. |
<Fig. 7>은 생성된 dssad_events.jsonl 파일을 검증 스크립트의 입력으로 사용하여 자동 산출한 대표 이벤트 검증 trace를 나타낸다. 해당 trace는 생성된 이벤트 패키지 중 ADS_ENGAGED 이벤트 1건을 대상으로 한다. 검증 스크립트는 각 이벤트 패키지 내부의 event_time_ms, LDM 객체별 timestamp_ms, time_validity_ms, ldm_snapshot.query, event_hash_sha256 값을 직접 읽어 검증 조건을 계산한다. 대표 이벤트의 경우 event_time_ms는 1729575768454, LDM 객체의 timestamp_ms는 1729575767089로 확인되어 두 값의 차이는 1365 ms로 산출되었다. 이는 ego, 선행 차량, 보행자 객체의 time_validity_ms인 6,000 ms와 도로 이벤트 객체의 time_validity_ms인 12,000 ms를 모두 초과하지 않으므로, 해당 객체들이 이벤트 발생 시점에 유효한 객체로 판정되었음을 의미한다. ldm_snapshot.query에는 이벤트 시점의 ego 차량 위치, 150 m query 반경, 이벤트 시각과 동일한 t_ms가 기록되어 AoI 기반의 스냅샷 조회 조건이 정상적으로 적용되었음을 확인할 수 있다. 마지막으로, 저장된 event_hash_sha256 값과 재계산된 SHA-256 해시값을 비교한 결과, 두 값이 동일하게 산출되어 MATCH로 판정되었다. 대표 trace를 사고조사 활용 관점에서 해석하면, 제안 이벤트 패키지는 이벤트의 발생 시각과 시스템 상태뿐 아니라 해당 시점에 유효한 주변 객체 및 도로 이벤트 정보를 동일 사건 단위에서 함께 제공한다. 따라서 조사자는 DSSAD 단독 기록만으로는 확인하기 어려운 이벤트 발생 시점의 주변 객체 구성과 ego 차량 기준 상대 위치 정보를 함께 검토할 수 있다.
본 연구에서 사용한 LDM 객체는 실제 도로 환경에서 수집된 외부 객체 인식 결과가 아니라, 이벤트 발생 시점의 주변 객체 정보 결합 구조를 검증하기 위해 연구용으로 구성한 객체이다. 따라서 본 검증 결과는 실제 주변 객체 인식 성능이나 V2X 메시지 수신 및 인증 성능을 평가한 결과가 아니다. 본 연구의 검증 범위는 DSSAD 이벤트 기록과 LDM 스냅샷을 이벤트 단위로 결합하고, 생성된 DSSAD-LDM 이벤트 패키지의 변경 여부를 해시 기반으로 확인할 수 있는지를 평가하는 데 한정된다.
Ⅴ. 결론 및 향후 연구
본 연구는 자율주행차 사고조사에서 DSSAD 이벤트 기록만으로는 이벤트 발생 시점의 주변 주행 상황 정보를 충분히 해석하기 어렵다는 구조적 한계를 보완하기 위해, DSSAD 이벤트 기록과 LDM 스냅샷을 동일한 이벤트 발생 시점 기준으로 결합하는 DSSAD-LDM 이벤트 패키지 구조를 제안하였다. 제안 구조는 이벤트 발생 시점의 ego 차량 상태, ADS 상태, 주변 객체 및 도로 이벤트 정보, 이벤트 트리거 정보, SHA-256 기반 해시값을 하나의 이벤트 패키지로 구성함으로써, 개별 DSSAD 이벤트를 차량 내부 상태와 주변 상황 정보의 결합 관점에서 해석할 수 있도록 한다. 제안 구조는 실차 주행 로그와 보강 시나리오를 활용한 PoC 구현을 통해 검증하였다. 최종 검증 세션에서는 총 35건의 DSSAD-LDM 이벤트 패키지가 생성되었으며, 모든 이벤트 패키지에는 LDM 스냅샷이 포함되었다. 또한 이벤트 발생 시점 이후 생성 또는 갱신된 객체와 유효 시간이 만료된 객체는 포함되지 않았고, SHA-256 해시 재계산 결과도 저장된 해시값과 모두 일치하였다. 이를 통해 제안한 구조가 DSSAD 이벤트 기록과 주변 객체 정보를 사건 단위로 정상 결합하고, 저장 이후 이벤트 패키지의 변경 여부를 확인할 수 있는 형태로 동작함을 확인하였다. 또한 대표 이벤트 패키지 사례를 통해 제안 구조가 DSSAD 단독 기록만으로는 확인하기 어려운 이벤트 발생 시점의 주변 객체 구성과 도로 이벤트 정보를 함께 제공함으로써 사고 맥락 해석을 보완할 수 있음을 확인하였다.
향후 연구에서는 실제 DSSAD 출력 데이터와 차량 인식 센서 또는 V2X 기반 객체 데이터를 연계하여 제안 구조의 실증성을 보강할 필요가 있다. 또한 UNECE EDR/DSSAD 관련 논의에서 DSSAD 데이터의 차량 외부 저장 및 OTA 기반 전송 가능성이 제시되고 있음을 고려하면(UNECE, 2025), 향후 DSSAD 데이터는 차량 내부 기록에 머무르지 않고 외부 저장소와 연계되는 구조로 확장될 수 있다. 이 경우 사고조사 데이터의 신뢰성은 원본 보존 여부에만 국한되지 않고, 조사자가 실제로 참조하는 DSSAD 이벤트 목록이 누락이나 변경 없이 제공되는지, 해당 목록의 생성·제공 과정이 추적 및 검증 가능한 절차에 따라 관리되는지까지 함께 평가되어야 한다. 따라서 후속 연구에서는 DSSAD-LDM 이벤트 패키지의 외부 저장과 공식 사건 목록 제공 절차를 함께 고려하는 신뢰성 확보 구조로 확장할 수 있다.
