Ⅰ. 서 론

1. 연구배경

자율주행차의 ODD(Operational Design Domain)는 차량 센서 성능만으로 결정되지 않으며, 도로 기하, 교통 운영, 인프라 지원 수준에 의해 함께 제약된다(SAE International, 2021;García et al., 2022). 특히 신호교차로는 직진·우회전·횡단·합류 움직임이 동일 공간에서 시간적으로 교차하는 상충 지점으로, 건축물, 정차 대형차량, 불법주정차차량 등에 의해 발생하는 비가시영역(NLoS)은 자율주행차의 인지·판단·제어 사슬을 구조적으로 제약한다.

이러한 구조적 한계를 보완하기 위해 노변 센서 기반 I2V(Infrastructure-to-Vehicle) 안전서비스가 주목받고 있다. 국내에서도 C-ITS 실증사업을 통해 노변 센서에서 검지된 객체 정보를 안전 이벤트로 가공하고 V2X 통신으로 차량에 전달하는 서비스가 시범 운영되어 왔다(Korea Agency for Infrastructure Technology Advancement, 2021). 국내 V2I 안전지원 관련 연구로 Han et al.(2021)은 교차로 사각지대에서 영상·LiDAR 융합을 통해 충돌 위험을 사전 경고하는 체계를 제안하였다. Ahn et al.(2019)은 V2I 오작동 시나리오의 위험원을 분석하여 인프라 정보 품질이 자율주행 안전성에 미치는 영향을 검토하였으며, Baek et al.(2024)은 실제 교통사고 사례를 바탕으로 V2X 적용의 사고 예방 효과와 한계를 분석하였다.

한편 노변 LiDAR는 3차원 점군 형태로 객체의 위치·형상·속도를 산출하므로 야간·조도 변화에 강건하며, 영상 기반 검지와 구분되는 비영상 검지 채널로서 C-ITS 인프라에 채택되고 있다(Zhang et al., 2025;Korea Agency for Infrastructure Technology Advancement, 2021). Yoon and Kim(2026)은 ODD 지원 인프라를 통신·정밀지도·관제·교차로 협력의 4대 축으로 분해하여 단계적으로 평가하는 프레임워크를 제시한 바 있으며, 본 연구는 그 중 교차로 협력 축에서 노변 LiDAR 인프라가 생성하는 정보의 내부 정합성을 위험 유형별로 분석하는 위치에 있다. 인프라 도입에 관한 정책적 논점은 본 연구의 직접적인 분석 대상이 아니며, 운영·설계 함의는 분석 결과에 기반한 탐색적 제안으로 한정한다.

2. 연구 공백: 이벤트 생성 계층의 내부 정합성

I2V 안전서비스의 기능 계층은 센서 검지–객체 추적–이벤트 생성–RSU 전송–OBU 수신–차량 반응으로 구성된다. 기존 연구는 센서 기반 3D 객체검지 및 협력인지 데이터셋(Arnold et al., 2019;Yu et al., 2022), 인프라 기반 객체 검지·추적(Bai et al., 2022;Zhao et al., 2019), V2I 구축·배치 옵션(5GAA, 2020)에 각각 초점을 맞춰왔다. 그러나 객체 검지·추적 산출물이 RSA 이벤트로 변환되는 중간 계층의 내부 정합성이 독립적인 분석 단위로 다루어진 경우는 드물다.

본 연구는 이 공백에 대응하여, 객체 로그와 RSA 이벤트 로그 간 시간·클래스·ROI 조건에서의 정합성을 객체-이벤트 정합성(Object-Event Consistency, OEC)으로 새롭게 정의하고, 실도로 교차로 운영 로그에 탐색적으로 적용한다. 이때 OEC는 기존 검지 성능지표를 대체하는 범용 성능지표가 아니라, 노변 LiDAR 기반 I2V 시스템에서 두 로그 계층 간 내부 일관성을 진단하기 위한 로그 기반 지표이다. 즉, 교차로 I2V 안전서비스의 효과를 논의하기 위해서는 차량 반응이나 사고위험 감소 이전에, 인프라가 생성한 RSA 이벤트가 실제 객체 로그의 관측치와 일관되게 대응하는지를 위험 유형별로 확인할 필요가 있다는 관점이다.

3. 연구목적 및 연구질문

본 연구의 목적은 교차로 I2V 환경에서 노변 LiDAR 인프라의 RSA 이벤트 생성 계층이 객체 로그와 얼마나 일관되게 대응하는지를 위험 유형별로 평가하는 프레임워크를 제시하는 데 있다. 본 연구는 다음의 연구질문을 설정한다.

4. 분석명제와 학술적 기여

이상의 연구질문에 따라 본 연구는 다음의 분석명제를 설정한다. P1: 노변 LiDAR 기반 I2V 인프라의 객체-이벤트 정합성은 위험 유형에 따라 동일하지 않을 것이다. P2: 위험 유형별 OEC 차이는 ROI 체류시간, 관련 객체 프레임 수, 평균속도 등 객체 동특성 지표와 유형별로 상이한 대응 양상을 보일 것이다. P3: 위험 유형별 OEC 분석은 전체 통합 OEC만으로는 관측할 수 없는 정합성의 이질성을 식별할 것이다.

본 연구의 학술적 기여는 세 가지이다. 첫째, 객체 검지·추적 계층과 통신 계층 사이의 이벤트 생성 계층을 독립적인 분석 단위로 설정하였다. 둘째, 본 연구에서 새롭게 정의하는 OEC 지표와 시간·클래스·ROI 3중 조건 매핑 규칙, Wilson 신뢰구간·Fisher 정확검정을 결합한 동일 로그 스키마에 반복 적용 가능한 평가 절차를 제시하고 위험 유형별 차등 구조를 비교하였다. 셋째, 시간 창 민감도 분석과 객체 동특성 보조지표를 결합하여 위험 유형별 정합성 차이를 해석하는 분석 틀을 제시한다. 전체 연구 흐름은 Ⅳ장 1절의 <Fig. 1>에 제시한다.

Ⅱ. 이론적 배경 및 선행연구

1. 교차로 NLoS와 I2V 협력인지의 필요성

SAE International(2021)은 자율주행 시스템의 ODD를 속도, 도로 유형, 환경 조건 등으로 정의하지만, 실제 교차로에서 ODD를 제약하는 핵심 요인은 차량 탑재 센서가 관측할 수 없는 비가시영역(NLoS)이다. García et al.(2022)은 ODD를 도로 관리자 관점의 Operational Road Section(ORS)으로 확장하여, 도로 인프라가 ODD를 보완하는 단위가 될 수 있음을 제시하였다. 교차로 NLoS 영역에서는 횡단보도 접근 보행자, PM(Personal Mobility), 정차 대형차량 뒤편의 우회전 차량 등 시간적·공간적으로 짧은 가시 창을 갖는 객체들이 자율주행차의 인지 한계를 발생시키며, 이는 우회전 시 VRU 충돌과 같은 빈도 높은 도시 교차로 사고 패턴과 직접 연결된다. 즉, ODD·NLoS 논의는 노변 인프라에 의한 인지 보완의 필요성을 정당화하지만, 보완 인프라 자체가 생성하는 정보의 일관성을 평가하는 기준은 별도로 요구된다.

2. 노변 LiDAR 기반 객체 검지와 RSA 이벤트 생성

협력인지는 차량과 인프라 간 센서 데이터를 공유하여 개별 센서의 관측 한계를 보완하는 패러다임이다. Arnold et al.(2019)은 자율주행 분야의 3D 객체검지 방법을 종합하였고, Yu et al.(2022)은 DAIR-V2X 데이터셋을 통해 차량-인프라 협력인지 벤치마크를 공개하였다. Zhao et al.(2019)은 노변 LiDAR로 보행자와 차량을 동시에 검지·추적하는 절차를 제시하였으며, Bai et al.(2022)은 인프라 기반 객체 검지·추적의 실증적 종합을, Zhang et al.(2025)은 노변 LiDAR의 설치 위치 결정, 캘리브레이션, 차량 정보와의 융합 절차를 C-ITS 운영 관점에서 통합한 사례를 각각 보고하였다.

노변 LiDAR에서 검지된 객체는 Edge Computing 서버에서 사전 정의된 ROI와 이벤트 규칙에 따라 RSA 이벤트로 가공된다. 이때 객체 검지 로그와 이벤트 로그는 서로 다른 시스템 계층에서 생성되므로, 두 로그 간 일관성은 인프라 성능 평가의 독립적 분석 대상이 된다. Caillot et al.(2022)은 자동차 분야 협력인지의 센서·통신·융합 구조를 종합하였다. 그러나 객체 로그가 운영 이벤트로 변환되는 중간 계층의 내부 정합성을 직접 평가하는 절차는 충분히 다뤄지지 않았다.

3. 이벤트 생성 계층의 평가 공백과 OEC의 분석적 위치

기존 평가지표는 계층별로 상이한 대상을 측정한다. precision·recall은 독립적인 ground truth annotation을 전제로 객체 검지 계층의 정확도를 평가하고, PDR·E2E 지연은 통신 계층의 전송 성능을 평가한다. 반면 객체 로그가 ROI·이벤트 규칙을 거쳐 RSA 이벤트로 변환되는 이벤트 생성 계층에 대해서는 확립된 평가지표가 부족하다. 이 계층의 평가는 동일한 로그 조건에서 객체 로그와 RSA 이벤트 로그가 일관되게 대응하는지를 확인하는 시스템 내부 일관성의 문제로 볼 수 있다.

본 연구의 OEC는 기존 검지·통신 성능지표와 경쟁하거나 이를 대체하는 지표가 아니라, 객체 검지·추적 계층의 산출물과 RSA 이벤트 생성 계층 간 내부 대응을 평가하기 위한 보완적 로그 기반 지표로 정의된다. 한편 객체 로그와 RSA 이벤트 로그는 동일 시스템 사슬 내에서 순차적으로 생성되는 산출물이므로, 본 연구는 두 로그 간 대응을 독립적인 측정 방법 간 수렴타당성의 증거로 해석하지 않으며, 해석 범위를 시스템 내부 정합성의 진단으로 한정한다.

4. 본 연구의 차별성

기존 선행연구는 알고리즘 정확도, 시뮬레이션 벤치마크, 통신 성능, 또는 개별 서비스 효과에 초점을 두었으며, 실도로 I2V 로그에서 인프라 이벤트가 객체 관측치와 얼마나 일관되게 대응하는지를 위험 유형별로 분석한 연구는 제한적이다. 본 연구의 차별성은 세 가지이다. 첫째, 평가 대상을 센서 검지 또는 통신 전송이 아니라 이벤트 생성 계층의 내부 정합성으로 설정한다. 둘째, 위험 유형별 차등 분석을 도입하여 전체 통합 성능이 가리는 정합성의 이질성을 드러낸다. 셋째, 시간 창 민감도 분석과 객체 동특성 보조지표를 결합하여 위험 유형별 정합성 차이를 해석하는 분석 틀을 제시한다.

Ⅲ. 분석 대상 및 데이터

1. 청사교차로 I2V 테스트필드

분석 대상은 대전광역시 유성구 청사교차로 I2V 테스트필드이다. 해당 교차로는 편도 3–4차로가 교차하는 4지 신호교차로로, 우회전 전용차로, 횡단보도, 버스정류장이 교차로 영역 내에 위치한다. 본 교차로가 I2V 평가에 적합한 이유는 다음과 같다. 첫째, 우회전부, 횡단보도, 합류 구간이 짧은 거리 내에 중첩되어 있어 다양한 위험 유형이 동일 관측 범위에서 발생한다. 둘째, 건축물·정차 대형차량에 의한 NLoS 영역이 명확히 존재하여 인프라 보완 효과가 기대된다. 셋째, 도시 행정 중심부에 위치한 일반 도시도로 교차로로서 동일 절차의 반복 적용 가능성을 검토하기에 적합하다.

2. 시스템 구성

테스트필드는 노변 LiDAR(Ouster OS1-128, 설치 높이 6.5m, 10Hz), Edge Computing 서버, RSU(WAVE/C-V2X 이중 통신), OBU, 자율주행 셔틀로 구성된다. 노변 LiDAR는 3D 포인트 클라우드를 생성하며, Edge 서버의 객체 검지 알고리즘을 통해 객체 로그를 산출한다. 객체 로그의 관측치는 ROI 매칭 및 위험도 평가 규칙을 거쳐 RSA 이벤트로 가공되고, WAVE/C-V2X 이중 채널로 차량 OBU에 전송된다.

본 연구의 ROI는 단순한 센서 검지구역이 아니라 교차로 상충구조를 반영한 분석 단위이다. 불법주정차 ROI는 우회전 주행 궤적과 정차금지구간이 중첩되는 차로 점유 위험을, 합류주의 ROI는 우회전 차량과 본선 접근 차량 간 상충 가능성을, 무단횡단 보행자/PM ROI는 횡단보도 외 접근부에서 발생하는 VRU 돌발 출현 위험을 대표한다. RSA 이벤트 생성 규칙은 <Table 1>과 같이 위험 유형별로 정의되었다. 이벤트 생성에 적용되는 세부 임계값(저속·지속시간·접근 판정 기준 등)과 ROI 절대 좌표는 운영기관의 보안정책에 따라 공개하지 않으나, OEC 매칭에는 운영시스템에 적용된 것과 동일한 클래스 및 ROI 정의를 사용하였다.

3. 분석 대상 위험 유형의 선정 근거

본 연구의 세 위험 유형은 분석 기간 중 RSA 이벤트로 실제 관측되었고, 상이한 공간 점유·이동 특성을 보인다는 점에서 선정되었다. 불법주정차는 동일 ROI를 비교적 장시간 점유하는 정적·준정적 차량 위험을, 합류주의는 이동 차량이 제한된 시간 내에 ROI를 통과하는 과도적 차량 상충을, 무단횡단 보행자/PM은 상대적으로 작은 객체 크기와 불규칙한 이동 경로를 갖는 동적 VRU 위험을 각각 나타낸다. 세 유형은 교차로에서 발생 가능한 모든 위험을 통계적으로 대표하기 위한 것이 아니라, 이질적인 객체 동특성에 따라 객체-이벤트 정합성이 어떻게 달라지는지를 대비적으로 검토하기 위해 선정되었다. 신호위반, 역주행 등 그 밖의 위험 유형은 분석 대상 테스트필드의 해당 기간 동안 평가 가능한 RSA 이벤트 자료가 확보되지 않아 제외하였으며, 이에 따라 본 연구 결과의 적용 범위는 세 유형에 한정된다.

4. 데이터 범위 및 분석 단위

분석에 사용된 데이터는 2024년 5월 수집된 1시간 실측 로그이다. 로그 수집은 NTP 동기화 환경에서 수행되었으며(오차 ±0.5s 이내), 수집 과정에서 발생한 결측 프레임은 분석에서 제외하였다. 객체 관측치는 총 12,847건이며, 고유 객체 수(tracking ID 기준)는 387개이다. RSA 이벤트 로그는 총 42건으로, 합류주의차량 23건(54.8%), 불법주정차차량 11건(26.2%), 무단횡단 보행자/PM 8건(19.0%)으로 구성된다.

객체 관측치 12,847건과 고유 tracking ID 387개는 RSA 이벤트와의 매칭 후보군(관측 풀)으로 사용되며, OEC 산출의 분석 단위는 RSA 이벤트이다. 따라서 OEC의 분모는 각 위험 유형별 RSA 이벤트 수이고, 객체 관측치는 이벤트별 매칭 여부를 판정하기 위한 관측 풀로 활용된다. PM과 보행자 분류에는 객체 검지 알고리즘의 출력 클래스를 그대로 사용하였다. 독립 ground truth가 없어 유형별 분류 정확도를 직접 평가하지 못했으며, 프레임별 클래스 변동과 분류 오류 가능성은 결과 해석의 제한사항으로 고려하였다.

본 연구의 분석자료는 청사교차로 I2V 테스트필드에서 수집된 운영 로그를 연구 목적에 맞게 비식별·재구성한 자료이며, 원시 로그는 운영 기관 및 과제 수행 기관의 보안 정책에 따라 공개하지 않는다. 다만 본 연구는 OEC 매핑 규칙, 시간 창 및 통계 검정 절차를 명시하여 동일한 로그 스키마에 반복 적용 가능한 분석 틀을 제시하고자 하였다.

5. 데이터 한계

본 연구의 데이터는 단일 교차로·1시간 로그이며, RSA 이벤트 42건(유형별 8–23건)으로 표본 규모가 제한적이다. 따라서 본 연구의 목적은 대규모 성능 일반화가 아니라, 실도로 I2V 로그에 적용 가능한 위험 유형별 정합성 평가 절차를 제안하는 데 있다. 표본 제약은 Wilson 신뢰구간, Fisher 정확검정, 시간 창 민감도 분석으로 보완하였으며, 결과 해석은 절차의 반복 적용 가능성과 탐색적 운영·설계 함의의 도출에 초점을 둔다.

Ⅳ. 분석 방법

1. 연구 프레임워크

본 연구의 전체 절차는 <Fig. 1>과 같이 8단계로 구성된다. ① 교차로 NLoS와 기존 평가 공백의 정의, ② 객체 로그 계층과 RSA 이벤트 계층의 정의, ③ OEC 지표와 시간·클래스·ROI 3중 조건 매핑 규칙의 정의, ④ 위험 유형별 OEC 산출, ⑤ Wilson 95% 신뢰구간과 Fisher 정확검정, ⑥ 시간 창 민감도 분석, ⑦ ROI 체류시간·관련 프레임 수·평균속도 보조지표 분석, ⑧ 탐색적 운영·설계 함의 도출이다. RQ1은 ④–⑤단계, RQ3은 ⑥단계, RQ2는 ⑦단계에서 각각 검토되며, ⑧단계의 함의는 ④–⑦단계의 결과에 기반한 탐색적 제안으로 한정된다.

<Fig. 1>

Research flow of this study

2. OEC 지표 정의 및 해석 범위

객체-이벤트 정합성(OEC)은 위험 유형 k에 대해 식 (1)과 같이 정의된다.

여기서 N k는 위험 유형 k의 RSA 이벤트 수, i는 RSA 이벤트 인덱스, O는 전체 객체 관측치 집합, o j는 O에 포함된 j번째 객체 관측치이다. t i와 t j는 각각 이벤트와 객체의 관측 시각, c j는 객체 클래스, (x j, y j)는 객체 위치를 의미한다. C k와 R k는 각각 위험 유형 k의 허용 클래스 집합과 ROI 영역이며, 1 { · }은 괄호 안의 조건이 참이면 1, 그렇지 않으면 0을 반환하는 지시함수이다.

OEC는 각 RSA 이벤트에 대한 이진 매칭 판정값을 위험 유형별로 평균하여 산출하는 내부 정합성 비율 지표이다. OEC는 독립적인 ground truth 기반 검지 정확도를 평가하지 않으며, 객체 로그의 관측치와 RSA 이벤트 로그가 사전 정의된 시간·클래스·ROI 조건에서 상호 대응하는지를 판정한다. 따라서 OEC는 검지 계층의 precision·recall 또는 통신 계층의 PDR·E2E 지연과 경쟁하거나 이를 대체하는 지표가 아니라, 객체 검지·추적 계층의 산출물과 RSA 이벤트 생성 계층 간 내부 대응을 평가하기 위한 보완적 로그 기반 지표로 기능한다. 아울러 OEC는 생성된 RSA 이벤트를 조건으로 객체 관측치의 지지 여부를 평가하는 단방향 정합성 지표이다. 따라서 객체 관측치상 이벤트 생성 조건을 충족하였으나 RSA 이벤트가 생성되지 않은 미생성 사례는 OEC의 분모에 포함되지 않으며, 본 지표는 이벤트 생성 누락률(recall)을 직접 평가하지 않는다. 한편 객체 로그와 RSA 이벤트 로그는 동일 센서 입력에서 파생되지만 서로 다른 처리·기록 계층에서 생성되므로, 객체 클래스의 프레임별 변동, tracking ID 단절, ROI 경계 통과, 이벤트 지속·해제 규칙, 비동기 로그 기록 및 결측 등으로 인해 두 로그 간 대응이 자동적으로 보장되지는 않는다. 이러한 점에서 OEC는 독립적 검지 타당성이 아니라 계층 간 추적 가능성과 내부 일관성을 진단하는 지표로 해석된다.

3. 시간 창 τ의 정의와 민감도 분석의 목적

본 연구에서 시간 창 τ는 RSA 이벤트 생성 시각을 기준으로 전후 각각 τ초의 관측 구간을 의미한다. 따라서 기준 설정인 τ = 20 s는 이벤트 발생 20초 전부터 20초 후까지 총 40초의 후보 관측 구간을 나타내며, τ = 10 s와 τ = 30 s는 각각 ±10초, ±30초 구간에 해당한다. 이 시간 창은 통신 또는 서버 처리 지연을 보정하기 위한 값이 아니라, 객체 관측이 RSA 이벤트와 의미적으로 관련된 것으로 간주될 수 있는 범위를 정의하는 분석 파라미터이다. 로그 수집 시 NTP 동기화 오차는 ±0.5s 이내였으며, 이는 기준 시간 창 τ = 20 s에 비해 작은 수준이다. 기준 시간 창 τ = 20 s는 이벤트 발생 전후의 객체 관측을 충분히 포섭하면서도 시간적으로 과도하게 이격된 관측치가 매칭 후보에 포함되는 범위를 제한하기 위한 기준 분석 창으로 설정하였다. 다만 본 연구는 τ = 20 s를 최적 시간 창으로 주장하지 않으며, 특정 기준값 선택에 따른 결과 의존성을 확인하기 위해 τ = 10 s 및 τ = 30 s에 대한 민감도 분석을 함께 수행하였다.

τ = 10 / 20 / 30 s 민감도 분석의 목적은 최적 시간 창을 추정하는 것이 아니라, 위험 유형별 OEC 순위가 시간 창 파라미터의 변화에 대해 강건하게 유지되는지를 확인하는 데 있다.

4. 3중 조건 매핑 규칙과 매칭 처리

매칭 지시함수 1 { · }은 다음 세 조건을 모두 충족할 때 1을 반환한다. 조건 1(시간 창): 객체 관측 시각 t j가 [ t i − τ , t i + τ ] 구간에 포함된다. 조건 2(클래스 일치): 관측치의 출력 클래스가 해당 위험 유형의 사전 정의된 허용 클래스 집합 C k에 포함된다. 조건 3(ROI 포함): 객체 위치 ( x , y )가 해당 위험 유형의 사전 정의 ROI 내에 위치한다.

매칭의 최소 요건은 시간·클래스·ROI 세 조건을 동시에 충족하는 객체 관측 프레임이 최소 1개 이상 존재하는 것이다. 본 연구의 LiDAR 관측주기는 10Hz이므로, 이는 0.1초 간격으로 생성되는 관측 프레임 중 최소 1개가 세 조건을 동시에 충족하는 경우를 의미한다. 이는 0.1초의 연속 지속시간을 요구하는 기준이 아니라 단일 관측 프레임의 존재 여부에 기반한 기준이다. 이벤트별 매칭 판정은 이러한 충족 관측의 존재 여부에 따른 이진 판정이며, OEC는 이진 판정값의 위험 유형별 평균으로 산출된다.

매칭 처리 규칙은 다음과 같다. 첫째, 동일 시간 창 내에 세 조건을 충족하는 객체가 복수 존재하더라도 해당 RSA 이벤트는 1건의 매칭으로 계수되며, 매칭 객체 수에 따른 가중은 부여하지 않는다. 둘째, 동일 tracking ID의 객체가 각 이벤트에 대해 시간·클래스·ROI 조건을 독립적으로 충족하는 경우 복수의 RSA 이벤트에 대응할 수 있다. 셋째, OEC는 객체 동일성의 장기적 연속성을 평가하지 않으므로, 추적 ID의 단절 자체가 자동으로 매칭 실패로 처리되지 않으며, 판정은 시간 창 내 개별 관측치가 허용 클래스와 ROI 조건을 충족하는지에 근거한다. 세 조건의 동시 충족 요구는 단일 조건 일치만으로 발생할 수 있는 거짓 매칭의 가능성을 줄이기 위한 절차이다. <Fig. 2>는 위험 유형별 대표 RSA 이벤트에 대해 이벤트 생성 시각을 기준(t = 0)으로 한 객체 관측 시계열과 3중 조건 판정 과정을 예시한다.

<Fig. 2>

Triple-condition time series for representative RSA events by hazard type (τ = 20 s)

<Fig. 2>는 위험 유형별 대표 RSA 이벤트에 대해 이벤트 생성 시각을 기준(t = 0)으로 한 ± τ 구간의 관측 시점별 3중 조건 충족 여부를 표시한 것이다. 상단 회색 선은 해당 시간 창 내 전체 후보 객체의 트랙별 속도 궤적, 하단의 세 조건 행은 각각 조건 1(시간 창 내 관측 존재), 조건 2(허용 클래스 집합 포함), 조건 3(사전 정의 ROI 포함)의 충족 여부를 시점별로 표시한다. 세 조건을 동시에 충족하는 프레임(3중 매칭)은 노란색 원으로 강조하였으며, 매칭 프레임이 1개 이상 존재할 때 해당 RSA 이벤트를 매칭으로 판정한다. 대표 이벤트는 각 유형의 매칭 성공 이벤트 중 관련 프레임 수가 유형별 중위값에 가장 가까운 사례를 선정하였으며, 유형별 매칭 프레임 수(불법주정차 79, 합류주의 4, 무단횡단 보행자/PM 2)는 정적·준정적 위험에서 동적 VRU 위험으로 갈수록 3중 조건 동시 충족의 시간적 여유가 축소됨을 예시한다. 조건 2와 관련하여, 동일 트랙 내에서 관측 클래스가 허용 집합을 벗어나는 구간은 조건 2 트랙에 표시되지 않으며 해당 프레임은 매칭 후보에서 자동 배제된다. 또한 상단의 회색 속도 궤적은 시간 창 내 전체 후보 객체를 대상으로 표시한 것이며, <Table 3>의 평균속도는 최종 매칭 객체의 관측치만을 대상으로 산출한 값이므로 양자는 직접 비교되지 않는다.

5. 보조지표 산출 정의

보조지표는 RSA 이벤트 단위로 산출하였다. ROI 체류시간은 이벤트에 대응하는 객체가 해당 위험 유형 ROI 내에서 최초 관측된 시점과 최종 관측된 시점 간의 시간 차로 산출한 후 위험 유형별로 평균하였다. 관련 프레임 수는 각 RSA 이벤트의 ± τ 구간에서 시간·클래스·ROI 조건을 충족하는 객체 관측 프레임을 계수한 후 위험 유형별로 평균하였다. 평균 객체속도는 각 이벤트에 대응하는 객체 관측치의 평균속도를 산출한 후 위험 유형별로 평균하였다.

6. 통계 검정 및 신뢰구간

유형별 OEC 비율 추정에는 Wilson score 방식의 95% 신뢰구간을 적용하였다. Wilson 구간은 표본 수가 작거나 비율이 0 또는 1에 근접할 때 포함 확률이 Wald 구간 대비 우수하다(Brown et al., 2001). 통계분석은 Python 3.13.5 환경에서 본 연구를 위해 작성한 oec_exact_analysis.py를 이용하여 수행하였다. 위험 유형과 매칭 여부 간 연관성은 소표본 및 기대빈도 제약을 고려하여 3×2 분할표에 대한 Fisher–Freeman–Halton 양측 정확검정(이하 FFH 정확검정)으로 분석하였다. 정확확률은 행과 열의 주변합을 고정한 모든 가능한 분할표를 전수 열거하고, 관측표의 조건부 확률 이하인 표들의 확률을 합산하여 산출하였으며, 본 분석의 주 검정에는 Monte Carlo 근사를 사용하지 않았다. 효과 크기 Cramér's V는 연속성 보정을 적용하지 않은 Pearson χ 2 통계량으로부터 V = χ 2 N으로 산출하였다(3×2 분할표에서 min ( r − 1 , c − 1 ) = 1). 검정 결과의 보고는 3×2 전체 분할표 검정을 주 결과로 하고, 최대 격차를 보이는 불법주정차와 무단횡단 보행자/PM 간 2×2 Fisher 정확검정은 다중비교 보정을 적용하지 않은 탐색적 쌍대 비교로 구분하여 제시한다.

7. 해석 범위와 반복 적용 가능성

OEC는 객체 로그와 RSA 이벤트 로그 간 내부 정합성을 평가하는 지표로서, 독립적인 ground truth 기반 검지 성능이나 측정 방법 간 수렴타당성을 의미하지 않는다. 본 연구는 OEC 매핑 규칙, 시간 창, 매칭 처리 및 통계 검정 절차를 명시하여 동일한 로그 스키마에 반복 적용할 수 있도록 하였다.

Ⅴ. 분석 결과

1. 위험 유형별 OEC

시간 창 τ = 20 s 기준 위험 유형별 OEC 결과는 <Table 2>와 같다. 불법주정차차량은 11건 중 11건이 매칭되어 OEC 100.0%(Wilson 95% CI: 74.1–100.0%), 합류주의차량은 23건 중 17건 매칭 OEC 73.9%(53.5–87.5%), 무단횡단 보행자/PM은 8건 중 4건 매칭 OEC 50.0%(21.5–78.5%)이다.

유형별 매칭 여부에 대한 3×2 분할표의 탐색적 검정 결과, 위험 유형과 매칭 여부 간 통계적으로 유의한 연관성이 관측되었다(Fisher–Freeman–Halton 양측 정확검정 p=0.041, Cramér’s V=0.39). OEC 차이가 가장 큰 불법주정차차량과 무단횡단 보행자/PM 간 2×2 쌍대 비교는 p=0.018로 산출되었으며, 이 결과는 확증적 검정이 아닌 탐색적 결과로 해석한다(다중비교 보정 미적용). 아울러 위험 유형을 구분하지 않은 전체 통합 OEC(τ = 20 s)는 76.2%(32/42)로(<Table 2>), 100.0%–73.9%–50.0%에 이르는 유형별 이질성이 전체 통합 값만으로는 식별되지 않음을 보여준다(P3). 무단횡단 보행자/PM의 OEC 추정은 8건에 기반하여 Wilson 95% 신뢰구간이 21.5–78.5%에 달하므로 점추정치의 해석에 주의가 필요하다.

2. 보조지표: ROI 체류시간 및 객체 동특성

P2의 검토를 위해 객체 로그에서 위험 유형별 보조지표를 산출하였다. <Table 3>은 유형별 평균 ROI 체류시간, τ 범위 내 평균 관련 객체 프레임 수, 평균 객체 속도를 보고한다.

불법주정차차량은 평균 ROI 체류시간 78.3s, 평균속도 0.8km/h로 정적·준정적 특성을 보이며 OEC는 100.0%로 산출되었다. 합류주의차량은 체류시간 6.2s, 평균속도 18.7km/h의 과도적 상충 특성을 보였으며, OEC는 73.9%로 산출되었다. 무단횡단 보행자/PM은 평균 체류시간 9.4s로 합류주의차량(6.2s)보다 길게 산출되었음에도 τ 범위 내 관련 프레임 수가 14.8로 가장 낮고 OEC도 50.0%로 가장 낮게 산출되었다. 이는 객체 추적 ID 단절, 클래스 분류 불확실성 및 제한된 가시 구간 등의 요인이 복합적으로 작용했을 가능성을 시사한다.

3. 시간 창 민감도 분석

τ = 10 s에서 전체 OEC는 64.3%로 낮아졌으나 유형별 순위는 불법주정차 > 합류주의 > 무단횡단 보행자/PM 순으로 동일하게 유지되었다. τ = 30 s에서도 순위가 안정적이다. 무단횡단 보행자/PM 유형은 τ = 10 s에서 25.0%로 낮아졌는데, 이는 제한된 관련 객체 프레임 수, 클래스 분류 불확실성 및 객체 추적 ID 단절 가능성 등이 복합적으로 작용했을 가능성을 시사한다. 유형별 순위가 τ 변화에도 유지된 결과는 위험 유형 간 상대적 순위가 특정 시간 창 선택에 전적으로 의존하지 않음을 시사한다.

Ⅵ. 논 의

1. 위험 유형별 OEC 차등 구조

분석 결과, 정적·준정적 위험(불법주정차) > 과도적 차량 상충(합류주의) > 동적 VRU(무단횡단 보행자/PM) 순으로 OEC가 낮아지는 차등 구조가 관측되었으며, 이 순위는 시간 창 민감도 분석(<Table 4>)에서 안정적으로 유지되어 P1에 부합하는 결과로 해석된다. P2와 관련하여 OEC 차등 구조는 ROI 체류시간, 관련 프레임 수, 평균속도의 조합과 대체로 일관된 대응 양상을 보였다. 다만 본 분석은 유형별 기술통계에 기반하므로, 체류시간이나 속도가 OEC를 직접 결정한다고 해석할 수는 없다. 불법주정차차량은 평균 78.3s 동안 동일 ROI를 점유하여 프레임 간 일관된 관측이 확보되는 반면, 합류주의차량은 6.2s의 제한된 통과 구간을 보였으며, 이와 같은 과도적 이동 특성이 검지–추적–이벤트 생성 계층 간 정합성에 영향을 미쳤을 가능성이 있다.

2. 무단횡단 보행자/PM 유형의 낮은 OEC에 대한 다요인 검토

특히 무단횡단 보행자/PM은 평균 ROI 체류시간(9.4s)이 합류주의차량(6.2s)보다 길었음에도 OEC는 더 낮았다. 이는 체류시간 단일 요인으로는 설명되지 않으며, 클래스 분류 불확실성, 추적 ID 단절, 불규칙한 공간 이동 특성이 복합적으로 작용하였을 가능성을 시사한다. 가능한 원인은 다음과 같이 구분된다. 첫째, 보행자·PM의 짧은 가시 창: 평균 ROI 체류시간이 9.4s로 제한적이어서 이벤트 생성에 활용할 수 있는 관측 프레임 수가 충분히 확보되지 않을 수 있다. 둘째, PM과 자전거·보행자 간 클래스 분류 불확실성: 형태적 유사성과 프레임별 클래스 변동으로 인해 분류 불확실성이 발생했을 가능성이 있으나, 독립 ground truth가 없어 유형별 분류 정확도를 직접 비교하지는 못하였다. 셋째, 추적 ID 지속성의 한계: 빠른 이동·가림에 의해 단일 객체가 복수 ID로 분절되거나 짧은 시간 내 ID가 단절될 수 있으며, 이는 노변 LiDAR 기반 VRU 추적의 알려진 난점이다(Zhao et al., 2019). Baek et al.(2024)이 실제 교통사고 사례에서 제시한 V2X 적용의 한계는 본 연구에서 확인된 VRU 이벤트의 불확실성을 해석하는 관련 논의를 제공한다. Ahn et al.(2019)이 제시한 V2I 오작동 위험 역시 내부 정합성이 낮게 관측된 VRU 구간에서 신중하게 고려할 필요가 있다.

3. 선행연구 대비 방법론적 의의

본 연구의 방법론적 의의는 I2V 인프라 평가의 대상을 검지 정확도 또는 통신 성능에서 이벤트 생성 계층의 위험 유형별 내부 정합성으로 확장한 점이다. 협력인지·노변 검지 선행연구(Arnold et al., 2019;Zhao et al., 2019;Bai et al., 2022;Caillot et al., 2022)가 다룬 객체 계층 성능과 통신 계층 성능(PDR, E2E) 사이의 중간 계층을 독립적으로 진단하는 절차를 제시하였으며, OEC 지표·3중 조건 매핑 규칙·시간 창 민감도 분석은 동일한 로그 스키마를 가진 타 교차로에도 반복 적용 가능하다.

4. 탐색적 운영·설계 함의

OEC 차등 구조로부터 도출되는 함의는 다음 세 가지의 탐색적 운영·설계 함의로 한정한다. 첫째, 위험 유형별 적용성 검증 후보 영역이다. 생성된 RSA 이벤트에 대한 내부 정합성이 상대적으로 높게 관측된 정적·준정적 위험 구간(상습 불법주정차 지점, 우회전 음영 구간 등)은 단일 노변 LiDAR 구성의 후속 적용성 검증 후보로 고려할 수 있다. 둘째, ROI·시간 창·이벤트 생성 임계값의 차등 운영이다. 동일한 인프라라도 이벤트 유형별 정합성이 다르므로, 운영 단계에서 위험 유형별 ROI, 시간 창 및 이벤트 생성 임계값의 차등화 필요성을 추가로 검토할 필요가 있다. 셋째, VRU 위험에 대한 보조 검지·중복 검지의 필요성이다. 무단횡단 보행자/PM 유형의 OEC 50.0%는 생성된 VRU 이벤트의 내부 정합성이 제한적으로 관측되었음을 시사하며, 보조 센서 융합, 예측 기반 이벤트 로직, ROI 동적 조정 등의 보완이 검토될 필요가 있다(Han et al., 2021;Ahn et al., 2019).

<Table 5>는 위험 유형별 OEC 특성과 관련 도로·객체 특성, 이에 대응하는 탐색적 설계·운영 함의를 정리한 것이다. 위험 유형별 OEC 수치와 차등 구조는 본 연구의 직접적 실증 결과이나, 적용성 검증 후보 영역과 운영 전략은 그 결과로부터 도출된 탐색적 제안으로 구분하여 해석해야 한다. 이러한 제안은 단일 교차로 자료에 기반한 잠정적 내용이며, 향후 다교차로·다시간대 자료를 통한 검증이 필요하다.

5. 한계

본 연구의 한계는 다음과 같다. 첫째, 단일 교차로·1시간 로그에 기반한 제한된 표본이다. 무단횡단 보행자/PM 유형은 8건으로 Wilson 신뢰구간이 21.5–78.5%에 달해 추정 불확실성이 크며, 본 결과를 모든 교차로 환경의 일반적 성능값으로 확대 해석해서는 안된다. 둘째, OEC는 시스템 내부 두 로그 간 정합성 지표이므로, 객체 로그와 RSA 이벤트 로그가 동일한 센서 측정 오차를 공유할 경우 상관된 오차로 인해 OEC가 과대 추정될 가능성이 있다. 셋째, OEC는 본 연구에서 새롭게 정의된 지표로서 독립 ground truth에 의한 외적 검증 이전 단계에 있으며, 결과는 내부 정합성과 분석 절차의 반복 적용 가능성 범위 내에서 해석되어야 한다. 넷째, 본 연구는 인과 효과 평가가 아니라 내부 정합성 평가이므로, 차량 행태 변화나 사고위험 감소와의 직접적 관계는 별도의 통제된 실험 설계로 검증되어야 한다. 다섯째, 본 연구의 OEC는 생성된 RSA 이벤트를 조건으로 객체 관측치의 지지 여부를 평가하는 단방향 정합성 지표이므로, 객체 관측치상 이벤트 생성 조건을 충족하였음에도 RSA 이벤트가 생성되지 않은 미생성 사례는 평가에 반영되지 않으며, 이벤트 생성 누락률(recall)은 본 지표의 측정 범위밖에 있다. 여섯째, 동일 tracking ID 또는 동일 위험 에피소드에서 복수의 RSA 이벤트가 발생할 수 있으므로 이벤트 간 완전한 통계적 독립성이 보장되지 않을 수 있다. 이에 본 연구의 FFH 정확검정 결과는 제한된 운영 로그에 대한 탐색적 연관성으로 해석하며, 향후 tracking ID 또는 위험 에피소드 단위의 군집구조를 고려한 분석이 필요하다. 일곱째, 매칭 판정이 ± τ 구간 내 1개 이상 프레임의 존재를 기준으로 하므로, 동일 클래스 객체가 우연히 ROI에 포함되는 기회 매칭 가능성을 완전히 배제할 수 없다. 특히 차량 클래스는 관측 빈도가 높아 불법주정차·합류주의 유형의 OEC가 일부 과대 추정되었을 가능성이 있으며, 최소 연속 프레임 기준을 강화한 민감도 분석 또는 이벤트 시각 무작위 이동(time-shift) 기반 우연 매칭률 평가는 후속 과제로 남는다.

6. 후속 연구

첫째, 교차로 유형(4지·3지·회전)별 3–5개소를 대상으로 OEC 변동 범위와 결정 요인을 규명하고 외적 타당성을 확장해야 한다. 둘째, 24시간 이상 장시간 로그를 확보하여 시간대별(주/야, 첨두/비첨두) OEC 변동을 분석해야 한다. 셋째, 비디오 annotation 또는 제3의 독립 관측자료를 활용하여 OEC와 실제 검지 성능 간의 관계를 교차 검증해야 한다. 아울러 객체 관측치상 이벤트 생성 조건 충족 구간을 기준으로 RSA 이벤트 생성 여부를 역방향으로 평가하는 보완 지표를 개발할 필요가 있다. 넷째, OEC와 차량 행태·사고 감소 간 관계를 통제된 실험 설계로 분석해야 한다. 다섯째, <Table 5>의 탐색적 운영·설계 함의를 다교차로 자료로 검증하고, 인프라 단계별 평가 프레임워크(Yoon and Kim, 2026)와의 결합 가능성을 검토할 필요가 있다.

Ⅶ. 결 론

본 연구는 교차로 I2V 환경에서 노변 LiDAR 인프라가 생성하는 객체 로그와 RSA 이벤트 로그 간 정합성을 위험 유형별로 분석하는 로그 기반 프레임워크(OEC)를 제시하고, 실도로 운영 로그에 탐색적으로 적용하였다.

본 연구에서 직접 관측된 핵심 결과는 세 가지이다. 첫째, 위험 유형별 OEC는 불법주정차차량 100.0%, 합류주의차량 73.9%, 무단횡단 보행자/PM 50.0%로 상이하였으며, 3×2 Fisher–Freeman–Halton 양측 정확검정에서 위험 유형과 매칭 여부 간 탐색적 연관성이 관측되었다(p=0.041). 이 순위는 τ = 10 / 20 / 30 s에서 유지되어 P1에 부합하였다. 둘째, OEC 차이는 ROI 체류시간, 관련 객체 프레임 수, 평균속도와 대체로 일관된 대응 양상을 보였으나, 분석이 유형별 기술통계에 기반하므로 이들 보조지표를 직접적 인과 요인으로 해석할 수는 없다(P2 관련). 셋째, 위험 유형별 분석은 전체 통합 OEC 76.2%만으로는 식별할 수 없는 내부 정합성의 이질성을 드러냈다(P3에 부합하는 결과).

실무적으로 정적·준정적 위험은 단일 노변 LiDAR 구성의 후속 적용성 검증 후보로 고려할 수 있다. 반면 동적 VRU 위험에 대해서는 시간 해상도 향상, ROI 동적 조정, 예측 기반 이벤트 로직 및 보조 센서 융합 등의 보완 검토가 필요하다. 또한 RSA 이벤트 설계에서는 위험 유형에 따른 시간 창과 ROI 차등화 필요성을 후속 연구에서 검토할 수 있다. 다만 이러한 함의는 본 연구의 제한된 운영 로그에서 도출된 탐색적 제안이다.

끝으로 OEC는 독립적인 ground truth 기반 검지 성능지표를 대체하지 않으며, 객체 로그와 RSA 이벤트 로그 간 내부 정합성을 평가하는 로그 기반 지표이다. 따라서 본 연구의 결과는 단일 교차로, 1시간 운영 로그, RSA 이벤트 42건이라는 제한된 범위 내에서 해석되어야 한다. 향후 연구는 비디오 annotation 또는 제3의 독립 관측자료를 활용한 OEC 교차 검증과 다교차로·다시간대 확장 분석을 통해 본 프레임워크의 타당성과 적용 범위를 확장할 필요가 있다.