Ⅰ. 서 론
최근 자율주행과 로봇 기술의 발전으로 다양한 신규 이동 수단이 등장하면서 도입 가능성 평가와 운영 계획 수립이 중요해지고 있다. 본 연구에서 신규 이동 수단은 아직 도입되지 않았거나 운행 사례가 제한적이어서 실제 운행 자료를 확보하기 어려운 이동 수단을 뜻한다. 신규 이동 수단은 크기와 최고속도, 가감속 성능 및 회전 구간의 주행 특성이 기존 이동 수단과 다르며 차종 간에도 차이가 크다. 같은 도로 구간이라도 차종에 따라 통행시간이 달라지므로 하나의 서비스 구역에 여러 차종을 함께 투입하려면 차종별 주행 특성을 구분하여 배치 대수와 운행 경로를 결정해야 한다. 본 연구에서는 이처럼 제원과 주행 특성이 서로 다른 둘 이상의 차종으로 이루어진 이동 수단을 다종 모빌리티로 정의한다.
모빌리티 운영 시뮬레이션은 이용자의 출발지·도착지와 요청 시각을 바탕으로 차량을 배차하고 운행 경로와 예상 소요 시간을 산출한다. 그러나 사전에 설정된 링크 속도로 계산되므로 차량의 가감속이나 회전에 따른 속도 변화를 충분히 반영하기 어렵다. 링크 속도가 실제 주행속도보다 높거나 낮으면 통행시간이 실제와 다르게 계산되어 필요한 차량 대수와 이용자 대기시간도 실제와 다르게 산정된다. 기존 이동 수단은 실측 통행속도로 링크 속도를 보정할 수 있으나 신규 이동 수단은 실측 통행속도를 확보하기 어렵다.
물리 시뮬레이션은 차량 형상과 질량, 구동 및 노면 접촉을 고려하여 가상 도로에서의 움직임을 모사한다. 운영 시뮬레이션이 계획한 경로를 물리 환경에서 주행시키면 위치와 속도 등의 자료를 생성할 수 있다. 이를 운영계획에 활용하려면 링크 기반 경로를 차량이 추종할 수 있는 좌표로 변환하고, 차량·경로·링크의 대응 관계를 유지하여 주행 결과를 운영 도로망에 연결해야 한다.
서로 다른 상세 수준의 교통 및 차량 모형을 결합하는 방법(Varga et al., 2023)과 한 시뮬레이터의 결과를 다음 시뮬레이터에 전달하는 순차적 연계(Triebke et al., 2022)는 기존 연구에서 다루어졌다. 기존 연구는 주로 교통류와 차량 거동의 상호작용, 자율주행 시스템 평가 및 상세 수준의 결합에 초점을 두었다. 반면 신규 이동 수단의 운영계획을 물리 주행으로 실행하고, 그 결과를 운영 시뮬레이션에서 활용할 도로망 자료로 변환하는 과정에 관한 연구는 제한적이다.
이에 본 연구의 목적은 실제 운행 자료가 없는 신규 이동 수단으로 구성된 다종 모빌리티의 차종별 주행 특성을 물리 시뮬레이션으로 생성하여 운영 시뮬레이션의 링크 속도에 반영하는 연계 절차를 마련하는 데 있다. 이를 위해 운영 시뮬레이션의 차량별 운행 계획을 물리 시뮬레이션에 전달하고, 관측된 위치와 속도를 운영 도로망의 링크에 대응시켜 링크별·차종별 주행속도로 반환하는 코시뮬레이션 프레임워크를 구축하였다. 차량·경로·링크의 대응 관계를 유지하여 계획 정보와 물리 주행 결과를 비교할 수 있도록 하였다.
프레임워크는 화성시 자율주행 리빙랩 북동부 도로망에 적용하였다. 배차와 경로 계획에는 DTUMOS(Yeon et al., 2023), 물리 주행에는 NVIDIA Isaac Sim을 활용하고 정원·크기·최고속도가 서로 다른 두 차종 20대로 연계 과정을 검증하였다. 연구 범위는 프레임워크 구축과 기능 검증이며, 실차 자료에 의한 물리 시뮬레이션의 정확도 검증과 갱신 도로망을 이용한 운영계획 개선 효과 평가는 후속 연구로 둔다.
제2장은 선행 연구와 본 연구의 기여를, 제3장은 프레임워크 구조와 데이터 교환 방법을 설명한다. 제4장은 구현 환경과 실험 조건 및 주행 결과를 제시하고, 제5장은 주요 결과와 한계 및 향후 과제를 정리한다.
Ⅱ. 관련연구
1. 모빌리티 운영 시뮬레이션 및 물리 시뮬레이션
모빌리티 운영 시뮬레이션은 통행 수요에 차량을 배정하고 경로와 통행시간을 산출하여 이동 서비스를 분석한다. DTUMOS는 경로 계산과 학습 기반 도착시간 추정을 결합한 대규모 차량 운영 구조를 제시하였으며(Yeon et al., 2023), POLARIS는 통행 수요, 네트워크 공급 및 교통 운영을 에이전트 기반 모형으로 통합하였다(Auld et al., 2016). SimMobility 기반 연구에서는 자율주행 수요응답형 서비스의 도입 효과를 도시 규모에서 분석하였다(Oh et al., 2020). 이러한 접근은 다수 차량의 운영 분석에 유용하지만 개별 차량의 움직임은 주로 링크 통행시간이나 속도로 단순화한다.
신규 이동 수단의 특성을 고려한 서비스 범위, 운영 규모 및 경로 결정 연구도 수행되었다. 개인형 이동 수단의 서비스 구역과 운영 대수를 결정한 연구(Han et al., 2024), 전동킥보드에 적합한 도로망 계획을 분석한 연구(Fazio et al., 2021), 전동 킥보드 공유 서비스의 에이전트 기반 모형을 비교한 연구(Tzouras et al., 2023), 전기차 기반 자율주행 대중교통의 경사도를 고려한 경로 산정 방법(Ku et al., 2022)이 그 예이다. 이들은 운영 및 네트워크 계획 방법을 제시하지만, 개별 차량의 상세한 물리 주행 특성을 운영계획과 직접 연결하는 데에는 한계가 있다.
물리 시뮬레이션은 차량이나 로봇의 형상, 질량, 구동계 및 접촉 조건을 고려하여 움직임을 계산한다. GPU 병렬 처리를 활용한 Isaac Gym(Makoviychuk et al., 2021)과 Isaac Sim 기반 로봇 학습 프레임워크 Orbit(Mittal et al., 2023)이 그 사례이다. 다만 주행 결과에는 차량 특성뿐 아니라 제어 방식과 가상환경도 영향을 미치므로, 계획 경로의 실행 여부를 확인하는 기능 검증과 실차 움직임의 재현 정확도 검증을 구분해야 한다.
2. 시뮬레이터 연계 및 상세 수준 결합
코시뮬레이션은 목적과 상세 수준이 다른 모형을 데이터 교환과 실행 제어로 연계하는 접근이며, 전달 방향과 교환 시점 및 시간 진행 방식을 고려하여 설계한다(Gomes et al., 2018). 연결·자율주행차 분야에서도 시뮬레이터의 역할 구분, 재현성, 데이터 처리 및 시스템 통합의 과제가 검토되었다(Ashayer et al., 2025).
상세 수준이 다른 모형을 결합할 때는 네트워크와 차량 상태의 일관성이 중요하다. 메조·미시 교통 모형을 결합한 연구에서는 네트워크 표현, 경로 선택 및 경계에서의 차량 이동을 일관되게 처리해야 함을 제시하였고(Burghout et al., 2005), SUMO, OMNeT++ 및 Webots를 연계한 플랫폼에서는 교통 흐름, 차량 간 통신 및 개별 차량의 움직임을 함께 모사하였다(Jia et al., 2021).
국내에서는 교통류 및 주행 시뮬레이션을 연계하여 자율주행차와 일반차량이 혼재한 도로의 안전성을 평가하였고(Gu et al., 2024), CarMaker와 VISSIM으로 보수적 자율주행이 주변 차량 안전과 교통류에 미치는 영향을 분석하였으며(Sim et al., 2025a), 실제 차량까지 실시간으로 연계한 VILs 환경의 실증 평가 적용 가능성을 검토하였다(Sim et al., 2025b). 이들은 상세 차량 거동과 주변 교통 환경의 상호작용을 분석하기 위한 연계 사례이다.
도로환경이 주행 안전에 미치는 영향을 시뮬레이션으로 평가한 연구도 수행되었다. 곡선반경과 주행속도 등 도로환경 요인을 조합한 시나리오에서 차로 이탈량과 최소 충돌 소요 시간으로 사고가 발생하는 임계 상황을 검증하였고(Park et al., 2023), 자율주행 시뮬레이터로 곡선반경·종단경사 및 서비스 수준에 따른 자율주행차와 자율주행 버스의 충돌 위험을 평가하여 도로환경 적합도를 제시하였다(Lim et al., 2025). 두 연구는 도로환경 요인별 주행 안전성을 평가 대상으로 하며, 평가 결과를 도로 설계·운영과 경로 계획에 활용할 가능성을 제시하였으나 주행 결과를 운영 시뮬레이션의 도로망 속도로 반영하는 절차는 다루지 않았다.
계산 효율성을 높이기 위해 상세 수준을 선택적으로 적용하는 연구도 있다. 차량 동역학 모형과 메조 교통 모형의 연계(Varga et al., 2023)와 교통 상태에 따라 링크별 미시·메조 모형을 동적으로 배정하는 방법(Kim et al., 2026)이 제안되었다. 이러한 구조는 분석 목적에 따라 상세 계산의 대상과 범위를 조정한다.
실행 중 차량 상태를 교환하는 방식에는 시간과 상태의 동기화가 필요하다. 순차적 연계는 앞선 실행 결과를 다음 시뮬레이터의 입력으로 전달하며, MATSim과 SUMO를 순차적으로 연계하여 하루 단위 차량 주행 프로파일을 구성한 사례가 있다(Triebke et al., 2022). 이 방식은 실시간 동기화 없이 시뮬레이터의 결과를 단계적으로 연결한다.
3. 본 연구의 범위 및 기여
<Table 1>
Coupling approaches and the scope of this study
| Approach | Studies | Purpose and scope |
|---|---|---|
| Sequential coupling | Triebke et al.(2022) | Pass simulation outputs to a subsequent simulator; adopted here for plan transfer and result aggregation. |
| Multi-fidelity / multi-resolution | Varga et al.(2023); Kim et al.(2026) | Combine or dynamically assign levels of detail for computational efficiency. |
| Traffic–vehicle coupling | Gu et al.(2024); Sim et al.(2025a) | Link traffic flow and vehicle behavior to evaluate interactions and safety |
| Real-time / VIL coupling | Sim et al.(2025b) | Synchronize traffic, vehicle dynamics and real vehicles for testing and validation. |
| Simulation-based road environment evaluation | Park et al.(2023); Lim et al.(2025) | Evaluate crash thresholds and road suitability under road environment factors using vehicle driving simulation. |
| Operations–physics coupling | This study | Execute dispatched routes in physics simulation; preserve vehicle–route–link correspondence and return link speeds by vehicle type to the operations network. |
선행 연구와 본 연구의 범위는 <Table 1>과 같다. 기존 연구가 교통류와 차량의 상호작용, 자율주행 평가 및 계산 효율성을 중심으로 발전한 데 비해, 본 연구는 신규 이동 수단의 운행 계획을 물리 주행으로 실행하고 그 결과를 운영 시뮬레이션이 활용할 도로망 자료로 변환하는 과정에 초점을 둔다. 시뮬레이터 간 데이터 전달과 변수 갱신은 교통류와 차량 거동의 연계를 중심으로 개발되어 왔으나, 배차·경로 계획의 단위인 차량·운행 구간·링크에 물리 주행의 관측값을 대응시켜 차종별 링크 속도로 반영하는 절차를 제시한 연구는 제한적이다.
주요 기여는 세 가지이다. 첫째, 다종 모빌리티를 하나의 절차로 다룰 수 있도록 두 시뮬레이션 간 차량·차종·경로 및 계획 정보의 데이터 구조와 전달 절차를 정의하였다. 둘째, 주행 결과를 운행 계획과 운영 도로망에 연결하는 차량·경로·링크의 대응 관계를 구축하고 관측 속도를 링크와 차종 단위로 집계하여 도로망에 반영하는 규칙을 정식화하였다. 셋째, 계획 전달부터 물리 주행, 링크별 집계 및 도로망 갱신까지 구현하고 실제 도로망에서 복수 차종과 다수 차량으로 기능을 검증하였으며 고정된 링크 속도를 가정한 계획과 차종별 통행시간을 비교하였다.
검증 범위는 연계 기능의 구현과 작동 여부이다. 실차 자료에 의한 정확도 검증, 실행 도중 물리 계산 대상 차량의 조정 및 갱신 도로망을 활용한 재배차와 운영계획 개선 효과 평가는 후속 연구로 둔다.
Ⅲ. 연구 방법 및 프레임워크 설계
1. 연구 절차 및 설계 원칙
프레임워크는 운영계획 생성, 경로 변환, 물리 주행, 주행 자료 집계 및 도로망 갱신으로 구성하였다. 차량 식별정보, 운행 경로, 계획 시각 및 기준 속도를 물리 시뮬레이션에 전달하고, 관측된 위치와 속도를 운영 도로망의 링크에 대응시켜 링크별·차종별 주행속도를 산출하였다.
두 시뮬레이션에서 동일한 차량과 경로를 추적하도록 차량·차종·운행 구간의 식별정보를 유지하였다. 운행 계획과 운영 도로망은 보존하고 물리 주행 결과와 갱신 도로망을 별도로 생성하여, 계획 조건과 주행 결과를 비교할 수 있도록 하였다.
도시 규모 운영 모형과 상세 물리 모형의 계산량 차이를 고려하여 평가 대상 차량에 물리 계산을 선택적으로 적용하는 구조를 설계하였다(Kim et al., 2026). 사례 실험에서는 선정한 차량을 모두 물리 환경에서 주행시켰으며, 실행 도중 차량을 물리 시뮬레이션에 추가하거나 제외하는 조정은 하지 않았다. 검증은 연계 절차의 작동 여부를 확인하는 기능 검증으로 한정하고 실차 재현 정확도 검증과 구분하였다(Sargent, 2011).
본 연구의 가정과 제한 조건은 다음과 같다. 통행 수요는 실제 이용 자료가 아닌 무작위 출발지·도착지 쌍으로 생성하였다. 운영 시뮬레이션의 계획 단계에서는 모든 링크에 같은 기준 속도를, 두 차종 모두에 정원 1명을 적용하였다. 물리 환경에는 대상 차량만 주행시키고 일반 차량과 보행자, 신호 운영 및 연석은 포함하지 않았다. 차량의 질량·바퀴·마찰 등 물리 파라미터는 설계 제원과 3차원 모델에서 설정한 값이며 실차 시험으로 보정하지 않았다. 모든 차량에 같은 경로 추종 제어기를 적용하였다. 따라서 관측 속도는 이 조건에서 차량 제원과 도로 형상이 반영된 주행속도이며 교통 혼잡과 신호 지체는 포함하지 않는다.
2. 시뮬레이터 연계 구조
<Fig. 1>의 운영 시뮬레이션은 통행 수요에 차량을 배차하고 경로와 계획 시각을 생성한다. 연계 모듈은 차량·차종·운행 구간의 식별정보를 유지하면서 링크 순서로 표현된 경로를 물리 주행용 좌표로 변환한다. 이때 좌표와 해당 링크의 대응 관계를 보존하여 주행 결과를 해당 링크에 연결한다.
차종 정보는 공통 식별자로 연결한다. 운영 시뮬레이션은 정원, 배차 방식 및 실험 설계 최고속도를, 물리 시뮬레이션은 차량 형상, 질량 및 구동 파라미터를 사용한다. 현재 구현에서는 차종별 제원을 각각 입력하며 자동 연동은 향후 확장 기능으로 두었다. 차종의 수와 제원은 프레임워크의 구조에 고정되어 있지 않고 입력으로 주어지므로, 차종이 추가되면 해당 차종의 제원과 물리 모델을 등록하여 같은 절차를 적용한다. 이 구조로 다종 모빌리티를 하나의 연계 절차로 다루며, 본 연구에서는 제원이 다른 두 차종으로 이를 검증하였다.
관측된 위치와 속도는 차량별 경로를 이용하여 링크별·차종별 평균 주행속도로 집계하고, 운영 도로망의 사본에 반영하여 갱신 도로망(updated network)을 생성한다. 구현 범위는 이 단계까지이며, 갱신 도로망을 이용한 재배차와 반복적인 운영계획 갱신은 후속 연구로 둔다.
3. 입력 데이터 및 공간 정보 구성
입력자료는 도로 및 공간정보, 도로망 그래프, 통행 수요, 차종 제원 및 물리 차량 모델이다. 동일한 공간정보에서 운영 시뮬레이션의 방향별 링크와 물리 시뮬레이션의 3차원 도로면을 구축하여 공간적 대응 관계를 유지하였다. 도로면은 경계와 표고 정보로 메시를 생성하고 차량과의 접촉을 계산하도록 구성하였다.
통행 수요는 출발지·도착지와 요청 시각으로 표현하며 차종 정보와 함께 배차와 경로 계산에 사용한다. 사례연구에는 무작위 수요와 두 종류의 신규 이동 수단 모델을 적용하였으며 구체적인 자료와 조건은 제4장에서 설명한다.
두 시뮬레이션은 공통 좌표체계를 사용한다. WGS84 경위도는 UTM 투영 좌표를 거쳐 물리 시뮬레이션의 로컬 원점 기준 미터 단위 좌표로 변환하였다. 도로 표고는 경로와 도로면의 공간적 대응에 활용하고, 차량의 수직 위치는 도로면 접촉 계산으로 결정하였다.
4. 데이터 교환 및 도로망 갱신
데이터 교환의 기본 단위는 차량별 운행 구간이며, 단계별로 교환되는 자료의 구성은 <Fig. 2>와 같다. 각 구간은 차량·차종·운행 구간·승객 식별정보, 운행 유형, 계획 출발·도착 시각, 통과 링크 순서 및 경로 좌표를 포함한다. 좌표별 링크 정보를 보존하여 관측값을 운행 구간과 링크에 대응시켰으며, 식별자 중복, 참조 대상의 존재 및 차종 코드의 등록 여부를 점검하였다.
<Table 2>
Criteria for route conversion
| Step | Criterion | Application |
|---|---|---|
| Centerline interpolation | 2m spacing | Sample each link centerline |
| Lane-side adjustment | Up to 1.8m | Shift toward the right-hand traffic side |
| Boundary margin | 1.0m; relax to 0.6m, then 0.3m | Reduce the margin in narrow section. |
| Boundary correction | Up to 3m inward | Move remaining out-of-road points inward |
| Heading smoothing | 8m window; heading variation ≥ 40°, net change < 25° | Straighten only within the safe road area |
| Segment connection | Gap > 20m | Add a shortest-path repositioning segment |
링크 기반 경로는 중심선을 일정 간격으로 보간한 뒤 우측통행과 도로 경계 여유를 고려하여 연속 좌표로 변환하였다. 급격한 방향 변화와 짧은 구간에서 방위가 반복해 바뀌는 굴곡은 도로 경계 안에서 보정·평활화하였다. 운영 시뮬레이션의 운행 계획은 승객을 태운 운행 구간만 포함하므로, 앞 구간의 도착점과 다음 구간의 출발점 사이는 비어 있다. 이 구간은 도로망의 최단 경로로 만든 공차 이동 구간으로 이었다. 주요 기준값은 <Table 2>와 같다.
물리 주행 중 차량별 시각, 위치, 속도, 방위, 정지 여부 및 추종 좌표의 순번을 기록하였다. 각 관측값은 좌표의 대응 정보를 이용하여 운행 구간과 링크에 연결하고, 링크·차종별 표본 수, 평균 속도와 정지 횟수를 집계하였다.
링크 에 대응된 차종 의 관측값 가운데 속력이 0.3m/s 이상인 이동 표본의 집합을 라 하면, 차종별 링크 속도 와 차종 통합 링크 속도 은 식 (1)과 식 (2)로 산출한다. 여기서 는 관측값 의 속력이다. 관측값은 0.2초의 일정한 간격으로 기록되므로 식 (1)의 평균은 이동 거리를 이동 시간으로 나눈 값과 같다.
갱신 도로망의 링크 속도 은 식 (3)과 같이 이동 표본이 개 이상인 링크에서만 관측 평균으로 바꾸고 나머지 링크에서는 기존 속도 을 유지한다. 본 연구에서는 와 속도 하한 km/h를 적용하였다.
차종별 속도 도 인 링크에서 같은 방식으로 산출하여 통합 속도와 별도의 속성으로 갱신 도로망에 기록하고, 기존 속도와 표본 수를 함께 보존하였다. 갱신 속도에는 가감속, 회전, 제어 방식 및 물리 환경의 영향이 포함되므로 해당 실험 조건의 평균 주행속도로 해석한다. 운영 시뮬레이션의 경로 계산에 쓰이는 링크 속도에는 통합 속도를 적용하였다. 통합 속도는 두 차종의 표본 수로 가중된 값이어서 어느 차종의 주행속도와도 일치하지 않으므로 차종별 속도를 함께 기록하고 두 속도를 적용할 때의 통행시간 차이를 제4.4절에서 비교하였다.
갱신 전후 차이는 식 (4)의 통행시간 비율 로 평가한다. 여기서 는 비교 대상 링크의 집합, 은 링크 길이이며 차종별로 비교할 때에는 대신 를 사용한다.
두 시뮬레이션은 확정된 운행 계획을 물리 주행의 입력으로 전달하고, 주행 완료 후 결과를 도로망에 반영하는 순차적 연계 방식을 따른다(Triebke et al., 2022). 실행 중 차량 상태를 교환하는 실시간 동기화를 적용하지 않은 이유는 다음과 같다. 운영계획 평가에 필요한 자료는 링크 단위의 평균 주행속도이며 이는 주행이 끝난 뒤의 집계로 얻을 수 있다. 물리 시뮬레이션은 계산 속도가 실제 시간보다 느려 실행 중 교환을 적용하면 운영 시뮬레이션의 진행이 물리 시뮬레이션의 계산 속도에 제한된다. 확정된 계획을 입력으로 고정하면 같은 입력에서 같은 결과가 나오는지를 확인할 수 있어 연계 절차의 검증에 적합하다. 이 방식에서는 물리 주행에서 생긴 지연이 이후의 배차와 경로에 반영되지 않는다. 링크 속도는 개별 차량의 주행에서 산출되므로 지연의 영향은 제한적이나, 대기시간과 같은 서비스 지표는 갱신 도로망으로 다시 계획한 뒤에 평가해야 한다.
Ⅳ. 구현 결과 및 검증
1. 구현 환경 및 검증 개요
연계 프레임워크를 화성시 자율주행 리빙랩 도로망에 구현하고, 운행 계획의 물리 환경 실행부터 주행 결과의 도로망 반영까지 검증하였다. 실험은 차종별 기능 확인, 다수 차량의 동시 주행, 전체 운행 계획 수행의 순서로 확대하였다.
연계 모듈은 DTUMOS(Yeon et al., 2023)에 구현하고 물리 주행은 NVIDIA Isaac Sim 5.1에서 수행하였다. 계산 환경은 AMD Ryzen 7 9700X CPU와 NVIDIA GeForce RTX 4060(8GB) GPU 1대이다. 리빙랩 북동부 전용지도의 차로 경계와 표고로 물리 도로면을 구축하고 동일 범위의 운영 도로망을 구성하였으며, 두 시뮬레이션의 실행 화면은 <Fig. 3>과 같다. 도로망은 1,039개 노드와 3,077개 방향별 링크, 총연장 120.9km이다.
차량은 <Fig. 4>에 보인 피커프로젝트의 초소형 다용성 모빌리티 플랫폼 TRINY와 공유 가능한 개인형 이동장치 BILINY를 각각 Model A와 Model B로 표기하였다. 두 차종은 설계 제원은 있으나 도로 운행 자료가 확보되지 않아 본 연구가 정의한 신규 이동 수단에 해당한다. Model A는 정원 3명의 합승형이고 Model B는 정원 1명의 단독형이다. 두 차종은 정원, 배차 방식, 차체 크기, 바퀴 구성 및 최고속도가 서로 달라 제원이 다른 차종을 하나의 절차로 연계할 수 있는지를 확인하는 대상으로 선정하였다. 실험 설계 최고속도는 각각 30km/h와 15km/h이다. 제조사가 제시한 최고속도는 Model A가 25km/h, Model B가 착석 시 13km/h와 기립 시 25km/h이나, 두 차종은 운행 실적이 없어 실제 주행속도를 실측할 수 없다. 이에 Model A는 운영 도로망의 계획 기준 속도와 같은 30km/h를 상한으로 두고 20km/h를 함께 실험하였으며, Model B는 착석 시 최고속도에 가깝게 15km/h로 두었다. 프레임워크는 최고속도를 차종별 입력값으로 받으므로 실측 주행속도가 확보되면 값을 바꾸어 같은 절차를 적용할 수 있다. 적용 자료와 주요 제원은 <Table 3>과 <Table 4>에 제시하였다.
<Table 3>
Source data and their use in the Hwaseong case
| Source | Content | Operations use | Physics use |
|---|---|---|---|
| Driving support map | 3D road boundaries and lane geometry; kerbs and signals excluded | Directed lane graph | Road mesh, elevation and colliders |
| Road network | City: 6,882 nodes, 19,977 links, 1,053.6km; case: 1,039 nodes, 3,077 links, 120.9km | Routing, dispatch and travel time | Route links and observation aggregation |
| Travel demand | Synthetic OD pairs over a 1-hour period; 30 requests (Exp. 1), 200 (Exp. 2–3) | Demand and dispatch | Dispatched routes |
| Vehicle specifications and models | Attributes for each vehicle type | Capacity, dispatch mode and design maximum speed(experimental setting) | 3D model and physical parameters |
<Table 4>
Vehicle types and design specifications
| Attribute | Model A (shared pod) | Model B (single pod) |
|---|---|---|
| Design capacity / dispatch | 3 / pooling | 1 / single |
| Manufacturer maximum speed | 25km/h | 13km/h seated, 25km/h standing |
| Design maximum speed (experimental setting) | 30km/h | 15km/h |
| Design size (L×W×H) | 1.85×1.20×1.50m | 1.33×0.87×1.30m |
| Mass | 120kg | 136kg |
실험 1은 차종별 1대를 반복 실행하여 경로 전달과 주행의 일관성을 확인하였다. 실험 2는 차종별 10대씩 총 20대로 경로 조건과 속도 설정의 영향을 비교하였다. 실험 3은 보완된 조건에서 20대의 전체 운행 계획을 수행하여 주행 결과의 집계와 도로망 갱신까지 검증하였다.
1) 실험 시나리오 및 수행 조건
동일 입력 조건에서 연계 절차를 검토하도록 통행 수요를 무작위로 생성하였다. 출발지와 도착지는 직선거리 300m 이상인 노드 쌍에서 선정하고 요청 시각은 1시간의 시뮬레이션 기간 안에 균등 배정하였다. 실험 1과 실험 2에는 각각 30쌍과 200쌍을 사용하였다. 배차에서는 두 차종 모두 정원 1명을 적용하고, 모든 링크의 기준 속도를 30km/h로 두어 링크 길이로부터 계획 통행시간을 산출하였다.
경로는 제3.4절의 조건으로 변환하고 실험 2에서 적용 전후를 비교하였다. 경로 좌표와 관측 위치를 링크에 대응시킬 때에는 가까운 링크 가운데 진행 방향이 같은 링크를 선택하였다. 방향별 링크가 같은 도로 중심선을 따라 놓여 있어 거리만으로 대응시키면 반대 방향 링크가 선택되기 때문이다. 실험 1의 경로에서 거리만으로 대응시킨 경우 전체 길이의 46% 이상이 반대 방향 링크에 연결되었으나, 진행 방향 조건을 더한 뒤에는 0.1%로 줄었다. 초기 실험에는 차량별 운행 계획 앞부분에서 구간 길이의 합이 2.5km 이상이 되도록 추출한 부분 계획을, 실험 3에는 전체 계획을 입력하였다.
실험별 조건은 <Table 5>와 같다. 실험 1의 부분 계획은 Model A 2개 구간 3,158.7m, Model B 3개 구간 3,073.3m였으며 출발 간섭을 줄이기 위해 Model B를 3초 늦게 출발시켰다.
실험 2의 출발점은 기존 설정 8곳과 무작위 노드 12곳이다. 승객 200명의 배차 계획은 110개 구간, 104.82km였으며 이 중 부분 계획을 사용하였다. 경로 보완 전 A_03은 계획된 출발점의 경계 단차에 걸려 경로를 따라 30m 앞에 배치하였다. 각 실행은 같은 초기 장면에서 시작하여 145초에 종료하였다.
경로 보완 후에는 모든 차량을 계획된 출발점에 배치하고 Model A의 최고속도 30km/h와 20km/h를 각각 한 차례 실행하였으며, Model B의 최고속도는 모든 실험에서 15km/h로 두었다. 실험 3은 운행 구간 110개와 공차 이동 구간 25개를 포함한 전체 계획 139.47km에 Model A 최고속도 20km/h를 적용하여 3,600초 동안 실행하였다. 결과는 차량별 출발부터 완주까지의 관측값으로 집계하였다.
<Table 5>
Verification experiments
| Item | Exp. 1 | Exp. 2 before adj. | Exp. 2 after adj. | Exp. 3 full plan |
|---|---|---|---|---|
| Vehicles (A + B) | 1 + 1 | 10 + 10 | 10 + 10 | 10 + 10 |
| Passenger requests | 30 | 200 | 200 | 200 |
| Route segments / length | 5 / 6.23km | 66 / 56.26km | 61 / 57.08km | 135 / 139.47km |
| Model A speed limit | 30km/h | 30km/h | 30 or 20km/h | 20km/h |
| Start condition | B delayed 3s | A_03 moved 30m | None | None |
| Runs | 5, identical | 2, identical | 1 per speed limit | 1 |
| Duration per run | 145s | 145s | 145s | 3,600s |
| Samples per run | 1,450 | 14,500 | 14,500 | 360,000 |
물리 속성과 제어 설정은 <Table 6>과 같다. <Table 4>의 치수는 차체 설곗값이며, 물리 모델의 축 정렬 경계 상자는 문과 캐노피를 포함한 전체 외곽 크기이다. 제어기는 전방 주시점까지의 방위 오차에 따라 좌우 바퀴의 목표 각속도를 다르게 지정하고 오차가 커질수록 목표 속도를 낮춘다. 횡방향 오차가 2.5m를 넘으면 목표 속도를 2.5m/s로 제한하였다.
자세 안정화를 위해 방위 오차에 비례한 회전 각속도를 최대 50°/s로 직접 지정하고 롤·피치 각속도는 0으로 두었다. 위치와 이동 속도는 물리 엔진이 계산한다. 제3.4절의 관측 항목에 실제 경과 시간과 물리 계산 간격을 추가하여 5Hz로 기록하고, 속력은 연속 표본의 수평 이동 거리를 시간 간격으로 나누어 산출하였다.
2. 운행 경로 연계 및 물리 주행 검증
변환 전 경로는 좌표가 도로면 안에 있는지와 한 차량의 운행 구간이 서로 이어지는지를 점검하였다. 허용 오차 0.5m를 두면 모든 좌표가 도로면 안에 있었으나, 좌표의 34.6%는 도로 경계에서 1m 이내에 있어 경계에 지나치게 가까웠다. 또한 20대 중 9대에서 앞 구간의 도착점과 다음 구간의 출발점이 이어지지 않는 단절이 확인되었다. 이에 경로를 경계에서 안쪽으로 물리는 경계 여유를 두고, 떨어진 구간 사이에는 공차 이동 구간을 추가하였다.
이 두 조치에 평활화까지 적용한 결과, 부분 계획의 좌표 28,616개와 전체 계획의 좌표 69,906개는 모두 도로 경계에서 0.40m 이상 안쪽에 놓였고, 경계 1m 이내 좌표의 비율은 34.6%에서 0.14%로 줄었다. 단절되었던 구간은 모두 이어져 앞 구간과 다음 구간 사이 간격이 10m를 넘는 곳은 없었다. 8m 구간 안에서 방위가 40° 이상 바뀌는 굴곡도 부분 계획에서 210개에서 33개로 줄었다.
<Table 6>
Physics and controller parameters
| Parameter | Model A | Model B |
|---|---|---|
| Physics engine | Isaac Sim 5.1 (PhysX); temporal Gauss–Seidel solver; GPU dynamics and broadphase; synchronous 60Hz updates; gravity 9.81m/s2; continuous collision detection | |
| Road and ground | Road mesh and background ground: triangle-mesh colliders without approximation; lane markings: no collision | |
| Mass | 120kg | 136kg |
| Rigid bodies | 7: body, 2 doors, 4 wheels | 9: body, glass, window, handle, trunk door, 4 wheels |
| Model size (L×W×H) | 2.09×1.97×1.50m | 1.58×1.44×2.37m |
| Centre of mass height | 0.673m | 0.685m |
| Wheel radius | 0.171m | Front 0.143m; rear 0.213m |
| Wheel material (static / dynamic friction; restitution) | 1.3 / 1.1; 0.1 | 1.0 / 0.8; 0.3 |
| Wheel drive | 4 revolute velocity-drive joints; damping 2,000N·m·s/deg; stiffness 0; torque limit 150N·m; 16 position iterations per body | |
| Design maximum speed (experimental setting) | 30km/h | 15km/h |
| Controller | Look-ahead 5–11m; steering gain 1.9; wheel-speed difference ratio ≤ 0.6; target acceleration 0.5m/s2; speed limit 2.5m/s for lateral offset > 2.5m; yaw-rate gain 1.6, limit 50°/s; roll and pitch rates 0 | |
| Controller wheel radius | 0.1715m | 0.207m |
| Observation (5Hz) | Time, position, height, speed from position differences, heading, halt flag, route index, wall-clock time and physics step | |
정지 사건은 출발 5초 이후 속력 0.3m/s 미만이 10초 이상 지속된 경우, 경로 이탈은 최대 횡방향 오차가 5m를 넘은 경우로 정의하였다. 횡방향 오차는 추종 좌표 뒤 30m와 앞 60m의 경로 선분까지의 최소 거리로 산출하였다. 속도 제한의 기능 점검을 위해 본 연구에서는 설정 최고속도의 105%를 넘는 표본이 차량별 1% 미만인지를 점검 기준으로 설정하였다.
실험 1의 5회 반복에서 실제 경과 시간을 제외한 관측값은 모두 일치하였다. <Fig. 5>와 같이 Model A와 Model B의 횡방향 오차 RMS(root mean square)는 각각 0.47m와 0.32m, 이동 중 평균 속도는 25.3km/h와 12.7km/h였다. 두 차종 모두 정지·이탈 및 실험 설계 최고속도의 105%를 초과한 표본은 없었다.
실험 2의 경로 보완 전에는 정지 7건과 이탈 2건이 발생하였다. 보완 후에는 이탈이 사라졌으나 Model A 최고속도 30km/h에서 5대에 6건의 정지가 발생하였다. <Table 7>에 정리한 바와 같이 20km/h에서는 20대 모두 정지·이탈 없이 주행하고 횡방향 오차 RMS 중앙값이 보완 전 0.54m에서 0.14m로 감소하였다.
보완 전 정지 7건은 <Fig. 6>과 같이 모두 도로 경계 1m 이내 또는 도로면 밖에서 발생하였다. 일부 지점에는 도로면과 배경 지면 사이에 0.11~0.23m의 단차가 있었고 방향이 크게 변하는 회전 구간에서도 정지가 발생하였다. 보완 후 기존 정지 지점의 경로 이격거리는 모두 0.98m 이상이었다. 이에 전체 계획 실험에는 보완 경로와 Model A 최고속도 20km/h를 적용하였다.
<Table 7>
Fleet driving outcomes before and after route adjustment
| Measure | Before (A 30km/h) | After (A 30km/h) | After (A 20km/h) | Full plan (A 20km/h) |
|---|---|---|---|---|
| Stop events / affected vehicles | 7 / 7 | 6 / 5 | 0 / 0 | 4 / 3 |
| Vehicles stopped at run end | 4 | 2 | 0 | 0 |
| Vehicles with departure (> 5m) | 2 | 0 | 0 | 0 |
| Vehicles without stop or departure | 11 | 15 | 20 | 17 |
| Lateral RMS error (m), median / max | 0.54 / 12.98 | 0.32 / 1.99 | 0.14 / 0.47 | 0.16 / 0.68 |
| On-road samples (%), median / min | 91.8 / 20.1 | 100 / 47.3 | 100 / 97.9 | 100 / 93.4 |
| Total distance (km) | 11.62 | 13.15 | 12.97 | 138.45 |
| Time / time at speed limit, median | 1.48 | 1.12 | 1.06 | 1.04 |
| Samples > 105% of speed limit (%), max | 0.97 | 1.24 | 0.00 | 0.10 |
3. 전체 운행 계획 수행 및 도로망 갱신
전체 계획 135개 구간, 139.47km를 실행한 결과 20대 모두 경로를 완주하였으며 완주 시간은 171~2,782초였다. 관측 주행거리는 총 138.45km였고 경로 이탈은 없었으나, 완주 전 3대에서 정지 4건이 발생하였다.
완주 전 관측값 154,702개는 모두 운행 구간과 운영 도로망의 링크에 집계되었다. 이를 바탕으로 <Fig. 7>에 나타낸 1,223개 링크, 58.86km의 속도를 갱신하였으며, 갱신 도로망 생성에는 5.3초가 소요되었다. 갱신 속도의 중앙값은 15.4km/h였고 101개 링크 (8.3%)에서 10km/h 미만이었다.
기능별 검증 결과는 <Table 8>과 같다. 실험 2의 보완 전 동일 조건 2회에서 관측값 14,500개가 일치하였고, 링크 집계율은 경로 보완 전 95.6%에서 보완 후 100%로 증가하였다. 전체 계획에서도 입력 전달부터 주행자료 집계와 도로망 갱신까지 작동하였다. 다만 실험 전반에서 일부 표본의 링크 방향 불일치와 30km/h 조건의 속도 제한 초과가 확인되었다.
<Table 8>
Summary of functional verification
| Verification item | Criterion | Result |
|---|---|---|
| Route integrity | Connected route; points within road area | After adjustment: minimum margin 0.40m; no gap > 10m |
| Repeatability | Identical samples for identical inputs, excluding wall-clock time | Exp. 1: 5 runs identical; Exp. 2 before adjustment: 2 runs identical |
| Time-step consistency | Constant physics and logging intervals | 1/60s and 0.2s throughout; real-time factor 0.31–0.45 |
| Path following | Stops, departures and route completion | Adjusted 20km/h run: no stop or departure; full plan: 20/20 completed, 4 stops |
| Speed-limit check | Study-defined: < 1% of samples exceed 105% of the speed limit | Met except after adjustment at 30km/h (1.24%); full plan: ≤ 0.10% |
| Link aggregation | Assign samples within 8m; check travel direction | Full plan: 100% assigned; opposite-direction moving samples: 0.28–1.23% across experiments |
| Network update | ≥ 5 moving samples per link; retain original values | 1,223 links, 58.86km updated; type-specific speeds on 804 (Model A) and 983 (Model B) links |
4. 차종 및 경로 특성에 따른 주행 결과
실험 3에서 정지·이탈이 없었던 Model A 9대(62.67km)와 Model B 8대(55.48km)의 자료를 회전각별로 분석하였다. 회전각은 추종 경로의 전·후 10m 지점 간 방위 차이로 정의하고, 출발 가속 구간과 10초 이상 진행하지 못한 이후의 표본은 제외하였다. 결과는 <Table 9>에 제시하였다.
회전각 10° 미만에서 Model A와 Model B의 평균 속도는 설정 최고속도의 99%와 98%였으나, 60° 이상에서는 75%와 72%(15.0km/h와 10.8km/h)로 감소하였다. 회전각이 증가할수록 감속과 횡방향 오차도 증가하였다.
같은 거리를 관측 평균 속도로 주행할 때 계획 기준 속도 30km/h 대비 통행시간 비율은 Model A에서 1.51배에서 2.00배로, Model B에서 2.03배에서 2.77배로 증가하였다. Model A에는 최고속도를 20km/h로 낮춘 영향이 포함된다. 이 결과는 차종별 속도 조건과 경로 형상이 주행속도에 반영되며, 이를 링크 속도로 집계하여 운영 도로망에 전달할 수 있음을 보여준다. 다만 관측 차이에는 경로 추종 제어의 영향도 포함된다.
<Table 9>
Driving characteristics by turn angle in Experiment 3
| Vehicle | Turn angle | Sample share (%) | Speed / limit (A 20, B 15km/h) | Time ratio (vs. 30km/h plan) | Decel. p5 (m/s2) | Lateral accel. p95 (m/s2) | Mean lateral error (m) |
|---|---|---|---|---|---|---|---|
| Model A | <10° | 82.2 | 0.99 | 1.51 | 0.12 | 0.28 | 0.03 |
| Model A | 10° to 30° | 6.3 | 0.96 | 1.56 | 0.22 | 1.21 | 0.14 |
| Model A | 30° to 60° | 5.5 | 0.92 | 1.64 | 0.49 | 1.72 | 0.24 |
| Model A | ≥60° | 6.0 | 0.75 | 2.00 | 2.01 | 2.43 | 0.45 |
| Model B | <10° | 78.5 | 0.98 | 2.03 | 0.14 | 0.19 | 0.02 |
| Model B | 10° to 30° | 7.8 | 0.93 | 2.15 | 0.39 | 0.61 | 0.07 |
| Model B | 30° to 60° | 6.1 | 0.86 | 2.33 | 0.58 | 0.93 | 0.09 |
| Model B | ≥60° | 7.6 | 0.72 | 2.77 | 1.00 | 1.41 | 0.19 |
갱신 도로망에 기록한 차종별 링크 속도는 <Table 10>과 같다. 차종별 이동 표본이 5개 이상인 링크는 Model A 804개와 Model B 983개였으며 차종별 속도의 중앙값은 각각 19.7km/h와 14.1km/h였다. 두 차종이 모두 이 조건을 충족한 581개 링크에서는 96.6%의 링크에서 Model A의 속도가 높았고 링크별 속도 차이의 중앙값은 5.3km/h였다.
이 581개 링크를 한 번씩 통과하는 통행시간을 식 (4)로 비교하면, 모든 링크에 기준 속도 30km/h를 둔 계획에서는 61.8분이었으나 차종별 속도로는 Model A 98.7분과 Model B 136.8분으로 각각 계획의 1.60배와 2.21배였다. 차종 통합 속도로 계산한 통행시간은 114.7분으로, 차종별 속도 대비 Model A에서는 16.3% 길고 Model B에서는 16.1% 짧았다. 갱신된 1,223개 링크 전체에서는 통합 속도 기준 통행시간이 계획의 2.00배였다. 이 차이에는 설정 최고속도가 계획 기준 속도보다 낮은 영향과 가감속·회전에 따른 속도 저하가 함께 포함된다. 고정된 링크 속도를 가정한 계획은 두 차종의 통행시간을 모두 짧게 산정하였으며, 차종을 구분하지 않은 속도는 차종 간 통행시간 차이를 반영하지 못하였다.
<Table 10>
Link speeds by vehicle type and travel times on updated links in Experiment 3
| Measure | Model A | Model B | Merged |
|---|---|---|---|
| Links with ≥ 5 moving samples | 804 | 983 | 1,223 |
| Length of those links (km) | 40.98 | 48.49 | 58.86 |
| Link speed (km/h), median / mean | 19.7 / 18.4 | 14.1 / 13.1 | 15.4 / 15.0 |
| Link speed on 581 common links (km/h), median | 19.8 | 14.4 | 16.3 |
| Travel time on common links, 30.91km (min) | 98.7 | 136.8 | 114.7 |
| Ratio to plan at 30km/h (61.8min) | 1.60 | 2.21 | 1.86 |
| Difference when merged speed is used (%) | +16.3 | -16.1 | - |
5. 결과의 신뢰성 및 적용 범위
물리 시뮬레이션의 속도와 궤적은 실차 자료와 대조하지 않았으므로 결과는 다음 근거와 범위 안에서 해석한다. 주행 결과는 임의로 부여한 속도가 아니라 해당 차량의 질량, 바퀴 반경, 마찰 및 구동 조건으로부터 물리 엔진이 계산한 값이다. 같은 입력을 반복 실행한 관측값이 일치하고 계산 간격과 기록 간격이 일정하여 결과가 실행에 따라 달라지지 않는다. 관측 속도도 설정 조건과 물리적으로 일관된다. 회전각 10° 미만 구간의 평균 속도는 설정 최고속도의 98∼99%였고 설정 최고속도의 105%를 넘는 표본은 전체 계획에서 0.10% 이하였으며, 회전각이 클수록 속도가 낮아지고 횡가속도가 증가하였다.
따라서 갱신 속도는 실차의 주행속도를 대신하는 값이 아니라, 주어진 차량 제원과 도로 형상에서 차종 간 차이와 구간 간 차이를 비교하는 도입 전 단계의 평가 자료로 사용할 수 있다. 갱신 도로망에는 기존 속도와 표본 수를 보존하였으므로 실차 자료가 확보되면 물리 파라미터를 보정한 뒤 같은 절차로 링크 속도를 다시 산출할 수 있다.
Ⅴ. 결 론
본 연구는 운행 자료가 충분하지 않은 신규 이동 수단의 주행 특성을 운영계획에 반영하기 위해 다종 모빌리티를 대상으로 모빌리티 운영 시뮬레이션과 물리 시뮬레이션의 연계 프레임워크를 구축하였다. 차량·경로·링크의 대응 관계와 데이터 교환 절차를 정의하고, 차량별 운행 계획을 물리 환경에서 실행한 뒤 관측 속도를 운영 도로망의 링크와 차종 단위로 집계하여 갱신 도로망을 생성하였다. 화성시 자율주행 리빙랩에서 제원이 다른 두 차종 20대로 검증한 결과, 초기 경로의 구간 단절과 경계 인접 지점에서 정지와 이탈이 발생하였다. 구간 연결과 경계 여유를 보완하고 주행속도를 조정한 전체 계획 실험에서는 20대가 139.47km의 계획 경로를 모두 완주하였다. 완주 전 관측값 154,702개를 모두 링크에 집계하여 1,223개 링크, 58.86km의 속도정보를 갱신함으로써 계획 전달부터 물리 주행과 도로망 갱신까지의 작동을 확인하였다. 다만 완주 과정에서는 4건의 정지가 발생하였다.
회전각이 10° 미만인 구간의 평균 속도는 두 차종 모두 설정 최고속도의 98∼99%였으나, 60° 이상에서는 72∼75%로 감소하고 감속과 횡방향 오차가 증가하였다. 차종별 링크 속도의 중앙값은 19.7km/h와 14.1km/h였으며, 두 차종이 함께 주행한 링크의 통행시간은 기준 속도 30km/h를 가정한 계획의 1.60배와 2.21배였다. 차종을 구분하지 않은 통합 속도를 적용하면 두 차종의 통행시간이 약 16%씩 다르게 산정되었다. 이는 가감속과 회전 구간의 주행자료를 물리 시뮬레이션으로 생성하여 운영 도로망의 속도정보에 차종별로 반영할 수 있음을 보여준다.
이러한 결과는 세 가지 활용 가능성을 보여준다. 실제 운행 자료가 없는 신규 이동 수단도 물리 시뮬레이션의 주행 결과로 링크별 속도를 얻을 수 있어, 도입 전 단계에서 운영계획을 평가하는 근거로 삼을 수 있다. 차종별 속도와 회전 특성이 링크 단위 속도로 운영 도로망에 전달되므로, 단일 링크 속도를 가정하던 배차·경로 계획에 차종 간 차이를 반영할 수 있다. 또한 경로 보완 과정에서 확인된 정지와 이탈은 도로 경계나 단차와 같은 도로 조건이 신규 이동 수단의 운행에 미치는 영향을 사전에 점검하는 데 활용될 수 있다.
검증 범위는 연계 기능의 작동 여부이며, 주행속도와 궤적의 실차 재현 정확도는 검증하지 않았다. 관측 결과에는 차량 모델, 경로 추종 제어 및 물리 환경 설정의 영향이 포함되고, 적용 대상도 두 차종과 하나의 도로망 및 계산환경에 한정된다. 갱신 도로망의 경로 계산용 속도에는 차종 통합 속도를 적용하였고 차종별 속도는 별도 속성으로 기록하였다. 향후 실차 자료에 의한 검증과 물리 파라미터 보정, 차종별 링크 속도를 적용한 배차·경로 계산을 거쳐 갱신 도로망으로 재배차와 경로 재산정을 수행하고 통행시간 및 서비스 수준의 개선 효과를 평가하면, 신규 이동 수단의 배치 대수와 운행 경로를 실제 주행 특성에 근거하여 결정하는 데 활용할 수 있을 것으로 기대된다.

















