Journal Search Engine

to

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.21 No.4 pp.167-189
DOI : https://doi.org/10.12815/kits.2022.21.4.167

Analysis of Factors Affecting the Take-over Time of Automated Vehicles Using a Meta-analysis

Kyeongjin Lee*, Sungho Park**, Giok Park***, Jangho Park****, Ilsoo Yun*****
*Dept. of Transportation System Eng., Ajou University
**Korea Automobile Testing & Research Institute, Korea Transportation Safety Authority
***Dept. of Civil Systems Eng., Ajou University
****Co-author : Professor, Department of Construction Systems Engineering, Ajou University
*****Co-author : Professor, Department of Transportation System Engineering, Ajou University
† Corresponding author : Giok Park, parkgiok@kotsa.or.kr
24 June 2022 │ 18 July 2022 │ 1 August 2022

Abstract


In the case of SAE autonomous driving levels 2 and 3, since complete autonomous driving is impossible, the take-over process is essential, and take-over time(TOT) is the most important factor in determining the safety of the autonomous driving system. Accordingly, research on TOT is being actively conducted, but each research is independently conducted and general conclusions that integrate various research results are required. Therefore, in this study, the factors affecting TOT were analyzed using meta-analysis, which integrates the results of individual studies and presents an integrated opinion. As a result of meta-analysis, a total of 10 influencing factors were selected, and most of them were related to the non-driving related task(NDRT) type. In addition, implications for the future research direction of take-over and NDRT were presented.


Autonomous driving , Take-over , Take-over time , Meta-analysis , Non-driving related task

메타분석을 이용한 자율주행차 제어권 전환 소요시간 영향요인 도출

이 경 진*, 박 성 호**, 박 기 옥***, 박 장 호****, 윤 일 수*****
*주저자 : 아주대학교 교통공학과 석박사통합과정
**공저자 : 아주대학교 교통시스템공학과 연구조교수
***교신저자 : 한국교통안전공단 자동차안전연구원 결함조사실 연구위원
****공저자 : 아주대학교 건설시스템공학과 교수
*****공저자 : 아주대학교 교통시스템공학과 교수

초록


SAE 기준 자율주행 레벨 2, 3의 경우 완전 자율주행이 불가능하므로 주행에 있어 제어권 전환 과정이 필수적이며, 제어권 전환 소요시간은 자율주행시스템의 안전성을 결정하는 가장 중요한 요소이다. 이에 따라 제어권 전환 소요시간에 대한 연구가 활발히 진행되고 있으나, 각 연구는 독립적으로 시행되어 다양한 연구 결과를 통합한 일반적인 결론 도출이 필요한 실정이 다. 따라서, 본 연구는 개별 연구 결과를 통합해서 통합적인 의견을 제시하는 메타분석 기법을 사용하여 제어권 전환 소요시간에 영향을 주는 요인을 분석하였다. 메타분석 결과, 총 10개의 영향요인이 선정되었으며 대부분이 비운전 업무 유형과 관련되어 있었다. 또한, 향후 제어권 전환 및 비운전 업무 연구 수행 방향성 측면에서 시사점을 제시하였다.


자율주행 , 제어권 전환 , 제어권 전환 소요시간 , 메타분석 , 비운전 업무

    Ⅰ. 서 론

    1. 연구의 배경 및 필요성

    ｢자동차관리법｣ 제2조 제1호의3에 의하면 자율주행차(automated vehicle 또는 autonomous vehicle)는 운전자 또는 승객의 조작 없이 자동차 스스로 운행이 가능한 자동차로서 사람의 인지, 판단, 제어 기능을 자동차가 대체하여 운전할 수 있는 자동차를 의미한다. 자율주행 기술을 통해 교통 흐름의 효율화, 교통약자의 편의성 증대, 카셰어링을 통한 공유경제 활성화 등 교통환경 및 사회적 측면에서의 긍정적인 변화가 기대된다. 또한 도로교통사고 원인 가운데 가장 큰 비중을 차지하는 것은 운전자 과실이다. 자율주행차가 도입되면, 차량 주 행 중 인적요인과 관련된 오류가 최소화되기 때문에 교통사고 감소를 통한 교통 안전성 증대가 가능할 것으 로 예상된다.

    이에 따라 전 세계적으로 자율주행 기술에 관한 연구가 활발히 진행되고 있다. 국내에서도 산업통상자원 부, 과학기술정보통신부, 국토교통부, 경찰청이 공동으로 ‘자율주행기술개발혁신사업'을 추진하고 있다. 이 사업에서는 2027년까지 레벨 4 이상의 자율주행 상용화 기반 조성을 목표로 하고 있다.

    미국 자동차공학회(Society of Automotive Engineering International, SAE International)에서는 자율주행 단계 를 기술 수준에 따라 수동 단계(레벨 0)에서부터 완전 자율주행 단계(레벨 5)까지 총 6단계로 제시하고 있다. 레벨 0은 비자동(no driving automation) 단계로 동적운전임무(dynamic driving task, DDT)를 운전자가 전부 수 행하며, 레벨 1은 운전자 보조(driver assistance) 단계로 운영설계영역(operation design domain, ODD) 내에서 DDT의 횡방향 또는 종방향 제어 하위 작업 중 하나를 시스템이 지원한다. 레벨 2는 부분 자율주행(partial driving automation) 단계로 운전자가 주행환경을 모니터하면서 자율주행 시스템이 횡방향과 종방향 제어 하 위 작업을 모두 수행할 수 있으며, 레벨 3 조건부 자율주행(conditional driving) 단계는 자율주행 시스템이 주 행환경을 직접 모니터하면서 DDT를 수행할 수 있지만 특정 상황 시 운전자의 개입이 필요하다. 레벨 4는 고 도 자율주행(high driving automation), 레벨 5는 완전 자율주행(full driving automation) 단계로 두 단계 모두 운 전자의 개입이나 모니터 없이 DDT 수행이 가능하며, 레벨 5에서는 기존 레벨 0부터 레벨 4까지와는 달리 ODD의 제한을 받지 않아 운전자의 개입이 전혀 필요 없는 완전한 자율주행이 가능하다.

    그중 레벨 2와 3은 자율주행시스템(automated driving system, ADS)에 의한 자동운전과 운전자에 의한 수동 운전이 모두 가능하므로 운전자는 언제든지 운전할 수 있는 준비가 되어 있어야 한다(SAE, 2021).1) 이에 따 라, SAE 기준 자율주행 레벨 2와 3에서 자율주행시스템과 운전자 사이의 제어권 통제 권한의 상호전환 상황 은 불가피하며(Oh et al., 2018), 이러한 주행 통제 권한의 상호 이양 과정을 제어권 전환(take-over)이라고 한 다(Park et al., 2018).

    제어권 전환은 자율주행시스템이 제어할 수 없는 한계 시점에 도달할 때까지 사용 가능한 시간 예산(time budget) 내에서 모두 이루어져야 한다. 따라서 부분 및 조건부 자율주행에 있어 운전자가 수동제어를 인수하 는데 걸리는 제어권 전환 소요시간(take-over time, TOT)은 자율주행시스템의 안전성을 결정하는 가장 중요한 요소이다(Zhang et al., 2019). 더불어 2022년 5월 발표된 ｢자동차 및 자동차부품의 성능과 기준에 관한 규칙｣ 제111조의3 일부개정령안에 따르면 제어권 전환 요구시간의 기준은 자율주행 시스템이 자동차를 안전히 정 지시킬 수 있는 시간을 자율적으로 판단하는 방향으로 개정이 추진되고 있어, 자율주행시스템의 제어권 전 환 소요시간 판단 능력의 중요성이 더욱이 강조되고 있다. 제어권 전환 소요시간의 정확한 판단을 위해서는 이에 대한 영향요인을 규명하는 것이 필수적이며 이에 따라 국내외로 다양한 연구가 이루어지고 있다.

    다만 각각의 연구는 독립적으로 시행되어 연구 결과가 서로 다른 방향성을 띠고 있어 다양한 연구 결과의 체계적이고 계량적인 분석을 통한 통합된 결론을 내릴 필요가 있다. 이에 따라 본 연구에서는 개별 연구 결 과를 융합하여 포괄적이고 일반적인 결론을 도출할 수 있는 메타분석(meta-analysis)을 통해 제어권 전환 소 요시간에 영향을 주는 요인을 통계적으로 도출하고자 한다.

    본 연구를 통해 자율주행차의 제어권 전환 소요시간의 결정요인에 대한 메타분석을 수행하여 객관적이고 통합적인 결론을 도출함으로써 제어권 전환 안전성 증진과 더불어 부분 및 조건부 자율주행 기술의 성능 고 도화를 위한 향후 연구 방향을 제시할 수 있을 것으로 기대된다.

    2. 연구의 범위 및 절차

    본 연구는 SAE 기준 자율주행 레벨 2 이상인 자율주행차에 적용된 제어권 전환에 관련한 모든 연구를 대 상으로 하며, 2000년부터 2022년까지 출판된 문헌을 대상으로 한다. 본 연구의 절차는 다음과 같다. 먼저, 제 어권 전환 소요시간과 관련한 기존 연구에서 언급된 결정요인을 탐색하고 메타분석 이론 고찰을 통한 본 연 구에 적합한 메타분석 방법론을 제시한다. 그 후 언급한 메타분석 방법론을 바탕으로 한 연구 분석의 절차와 분석 결과를 제시하고, 마지막으로 결론과 향후 연구 과제를 논하였다.

    Ⅱ. 관련 이론 및 연구 고찰

    1. 관련 이론 고찰

    1) 메타분석 관련 이론 고찰

    메타분석은 다양한 학문 분야에서 이용되는 문헌 연구 수단이며, 개별 연구들에서 제시된 결과들의 통합 된 요약 추정치를 정량적으로 산출하여 효과 및 효율성을 평가하는 분석기법이다(Kontopantelis and Reeves, 2009). 메타분석은 개별 연구 결과의 일관성에 따라 다르게 사용된다. 먼저, 개별 연구들의 연구 결과가 일관 성이 있다면 메타분석을 통하여 이 결과들을 통합하는 것을 목적으로 한다. 그렇지 않은 경우에는 메타분석 을 통해 연구 결과에 영향을 주는 요인들을 파악하는 것을 목적으로 한다.

    메타분석을 수행하기 위해서는 먼저 연구주제와 관련하여 구체적인 연구 질문을 선정하여야 한다. 그 후 관련 문헌의 체계적인 검색을 통하여 선정한 연구 질문에 답을 주는 문헌과 연구 결과를 수집한다(Shin, 2015). 수집된 문헌 및 연구 결과를 바탕으로 개별 효과크기(effect size)를 산출한 후에 통계 절차를 거쳐 통 합 효과크기의 평균과 신뢰구간을 산출한다. 이때 통계 절차의 경우, 개별 연구의 이질성(heterogeneity)을 검 정하여 이질성에 따른 적절한 통계모형을 선택하게 되며, 이를 바탕으로 분석을 수행한다. 효과크기 등은 분 석방법론에서 상세히 설명된다.

    메타분석은 개별 연구 결과들이 서로 상반된 경우나 개개의 연구 결과들이 경향성은 있지만, 통계적 유의 성이 없는 경우에 메타분석 시행을 통해 명확한 결론을 얻을 수 있다(Cho, 2020). 또한 메타분석을 통해 도출 된 결과는 개별 연구의 표본 크기보다 큰 표본 크기를 갖게 되어 높은 통계적 검증력을 갖는 장점이 있다 (Pillemer and Light, 1980).

    2) 제어권 전환 관련 이론 고찰

    ｢자동차 및 자동차부품의 성능과 기준에 관한 규칙｣ 제111조의3에 의하면, 제어권 전환 요청(운전전환요 구)은 부분 자율주행시스템이 운전자에게 운전조작을 요구하는 것을 말한다. 즉, SAE 기준 자율주행 레벨 2, 3 수준에서 자율주행시스템이 전방 교통사고 등 대처할 수 없는 상황에 직면할 경우, 자율주행시스템이 운 전자에게 제어권을 이양해야 한다(Oh et al., 2018). 그리고 자율주행시스템은 운전자가 대응할 수 있도록 시 각, 청각, 촉각 신호의 조합을 통하여 운전자에게 제어권 전환 요청(take-over request, TOR)을 알려야 한다 (Park and Son, 2019). 이때, 운전자가 제어권 전환 요청을 받은 후 제어권을 인수하여 주행하는 데까지 걸리 는 시간을 제어권 전환 소요시간(take-over time, TOT)이라고 한다. 제어권 전환 요청 이후로 자율주행시스템 이 기술적 한계에 도달하기까지의 시간 예산 내에 제어권 전환이 수행되어야 하며(Zhang et al., 2019), 운전 자가 시간 내에 제어권 전환 요청에 응답하지 않는 경우 이는 안전 문제로 직결될 수 있어 제어권 전환 소 요시간은 자율주행 기술의 성능에 있어 가장 중요한 요소 중 하나이다.

    이에 따라 국내에서는 2021년 8월 시행된 ｢자동차 및 자동차부품의 성능과 기준에 관한 규칙｣ 제111조의3 에 제어권 전환에 대한 안전기준이 제시되어 있으며, 그 내용은 다음과 같다. 먼저, 제어권 전환 요청의 시작 은 상황 발생 15초 이전에 시작되는 것을 기준으로 하며, 예상되지 않는 상황이 발생한 즉시 제어권 전환 요 청을 시작해야 한다. 2022년 5월 발표된 해당 규칙에 관한 일부개정령안 입법예고에 따르면 제어권 전환의 요청에 운전자가 대응하지 않더라도 위험최소화운행(Minimum Risk Maneuver, MRM)2)으로 자동차를 안전하 게 정지시킬 수 있는 충분한 시간 이전에 제어권 전환이 시작되어야 한다고 명시하고 있다. 또한, 해당 규칙 은 제어권 전환 요청은 안전한 작동을 위해 자동차를 감속시키되 정지시키지는 않아야 하며, 제어권 전환 요 청을 했을 때부터 10초 이내에 운전자의 대응이 없으면 그 이후부터 위험최소화운행을 자동 시작해야 한다 고 규정하고 있다. 또한 제어권 전환 요청 이후 4초 이내에 경고 신호를 증폭시키기 시작해야 한다는 기준을 명시하고 있다.

    2. 관련 연구 고찰

    Hergeth et al.(2017)은 제어권 전환 요청에 대한 사전 교육이 운전자의 초기 제어권 전환 수행 능력과 자율 주행에 대한 신뢰에 미치는 영향을 분석하였다. 110명의 피실험자를 친숙도에 따라 네 개의 그룹으로 분류 하여 자율주행시스템의 경험 전·후 두 개의 환경에서 주행 시뮬레이터(driving simulator)를 이용한 제어권 전 환을 실험하였으며, 제어권 전환 소요시간을 측정하고 충돌예상시간(time-to-collision, TTC)와 최대 가속도를 이용하여 제어권 전환의 질을 평가하였다. 실험 결과, 모든 그룹에서 피실험자가 자율주행시스템을 경험한 후 제어권 전환 수행 능력이 높아진 것으로 나타났다.

    Park and Son(2019)은 자율주행차의 제어권 전환의 안전성 확보를 위해 기하구조 요인을 중점으로 제어권 전환 소요시간 및 안정화 특성을 분석하였다. 다양한 연령대와 성별로 구성된 50명의 피실험자를 대상으로 주행 시뮬레이터를 활용하여 고속도로와 유사한 상황을 설정해 실험을 진행하였다. 피실험자별로 교통량과 기하구조의 변화(곡선반경)를 주어서 각 교통상황에 따른 제어권 전환 소요시간과 제어권 전환 후 운전 안정 화 특성을 측정한 결과, 제어권 전환 소요시간은 평균 2.3초, 표준편차는 0.1초로 나타났으며, 제어권 전환 후 운전 안정화에 유의미한 영향을 주는 요인은 곡선반경인 것으로 나타났다.

    Yoon et al.(2019)은 비운전 업무(non-driving related task, NDRT) 수행 여부와 제어권 전환 요청의 방식이 제어권 전환 성능에 미치는 영향을 분석하였다. 20명의 피실험자를 대상으로 주행 시뮬레이터를 통해 NDRT 없음, 전화 통화, 스마트폰 이용, 비디오 시청 등 네 가지 대조군을 설정하여 제어권 전환 소요시간을 측정하 였다. 실험 결과, NDRT를 수행하지 않는 경우 2.3초, 전화 통화 2.3초, 스마트폰 이용 2.6초, 비디오 시청 2.10 초로 나타났으며, 특히 피실험자들이 스마트폰 이용 및 전화 통화와 같은 시각적 NDRT를 수행할 때 제어권 전환에 실패하는 것으로 나타났다.

    Kim et al.(2020b)은 레벨 3 자율주행차에서 운전자의 제어권 전환 관련 인적요인을 실험하고 이를 통해 제어권 전환 수행 능력을 분석하였다. 자율주행이 가능한 드라이빙 시뮬레이터를 이용하여 제어권 전환 시 나리오를 구성하고 다양한 조건으로 실험을 수행하였으며, 제어권 전환 요청 반응시간 관점에서 수행 능력 을 분석하였다. 실험 결과 인지적 요구(cognitive)가 클수록 운전자가 느끼는 부하가 크며 감각적 요구(visual, auditory) 및 신체적 요구(psychomotor)가 클수록 운전자가 제어권 전환 요청에 반응하는 시간이 길었다. 또한 장년층에 비하여 청년층이 제어권 전환 소요시간이 빨랐으며, 제어권 전환에 대한 경험이 많을수록 제어권 전환 소요시간이 짧고 운전 부하가 낮은 것으로 나타났다.

    Zhang et al.(2019)은 SAE 기준 자율주행 레벨 2 이상을 대상으로 제어권 전환 성능에 영향을 미치는 요인 에 대한 연구의 종합을 위해 메타분석을 수행하였다. 총 129개의 연구 결과를 사용하였으며 영향요인별 소 요시간의 차이를 분석하는 연구 내 분석, 실험 조건과 평균 제어권 전환 소요시간의 상관관계를 분석하는 연 구 간 분석, 연구 간 효과와 연구 내 효과를 결합한 선형혼합효과모델 개발 등 세 가지 분석을 수행하였다. 분석 결과 NDRT를 수행하지 않고, 기존에 다른 제어권 전환 시나리오를 경험하지 않으며, 소리와 진동으로 제어권 전환 요청을 받은 상태에서 긴급한 교통상황일수록 평균 제어권 전환 소요시간이 짧은 것으로 드러 났다.

    3. 연구의 차별성 도출

    메타분석 및 제어권 전환과 관련한 기존 연구를 고찰한 결과, 제어권 전환의 수행 능력 및 안전성을 분석 하기 위해 다양한 실험 변수와 시나리오가 이용된 것을 알 수 있었다. 이에 따라 각 연구가 중점을 두는 제 어권 전환 관련 요인 또한 매우 다양하여 메타분석을 통해 각 연구의 결과를 체계적으로 통합하여 제시할 필요가 있다. 또한, 제어권 전환에 대한 메타분석을 수행한 연구는 매우 드물었으며, 해당 연구 이후에 수행 된 제어권 전환 관련 연구를 추가하여 분석할 필요가 있다고 판단된다. 따라서 본 연구에서는 메타분석을 활 용하여 제어권 전환의 소요시간 영향요인에 대한 통합 효과 크기를 도출하여 다양한 연구 결과를 정량적이 고 일반적인 하나의 결론으로 제시하고자 한다.

    Ⅲ. 분석방법론

    메타분석의 과정은 연구주제 선정, 관련 문헌 검색, 데이터 코딩, 데이터 분석, 결과 보고로 총 5단계에 걸 쳐 이루어진다. 이 중 데이터 분석 단계는 <Fig. 1>과 같이 효과크기 산출, 이질성 검정 및 통계모형 선택, 출 판 편의 진단, 통합 효과크기 추정의 순으로 이루어진다.

    <Fig. 1>

    Meta-Analysis process

    KITS-21-4-167_F1.gif

    1. 효과크기 산출

    효과크기(Effect size)는 변수 간의 관계의 크기를 표현한 값이며 비교하려는 집단 사이에 얼마나 차이(혹 은 연관성)가 있는지를 나타내주는 지표를 말한다(Nahm, 2015). 메타분석의 데이터 분석 단계 중 효과크기 산출 단계는 개별 연구의 효과크기를 계산하는 단계이며 효과크기는 대체로 D-family(평균 차, 표준화된 평 균 차 등), Odds ratio family(승산비, 상대위험도, 위험차 등), r-family(상관계수)로 분류할 수 있다. 종속변수의 유형에 따라서 연속형 데이터의 경우 주로 D-family와 r-family를 효과크기로 사용한다. D-family는 두 집단 평균 간의 차이를 계산하는 효과크기이며, 결과를 연속형 척도로 제시하거나 척도의 수가 많은 순서형 척도 로 제시할 때 사용한다. R-family는 전형적으로 두 연속 변수 간의 선형 관계 정도를 측정하는 데 사용한다. 범주형 데이터의 경우 Odds ratio family를 효과크기로 사용하며, 개별 연구 결과가 빈도 또는 비율처럼 이분 형 데이터로 제시되는 경우에 사용한다(Kang, 2015).

    본 연구는 제어권 전환 소요시간에 영향을 미치는 요인을 도출하는 것으로 연구 결과를 시간이라는 연속 형 척도로 제시되며, 다양한 요인을 비교 적용했을 때 제어권 전환 소요시간의 변화 정도를 확인하고자 한 다. 따라서 본 연구는 효과크기의 유형 중 D-family의 표준화된 평균 차(standardized mean difference, SMD)를 사용한다.

    선정된 효과크기인 표준화된 평균 차는 0을 기준으로 해석하여야 한다. 효과크기가 0인 경우 비교하려는 집단 사이의 평균이 동일하고, 효과크기가 양수인 경우 비교 집단이 대조 집단에 비해 평균치가 크다는 의미 이다. 효과크기가 음수인 경우 비교 집단이 대조 집단에 비해 평균치가 작음을 의미한다. Cohen(1998)은 효 과크기의 이해를 돕기 위해 임의로 그 크기의 기준을 <Table 1>과 같이 제시하였는데, 표준화된 평균 차의 경우 절댓값 0.2, 0.5, 0.8을 기준값으로 하여 효과크기가 각각 작다, 보통이다, 크다고 이해할 수 있다. 효과 크기는 비교하려는 집단들 사이의 차이를 나타내는 표준화된 지표로, 효과크기의 값의 크기는 정규 분포의 Z값과 동일한 의미를 가진다. 따라서 만약 효과크기의 값이 1.96이라면, 실험군의 평균은 대조군의 분포에서 상위 5%에 해당한다고 해석할 수 있다(Nahm, 2015).

    <Table 1>

    Cohen’s criteria for effect size

    KITS-21-4-167_T1.gif

    본 연구에서는 선별된 요인별로 메타분석을 진행한다. 각 요인별 연구 결과의 평균, 표준편차, 표본 수를 이용하여 표준화된 평균 차를 산출하고 제시하고 있으며, 계산식은 <Equation 1>, <Equation 2>와 같다(Kang, 2015).

    S = ( n T − 1 ) S T 2 + ( n C − 1 ) S C 2 n T + n C − 2
    (1)

    d = X T ¯ − X C ¯ S
    (2)

    where,

    • nT = experimental group’s number of sample,

    • nC = control group’s number of sample,

    • S T = experimental group’s standard deviation,

    • S C = control group’s standard deviation

    2. 이질성 검정 및 통계모형 선택

    이질성(Heterogeneity)은 결합하고자 하는 개별 연구들의 다양성으로 인하여 생기는 차이를 의미하며, 연구 방법론적인 다양성으로 나타난다(Shin, 2015). 본 연구에서 발생할 수 있는 이질성의 원인은 제어권 전환을 수행한 환경(주행 시뮬레이터, 실도로 등), 제어권 전환을 수행한 피실험자 수, 연령, 영향요인별 실험 시 설 정하는 세부적 수치 등이 있다. 메타분석은 다양한 연구 결과를 통합하는 분석기법이기 때문에 그 과정에서 연구간 이질성 발생이 불가피하다. 이에 따라, 해당 단계에서는 개별 연구 사이의 일관성 및 이질성을 검토 하고 이를 바탕으로 적절한 통계모형을 선택함으로써 다음 단계에서 산출되는 통합 효과크기 추정값에 대한 해석 방향을 설정할 수 있게 된다(Cho, 2020).

    이질성을 검정하는 방법은 크게 시각적 검정과 통계적 검정으로 나눌 수 있다. 먼저 시각적 검정으로는 대표적으로 숲 그림(forest plot)이 가장 많이 활용된다(Lee, 2008). 숲 그림은 개별 연구의 효과크기, 통계적 유의성, 가중치와 함께 개별 연구를 종합한 전체 효과크기와 통계적 유의성을 즉시 파악할 수 있다. 여기서 개별 연구들의 효과크기 값의 방향성과 신뢰구간이 겹치는지 확인함으로써 이질성을 검정할 수 있다. 통계 적 검정 방법으로는 카이제곱 검정법(Q statistic), Higgins's I² 통계량 등이 있다. 카이제곱 검정법은 각 연구 들의 효과가 공통 효과 값으로부터 얼마나 차이가 나는지를 검정하는 방법으로 연구 결과들이 동질하다는 귀무가설을 검정하게 된다. 이 방법은 통계적 검정을 통해 p-value를 제시하여 객관적인 판단을 할 수 있게 돕지만, 효과크기가 아닌 연구의 수에 민감하다는 특징이 있어 수집된 연구의 수가 적은 경우에는 낮은 검증 력을 보이고, 많을 경우에는 지나치게 높은 검증력을 보이는 특징이 있다(Kang, 2015). 즉, 중요하지 않은 이 질성을 발견해 낼 가능성이 증가하므로 해석에 주의를 기울여야 한다. Higgins's I² 통계량은 이질성의 정도 를 정량화시킨 통계량으로 연구의 수나 결과변수의 형태 또는 처리효과의 종류 등에 영향을 받지 않는 특징 을 가진다(Lee, 2008). 따라서, 본 연구에서는 Higgins's I² 통계량을 이용하여 이질성 검정을 시행함으로써 수 집된 연구의 수에 따라 발생하는 영향을 배제하였다. Higgins's I²를 산출하는 식은 <Equation 3>와 같으며, I² 값이 25% 미만인 경우 이질성이 낮다고 해석하고, 25% 이상 75% 미만인 경우 이질성이 보통, 75% 이상인 경우 이질성이 높다고 해석한다(Higgins and Thompson, 2002;Shin, 2015).

    I 2 = Q − d f Q × 100
    (3)

    where,

    • Q = χ2 statistics

    • df = the degree of freedom of χ2 statistics

    개별 연구 사이의 이질성 검토 결과를 통해 통합 효과크기 추정 및 해석에 사용되는 통계모형을 선정하게 된다. 메타분석에 사용되는 통계모형은 고정효과모형(fixed-effect model)과 변량효과모형(random-effect model) 이 있다. 고정효과모형은 각 연구들이 동일한 모집단을 공유하고 있다고 가정하며, 효과크기의 참값이 한 개 만 존재하고 연구 결과가 서로 다르게 나타난 이유는 표본추출의 오차로부터 기인한다고 가정하는 모형이다 (Lee, 2008;Cho, 2020). 변량효과모형은 각 연구의 효과크기의 참값이 한 개가 아닌, 평균을 중심으로 정규분 포를 따른다고 가정하며, 연구 결과를 통합하고자 하는 연구들 사이에 이질성이 있다는 가정하에 분석하는 모형이다(Kim et al., 2020a). 고정효과모형과는 달리 각 연구의 표본추출변동(sampling variation, within-study variation, random variation)과 각 연구들 간의 변동(between-study variation)이 함께 표현된 것이라고 가정한다 (Lee, 2008). 따라서 이질성 검정을 통해 연구 간 이질성이 있다는 근거가 도출될 경우 사용하며, 이질성 검 사 결과 유의하지 않은 결과가 나오더라도 연구들이 동질하지 않다고 가정할 때 해당 모형을 사용한다(Shin, 2015).

    3. 통합 효과크기 추정

    통합 효과크기 추정 단계는 이질성 검정을 수행하여 선정한 통계모형을 통해 개별 연구 결과를 결합하여 포괄적이고 일반적이며 객관적인 하나의 요약추정치로 제시하는 단계이다. 본 연구는 표준화된 평균 차를 효과크기의 유형으로 선정한 바 있으며, 영향요인 유형별 실험조건에 따른 쌍대비교를 통해 개별 연구 결과 의 효과크기를 표준화된 평균 차 형태로 산출한다. 그 후 통계모형을 적용하여 영향요인별 통합 효과크기 추 정치를 제시하고자 한다.

    메타분석에서 각 연구의 효과크기를 결합할 때 각 연구의 표본크기(피실험자 수, 반복실험 횟수 등)에 근 거한 가중평균을 사용한다. 소규모 연구는 대규모 연구에 비해 우연한 차이로 인한 영향을 더 많이 받기 때 문에 결합 시 대규모 연구에 상대적으로 더 많은 가중치를 부여하고자 하는 것이다. 이처럼 일반적으로 가중 치는 표본크기를 사용하며, 본 연구 또한 표본크기를 사용한 가중치를 부여함으로써 표본크기에 따른 우연 에 의한 영향을 줄이고 메타분석 결과의 신뢰도를 높이고자 한다(Egger et al., 1997;Lee, 2008).

    4. 출판 편의 검토

    출판 편의(Publication bias)란 연구의 질과 관계없이 통계적으로 유의미한 결과를 도출한 연구가 잘 출간되 고, 그렇지 못한 경우 출간이 어려운 현실이 메타분석의 결과에 영향을 미칠 수 있다는 것이다. 출판 편의가 생기는 이유 중 가장 대표적인 것이 소규모 연구 영향(small-study effect)이며, 이 단계에서는 분석 과정에서 발생한 소규모 연구 영향에 대해 검토하는 것을 목표로 한다. 소규모 연구 영향이란, 출판 편의로 인해 왜곡 된 표본에서 연구를 모아 분석할 경우 과대추정이 일어나게 되는 현상이다. 일반적으로 통계적 유의성에 관 계없이 표본이 큰 연구는 출간될 가능성이 크며, 표본이 중간크기인 경우 출간되지 않을 가능성이 있고, 표 본이 작은 경우 효과크기가 큰 경우만 출간될 가능성이 크다. 따라서 메타분석에 포함된 연구 중 표본 크기 가 작은 연구는 상대적으로 효과크기가 클 가능성이 크며 이로 인해 소규모 연구 영향이 발생하게 된다. 즉 본 연구에서 메타분석에 포함된 연구 중 피실험자 수가 작은 연구는 개별 연구의 제어권 전환 소요시간의 차이가 큰 연구가 많을 것이며 이로 인해 통합 효과크기 추정치가 과대추정 될 가능성이 있는 것이다. 따라 서 해당 단계에서는 개별 연구의 표본크기에 따른 효과크기의 표준오차 및 정밀도를 확인하여 소규모 연구 영향 유무를 확인한다.

    출판 편의를 검토하는 방법에는 크게 시각적 검토와 통계적 검토가 있다. 시각적 검토 방법 중 가장 대표 적으로 이용되는 방법은 깔때기 그림(funnel plot)을 이용하는 것이다(Kang, 2015). 본 연구에서 분석하여 작성 한 <Fig. 2>에서 보인 바와 같이 깔때기 그림의 x축은 효과크기, y축은 표준오차의 역수이며, 엎어진 깔때기 모양을 이루는 대각선은 각 효과 크기의 95% 신뢰구간을 의미한다. 또한 점은 개별 연구의 효과크기를 의미 하며, 수직선은 효과크기의 통합추정치를 의미한다. 따라서 그래프의 우측으로 갈수록 효과크기가 증가하게 되고, 좌측으로 갈수록 효과크기가 감소하게 된다. 또한 그래프의 상단에는 표본이 큰 연구가, 하단에는 표 본이 작은 연구가 분포하게 된다. 이때, <Fig. 2>의 좌측 그래프와 같이 출판 편의가 없는 경우, 개별 연구들 의 효과크기(점)는 통합추정치(수직선)에 대해 대칭적으로 분포하게 되며, <Fig. 2>의 우측 그래프와 같이 출 판 편의가 있는 경우, 좌측 하단부에서 많은 결측 연구들이 존재하는 양상을 띠는데 이는 소규모 연구로 효 과크기가 작은 연구가 출판되지 않았음을 의미한다. 따라서 전체적으로 점들이 비대칭적으로 분포하게 된다 (Kang, 2015).

    <Fig. 2>

    Examples of Funnel plot

    KITS-21-4-167_F2.gif

    통계적 검토방법인 Egger's test는 각 연구의 효과 크기와 표준오차와의 관계를 회귀식으로 설명하는 방법 으로 깔때기 그림의 대칭, 비대칭성에 대한 가설 검증에 가장 널리 사용되는 방법이다. Egger's test는 출판 편의가 없다면, 효과크기(x축)와 표준오차(y축)간에 어떠한 상관관계도 없다는 것을 가정으로 한다. 만약 출 판 편의가 없다면 개별 연구의 종속변수 y와 독립변수 x는 원점을 지나는 직선 위에 있게 되며, 출판 편의가 있다면, 회귀절편은 원점에서 멀어지게 된다. 이에 근거하여 Egger's test는 y절편이 0과 유의하게 다른지를 평가하게 되며, 이때 도출된 p값이 0.05 이하인 경우 출간오류가 의심된다고 할 수 있다(Kang, 2015).

    Funnel plot을 이용한 시각적 검토 방법은 대칭, 비대칭 판단을 통해 출판 편의 유무를 쉽게 인지할 수 있 지만, 주관적인 결정에 의해 비대칭에 대한 판단을 내리기 때문에 보다 객관적인 기준인 통계적 검토를 통해 출판 편의를 판단할 필요가 있다(Hwang, 2016). 따라서 본 연구는 Egger's test를 통한 통계적 검토로 출판 편 의를 판단하고자 한다.

    Ⅳ. 자료 수집 및 기초 데이터 구축

    1. 제어권 전환 소요시간 관련 연구 문헌 선정 및 요인 선별

    제어권 전환 소요시간에 영향을 미치는 요인에 대한 메타분석을 수행하기 이전에, 관련된 주제로 기존에 연구된 문헌을 수집하였다. 문헌 선정을 위해 설정한 시간적 범위는 2000년부터 2022년이며, 공간적 범위는 주행 시뮬레이터, 실도로 등 제어권 전환이 수행될 수 있는 모든 공간으로 설정하였다. 관련된 기존 연구를 수집하기 위해 활용한 학술 데이터베이스 사이트는 ‘구글 학술 검색(google scholar)’이며, 검색 키워드는 ‘제어권 전환(take-over)’, ‘자율주행(automated driving)’, ‘소요시간(time, TOT)’, ‘요청(request, TOR)’, ‘성능(performance)’, ‘요인(factors)’ 등을 사용하였다.

    이와 같은 방법을 통해 일차적으로 수집한 문헌은 118개이다. 일차적으로 수집된 문헌에 대해 다음과 같 이 연구에 대한 세부적인 기준을 설정하여 적용하였다. 첫 번째, SAE 기준 자율주행 레벨 2 이상을 대상으 로 하며, 자율주행에서 수동으로 제어권 전환을 수행하는 연구 결과를 대상으로 하였다. 두 번째, 감속, 조향, 버튼 작동을 통해 피실험자가 직접 제어권 전환을 수행한 연구 결과를 대상으로 하였다. 세 번째, 제어권 전 환 소요시간의 평균값과 표준편차를 알 수 있는 연구 결과 혹은 제시된 정보로부터 제어권 전환 소요시간의 평균을 산출할 수 있는 연구를 대상으로 하였다. 제어권 전환 소요시간의 평균을 그림으로만 확인 가능한 경 우, 온라인 도구 ‘WebPlotDigitizer’를 사용하여 수치값을 추출하였다. 네 번째, 제어권 전환 소요시간의 정의 가 제어권 전환 요청 상황(TOR 혹은 critical event)의 초기와 운전자의 개입 순간의 시간 간격으로 정의된 연 구 결과를 대상으로 하였다. 마지막으로 영어나 한국어로 작성된 연구를 대상으로 하였다. 해당 기준을 적용 하여 제어권 전환 시간을 측정하지 않았거나(21개), 제어권 전환 시간이 영향요인 별로 제시되지 않은 경우 (2개), 제어권 전환 소요시간의 정의가 명확하지 않거나 기준과 상이한 경우(4개), 주행 시뮬레이터나 실도로 주행 실험이 아닌 설문조사로 수행된 연구(1개), 영어나 한국어 외의 언어로 작성된 연구(1개)에 대해 분석 대상에서 제외하였다. 그 결과, 총 89개의 문헌이 수집되었다.

    수집된 문헌의 연구 내용에 기반하여 제어권 전환 소요시간에 영향을 주는 요인(NDRT 유형, TOR 유형, 교통량 등)을 선정하는 데 있어, 그 기준을 요인 당 연구 결과가 10건 이상인 요인으로 설정하였다. 경험적으 로, 메타분석에서 10개 미만의 연구 결과에 대해 출판 편의 진단에 사용되는 funnel plot test를 수행할 경우 검정력이 너무 낮아져 권장되지 않기 때문이다(Sterne et al., 2011). 이에 따라 요인별로 연구 결과가 10건 미 만인 연구 결과는 제외하였으며, 해당 과정에서 55개의 문헌이 제외되어 최종적으로 총 34개의 문헌을 메타 분석에 사용하였다. 수집한 문헌의 기초통계와 개요는 각각 <Table 2>와 <Fig. 2>와 같다. 문헌의 기초통계 및 개요에 따르면, 대부분의 연구는 주행 시뮬레이터 환경에서 수행되었으며, 2016년 이후에 수행된 것으로 나타났다. 또한 <Fig. 3>과 같이 상당수의 문헌에서 수행된 NDRT의 유형을 요인(variable), 즉 독립변수 (independent variable)로 삼은 것을 알 수 있었다.

    <Table 2>

    Overview of related exiting studies

    KITS-21-4-167_T2.gif
    <Fig. 3>

    Statistics of related existing studies

    KITS-21-4-167_F3.gif

    선별된 제어권 전환 소요시간 영향요인은 수행된 NDRT 유형, 자율주행 지속시간, TOR 지속시간, 교통량, 그리고 도로 기하구조였다. 각 요인별로 연구 결과에 따라 그 유형을 세분화하여 실험군과 대조군을 대응시 켰으며, 이에 따라 최종 선별된 영향요인은 ‘auditory NDRT vs visual and auditory NDRT’, ‘less vs more automated driving duration’, ‘auditory NDRT vs visual and physical NDRT’, ‘straight vs curved road’, ‘no NDRT vs visual NDRT’, ‘no NDRT vs visual and auditory NDRT’, ‘no NDRT vs visual and physical NDRT’, ‘visual NDRT vs auditory NDRT’, ‘no NDRT vs auditory NDRT’, ‘less vs more TOR lead time’, ‘visual and auditory NDRT vs visual and physical NDRT’, ‘less vs more traffic’으로 총 12개이다.

    NDRT 유형의 경우, <Table 3>와 같이 NDRT 수행에 이용되는 감각에 따라 visual, auditory, cognitive, physical NDRT로 분류하였으며, 복합적인 감각의 이용이 요구되는 경우 복수로 표기하였다.

    <Table 3>

    List of selected variables

    KITS-21-4-167_T3.gif

    2. 기초 데이터 구축

    수집한 문헌의 연구 결과를 메타분석에 활용하기 위해서는 기초 데이터를 구축하고 가공하는 절차가 필 요하다. 본 연구에서는 종속변수(dependent variable)를 연속형 변수인 제어권 전환 소요시간으로 설정하였으 며, 이에 따라 효과크기로서 여러 유형 중 표준화된 평균 차를 선정한 바 있다. 따라서 표준화된 평균 차 산 정에 필요한 실험군 및 대조군에 따른 제어권 전환 소요시간, 표본 수, 표준편차를 연구 결과별로 수집하여 개별 효과크기를 산정하여 기초 데이터를 구축하였으며, 그 예시는 <Table 4>와 같다.

    <Table 4>

    Result of basic data table (e.g.)

    KITS-21-4-167_T4.gif

    3. 이질성 검정

    메타분석을 수행하기 이전에 이질성 검정을 통하여 개별 연구 결과의 일관성을 검토하였다. 이질성 검정 에 사용한 방법은 Higgins's I² 통계량으로 수집 연구 수의 영향을 배제하고자 하였다. 앞서 선별한 영향요인 별 이질성 검정을 수행한 결과는 <Table 5>와 같으며, 결과의 해석은 Higgins and Thompson(2002)이 제시한 해석 기준을 따랐다. 이질성 검정 결과, 12개의 요인 중 ‘less vs more automated driving duration’(I²=0.00%)과 ‘no NDRT vs auditory NDRT’(I²=4.60%)를 제외한 10개의 요인에 대해 이질성이 중간 이상인 것으로 나타났 다. 특히 ‘straight vs curved road’, ‘no NDRT vs visual NDRT’, ‘no NDRT vs visual and auditory NDRT’, ‘less vs more TOR lead time’, ‘less vs more traffic’ 요인의 경우 I²값이 75% 이상으로 이질성이 매우 큰 것으로 나 타났다.

    <Table 5>

    Result of heterogeneity test

    KITS-21-4-167_T5.gif

    Ⅴ. 분석 결과

    1. 통계모형 선택

    개별 연구의 효과크기를 하나의 요약추정치인 통합 효과크기로 산출하기 위해서는 통계모형을 선정해야 한다. 통계모형 선정에 앞서 이질성 검정을 수행하여 개별 연구 결과의 이질성 여부에 근거해 통계모형을 선 정하였다. 앞서 언급한 바와 같이 총 12개의 요인 중 10개 요인에 대해 이질성이 중간 이상인 것으로 나타났 다. 이에 따라 대부분의 요인에 대해 연구간 이질성이 큰 것으로 판단하여 메타분석을 위한 통계모형으로 변 량효과모형을 선정하였다.

    2. 출판 편의 진단

    메타분석 시 발생할 수 있는 소규모 연구 영향으로 분석 결과의 왜곡이 일어나는 현상을 막기 위해 출판 편의를 진단하였다. 출판 편의 진단을 위해 funnel plot 작성 및 Egger's test를 수행하였으며, 그 결과는 각각 <Fig. 4>, <Table 6>와 같다. 출판 편의 진단 결과 선별된 12개의 요인 중 ‘no NDRT vs visual and auditory NDRT', ‘visual and auditory NDRT vs visual and physical NDRT' 요인에 대해 Egger's test의 p-value가 0.05 미 만으로 출판 편의가 의심되는 것으로 나타났다. 또한 funnel plot에서 상대적으로 비대칭의 양상을 띠고 있는 것으로 확인되었다. 이에 따라, 기존 선별된 12개의 요인 중 출판 편의가 의심되는 2개의 요인을 제외한 총 10개의 요인에 대해 요인별 통합 효과크기를 산출하였다.

    <Fig. 4>

    Number of studies by independent variables

    KITS-21-4-167_F4.gif
    <Fig. 5>

    Result of publication bias using funnel plot

    KITS-21-4-167_F5.gif
    <Table 6>

    Result of publication bias test using Egger’s test

    KITS-21-4-167_T6.gif

    3. 통합 효과크기 추정치 산출 결과

    출판 편의 진단 결과에 기반해 기존 12개의 요인에서 출판 편의가 의심되는 2개의 요인을 제외한 총 10개 의 영향요인에 대해 각각 통합 효과크기 추정치를 산출하였으며 산출에 이용된 통계모형은 변량효과모형으 로 이질성 검정 결과에 근거하여 선정하였다. 영향요인별 통합 효과크기 추정치를 산출한 결과는 <Table 7> 과 같다. 본 연구에서는 효과크기의 종류로 표준화된 평균 차를 선정하여 0을 기준으로 결과를 해석해야 한 다. 효과크기(표준화된 평균 차)가 양수인 경우 전자의 조건에 비해 후자의 조건에서 더 큰 제어권 전환 소 요시간이 도출되는 것으로 해석하였으며, 음수인 경우 전자의 조건에 비해 후자의 조건에서 더 작은 제어권 전환 소요시간이 도출되는 것으로 해석하였다. 또한 Cohen(1988)이 제시한 효과크기 크기 기준을 해석에 사 용하여 직관적인 이해가 가능하도록 제시하였다.

    <Table 7>

    Result of deriving the integrated effect size

    KITS-21-4-167_T7.gif

    분석 결과, 총 10개의 영향요인 중 6개가 NDRT와 관련된 요인인 것으로 나타났다. 먼저 NDRT 관련 요인 중 NDRT를 수행하지 않은 조건은 시각적 NDRT(예, 독서, 기사 읽기 등), 청각적 NDRT(예, 음악 감상, 전화 통화 등), 시각 및 물리적 NDRT(스마트폰 게임, SuRT 등) 조건과 비교되었으며 각각의 효과크기는 -1.3310, -0.1128, -0.5397로 NDRT를 수행하지 않았을 때보다 NDRT를 수행했을 때 대체적으로 제어권 전환 소요시간 이 더 크게 나타나는 것을 알 수 있었다. 또한 Cohen(1988)이 제시한 기준에 따르면 효과크기의 수치는 모두 중간 수준 이상의 차이가 있는 것으로 나타났으며, 특히 시각적 NDRT 조건과 비교되었을 때 그 차이가 가 장 큰 것으로 나타났다.

    시각적 NDRT 조건은 청각적 NDRT 조건과 비교되었다. 효과크기는 0.2612로 시각적 NDRT 조건은 청각 적 NDRT 조건에 비해 제어권 전환 소요시간이 큰 것으로 해석할 수 있으며, 그 차이는 작은 수준인 것으로 나타났다. 청각적 NDRT 조건은 두 개의 복합적 감각이 요구되는 NDRT 조건과 비교되었는데, 하나는 시각 및 청각적 NDRT 조건이며 다른 하나는 시각 및 물리적 NDRT 조건이었다. 각각의 효과크기는 -0.0857, -0.4658로 청각적인 NDRT 조건보다 시각 및 청각적 NDRT, 시각 및 물리적 NDRT 조건에서 제어권 소요시 간이 더 큰 것으로 해석할 수 있으며, Cohen(1988)의 기준에 따르면 청각적 NDRT 조건과 시각 및 청각적 NDRT 조건 간의 차이는 매우 작으며, 시각 및 물리적 NDRT 조건과의 차이는 보통 수준인 것으로 나타났다.

    전체 10개의 영향요인 중 4개의 요인은 ‘less vs more automated driving’, ‘straight vs curved road’, ‘less vs more TOR lead time’, ‘less vs more traffic’으로 각각 자율주행 지속시간, 도로 기하구조, TOR의 지속 시간, 교 통량의 크기에 관한 요인이었다. 먼저 자율주행 지속시간 요인은 효과크기가 -0.2218로 자율주행 지속시간이 긴 조건에서 제어권 전환 소요시간이 더 크게 나타나는 것으로 확인되었으며 비교 조건 간의 차이는 작은 수준이었다. 도로 기하구조 요인은 곡선도로와 직선도로 조건이 비교되었다. 효과크기는 0.009로 곡선도로 조건에서 직선도로 조건보다 제어권 전환 소요시간이 더 크게 나타나는 것으로 확인되었으며 비교 조건 간 의 차이는 매우 작은 수준이었다. TOR 지속시간 요인은 효과크기가 -0.0645로 TOR 지속시간이 더 긴 조건 에서 제어권 전환 소요시간이 더 크게 나타나는 것으로 확인되었으며 비교 조건 간의 차이는 작은 수준이었 다. 교통량 요인은 효과크기가 -0.2553으로 교통량이 더 많은 조건에서 제어권 전환 소요시간이 더 큰 것으 로 나타났으며 비교 조건 간의 차이는 작은 수준이었다.

    전체 10개의 요인 중 5개의 요인에 대해 p-value가 0.05 미만으로 95% 신뢰수준에서 유의미한 것으로 나타 났다. 통계적으로 유의미한 요인을 효과크기의 값이 큰 순서대로 나열하면 ‘no NDRT vs visual NDRT’, ‘no NDRT vs visual and physical NDRT’, ‘auditory NDRT vs visual and physical NDRT’, ‘visual NDRT vs auditory NDRT’, ‘less vs more traffic’ 순이다. 그 중 ‘no NDRT vs visual NDRT’ 요인은 효과크기가 -1.331로 비교 조 건 간의 차이가 가장 컸으며, ‘less vs more traffic’ 요인은 효과크기가 -0.2553으로 비교 조건 간의 차이가 가 장 작았다. 통계적으로 유의미한 영향요인 중 하나를 제외한 모든 요인이 NDRT와 관련된 요인이었는데 이 는 <Fig. 3>에서 확인할 수 있듯 분석에 활용된 상당수의 문헌에서 NDRT의 유형을 독립변수로 삼았기에 도 출된 결과라고 판단된다. 다양한 유형의 NDRT 간 비교를 결과를 이용하여 효과크기의 부호에 따라 제어권 전환 소요시간이 작은 순서대로 정렬하여 NDRT 유형에 따른 제어권 전환 소요시간 정도를 간접적으로 확인 할 수 있었으며, 그 순서는 ‘no NDRT’, ‘auditory NDRT’, ‘visual NDRT’, ‘visual and physical NDRT’ 순이었다.

    한편 ‘auditory NDRT vs visual and auditory NDRT’, ‘less vs more automated driving duration’, ‘straight vs curved road’, ‘no NDRT vs auditory NDRT’, ‘less vs more TOR lead time’ 요인의 경우 통계적으로 유의미하지 않은 것으로 나타났다. 이러한 결과는 메타분석이 요인 중복 효과를 별도로 고려하지 못하기 때문에 나타나 는 현상으로 해당 요인이 제어권 전환 소요시간과 관계가 없어서라기보다 상황에 따라 제어권 전환 소요시 간에 미치는 영향이 상이할 수도 있다는 의미로 해석하여야 한다(Kim et al., 2020a). NDRT는 피실험자가 직 접 수행해야 하는 비운전 업무이다. 따라서 같은 유형의 NDRT라 하더라도 실험환경과 수행 난이도, 집중도 등에 따라서 제어권 전환 소요시간에 미치는 영향이 상이할 것으로 판단된다. 따라서 ‘auditory NDRT vs visual and auditory NDRT’, ‘no NDRT vs auditory NDRT’ 요인에 대해 통계적 유의성이 없다는 결과 또한 요 인 중복 효과를 고려하지 못하여 상황에 따라 미치는 영향이 상이하기 때문에 도출된 결과라고 사료된다.

    ‘straight vs curved road’ 요인은 표본의 크기가 1,276으로 비교적 충분히 확보되었음에도 통계적으로 유의 미하지 않은 것으로 나타났는데, 이는 선정된 연구에서 다루는 곡선반경이 매우 다양함에도 이를 ‘curved road’라는 하나의 조건으로 취급하여 발생한 결과라고 사료된다. 마찬가지로 ‘less vs more TOR lead time’ 또 한 선정된 연구에서 실험한 TOR 지속시간의 길이가 매우 다양하였으며, 이를 단순히 ‘less’, ‘more’라는 하나 의 조건으로 취급하였기에 통계적 유의성이 없다는 결과가 도출된 것으로 판단된다. ‘less vs more traffic’ 요 인 또한 다양한 교통량의 기준을 하나로 취급한 요인이다. 그럼에도 불구하고 해당 요인은 앞선 두 요인과 다르게 통계적으로 유의미한 결과가 도출되었다. 그 이유는 ‘less vs more traffic’ 요인의 표본 크기는 3,074로 ‘straight vs curved road’ 요인의 약 2.4배, ‘less vs more TOR lead time’ 요인의 약 4배 많은 표본크기를 지니고 있기 때문이다. 일반적으로 표본크기가 큰 표본으로부터 계산된 효과크기는 표본크기가 작은 경우에 비하여 더 정확하다. 따라서 다양한 실험조건의 단일 조건 취급으로 인한 같은 한계를 지닌 요인들의 결과가 상이하 게 도출된 이유는 표본크기가 통계적 유의성에 영향을 미쳤기 때문이라고 판단하였다.

    이러한 맥락으로 ‘less vs more automated driving duration’ 요인 또한 통계적 유의성이 없다는 결과가 도출 된 것이라고 판단된다. 해당 요인의 표본크기는 420으로 선별된 영향요인 중 표본의 크기가 가장 작다. 앞서 언급한 통계적으로 유의한 요인인 ‘less vs more traffic’의 표본크기(3,074)에 비해 ‘less vs more automated driving duration’ 요인의 표본의 크기는 상대적으로 매우 작음을 알 수 있다.

    본 연구는 메타분석을 통해 제어권 전환 소요시간에 영향을 미치는 요인에 대한 연구 결과를 통합함으로 써 기존의 개별 연구 결과에 비해 더 큰 표본크기를 갖는 연구 결과를 도출하였다. 따라서 개별 연구 결과에 비해 높은 통계적 검증력을 지닌다. 다양한 방향성 및 조건을 가진 개별 연구 결과를 융합해 통합된 하나의 결론을 도출함으로써 제어권 전환 소요시간에 대한 연구 동향 및 결과를 다양한 시각을 고려해 폭넓게 제시 할 수 있다는 점에서 개별 연구 결과와 차별성이 있다.

    Ⅵ. 결론 및 향후 연구 과제

    1. 결론

    본 연구는 제어권 전환 소요시간에 영향을 주는 요인과 그 정도를 메타분석을 통해 객관적이고 일반화된 결과로 제시하는 것을 목표로 하였다. 메타분석을 위해 2000년 이후 출판된 드라이빙 시뮬레이터 및 실도로 를 실험환경으로 하는 SAE 기준 자율주행 레벨 2 이상의 제어권 전환 연구를 수집하여 최종적으로 34개의 문헌을 선정하였고 이를 검토하여 12개의 영향요인을 선별하였다. 실험 조건의 비교에 따른 제어권 전환 소 요시간의 변화 정도를 도출하고자 표준화된 평균 차를 효과크기로 선정하였으며, 개별 영향요인에 대한 효 과크기 산출 후에 이질성 검정을 수행하여 연구간 이질성을 확인하였다. 이에 따라 변량 효과모형을 선택하 여 출판 편의가 의심되는 2개의 요인을 제외한 총 10개의 요인에 대해 통합 효과 추정치를 산정하였다.

    전체 10개의 요인 중 5개의 요인에 대해 통계적으로 유의미한 것으로 나타났으며 효과크기의 값이 큰 순 으로 나열하면 ‘no NDRT vs visual NDRT’, ‘no NDRT vs visual and physical NDRT’, ‘auditory NDRT vs visual and physical NDRT’, ‘visual NDRT vs auditory NDRT’, ‘less vs more traffic’ 순이다. 그중 4개는 NDRT와 관련 된 요인이었다. 효과크기의 부호를 기준으로 NDRT 유형별 제어권 전환 소요시간에 영향을 미치는 정도의 순위를 간접적으로 확인할 수 있었으며, 영향이 작은 순부터 정렬한 결과 그 순서는 ‘no NDRT’, ‘auditory NDRT’, ‘visual NDRT’, ‘visual and physical NDRT’ 순이었다.

    한편 ‘auditory NDRT vs visual and auditory NDRT’, ‘less vs more automated driving duration’, ‘straight vs curved road’, ‘no NDRT vs auditory NDRT’, ‘less vs more TOR lead time’ 요인의 경우 통계적으로 유의미하지 않은 것으로 나타났다. 이는 메타분석이 중복 요인 효과를 고려하지 못하여 발생한 것이며, 이 중 특히 NDRT와 관련된 요인은 같은 유형의 NDRT라고 하더라도 상황(수행 난이도, 집중도 등)에 따라서 제어권 전 환 소요시간에 미치는 영향 정도가 상이하기 때문에 이러한 결과가 도출된 것으로 판단된다. ‘less vs more automated driving duration’ 요인은 상대적으로 표본의 크기가 매우 작았으며 ‘straight vs curved road’, ‘less vs more TOR lead time’은 연구마다 설정한 다양한 곡선 구배 및 TOR 지속시간을 각각 하나의 조건으로 통일하 여 분석하였기에 발생한 결과라고 판단된다.

    2. 연구의 시사점 및 향후 연구 과제

    본 연구 결과가 시사하는 바는 다음과 같다. 첫째, 현재의 제어권 전환 관련 연구 동향은 NDRT 관련 요인 에 집중되어 있으며, 그만큼 제어권 전환에 있어 NDRT는 가장 중요한 요인 중 하나임에도 불구하고 다양한 유형의 NDRT에 대한 유형 분류 기준이 연구마다 상이하다. 본 연구에서는 다양한 NDRT를 수행 시에 필요 한 감각을 기준으로 분류하였으며, 메타분석을 통해 제어권 전환 소요시간에 영향을 미치는 정도의 NDRT 유형별 순위를 간접적이나마 확인할 수 있었음에 의의가 있다. 그럼에도 더욱 다양한 NDRT에 대해서 유형 분류 기준을 확립할 필요가 있으며 이를 통해 한층 더 통일된 환경 속에서 NDRT 관련 연구를 진행할 필요 가 있다고 판단된다. 또한 NDRT 유형으로 인해 발생하는 제어권 전환 소요시간의 차이를 줄이기 위해서는 유형에 따른 적합한 TOR 방식 또한 중요하다고 사료된다. 따라서 NDRT의 유형에 따른 적절한 TOR 방식에 대한 다양한 연구가 필요하며 이는 제어권 전환의 성능 및 자율주행의 안전성 증진에 기여할 것이다.

    둘째, 본 연구에서 수집한 연구의 실험 환경은 대부분 드라이빙 시뮬레이터이며 실도로에서 실험을 수행 한 연구는 전체 수집 문헌 34개 중 2개가 전부였다. 드라이빙 시뮬레이터는 연구별로 장치가 모두 차이가 있 었으며, 실제 도로 상황을 구현하는 정도 또한 드라이빙 시뮬레이터 장치별로 차이가 존재할 것으로 판단한 다. 드라이빙 시뮬레이터는 실도로에 비해 이상적인 교통 조건을 적용하는 경우가 흔히 발생하며, 실도로만 큼의 다양한 돌발상황을 반영하지 못한다. 따라서 본 연구의 효과크기는 실제 교통상황에서 발생할 효과에 비해 과대 추정되었을 가능성이 존재한다. 그러므로 실도로 환경에서의 제어권 전환 관련 연구가 활발히 진 행될 필요가 있으며 이에 대한 연구 결과가 충분히 확보된 이후에 메타분석을 다시 한번 진행하여 분석의 신뢰성을 높일 필요가 있다고 사료된다.

    셋째, 메타분석 이전에 수행한 이질성 검정 결과 총 12개의 요인 중 10개의 요인에 대해 이질성이 높은 것 으로 나타났으며, 개별 연구에 대한 이질성의 원인을 제시하지 못한 점에서 한계가 있다. 따라서 향후에 하 위그룹분석(subgroup analysis)을 통해 하위 집단간의 효과크기 차이를 규명하고 메타회귀분석(meta-regression) 을 통해 요인 별로 평균 효과크기에 영향을 주는 변수를 검증하여 이질성의 원인을 확인할 필요가 있다 (Hwang, 2016;Cho, 2020).

    마지막으로 메타분석은 중복 요인을 고려하지 못한다는 특징이 있으며, 본 연구 결과 또한 이 특징의 영 향으로 통계적으로 유의미하지 않은 요인들이 도출되었다. 자율주행의 특성상 여러 환경과 조건들이 유기적 으로 연결되어 있기 때문에 개별 조건에 대한 독립적인 비교와 더불어 복합적인 요인에 대한 분석 또한 필 요하다고 판단된다. 따라서 향후에는 메타분석과 더불어 다양한 요인을 복합적으로 고려할 수 있는 추가적 인 분석을 통해 연구 결과의 신뢰성을 높임으로써 제어권 전환 성능 향상 및 자율주행 안전성 증진에 기여 할 수 있기를 바란다.

    ACKNOWLEDGEMENTS

    이 논문은 2021년도 정부(국토교통부)의 재원으로 국토교통과학기술진흥원(KAIA)의 지원을 받아 수행된 연구임(21AMDP-C162419-01, 자율주행기술개발혁신사업). 본 논문은 2022년 한국ITS학회 춘계학술대회에 게 재되었던 논문을 수정·보완하여 작성하였습니다.

    Figure

    KITS-21-4-167_F1.gif

    Meta-Analysis process

    KITS-21-4-167_F2.gif

    Examples of Funnel plot

    KITS-21-4-167_F3.gif

    Statistics of related existing studies

    KITS-21-4-167_F4.gif

    Number of studies by independent variables

    KITS-21-4-167_F5.gif

    Result of publication bias using funnel plot

    Table

    Cohen’s criteria for effect size

    Overview of related exiting studies

    List of selected variables

    Result of basic data table (e.g.)

    Result of heterogeneity test

    Result of publication bias test using Egger’s test

    Result of deriving the integrated effect size

    Reference

    1. Ankit Rohatigi,https://automeris.io/WebPlotDigitizer/, 2022.02.15.
    2. Blommer, M. , Curry, R. , Kochhar, D. , Swaminathan, R. , Talamonti, W. and Tijerina, L. (2015), “The effects of a scheduled driver engagement strategy in automated driving”, Proceedings of the Human Factors and Ergonomics Society Annual Meeting, vol. 59, no. 1, pp.1681-1685.
    3. Bourrelly, A. , Jacobé de Naurois, C. , Zran, A. , Rampillon, F. , Vercher, J. and Bourdin, C. (2019), “Long automated driving phase affects take-over performance”, The Institution of Engineering and Technology(IET) Intelligent Transport Systems, vol. 13, no. 8, pp.1249-1255.
    4. Brandenburg, S. and Chuang, L. (2019), “Take-over requests during highly automated driving: How should they be presented and under what conditions?”, Transportation Research. Part F, Traffic Psychology and Behaviour, vol. 66, pp.214-225.
    5. Braunagel, C. , Rosenstiel, W. and Kasneci, E. (2017), “Ready for take-over? A new driver assistance system for an automated classification of driver take-over readiness”, IEEE Intelligent Transportation Systems Magazine, vol. 9, pp.10-22.
    6. Cho, J. J. (2020), “Theory and Practice of Meta-Analysis”, Journal of Rhinology, vol. 27, no. 2, pp.83-89.
    7. Cohen, J. (1988), Statistical power analysis for the behavioral sciences, Lawrence Erlbaum Publishers, pp.184-185.
    8. Du, N. , Kim, J. , Zhou, F. , Pulver, E. , Tilbury, D. M. , Robert, L. P. , Pradhan, A. K. and Yang, X. J. (2020), Evaluating Effects of Cognitive Load, Takeover Request Lead Time, and Traffic Density on Drivers’ Takeover, Performance in Conditionally Automated Driving, pp.66-73.
    9. Egger, M. , Smith, G. D. and Phillips, A. N. (1997), “Meta-analysis: Principles and procedures”, The British Medical Journal(Bmj), vol. 315, no. 7121, pp.1533-1537.
    10. Eriksson, A. and Stanton, N. A. (2017), “Takeover time in highly automated vehicles: Noncritical transitions to and from manual control”, Human Factors, vol. 59, no. 4, pp.689-705.
    11. Hadi, A. M. , Li, Q. , Wang, W. , Yuan, Q. and Cheng, B. (2020), Advances in human aspects of transportation, Springer International Publishing, pp.253-259.
    12. Han, H. , Jeong, S. and Yang, J. H. (2019), “Comparison of non-driving behaviors when responding take-over requests in automated driving”, Transaction of the Korean Society of Automotive Engineers, vol. 27, no. 9, pp.677-686.
    13. Hergeth, S. , Lorenz, L. and Krems, J. F. (2017), “Prior familiarization with takeover requests affects drivers’ takeover performance and automation trust”, Human Factors, vol. 59, no. 3, pp.457-470.
    14. Higgins, J. P. and Thompson, S. G. (2002), “Quantifying heterogeneity in a meta-analysis”, Statistics in Medicine, vol. 21, no. 11, pp.1539-1558.
    15. Hwang, S. (2016), “Publication Bias in Meta-Analysis: Its Meaning and Analysis”, The Korean Journal of Human Development, vol. 23 no. 1, pp.1-19.
    16. Kang, H. (2015), “Statistical Considerations in Meta-Analysis”, Hanyang Medical Reviews, vol. 35, no. 1, pp.23-32.
    17. Kerschbaum, P. , Lorenz, L. and Bengler, K. (2015), “A transforming steering wheel for highly automated cars”, 2015 IEEE Intelligent Vehicles Symposium, pp.1287-1292.
    18. Kim, H. , Jeon, G. , Jang, J. and Yoon, I. (2020), “Analysis of Factors Affecting Buses and Trucks Crash Severity Using Meta Analysis”, Journal of Korean Society of Transportation, vol. 38, no. 6, pp.520-535.
    19. Kim, H. , Kim, W. , Kim, J. , Lee, S. and Yoon, D. (2015), “A study on the Effect of Situation Awareness and Drive Readiness on Control Authority Switching in Automated Driving”, Proceedings of Symposium of the Korean Institute of communications and Information Sciences, pp.783-784.
    20. Kim, H. , Kim, W. , Kim, J. , Lee, S. , Kwon, O. and Yoon, D. (2020), “Study on the Driver’s Recognition and Behavioral Response of Control Authority Transition in Level 3 Automated Driving Vehicles”, Journal of the Ergonomics Society of Korea, vol. 39, no. 6, pp.585-596.
    21. Kontopantelis, E. and Reeves, D. (2009), “MetaEasy: A meta-analysis add-in for Microsoft Excel”, Journal of Statistical Software, vol. 30, pp.1-25.
    22. Körber, M. , Gold, C. , Lechner, D. and Bengler, K. (2016), “The influence of age on the take-over of vehicle control in highly automated driving”, Transportation Research. Part F, Traffic Psychology and Behaviour, vol. 39, pp.19-32.
    23. Korea Ministry of Government Legislation,https://www.moleg.go.kr/lawinfo/makingInfo.mo?lawSeq=68454&lawCd=0&&lawType=TYPE5&mid=a10104010000, 2022.07.31.
    24. Kwon, D. and Jung, E. S. (2019), “Effects of modalities of non-driving related tasks on drivers stress and driving performance during autonomous driving”, Journal of the Ergonomics Society of Korea, vol. 38, no. 3, pp.265-277.
    25. Lee, J. Y. (2008), “Meta-analysis”, Endocrinology and Metabolism, vol. 23, no. 6, pp.361-378.
    26. Lin, Q. , Li, S. , Ma, X. and Lu, G. (2020), “Understanding take-over performance of high crash risk drivers during conditionally automated driving”, Accident Analysis and Prevention, vol. 143, p.105543.
    27. Louw, T. L. , Merat, N. and Jamson, A. H. (2015), “Engaging with highly automated driving: To be or not to be in the loop?”, 8th International Driving Symposium on Human Factors in Driver Assessment, Training and Vehicle Design.
    28. Miller, D. , Sun, A. , Johns, M. , Ive, H. , Sirkin, D. , Aich, S. and Ju, W. (2015), “Distraction becomes engagement in automated driving”, Proceedings of the Human Factors and Ergonomics Society Annual Meeting, vol. 59, no. 1, pp.1676-1680.
    29. Nahm, F. S. (2015), “Understanding effect sizes”, Hanyang Medical Reviews, vol. 35, no. 1, pp.40-43.
    30. Naujoks, F. , Höfling, S. , Purucker, C. and Zeeb, K. (2018), “From partial and high automation to manual driving: Relationship between non-driving related tasks, drowsiness and take-over performance”, Accident Analysis and Prevention, vol. 121, pp.28-42.
    31. Naujoks, F. , Purucker, C. , Wiedemann, K. and Marberger, C. (2019), “Noncritical state transitions during conditionally automated driving on german freeways: Effects of non-driving related tasks on takeover time and takeover quality”, Human Factors, vol. 61, no. 4, pp.596-613.
    32. Oh, Y. , Ryu, D. and Park, S. (2018), “Trend of Driver Monitoring Technology for the Transition of Driving Control in Self-driving Cars”, The Journal of The Korean Institute of Communication Sciences, vol. 35 no. 12, pp.29-35.
    33. Park, M. and Son, J. (2019), “Reference Test Scenarios for Assessing the Safety of Take-over in a Conditionally Autonomous Vehicle”, Transactions of the Korean Society of Automotive Engineers, vol. 27, no. 4, pp.309-317.
    34. Park, S. , Jeong, H. , Kim, K. H. and Yun, I. (2018), “Development of Safety Evaluation Scenario for Autonomous Vehicle Take-over at Expressways”, The Journal of The Korea Institute of Intelligent Transportation Systems, vol. 17, no. 2, pp.142-151.
    35. Park, S. , Yun, Y. , Ko H. , Jeong, H. and Yun, I. (2020), “Analysis of the influence of Road･Traffic conditions and weather on the take-over of a conditional autonomous vehicle”, The Journal of The Korea Institute of Intelligent Transportation Systems, vol. 19, no. 6, pp.235-249.
    36. Petermeijer, S. , Doubek, F. and De Winter, J. (2017), Driver response times to auditory, visual, and tactile take-over requests: A simulator study with 101 participants, 2017 IEEE International Conference on Systems, Man, and Cybernetics (SMC), pp.505-1510.
    37. Pillemer, D. and Light, R. (1980), “Synthesizing outcomes: How to use research evidence from many studies”, Harvard Educational Review, vol. 50, no. 2, pp.176-195.
    38. Radlmayr, J. , Gold, C. , Lorenz, L. , Farid, M. and Bengler, K. (2014), “How traffic situations and non-driving related tasks affect the take-over quality in highly automated driving”, Proceedings of the Human Factors and Ergonomics Society Annual Meeting, vol. 58, no. 1, pp.2063-2067.
    39. Sadeghian Borojeni, S. , Boll, S. C. J. , Heuten, W. , Bültho, H. H. and Chuang, L. (2018), “Feel the movement: Real motion influences responses to take-over requests in highly automated vehicles”, Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems, pp.1-13.
    40. Samani, A. R. , Mishra, S. and Dey, K. (2022), “Assessing the effect of long-automated driving operation, repeated take-over requests, and driver’s characteristics on commercial motor vehicle drivers’ driving behavior and reaction time in highly automated vehicles”, Transportation Research. Part F, Traffic Psychology and Behaviour, vol. 84, pp.239-261.
    41. Schartmüller, C. , Riener, A. and Wintersberger, P. (2018), “Steer-by-WiFi: Lateral Vehicle Control for Take-Overs with Nomadic Devices”, Automotive UI '18: Adjunct Proceedings of the 10th International Conference on Automotive User Interfaces and Interactive Vehicular Applications, pp.121-126.
    42. Shin, W. J. (2015), “An Introduction of the Systematic Review and Meta-Analysis”, Hanyang Medical Reviews, vol. 35, no. 1, pp.9-17.
    43. Song, E. and Han, K. (2019), “Investigating Effective Design of Take-Over Requests Depending on the Types of Non-Driving Related Tasks During Automatic Driving”, Journal of the Human Computer Interaction(HCI) Society of Korea, vol. 14, no. 4, pp.67-78.
    44. Sterne, J. A. , Sutton, A. J. , Ioannidis, J. P. , Terrin, N. , Jones, D. R. , Lau, J. , Carpenter, J. , Rücker, G. , Harbord, R. M. , Schmid, C. H. , Tetzlaff, J. , Deeks, J. J. , Peters, J. , Macaskill, P. , Schwarzer, G. , Duval, S. , Altman, D. G. , Moher, D. and Higgins, J. P. (2011), “Recommendations for examining and interpreting funnel plot asymmetry in meta-analyses of randomised controlled trials”, The British Medical Journal(Bmj), vol. 343.
    45. The Society of Automotive Engineers(SAE) International (2021), Taxonomy and definitions for terms related to driving automation systems for on-road motor vehicles, pp.1-32.
    46. Vogelpohl, T. , Kühn, M. , Hummel, T. , Gehlert, T. and Vollrath, M. (2018), “Transitioning to manual driving requires additional time after automation deactivation”, Transportation Research. Part F, Traffic Psychology and Behaviour, vol. 55, pp.464-482.
    47. Wan, J. and Wu, C. (2018), “The effects of lead time of take-over request and nondriving tasks on taking-over control of automated vehicles”, IEEE Transactions on Human-Machine Systems, vol. 48, no. 6, pp.582-591.
    48. Wandtner, B. , Schömig, N. and Schmidt, G. (2018a), “Effects of non-driving related task modalities on takeover performance in highly automated driving”, Human Factors, vol. 60, no. 6, pp.870-881.
    49. Wandtner, B. , Schömig, N. and Schmidt, G. (2018b), “Secondary task engagement and disengagement in the context of highly automated driving”, Transportation Research. Part F, Traffic Psychology and Behaviour, vol. 58, pp.253-263.
    50. Wu, C. , Wu, H. , Lyu, N. and Zheng, M. (2019), “Take-over performance and safety analysis under different scenarios and secondary tasks in conditionally automated driving”, IEEE Access, vol. 7, pp.136924-136933.
    51. Yang, L. , Babayi Semiromi, M. , Xing, Y. , Lv, C. , Brighton, J. and Zhao, Y. (2021), “The identification of non-driving activities with associated implication on the take-over process”, Sensors, vol. 22, no. 1, p.42.
    52. Yoon, S. H. , Kim, Y. W. and Ji, Y. G. (2019), “The effects of takeover request modalities on highly automated car control transitions”, Accident Analysis & Prevention, vol. 123, pp.150-158.
    53. Yoon, S. H. , Lee, S. C. and Ji, Y. G. (2021), “Modeling takeover time based on non-driving-related task attributes in highly automated driving”, Applied Ergonomics, vol. 92, p.103343.
    54. Zeeb, K. , Buchner, A. and Schrauf, M. (2016), “Is take-over time all that matters? The impact of visual-cognitive load on driver take-over quality after conditionally automated driving”, Accident Analysis and Prevention, vol. 92, pp.230-239.
    55. Zhang, B. , De Winter, J. , Varotto, S. , Happee, R. and Martens, M. (2019), “Determinants of take-over time from automated driving: A meta-analysis of 129 studies”, Transportation Research Part F: Traffic Psychology and Behaviour, vol. 64, pp.285-307.

    저자소개

    Footnote

    • The sustained and ODD-specific performance by an ADS of the entire DDT under routine/normal operation with the expectation that the DDT fallback-ready user is receptive to ADS-issued requests to intervene, as well as to DDT performance-relevant system failures in other vehicle systems, and will respond appropriately.
    • 위험최소화운행(Minimum Risk Maneuver, MRM) : 고장 또는 운행가능영역 이탈 등에 의해 목적지까지 운행이 불가능하게 된 경우 시스템이 스스로 알아서 운행에 다른 위험을 최소화하기 위해 수행하는 기능