Ⅰ. 서 론
1. 배경 및 목적
범 국가적으로 자율주행차량의 기술개발과 제도개선이 활발히 이루어지고 있고, 우리나라는 2027년 Lv.4 자율주행 상용화를 목표로 다양한 노력을 기하고 있다. (Kim and Ki, 2020)은 현재 자율주행은 차량마다 기 술적 수준이 상이하고, 도로별 인프라를 포함한 여러 요소들이 다르기 때문에 안전을 확보하기 위해 자율주 행의 특정 작동조건을 정의하기 위한 운행설계영역(ODD, Operation Design Domain)을 설정하고 있다.
보다 안전한 자율주행을 위해서는 시스템의 작동에 필요한 상황이 상세히 정의되어야 하고, 동적·정적인 물체를 인식하고 구별할 수 있는 판단기술과 안개·강우 등의 환경, 주행경로 상 돌발상황 등 인식 및 예측하 기 어려운 상황의 정보를 제공하여야 할 필요가 있다.
Kim et al.(2021)은 자율주행에 앞서 안전한 도로환경을 구축하기 위해 안전시설물의 설치 기준에 대한 도 로 안전지표를 개발하여 도로 안전 및 운영관리에 긍정적인 영향을 미치고 있다. 자율주행 차량도 실시간 교 통상황과 ODD의 변화를 분석하고 자율주행에 관련 정보를 제공할 수 있다면, 우회 및 안전운전 전략을 보 다 수월히 수립할 수 있을 것이다.
본 연구는 도로 및 교통 관리자 측면에서 자율주행차량의 운행 위험도를 평가하고자 ODD 6가지 요소 및 자율주행차량의 사고 발생 원인 분석, 자율차량 외 일반차량으로 인한 사고 가능성을 고려하여 자율주행차 량 및 일반차량을 대상으로 위험요소를 도출하였다. 또한, 도출된 위험요소를 바탕으로 자율주행차량의 운행 위험도를 평가할 수 있는 모델 개발을 목적으로 하였다.
2. 연구범위 및 절차
본 연구에서는 자율주행차량의 주행 위험도 평가 모델을 개발하기 위하여 ODD의 구성요소, 자율주행차 량의 운행 위험요소를 분석하며 자율차량 이외의 일반차량으로 인한 사고 가능성를 고려함으로써 자율주행 차량 및 일반차량의 위험요소를 검토 및 분류하였다. 자율주행차량의 주행 위험도 평가에 활용되는 위험요 소들을 선정함에 있어, 수집 가능 여부, 계량화 여부, 자율주행차량과의 사고 연관 요인, 향후 시스템 구축 간 연계 및 통합이 가능한 요소 여부를 종합적으로 검토하여 선정하였다.
자율주행차량의 사고 연관 요인 분석에 있어, 미국 캘리포니아 차량관리국(Department of Motor Vehicles, DMV)에서 수집한 자율주행차량 충돌보고서를 토대로 사고 일자, 사고 시각, 사고 유발원인, 기상, 노면상태 등에 대한 내용을 2019년~2022년 총 4개년 자료를 바탕으로 분석하였다.
하지만, 자율주행차량 충돌보고서 상에는 ODD의 구성요소인 6개 항목이 전부 포함되어 있지 않으며 정확 한 주행정보 데이터는 각 차량제조사에서 미제공하기에 구득이 어려운 상황을 감안하여 정성적인 자료를 활 용하여 의사결정 방법을 적용하였다.
자율주행차량의 운행 위험요소들이 다른 요인들과의 복합적인 영향을 미치기 때문에 의사결정의 애매모호 함, 불확실성을 정량적 수치로 변환하는 퍼지-계층화법(Fuzzy-AHP)으로 각 위험요소의 가중치를 도출하였다.
본 논문에서는 퍼지-계층화법(Fuzzy-AHP)을 활용하여 보다 정확한 수치와 의사결정 과정을 체계적으로 수 립함으로써, 각 요소의 애매모호한 정도를 표현하고 자율주행차량의 운행 위험도 평가에 적용하였다.
Ⅱ. 관련 문헌 고찰
1. NHTSA 운행설계영역 분류
2018년 9월, 미국 도로교통안전국(National Highway Traffic Safety Administration, NHTSA)은 자율주행자동 차의 안전한 자율주행 시스템 활성화와 기술 개발 등에 대해 자율주행시스템 보고서를 발간하였다. 운행설 계영역(Operational Design Domain, ODD)의 6가지 요소에 대해 분류하였으며, 물리적 인프라 요소, 운영적 제 약 요소, 객체, 환경 조건, 연결성, 구역이 포함된다.
2. 캘리포니아 DMV 자율주행차량 충돌보고서
미국 캘리포니아주에서 Waymo, GM 등 차량 제작사에서 자율주행 시범운영 중에 있다. 각 제조사별 주행 데이터는 비공개하기에 관련 주행데이터에 관하여 구득하기에 한계가 있다. 그러나, 캘리포니아 차량관리국 (Department of Motor Vehicles, DMV)에서는 자율주행차량의 사고이력자료를 공개하고 있다.
캘리포니아 차량관리국은 운전자가 탑승하지 않은 상황의 자율주행 실험을 2018년부터 허가하였으며 자율주 행차량의 운행간, 사고가 발생할 경우 인적피해, 재산 피해가 발생시 사고 10일 이내에 자율주행자동차 교통사고 보고서를 의무적으로 제출하도록 규정되어있다. 위 자료는 캘리포니아 차량관리국에서 확인 가능하며 자율주행 차량의 사고일자, 사고 시각, 사고 유발원인(보행자, 오토바이 등), 기상(시정악화, 주/야, 맑음 흐림 등), 노면상태 (결빙, 건조, 습윤 등), 조도 등의 정보들을 포함하고 있고, 사고 발생 원인에 대해 추측이 가능하다. 자율주행차량 사고보고서는 6가지의 Section으로 구분되며 각각의 항목은 아래의 <Table 2>와 같다.
3. 선행연구 고찰
자율주행차량 도입에 따른 사상사고 발생 등에 대하여 안전성 문제가 제기되고 있으며, 자율주행 운전 능 력의 검증을 통하여 미래에 발생할 교통안전 문제에 대한 대비가 필요하다고 지적하였다. 미국 도로교통안 전국(National Highway Traffic Safety Administration, NHTSA)에서 자율주행 시스템에 관하여 발간한 보고서의 운행설계영역(Operation Design Domain, ODD) 식별 및 분류, 자율주행 시스템의 사물 객체, 이벤트 탐지 및 반응(Object and Event Detection and Response, OEDR)의 식별, 자율주행 테스트 및 평가 방법 개발 등을 제시 하였다.(KoRoad, 2020)
Lyou(2018)는 자율주행차량의 사고 영향요인으로서, 자율주행시스템 차량 장치의 기계적인 문제, 시스템 상의 오류로 인한 인접 차량 또는 노변 인프라부터의 잘못된 정보 수신, 신호등 및 도로인프라의 결함, 예측 하기 어려운 자연재해와 돌발 상황, 해킹 요소 등이 있으며, 다양한 요인들이 복합적으로 발생하여 자율주행 차량 사고가 발생할 수 있다고 주장하였다.
Kim et al.(2022)은 운행설계영역을 초과하는 상황에 대하여 자율주행시스템의 안전도 평가가 필요함을 강 조하고 있다. 자율주행시스템이 안개 속에서 속도제한 표지판 식별에 따른 감속 등 실도로와 유사한 K-City 의 평가환경(자동차 전용도로, 교외도로부, 도심부 등)과 주행시험로(전파장애 시험장, 비포장로 등)를 바탕 으로 운행설계영역 기반의 평가 요소를 제시하였다.
Hwang et al.(2022)은 자율주행차량이 운행하게 될 실도로 환경은 돌발상황, 도로 구조 변화 등 다양한 위 험 요소들을 직면하게 되며 레이더, 카메라, 라이다 등 자율주행차량의 눈 역할을 수행하는 차량 센서에 결 함이 발생할 경우, 인접 상황을 인식하지 못하거나 오인식에 따른 객체 검출 불가로 교통사고가 발생할 수 있음을 역설하였다.
Schoettle(2017)는 자율주행차량의 안전한 운행을 위하여 주변 상황의 정확한 인식과 왜곡되지 않는 정보의 송수신이 필요함을 설명하고 있다. 또한, 센서의 이물질, 저조도 또는 눈부심, 시정거리가 확보되지 않는 날 씨(폭우, 강설, 안개 등)와 고층 건물 및 지형에 따른 통신간섭구역 등의 요인들로 인해 자율주행자동차의 운 행 안전성이 감소함을 시사하고 있다.
Filiz(2020)는 자율주행차량의 레이더, 라이다 등의 센서를 바탕으로 운전자의 인식 영역을 지원 및 대신하 여 역할을 수행하고 있으며, 안전한 자율주행을 위해 객체로부터 검지 거리, 각도, 속도 등의 정보와 차량과 인접한 주변에 대한 공간정보 등의 수집이 필수적이나 시정거리 미확보, 돌발상황, 센서의 성능적 결함 등이 발생하면 자율주행차량의 안전성이 낮아질 수 있음을 주장하였다.
4. 퍼지-계층화 분석법(Fuzzy Analytic Hierarchy Process)
의사결정자가 결정을 내릴 때 개인적인 경험과 판단을 명확하게 반영하기 위해 계층적 의사결정 기법 (AHP)를 활용하지만 의사결정자의 언어의 애매모호한 표현을 정량적으로 나타낼 수 없는 한계를 가지고 있 다. 또한, 쌍대 비교를 통하여 분석되기에 의사결정자에 따라 AHP의 신뢰도에 영향이 발생하며 가중치 산정 할 때에 그 적합성이 충분하지 못할 수 있다.(Lee and Kim, 2003) 따라서, 본 연구에서는 의사결정에 있어 언 어적인 의사결정 정도를 퍼지이론을 적용한 퍼지-계층화 분석법으로 연구를 수행하고자 한다.
퍼지이론은 1965년 Zadeh를 통해 발전된 이론으로서, “그렇다 또는 아니다”로 명확하게 나타는 이분법적 논리가 아닌 “거의 그렇다 또는 거의 그렇지 않다” 등의 애매모호한 불확실성(Faulty Behaviors Risk, FBR)을 나타내는데 활용된다. 불확실함을 표현하는 질적인 방법이자, 정성적 자료를 수치로 변환 가능하기에 애매모 호성을 담고 있는 인간의 의사결정을 명확하게 나타내는 방법론이다.
퍼지-계층화 분석법은 전문가 설문조사로부터 언어적 애매모호함을 퍼지 척도화하며 각 항목의 중요도를 산출하고 기존의 계층화 분석법인 AHP보다 주관성을 더 정량화하여 객관성을 높일 수 있다.(Lee et al., 2002)
또한, 퍼지(Fuzzy)이론을 적용하여 의사결정자가 다기준 의사결정시에 애매모호함과 현실상황의 불확실성 을 해결하기 위해 수행하는 방법이며 의사결정자의 판단을 수치로 도출하는 것보다 신뢰구간 값을 바탕으로 의사결정자가 결정을 내릴 수 있다.(Son, 2008)
Ⅲ. 데이터 분석 및 퍼지-계층화법 가중치 산정
1. 캘리포니아 DMV 자율주행차량 충돌보고서 분석
2019년부터 2022년까지 4개년 동안 미국 캘리포니아 차량 관리국(DMV)에 신고된 자율주행차량 충돌보고 서 395건을 분석하였다. 자율주행차량 충돌보고서에서 필요한 데이터를 선별하기 위해 ‘모드(Mode)’ 변수로 자율주행차량의 사고 데이터를 추출하였다.
추출 후 정제한 데이터는 257건이며 사고발생 시각, 기상, 사고 발생 시 조명, 노면 상태, 도로 상황으로 구분하였다. 사고발생 시각 항목은 주간(09:00~18:00)에 155건, 야간(18:00~09:00)에 102건 발생하였으며 주간 시간 대비하여 야간시간대에 자율주행차량 사고가 발생한 것을 알 수 있다. 기상 항목은 수집된 데이터 중에 서 흐리면서 비가 내리는 복합적인 상황이 2건 있었으며 사고 발생시 조명, 노면 상태, 도로 상황 3개 항목 에 대해선 일부 자료가 기재되지 않아 239건의 사고가 도출되었다.
일반적인 상황인 주간 시간 & 맑은 날씨일 때 교통량이 많기에 자율주행차량의 사고 역시 해당 조건에서 많은 사고가 발생하였다. 다만, 야간과 흐림 및 강우, 어두운 조명 상황에서 자주 발생하는 것을 알 수 있으 며 센서의 인식 문제로 인한 사고가 많이 발생한 것으로 사료된다. 자율주행차량의 센서가 고도화되더라도 급작스러운 돌발상황, 시야 확보가 되지 않는 환경에서 사고를 피하기에 어려움이 있으며 도로표지판, 기하 구조 등 사물 및 객체를 인식의 용이성이 중요하다.
또한, 운행설계영역의 구성요소 중에서 구역 및 통신의 연결상태 등에 대한 자료는 미 포함되었으며 각 제조사 별로 자율주행차량 운행데이터는 제공되지 않았다.
2. 운행설계영역 및 자율주행차량 운행 위험요소 도출
NHTSA에서 분류한 ODD 6가지 요소, 자율주행차량의 사고발생 원인 분석, 일반차량으로 인한 사고 가능 성을 고려하여 자율차량 및 일반차량을 대상으로 위험요소를 검토하였으며, 기준은 6가지로 분류한 각 항목 별로 자료의 수집 가능성, 계량화 여부, 자율차량 연관성, 향후 시스템 구축 용이성(연계 및 통합)을 고려하 여 분석대상의 위험요소를 선정하였다.
물리적 인프라 요소에는 ｢교차로 형태, 도로 선형, 교통신호기, 시설물 고장 및 훼손｣, 운영조건 요소에는 ｢교통정보, 제한속도, 보호구역｣, 통신 요소에는 ｢통신 간섭구역, IoT 인프라 구축, HP Map(LDM) 구축｣, 환 경 요소에는 ｢날씨, 시정거리, 노면상태, 주/야 시간, 온도｣, 사고 요인에는 ｢사고 다발지역, 돌발상황 정보｣, 객체 요소는 선정 여부가 없으며 총 17개의 운행 위험 영향요인을 도출하였다.
3. 자율주행차량 운행 위험요소의 등급화
물리적 인프라, 운영조건, 통신환경, 기상환경, 사고 요인으로 구분된 5가지의 항목에 대한 17개의 속성 요 인들을 등급화하였으며 이는 <Table 5>와 같다. 위험요소의 등급화는 O, X를 통한 이분법을 기본으로 수행 하였으며 3가지 이상 분류가 필요한 경우, 선행 연구를 통하여 선정하였으며 각 등급에 따른 점수를 차등 부 여하였다.
Kim and Park(2022)은 최소시정거리 50m부터 최대시정거리 200m이하까지 4단계로 구분하여 시정거리를 실험하였으며 강우량 20mm/h, 50mm/h의 2단계의 설정을 통해 안개 및 강우상황에서의 LiDAR 인식 성능에 대하여 연구하였다. 강우의 경우, 비가 오지 않는 맑음, 20mm/h 이하의 강우, 20mm/h~50mm/h, 50mm/h 이상 의 상황과 50m 이하, 50m~100m, 100m~200m, 200m 이상의 시정거리를 토대로 네 가지의 등급화를 수행하 였다.
자율주행자동차의 안전주행에 필요한 요소 중 하나로서 –35도에서 45도 사이에서 자율주행이 가능하여 야 한다고 제시하고 있다. 이는, 1981년 1월 5일 경기도 양평군에서 –32.6도와 2018년 8월 1일 강원도 홍천 군에서 41.0도를 기록한 기상청 관측 기온 자료를 바탕으로 하였다.(LH, 2022)
5가지의 항목에 대한 17개의 속성요인 등급화를 통하여 자율주행차량의 운행 위험요소 평가 척도를 제시 하고자 한다.
4. 퍼지-계층화법 가중치 산정
1) 계층적 분류체계 선정
퍼지-계층화법의 첫 번째 과정은 기존의 계층화 분석방법과 동일하게 자료 검토 및 관련 분야 전문가 설 문조사를 통해 문제 해결에 앞서 계층적으로 분류하는 과정이 필요하다. 달성 목표를 위한 5개의 상위 속성 (Criteria)과 17개의 하위속성(Sub-Criteria)으로 계층 구조를 설계하고, 각 수준별 요인들은 독립적인 관계를 갖 되 하위 속성과는 종속적인 관계를 지니며 이는 <Fig. 3>과 같다.
2) 전문가 설문조사
자율주행차량의 운행 위험도 평가를 위해 <Fig. 3>과 같이 상위속성과 하위속성으로 계층적 분류체계를 수립한 후 자율주행 전문가 20명을 대상으로 상위속성들에 대한 하위속성들의 영향과 중요도 설문조사를 수 행하였다.
쌍대 비교를 통하여 각 수준별에서 요인마다 상대적 중요도(Weights) 측정이 가능하며 의사결정자의 언어 적인 표현에 대해 적정 수치를 부여하는 정량적인 전환 과정이 수반된다. 또한, Satty의 9점 척도 방식을 활 용하여 “동일하게 중요하다”라는 답변에 1점, “강하게 중요하다”라는 답변에 5점, “절대적으로 중요하다”라 는 답변에 9점을 부과하며 해당 척도는 <Table 6>과 같다.
전문가를 대상으로 실시한 설문 답변의 일관성 여부를 확인하고자 일관성 지수(Consistency Index, CI)와 일관성 비율(Consistency Ratio, CR)을 산출하였으며 일관성의 허용 한도를 뜻하는 RI(Random Index)를 활용 하였다. 다만, 퍼지-계층화분석법은 일관성 지수를 계산할 수 없기에, 계층화 분석법을 통해 응답자의 일관성 을 측정하였다. 일관성 지수가 0.1이하인 경우에만 설문의 일관성이 확보되며, 전문가 20명의 설문 중에서 전원이 0.1이하로 분석되어 최종적으로 전문가 20명의 가중치 값을 분석하고자 한다.
3) 삼각 퍼지수
의사결정자가 특정 대안을 평가함에 있어, 정확한 데이터를 도출하는 것은 보다 선호도에 따른 언어적 방법 으로 나타내는 것을 선호한다. 반면, Fuzzy 이론은 모호한 언어적 선호도를 반영 가능하며 AHP 기법의 계층화 장점과 9점 척도의 한계를 극복하는 삼각 퍼지수(Triangylar Fuzzy Number, TFN)는 척도를 제시하고 있다. 언어 적 판단정도를 정량적으로 대응시키며 숫자 대신 하한값, 중앙값, 상한값의 범위를 갖으며 <Table 7>과 같다.
4) 가중치 도출
20명의 전문가 설문조사는 자율주행차량 운행 위험요소의 중요도를 산정하는 근거자료로 활용하였다. 먼 저, 설문 결과를 토대로 쌍대비교 결과를 삼각퍼지수로 환산하였으며 전문가들의 설문 답변을 단일 의견으 로 변환하기 위해 기하평균 방법을 활용하였다. 이후, 상위속성들의 가중치를 <Table 8>과 같이 산정하였으 며. 상위속성인 물리적 인프라(0.4), 사고 속성(0.216), 운영조건(0.176), 기상환경(0.126), 통신환경(0.082) 순으 로 가중치가 도출되었다.
하위속성 17개에 대한 가중치를 도출한 <Table 9>를 보면, 물리적 인프라-도로선형(0.406), 운영조건-교통 정보(0.645), 통신환경-통신 간섭구역(0.384), 기상환경-시정거리(0.413), 사고-돌발상황 정보(0.552)가 각 상위 속성에 대한 가장 높은 하위속성 가중치로 분석되었다. 하위속성 가중치 도출 과정에서 통신환경-통신 간섭 구역(0.384)과 IoT 인프라 구축(0.357) 가중치가 가장 근소한 차이(0.027)를 나타내고 있으며 “IoT 인프라 구 축” 항목도 중요한 속성임을 알 수 있다.
자율주행차량의 운행 위험요소에 대한 최종 가중치는 물리적 인프라-도로선형이 0.163의 가중치로 가장 높게 분석되었으며, 사고-돌발상황 정보(0.119), 운영조건-교통정보(0.114), 물리적 인프라-안전 시설물 고장 및 훼손(0.108), 사고-사고다발지역(0.097) 등의 순으로 분석되었다.
Ⅳ. 자율주행차량의 운행 위험도 평가 모델의 검증
전문가 설문조사를 통하여 자율주행차량의 운행 위험요소에 대한 가중치를 <Table 8>, <Table9>과 같이 도출하였다. <Table 11>에서 상위속성 5개 항목에 대한 하위속성 17개 항목의 하위값, 중앙값, 상위값, 가중 치를 토대로 자율주행차량의 운행 위험도 범례를 제시하였다.
자율주행차량의 운행 위험도 지수를 산출하기에 앞서, <Table 8>의 상위속성 가중치 순위를 기반으로 추 가적인 위험도 가중치(W)를 적용하였으며, 해당 가중치는 <Table 10>과 같다.
계산과정으로는 식(1)과 같으며 우선, 하위속성에 대한 가중치(B)와 각각의 하한값(X), 중앙값(Y), 상한값(Z)을 곱셈하여 각 상위속성의 소계 값들을 도출하였다. 이후, 해당 상위속성의 추가적인 위험도 가중치(W)를 각 상위 속성의 소계 값과 곱셈한 후 이를 합산하여 최종적인 자율주행차량의 운행 위험도 지수를 도출하였다.
식(1)에 따라 자율주행차량이 운행하기에 가장 안전하고 모든 조건을 충족하는 범위는 26점 미만이며 안 전 범위는 26~50점, 50~73점은 주의 구간, 73점을 초과하는 범위는 자율주행차량의 운행에 있어 위험한 수준 인 것으로 도출하였다.
본 연구의 적용은 자율주행차량이 운행하면서 링크/구간 단위로 실시간 위험도가 산출되어야 하나 선행 적인 차원에서 지역 단위의 운행 위험도를 산출하였다. 자율주행차량 운행 위험요소 가중치와 위험도 범 례를 기반으로 5개 대상지의 자율주행 운행 위험도를 평가하였다. 자율주행차량의 시범운행 실증사업을 진행하고 있는 세종시와 판교제로시티, 자율주행셔틀 실증을 위해 설정된 안양시 도시부도로 각 1개소, 국 토지리정보원의 국토정보맵을 통하여 의왕 고천동, 화성 병점동 일대 2곳 임의로 설정하여 총 5곳을 적용 하였다.
<Table 5>의 등급화 항목에 없는 요소, 국토지리정보원 국토정보맵의 정밀지도 상 포함되지 않은 요소는 <Table 9>의 중앙값을 활용하였다. 세종시, 판교제로시티, 안양시의 경우, 자율주행 실증 실험과 관련된 운행 설계영역를 토대로 자율주행 운행 위험도 산출을 수행하였으며, <Table 12>의 표에 따르면 임의 대상지와 비 교하였을 때 소통상태, 보호구역, 통신간섭구역, IoT 인프라 구축, HD Map(LDM) 구축, 날씨, 시정거리, 노면 상태 항목에 대해서 추가적인 분석이 이뤄졌다.
임의 대상지인 의왕 고천동과 화성 병점동 일대는 정밀도로지도의 항목을 기반하여 분석한 결과, 신호기 와 안전 시설물 등 동일한 요소가 포함되었다. <Table 10>의 자율주행차량 운행 위험도 산출과정과 동일하게 5곳에 대한 분석을 수행하였고 의왕, 화성시 대상지의 운행 위험도가 다른 3곳과 비교하였을 때 20~25점 가 량 높으며 이는, 자율주행 운행 시 주의 단계에 포함된다. 사고 요인의 사고다발지역 및 돌발상황 정보는 기 본적으로 미 진입, 미 발생으로 인한 0점을 부과하였으나, 자율주행차량이 사고다발지역 진입과 돌발상황이 발생한 특정 순간에서는 이에 상응하는 점수가 부과됨으로써 최종적으로 자율주행차량 운행 위험도가 높아 질 것으로 예측된다.
Ⅴ. 연구결론 및 기대효과
본 연구는 도로 및 교통 관리자 측면에서 자율주행차량의 운행 위험도를 평가 모델의 개발을 수행하였다. 운행설계영역의 6가지 요소와 캘리포니아 차량관리국의 자율주행차량 충돌보고서 등을 기반으로 자율주행 차량의 운행 위험 요소를 도출하였다.
연구의 한계점으로 자율주행자동차의 운행설계영역 세부 기준이 전 세계적으로 명확하게 제시되어 있지 않으며, 미국 캘리포니아 차량관리국의 자율주행자동차 충돌보고서에 운행설계영역의 일부 항목만 포함되어 자율주행차량의 정확한 사고 발생 분석에 어려움이 발생하였다. 또한, 자율주행차량 차량 제작사 측에서 자 율주행 운행 간 사고 발생시 자료를 미제공하기에 전체 자료를 구득함에 어려움이 있어 정성적 자료를 활용 한 의사결정 방법을 적용하였다.
정량적인 자료 분석을 대체하기 위해 전문가 설문조사를 통한 퍼지-계층화법으로 의사결정자의 애매모호 함과 불확실성을 정량적인 수치로 변환하여 각 위험 요소마다 가중치를 분석하여 자율주행차량의 운행 위험 도 평가에 활용하였다.
전문가 설문조사를 진행하기에 앞서 상위속성과 하위속성으로 계층 구조를 설계하였으며 Satty의 9점척도 와 삼각퍼지수를 통해 의사결정자의 언어적 선호도를 정량적으로 전환하는 과정을 수행하였다. 상위속성에 5개, 하위속성 17개의 가중치가 분석되었으며 이에 따른 자율주행차량 운행 위험도 범례를 도출하였다.
향후, 교통정보·인프라·운영정보·기상·돌발상황 정보 등의 자료를 수집하여 퍼지-계층화법을 통해 자율주 행차량의 운행 위험요소 가중치를 적용하면 범례화 된 위험도 산정 방식으로 운행가능 여부를 판단 할 수 있을 것이라 사료된다. 또한, 분석된 자율차량의 운행 위험요소를 차량에 전송하여 주행속도 제어, 위험구간 회피, 운전자 알림 서비스와 관리자 측면에서는 위험원인을 상세히 분석 가능하며 도로의 위험요인에 대한 개선 정책을 적극적으로 추진할 수 있을 것이라 기대된다.
다만, 자율주행자동차가 주어진 조건에서 안전하게 운행할 수 있는 운행설계영역에 대하여 국내의 실정에 적합한 기준과 6가지 항목에 대한 분류체계의 재정립이 요구된다. 이를 바탕으로 자율주행자동차의 운행 안 전도를 검증하기 위하여 기존에 자율주행시스템에 정의되어 있지 않은 돌발상황, 센서의 오인식 및 미인식 등의 상황을 대상으로 다양한 시나리오에서의 연구가 필요할 것으로 판단된다.
