Ⅰ. 서 론
자율주행차량은 (Autonomous Vehicle, AV) 다양한 센서 및 통신 기술을 기반으로 주변 환경을 인지하고 인공지능 기술을 적용하여 스스로 움직임을 제어할 수 있는 객체를 의미한다. 이러한 자율주행 기술은 미국 자동차공학회 (Society of Automotive Engineers, SAE) 기준에 따라 Level 0부터 5까지 총 6단계로 구분되고 있 으며 (SAE J3016, 2023), ‘27년부터는 주행 제어와 책임 주체가 차량으로 전이되는 Level 4 이상 자율주행차 량의 상용화가 가능할 것으로 예상되고 있다 (Ministry of Land, Infrastructure and Transport, 2022a). 자율주행 기술이 빠르게 발전함에 따라, 국내에서는 ‘22년 11월까지 운영 중인 총 16개의 시범운행지구를 비롯하여 ‘25년까지 전국 시·도에 시범운행지구를 도입할 계획을 발표했으며 (Ministry of Land, Infrastructure and Transport, 2022a), 각종 규제를 정비하여 자율주행 실증 사업을 추진하고 있다. 이와 같이, 향후 도로 상에 자 율주행차량의 도입이 예상되고 있으나, 일반차량 기준으로 설계된 기존의 도로 환경 상에서 자율주행차량의 주행 문제가 발생할 수 있으므로 이에 대한 대응 전략 수립이 필요한 실정이다.
이러한 문제를 해결하기 위한 방안으로 자율주행 전용차로와 같은 정책 방향성을 제안하는 연구가 수행 되었다 (Rahman and Abdel-Aty, 2018;Ma and Wang, 2019;Yu et al., 2019;Kim et al., 2021;Kim et al., 2023). 이 연구들은 자율주행차량의 차로 운영 전략이 교통류에 미치는 영향을 평가했고, 효율성과 안전성 관점에 서 최적의 차로 운영 전략을 제안하였다. 하지만 대부분의 연구는 상대적으로 단순한 연속류 환경에서 실험 을 진행하였으며, 도시부 도로의 다양한 요인들을 충분히 고려하지 못하였다. 도시부 도로는 복잡한 기하학 적 구조와 교통신호 등 다양한 요인들로 인하여 잦은 주행행태 변화가 발생하기 때문에 연속류 보다 자율주 행차량이 안전하게 주행하기에 어려움이 존재할 수 있다 (Ko et al., 2021). 더욱이, 현재까지 보고된 자율주 행 교통사고의 대다수가 도시부 도로에서 발생하고 있는 실정으로 (CA DMV, 2021), 자율주행차량의 주행에 앞서 필요한 정보를 사전에 명확하게 전달하여 적절한 행동 변화를 유도하고 안전성을 높이는 것이 필요하 다. 그러나, 기 설치된 교통안전표지는 일반 운전자를 대상으로 설계되어 있어, 자율주행차량을 위한 교통안 전표지 설치 기준이 검토될 필요가 있다.
자율주행차량이 교통안전표지를 정확하게 인지하기 위해서는 V2X (Vehicle-to-Everything) 통신을 기반으로 정보를 전달받거나 다양한 자율주행 센서를 기반으로 교통안전표지를 직접 인지하는 방법이 고려된다 (Korea Research Institute for Human Settlements, 2016;The Road Traffic Authority, 2018). 하지만, 자율주행차량은 주변 상황을 센서와 통신을 기반으로 인지하고 예측하여 사전에 정의된 알고리즘을 기반으로 차량을 제어하기 때문에 일반차량과 주행행태가 상이 하여 자율주행차량의 인지하는 시점에 따라 적절한 대응을 하기 어려울 수 있다. 이러한 실정에서, 기존 연구는 자율주행차량의 주행행태에 따라 교통안전표지를 유형에 따라 분류하고 중요도에 따른 우선순위를 부여하였다 (Ko et al., 2022). 또한, 일부 연구에서는 자율주행 센서의 인지 범위를 고려하여 교통안전표지의 설치 위치가 교통류에 미치는 영향을 평가하였으며, 이를 바탕으로 교통안전표지의 설치 기준에 대한 적정성 검토를 수행하였다 (Jang et al., 2023a). 그러나, 기존 연구에서는 교통안전표지에 대한 분류가 단순했 기 때문에 다양한 주행행태 변화를 다루기 어려웠고, 차량의 센서에만 초점을 맞추었기 때문에 센서와 통신이 복합적으로 상호 보완하는 실제 자율주행차량의 인지 과정을 모사하기 어려웠다.
이에 본 연구는 교통안전표지를 기반으로 도시부 도로 환경에서 주행행태가 변화되는 시나리오를 설계하 였으며, 이에 따른 자율주행차량의 적정 인지 시점을 도출하는 것을 목적으로 하였다. 이를 위해 의무적으로 차량의 주행행태를 변화시키는 교통안전표지를 분류하고, 분류된 표지에 기반하여 도시부 도로 환경을 모사 하기에 적합한 3가지 시나리오를 설계하였다. 다음으로, 현실적인 자율주행 행태를 구현하기 위하여 실 도로 주행 데이터를 기반으로 설계된 자율주행 알고리즘을 적용하였다. 마지막으로, 설계된 시나리오별 교통류 영 향을 분석하여 교통안전표지의 정보에 대한 적정 인지 시점을 검토하였다.
본 연구는 다음과 같이 구성된다. 다음 장에서는 교통안전표지의 분류와 도시부 도로에 적합한 3가지 시 나리오를 설계, 그리고 자율주행차량의 알고리즘을 서술한다. 3장에서는 각 시나리오에 대한 교통류 영향을 분석한 결과를 제시하며, 마지막으로 4장에서는 연구 결과에 대한 논의와 기여를 제시한다.
Ⅱ. 연구 방법론
1. 교통안전표지 분류
1) 주행행태 기반 교통안전표지
교통안전표지는 일관성 있고 통일된 방법으로 도로 이용자에게 주의, 규제, 지시 등의 정보를 제공하여 교 통안전과 원활한 소통을 도모하는 것을 목적으로 한다 (National Police Agency, 2022). 교통안전표지로부터 제공되는 정보는 도로 이용자 및 문화적 특성 등을 고려하여 표준화된 양식으로 도로 이용자에게 전달된다. 하지만, 사람이 수동으로 제어하는 일반차량의 주행행태에는 다양한 인적 요인이 작용하며, 차량 자체의 시 스템에 의해 제어되는 자율주행차량은 다양한 센서 및 통신을 기반으로 사전에 정의된 알고리즘으로 주행행 태가 결정된다. 이에 일반차량과 자율주행차량의 운전행태와 인지 방식은 상이하므로 자율주행차량의 도입 에 앞서, 기존 교통안전표지의 설치 기준에 대해 검토가 필요한 실정이다. 도시부 도로를 주행하는 차량은 다양한 도로 구간에서 주행행태 변화로 인해 안전, 소통 및 기타 다양한 측면에서 문제가 발생할 수 있으므 로 운전 시 주의가 요구된다. 이에 Ko et al.(2022)와 Jang et al.(2023a)의 연구에서는 교통안전표지에서 제공 하는 정보가 차량의 운전행태에 변화를 주는지에 따라 ‘차로변경’, ‘속도변경’ 및 ‘행동 변화 없음’으로 분류 하여 자율주행차량을 위한 교통안전표지 설치 규정에 대하여 논의하였다. 본 연구에서는 기존 연구의 분류 기준에서 중복으로 제공되는 정보인 노면표시를 제외한 총 63종의 교통안전표지를 고려하여 ‘차로변경’을 a 등급, ‘속도변경’을 b등급, ‘행동 변화 없음’을 c등급으로 분류하였다. 또한, 세부적인 시나리오 설계를 위해 교통안전표지에서 제공하는 정보가 차량에게 의무적으로 변화를 유도하는지 여부에 따라 총 32종의 교통안 전표지를 선별하였다. 선별된 교통안전표지에 대한 자세한 설명은 <Table 1>을 통해 확인할 수 있다.
<Table 1>
Classification of traffic safety signs according to mandatory change of driving behavior
| Classification | Type (Sign designation) | Number of the traffic safety signs |
|---|---|---|
| a | Entering roadway merge(right) (107), Entering roadway merge(left) (108), Lane reduction(right lane end) (119), Lane reduction(left lane end) (120) | 4 |
| b | Railroad crossing ahead (110), Light rail vehicle approaching (110-2), Curved road(right) (111), Curved road(left) (112), Double curved road(right and left) (113), Double curved road(left and right) (114), Uphill slope (116), Downhill slope (117), Road narrows (118), Slippery when wet (126), Roadside road (127), Rough road (128), Speed hump/Raised crosswalk/Raised intersection (129), School zone (133), Workzone (135), Bridge (138-2), Headway (223), Maximum speed limit (224), Minimum speed limit (225), Stop (227), Yield (228), Elderly people (323), School zone (324), Handicapped people (324-2), Traffic priority (332) | 25 |
| c | Divided highway ahead (312), Right lane ahead (313), Left lane ahead (314) | 3 |
* ( ): The unique serial number of the traffic safety sign.
2) 도시부 도로 기반 교통안전표지
도시부 도로에서 자율주행차량이 안전하고 효율적으로 주행하기 위해서는 교통안전표지에 대한 정확한 인지와 올바르게 판단을 내릴 수 있는 능력이 필요하다. 일반적으로, 도시부를 주행하는 차량들은 크게 3가 지의 의무적인 주행행태 변화를 가지는 구간을 직면한다. 1) 교차로 상의 교통 신호나 구간 통제 등으로 인 한 일시정지 구간; 2) 안전속도 5030 구간 (Son et al., 2019), 어린이·노인·장애인 보호구역 (Seo et al., 2019), 도로 기하구조 변화 등으로 인한 속도 변화 구간; 3) 도로의 기하구조로 인하여 차량이 의무적으로 차로변경 을 해야 하는 구간, 도로 유지ㆍ보수로 인해 일시적으로 차로가 차단된 구간. 이에 본 파트에서는 앞서 선별 된 교통안전표지 중 차량에 의무적인 주행행태 변화를 요구하는 시설들을 조합하여 <Table 2>와 같이 도시 부 도로의 특성을 반영하여 교통안전표지를 분류하였다.
<Table 2>
Classification of traffic safety signs considering the characteristics of urban road
| Classification | Representative traffic safety sign | Similar traffic safety signs | Number of the traffic safety signs |
|---|---|---|---|
| Stop | Stop (227) | Yield (228), Traffic priority(332) | 3 |
| Speed change | Maximum speed limit(224) | Railroad crossing ahead (110), Light rail vehicle approaching (110-2), Curved road(right) (111), Curved road(left) (112), Double curved road(right and left) (113), Double curved road(left and right) (114), Road narrows (118), Slippery when wet (126), Roadside road (127), Rough road (128), Speed hump/Raised crosswalk/Raised intersection (129), School zone (133), Workzone (135), Bridge (138-2), Minimum speed limit (225), Elderly people (323), School zone (324), Handicapped people (324-2) | 19 |
| Lane change | Lane reduction (right lane end) (119) | Lane reduction(left lane end) (120), Workzone (135) | 3 |
* ( ): The unique serial number of the traffic safety sign.
2. 시뮬레이션 시나리오 구성 및 실험환경 설정
본 연구에서는 자율주행차량이 교통안전표지를 인지하고 적절하게 대응할 수 있는지 실험하기 위해 미시 적 교통 시뮬레이션인 PTV VISSIM 2021을 활용했다. 앞서 분류된 교통안전표지를 기반하여, 총 3가지 시나 리오에 대한 시뮬레이션 네트워크를 구축했으며, 네트워크 환경은 도로교통법 시행규칙 제 19조의 안전속도 5030 정책 (Ministry of Government Legislation, 2023a)과 교통안전표지가 설치된 도로의 기하학적 구조 특성을 반영하였다. 실험에서 일반차량과 자율주행차량의 차종은 모두 승용차로 설정하였으며, 자율주행차량의 인 지 오류를 고려하기 위하여 자율주행차량의 상태는 인지 오류가 없는 경우와 인지 오류가 있는 경우로 구분 하였다. 인지 오류가 없는 경우는 자율주행차량의 센서와 통신이 상호 보완하여 교통안전표지 정보를 안정 적으로 인지하는 상태를 의미하며, 현재 자율주행기술 상 일반적으로 일정 범위의 인지 오류가 존재하므로 이를 구현하기 위하여 일정 범위의 인지 오류가 있는 상태를 가정하였다. 인지 오류는 현재까지 개발된 자율 주행차량의 최고 인지 성능을 (NuScenes, 2023) 고려하여 인지 오류율을 20%로 설정하고 이를 실험환경에 반영하였다. 시나리오에 관한 시뮬레이션 실험환경은 <Table 3>에 상세히 요약되어 있다.
<Table 3>
Settings of simulation environment by scenario
| Classification | Factors | Stop scenario | Speed change scenario | Lane change scenario |
|---|---|---|---|---|
| Road condition | Number of lane (main lane) | 1 | 3 | 3 →2 |
| Traffic condition | Speed limit(km/h) | 30,50 | 50 → 30 | 50 |
| Location of perception regarding traffic safety sign (m) | -50~-5 (interval5m) | -200~50 (interval25m) | -400~-50 (interval25m) | |
| Traffic volume(pcphpl) | 100 | 1,100 | 1,300 | |
| Ratio(autonomous vehicle : human vehicle) | 100:0 | 50:50 | 50:50 | |
| Simulation condition | Number of random seed | 1 | 10 | 10 |
| Analysis time(sec) | 3,600 | 1,500 (including the warm-up time:600) | 1,500 (includingthe warm-up time:600) | |
| AV condition | Perception error(%) | 0,20 | 0,20 | 0,20 |
1) 일시정지 시나리오
도로교통법 제2조 30항에 의하면 일시정지란 차 또는 노면전차의 운전자가 그 차 또는 노면전차의 바퀴를 일시적으로 완전히 정지시키는 행위를 의미한다 (Ministry of Government Legislation, 2023b). 이러한 표지는 교통이 빈번한 교차로, 차량 간의 우선권 부여가 필요한 구간 또는 시ㆍ도 경찰청장으로 하여 교통사고 예방 이 필요하다고 판단한 장소에 설치되어 운영되고 있다 (Ministry of Government Legislation, 2023b). 그러나, 기 존 일시정지 표지의 설치 규정에는 “차가 일시정지하여야 하는 교차로나 기타 필요한 지점의 우측에 설치한 다.” 라고만 명시되어 있으며 (National Police Agency, 2022), 설치 기준에 대한 명확한 위치 규정이나 기준이 부재하다. 이에 자율주행차량의 도입에 앞서, 차량이 어느 시점에서 일시정지 상황을 정확히 인지하고 대응 해야 하는 지에 대한 명확한 검토가 필요하다. 이에 대한 검토를 위해, 자율주행차량이 일시정지하는 시나리 오를 <Fig. 1>과 같이 설계하였으며, 일시정지를 정확하게 인지하고 인지하는 시점을 50m 이전부터 5m 이전 범위 내에서 5m 간격으로 변경하면서 실험을 진행하였다. 실험은 편도 1차로 도시부 도로에서 제한속도 30km/h와 50km/h로 주행 중인 자율주행차량이 일시정지하는 상황을 대상으로 하였다. 이 실험에서 일반차량 은 실험 대상에서 고려되지 않으므로 모든 차량은 자율주행차량으로 설정하였다. 또한, 주행 차량 간의 상호 작용을 배제하기 위해 교통량은 100pcphpl로 설정하였으며, 일시정지하는 자율주행차량의 표본을 충분히 수 집하기 위해 총 1시간 (3,600sec) 동안 실험을 진행하였다.
2) 속도변경 시나리오
주행하는 차량이 안전상의 이유로 가속하거나 감속하는 상황은 제한속도가 변경되는 도로를 주행하거나 교통약자 보호구역을 통과하는 경우, 또는 곡선, 구배 등으로 인한 도로의 기하학적 구조가 변화하는 구간과 같은 다양한 요인들로 인하여 빈번히 나타난다. 그럼에도, 의무적인 속도 변화가 요구되는 구간에서는 급격 히 가·감속한 차량에 의해 잠재적인 사고 위험을 초래할 수 있으므로 이에 대한 적절한 대응이 필요하다. 기 존 도로교통법 시행규칙 제8조 2항에 따르면 최고속도 제한표지 (224)는 제한구간의 시작점에 설치돼야 한 다고 명시되고 있으나 (Ministry of Government Legislation, 2023b), 자율주행차량에게 사전 안내 및 대응하기 위한 명확한 규정이나 기준이 부족한 실정이다. 이에 도로를 주행하는 자율주행차량이 제한속도 변경 표지 를 직면했을 때, 안전하게 감속하기 위한 적절한 감속 시점을 사전에 검토할 필요가 있다. 본 연구에서는 <Fig. 2>와 같이, 대표적인 속도변경 표지인 최고속도 제한 (224) 표지를 기반으로 국내에 시행 중인 안전속 도 5030 정책을 고려하여, 자율주행차량이 속도를 변경하는 시점을 실험적으로 검증하고자 한다. 이를 위해 자율주행차량이 속도변경을 수행하는 시점을 제한속도 변경 구간의 200m 이전부터 50m 이전까지 25m 간격 으로 변화시키며 실험을 설계했다. 시뮬레이션은 편도 3차로 도시부 도로에서 제한속도 50km/h로 주행하다 제한속도 30km/h로 감속하는 상황으로 구현되었으며, 도로를 통행하는 일반차량과 자율주행차량의 혼재되는 상황을 모사하기 위해 동일한 비율 (50:50)로 설정하였다. 속도변경으로 인한 주행차량 간의 상호작용을 고 려하기 위해 교통량은 도시부 도로의 서비스 수준 D에 해당하는 1,100pcphpl로 설정했다 (Ministry of Land, Transport and Maritime Affairs, 2013). 시뮬레이션은 초기 설정 값 10분 (600sec)을 포함한 총 25분 (1,500sec)동 안 진행되었으며, 시뮬레이션의 무작위성(Random seed)을 고려하기 위해 총 10회의 시뮬레이션을 실행한 결 과의 평균값을 사용하였다.
3) 차로변경 시나리오
도로의 기하학적 구조로 인하여 차로가 줄어들거나 유지ㆍ보수 작업 등으로 인해 차로가 일시적으로 차 단되는 상황에서 불가피한 차로변경이 발생한다. 이러한 상황은 도로 용량을 감소시키거나 잠재적인 사고 위험을 증가시킬 수 있어 (Li et al., 2020;Oh and Yeo, 2015), 이에 대한 적절한 대응이 필요하다. 이를 위해 운전자에게 도로 변화에 대응할 수 있도록 사전에 정보를 제공하는 교통안전표지를 설치하는 것이 보편적인 방법이다. 그러나, 자율주행차량은 이러한 도로 상황에 직면할 때, 언제 차로변경을 수행해야 하는지에 대한 명확한 규정이나 기준이 부재하다. 이에 본 연구에서는 기하학적 구조로 인해 차로변경이 불가피한 상황에 대한 시나리오를 설계하여 차로변경을 수행하는 시점을 파악함으로써 이러한 문제에 대응하고자 하였다. 대 표적인 차로변경 시나리오를 구현하기 위해 <Fig. 3>과 같이, 우측차로 없어짐 (119) 표지가 설치된 도로를 설계하고 자율주행차량이 차로변경 표지를 인지하는 시점을 도로 상에서 차로 없어지는 지점 400m 이전부 터 50m 이전까지의 50m 간격으로 변화시키며 실험을 진행하였다. 시뮬레이션 환경은 제한속도 50km/h인 편 도 3차로 도시부 도로에서 차로 1개가 없어지는 상황을 구현했으며, 도로를 통행하는 일반차량과 자율주행 차량의 혼재되는 상황을 모사하기 위해 동일한 비율로 설정하였다. 차로변경으로 인한 주행차량 간의 상호 작용과 교통정체를 고려하기 위해 교통량은 도시부 도로에서 서비스 수준 E에 해당하는 1,300pcphpl로 설정 했다 (Ministry of Land, Transport and Maritime Affairs, 2013). 그 외의 시뮬레이션 실험 환경은 속도변경 시나 리오와 동일하게 설정하였다.
3. 차량 주행 알고리즘
본 연구에서는 종방향 주행행태는 식 (1)에 명시된 지능형 운전자 모델 (Intelligent driver model, IDM)에 보 정 (Calibration)된 파라미터 값 (Jang, 2023)을 적용하여 분석을 진행하였다. IDM은 선행 차량과의 상대 속도 및 간격 거리와 같은 동적 차량 변수를 시간연속적으로 구현한 차량 추종 모델로, Treiber and Kesting(2013) 의 정의를 기반으로 한다. 이 모델은 안전거리 유지, 선행 차량의 속도 변화에 대한 반응 등 차량 간 상호작 용에서 중요한 측면을 포착하기 때문에 시뮬레이션에서 자율주행차량의 주행행태를 모사하는데 보다 현실 적인 접근 방식을 제공할 수 있다.
where,
-
s0 (m) : minimum gap; υ0 (m/s) : desired velocity; T(s) : desired time headway;
-
a(m/s2) : maximum acceleration; b(m/s2) : comfortable deceleration
파라미터 보정은 차량추종 모델 (Car-following model)의 파라미터를 경험적 데이터에 맞게 조정하는 과정으로, 실제 주행 특성을 더 정확하게 반영하기 위한 과정이다. Jang(2023)과 Jang et al.(2023b)에서는 자율주행 분야의 선두기업인 Waymo LCC의 자율주행차량의 주행궤적인 Waymo Open Dataset (Waymo, 2023)을 활용하였다. 해당 데이터는 자율주행차량에 부착된 5개의 라이다 센서와 5개의 카메라를 통해 20초 간격으로 수집된 1,000개의 데이터로 구성되며, 자율주행차량이 일반차량을 추종하는 196가지의 상황과 일반차량이 다른 일반차량을 추종하 는 1,032가지 상황이 포함된다. 이 데이터를 활용하여 실제 자율주행차량의 주행 궤적과 IDM의 주행 궤적 사이의 차간간격이 최소가 되도록 식 (1)에 해당하는 5가지의 파라미터를 보정하였으며, 이에 대한 결과는 <Table 4>에서 확인할 수 있다 (Jang, 2023). 이러한 결과를 토대로, 본 연구에서 적용된 자율주행차량은 일반차량과 비교하여 더 긴 차두시간 간격과 더 안정적인 가속 및 감속을 수행하는 보수적인 주행행태를 모사한다.
<Table 4>
Parameters of IDM
| Parameters | Value | ||
|---|---|---|---|
| Autonomous vehicles | Human vehicles | ||
| a (m/s2) | Maximum acceleration | 1.68 | 1.93 |
| b (m/s2) | Comfortable deceleration | 0.88 | 1.14 |
| v0 (m/s) | Desired speed | 12.49 | 12.06 |
| T(s) | Desired time headway | 1.41 | 0.99 |
| s0 (m) | Minimum gap | 6.04 | 3.76 |
보정된 값이 적용된 IDM을 VISSIM 내에 구현하기 위해, VISSIM이 제공하는 Driver model Dynamic-Link Library (DLL) 파일을 이용하여 외부 운전자 모델 (External driver model)을 활성화하고 적용하였다. 이를 통 해 시뮬레이션 실행 중에 속도, 가속도 등 다양한 차량 정보를 대체하고 재정의 할 수 있는 인터페이스를 구 현하였다. 시뮬레이션의 각 시간 단계에서 DLL 코드가 실행되어 차량의 가속도 값을 계산하며, 이를 통해 자율주행차량이 교통류에 미치는 영향을 더 현실적으로 모사할 수 있다. 이러한 과정은 VISSIM에 내재된 Wiedemann 74 및 99 차량추종 모델을 대체함으로써 자율주행차량의 주행 행동을 더 정확하게 표현할 수 있 고 이로 인한 교통류의 변화를 더욱 세밀하게 분석할 수 있도록 한다.
Ⅲ. 분석 결과
1. 일시정지 시나리오
운전자가 브레이크를 밟아 차량을 정지시킬 때까지 필요한 제동 정지거리는 식 (2)와 같이 도출된다. 그러 나, 실제 도로 상에서는 도로 노면의 상태에 따라 마찰계수가 변화하므로, 운전자는 도로 노면 상태를 고려 하여 제동 시점을 판단해야 한다. 제동 정지거리 식을 기반으로 도출된 정지거리는 <Table 5>와 같다. 표와 같이, 제한속도가 50km/h이고 도로 노면이 습윤 상태일 때 27.3m의 최소 제동정지 거리로 요구된다. 따라서, 이를 충족하면서도 실제 차량이 제동 시에는 급정지로 인한 주변 차량과의 상충 가능성에 대해 고려될 필요 가 있다. 이와 관련하여 국내에서는 ‘22년 위험운전행동 판별 기준에 따라 영업용 택시 차량의 경우 급정지 시 –3.89m/s2을 초과하면 위험운전행동으로 분류하였다 (Ministry of Land, Infrastructure and Transport, 2023b). 자율주행차량은 운전자의 개입 없이 스스로 제어하며 안전하게 주행하는 것을 목표로 하기 때문에, 위험운전행동 기준을 준수하면서도 최소 제동 정지거리를 함께 충족해야 한다. 이에 따라, 본 연구에서는 제 한속도 30km/h와 50km/h 상황에서 제동 시점에 따른 감속도가 위험운전행동 기준 내에서 정지를 할 수 있는 지에 대한 분석을 수행했다. 자율주행차량이 일시정지 상황에 대응하는지 확인하기 위해 기 설정된 제동 시 점에서 일시정지 구간까지의 최대 감속도와 제동 시점에 따라 일시정지를 성공적으로 수행하지 못하는 자율 주행차량의 비율인 실패율을 평가지표로 사용했다.
<Table 5>
Stop distance based on a road conditions
| Road condition | Wet road surface | Freezing road surface | Tunnel | Base | ||||
|---|---|---|---|---|---|---|---|---|
| Speed | Friction factor | Stopdistance | Friction factor | Stop distance | Friction factor | Stop distance | Friction factor | Stop distance |
| 30km/h | 0.44 | 8.1 | 0.15 | 23.6 | 0.64 | 5.6 | 1 | 3.5 |
| 50km/h | 0.36 | 27.3 | 0.15 | 65.6 | 0.61 | 16.1 | 1 | 9.8 |
where,
제한속도 30km/h에 대한 분석 결과는 <Fig. 4>에서 확인할 수 있다. 분석 결과, 자율주행차량의 인지 오류 여부와 상관없이 일시정지 구간 15m 이전에서 제동 시 위험운전행동으로 분류되는 것으로 관찰됐다. 더불 어, 일시정지 구간 5m 이전에 제동을 시작할 경우 시나리오별로 각각 약 48.18%와 62.73%의 자율주행차량이 일시정지를 성공적으로 수행하지 못하는 것으로 나타났다. 두 결과를 종합적으로 판단해 볼 때, 자율주행차 량의 인지 오류 여부와 상관없이 안정적으로 일시정지 구간을 인지하고 제동을 수행하기 위해서는 최소한 20m 이전부터 제동을 시작해야 하는 것으로 사료된다. 이는 도로의 노면이 결빙된 상태를 제외하면 일반차 량에게 요구되는 최소 제동거리인 8.1m를 충족하며, 위험운전행동 판별 기준 이내로 준수한 결과이다.
제한속도 50km/h에 대한 차량의 일시정지 분석 결과는 <Fig. 5>에서 확인할 수 있다. 자율주행차량은 인지 오류 여부와 상관없이 일시정지 구간 30m 이전에서 제동 시 위험운전행동으로 분류되는 것으로 관찰됐다. 또한, 일시정지 구간 15m 이전에 제동을 시작할 경우 각각 약 17.27%와 31.82%의 자율주행차량이 일시정지 를 성공적으로 수행하지 못하는 것으로 나타났다. 이에 따라, 자율주행차량의 인지 오류 여부와 상관 없이 안정적으로 일시정지 구간을 인지하고 제동을 수행하기 위해서는 최소한 35m 이전부터 제동을 시작해야 하 는 것으로 판단된다. 이는 속도 제한이 30km/h인 상황과 마찬가지로 도로의 노면이 결빙된 상태를 제외하고 일반차량에게 요구되는 최소 제동거리 27.3m를 충족하며, 위험운전행동 판별 기준 이내로 준수한 결과이다.
2. 속도변경 시나리오
주행하는 모든 차량이 의무적으로 규제속도를 준수해야 하는 특성을 가진 도로는 일반적으로 이동성 보다는 도로 이용자와 보행자의 안전을 우선으로 한다. 이에 따라, 본 연구에서는 자율주행차량의 속도 변화에 대응하기 위한 적절한 인지 시점을 도출하기 위해 도로 안전성 평가에 널리 사용되는 평가지표인 TTC (Time-to-Collision)를 활용했다. TTC는 차량이 추종하는 상황에서 선행차량 보다 후행차량의 속도가 빠를 경우 상충 가능성이 있다고 판단하며, 해당 시점에서 몇 초 뒤에 사고가 발생하는 지를 나타내는 지표이다. 이는 식 (3)과 같이 정의되며, 일반적으로 1.5sec 이내의 TTC 값을 상충이 발생했다고 판단한다 (Federal Highway Administration, 2008;Katrakazas et al., 2019). 이와 더불어, 본 연구에서는 실험 결과를 분석하기 위해 위험 발생비율 (Risk Occurrence Rate, ROR) 지표를 추가로 활용했다 (Jin et al., 2022). ROR은 일반적인 차량 추종하는 상황 (G1 ) 대비 상충 가능성이 높은 차량 추종 상황 (G2 )의 비율로 정의되며, 식 (4)와 같이 표현된다.
where,
-
Gap : distance between the rear bumper of preceding vehicle and the front bumper of the following vehicle;
-
Vi(t) : speed of following vehicle i at time t;
-
Vi-1 (t) : speed of following vehicle i-1 at time t
where,
속도변경 시나리오 실험 결과, 자율주행차량의 인지 오류 여부와 상관없이 제한속도가 변경되는 지점에 대해 미리 인지할수록 상충 건수와 ROR이 전체적으로 감소하는 추세가 확인됐다 <Fig. 6>, <Table 6>. 이는 자율주행차량이 속도 변화에 미리 인지할수록 도로의 안전성을 향상시키는데 긍정적인 영향을 미친다는 것 을 의미한다. 그러나, 확인된 상충 건수가 3~27건으로 매우 적은 수준임을 고려하면 자율주행차량이 감속하 는 시점에 따라 전반적인 교통류에 크게 변화하지 않았음을 알 수 있다. 그럼에도, 자율주행차량이 교통안전 표지를 약 100m 이전부터 150m 이전 사이에 인지 할 경우 상충과 ROR의 변화율이 제일 높은 값을 나타냄 에 따라, 교통안전표지에 대한 인지가 해당 범위 내에서는 이루어져야 자율주행차량이 속도규제 표지에 대 응할 수 있을 것으로 판단된다.
<Table 6>
Result for speed change scenario
| Location (m) | TTC (Change rate*) | ROR (Change rate*) | ||
|---|---|---|---|---|
| No perception errors | Perception errors | No perception errors | Perception errors | |
| 50 | 16.8(0.00) | 26.9(0.00) | 8.61(0.00) | 8.75(0.00) |
| 25 | 13.9(-5.95) | 25.3 (-17.26) | 8.34(-4.96) | 8.31(-3.12) |
| 0 | 13.7(-1.19) | 25(-1.44) | 7.99(-2.72) | 8.09(-4.14) |
| -25 | 12.7(-3.60) | 24.1(-7.30) | 7.90(-0.61) | 8.04(-1.13) |
| -50 | 12.4(-5.81) | 22.7(-2.36) | 7.73(-3.06) | 7.79(-2.24) |
| -75 | 11.4(-7.93) | 20.9(-8.06) | 7.43(-3.66) | 7.50(-3.87) |
| -100 | 10.4(-1.44) | 20.6(-8.77) | 7.21(-1.75) | 7.37(-2.96) |
| -125 | 7.3 (-20.39) | 16.4 (-29.81) | 6.58(-7.20) | 6.84(-8.67) |
| -150 | 6.4 (-33.54) | 10.9 (-12.33) | 5.88 (-12.99) | 5.95(-10.72) |
| -175 | 5.0 (-11.01) | 9.7 (-21.88) | 5.66(-4.38) | 5.69(-3.65) |
| -200 | 3.4 (-26.80) | 7.1 (-32.00) | 5.61(-2.02) | 5.58(-0.92) |
*Change rate: The ratio at which the value at the current perception location changes compared to the value at the previous perception location.
3. 차로변경 시나리오
갑작스런 차로변경은 교통정체나 잠재적인 사고 가능성을 증가시켜 전반적인 교통류에 부정적인 영향을 미칠 수 있다. 이에 자율주행차량이 차로변경에 대응하는 시점에 따른 교통류 영향은 도로의 효율성과 안전 성을 고려하여 분석되어야 한다. 이를 위해 효율성 지표로는 공간평균속도 (Space Mean Speed, SMS)가 안전 성 지표로는 TTC가 사용됐다. SMS는 분석 구간을 통과하는 모든 차량의 속도를 조화 평균으로 계산한 값으 로 식 (5)와 같이 정의된다.
where,
차로변경 시나리오 실험 결과, 속도변경 시나리오와 유사하게 자율주행차량의 인지 오류 여부와 상관없이 차로가 없어지는 지점에 대해 미리 인지할수록 전반적인 효율성 및 안전성이 향상되는 추세가 확인되었다 <Fig. 7>, <Table 7>. 두 지표 모두 차로가 감소하는 지점 225m 이전부터 250m 이전 사이에 평가지표의 변화 율이 가장 높은 값을 보인다. 이는 해당 지점보다 인지 시점이 짧은 경우 교통흐름의 효율성과 안전성이 더 악화될 수 있음을 시사한다. 이러한 결과를 토대로, 자율주행차량이 최소한 225m 이전부터는 차로가 없어지 는 상황에 대하여 인지하는 것이 교통류의 효율성과 안전성을 악화시키지 않을 것으로 사료된다.
<Table 7>
Result for lane change scenario
| Location (m) | SMS (Change rate*) | TTC (Chang erate*) | ||
|---|---|---|---|---|
| No perception errors | Perception errors | No perception errors | Perception errors | |
| -50 | 24.05(0.00) | 16.03(0.00) | 397.8(0.00) | 1021.8(0.00) |
| -75 | 25.07(4.25) | 16.18(0.89) | 374.3(-5.91) | 980.9(-4.00) |
| -100 | 26.34(5.07) | 16.06(-0.73) | 353.1(-5.66) | 940.0(-4.17) |
| -125 | 26.54(0.74) | 16.42(2.24) | 336.0(-4.84) | 909.3(-3.27) |
| -150 | 27.35(3.08) | 16.74(1.95) | 305.3(-9.14) | 892.2(-1.88) |
| -175 | 27.52(0.60) | 16.88(0.86) | 272.5(-10.74) | 869.3(-2.57) |
| -200 | 28.43(3.33) | 16.91(0.19) | 268.1(-1.61) | 863.9(-0.62) |
| -225 | 28.63(0.70) | 17.33(2.46) | 267.7(-0.15) | 835.9(-3.24) |
| -250 | 30.77(7.47) | 19.08(10.08) | 208.6(-22.08) | 712.3(-14.79) |
| -275 | 31.24(1.54) | 19.65(3.01) | 200.7(-3.79) | 674.4(-5.32) |
| -300 | 31.88(2.04) | 20.07(2.14) | 202.3(0.80) | 660.4(-2.08) |
| -325 | 31.71(-0.52) | 20.83(3.75) | 184.5(-8.80) | 653.3(-1.08) |
| -350 | 31.81(0.33) | 21.13(1.47) | 185.8(0.70) | 641.1(-1.87) |
| -375 | 32.88(3.36) | 21.57(2.06) | 182.7(-1.67) | 605.5(-5.55) |
| -400 | 33.41(1.61) | 22.40(3.86) | 164.7(-9.85) | 589.1(-2.71) |
*Change rate: The ratio at which the value at the current perception location changes compared to the value at the previous perception location.
Ⅳ. 결 론
본 연구는 도시부 도로 환경에서 교통안전표지에 기반하여 차량의 주행행태가 변화되는 시나리오를 설계 하였으며, 이를 통해 자율주행차량의 적정 인지 시점을 도출하는 것을 목적으로 하였다. 이를 위해 현재 설 치 및 운영되는 교통안전표지 중에서 주행행태 변화를 유도하는 총 32종의 교통안전표지를 선별하였다. 선 별된 교통안전표지는 주행행태에 따라 분류하여 3가지 유형으로 나눴으며, 이를 토대로 도시부 도로 환경 상에서 자율주행차량이 주행행태 변화를 인지하는 시점 따라 교통류의 영향을 분석하기 위한 시나리오를 설 계하였다. 시뮬레이션 실험을 위해 PTV VISSIM 2021을 활용하였으며, 도시부 도로 환경에서 수집된 자율주 행차량의 실 주행 데이터를 기반으로 보정된 차량추종모델을 자율주행 알고리즘으로 적용하였다.
본 연구의 분석 결과를 통해 자율주행차량이 주행행태 변화를 인지하는 시점에 따라 교통류에 미치는 영 향을 확인하였다. 각 시나리오별 결과에 대한 요약 및 시사점은 다음과 같다. 일시정지 시나리오 분석 결과 에서 확인되는 바와 같이, 속도에 따라 제한속도 30km/h에서는 자율주행차량이 표지를 최소한 20m 이전에 인지해야 하며, 제한속도 50km/h에서는 최소한 35m 이전에 인지하는 것이 안전한 주행을 위해 요구되는 것 으로 나타났다. 이에 따라, 일시정지에 대한 기준이 부재한 실정과 더불어 양보나 통행 우선이 요구되는 도 로 상황에서도 확장 적용이 가능할 것이다. 속도변경 시나리오 분석 결과, 자율주행차량이 혼재된 교통류에 서 안전성을 향상시키기 위해서는 최소 100m 이전부터 150m 사이에서는 차량이 속도변경을 인지해야 한다 고 판단된다. 이는 기존 속도변경에 대한 명확한 기준이 없으나 본 실험을 통해 제한속도로 규정된 도로 뿐 만 아니라, 도로의 기하학적 구조로 인해 감속이 필요한 도로 구간에도 확장 적용이 가능할 것으로 사료된 다. 마지막으로, 차로변경 시에는 자율주행차량이 차로가 없어지는 지점을 사전에 인지할수록 교통류의 효율 성과 안전성이 향상되는 것을 확인하였으며, 최소한 차로가 없어지는 지점인 225m 이전에서 자율주행차량이 차로변경에 대한 대응이 필요하다고 확인되었다. 이는 기존 차로변경에 대한 명확한 기준이 없으나 본 실험 을 통해 도로 유지ㆍ보수로 인한 차로가 일시적으로 차단되는 상황에서도 적용이 가능할 것으로 보인다.
도시부 도로의 다양한 복합적 요인은 자율주행차량에게 잠재적인 사고 위험을 초래할 수 있다. Level 4 이 상 자율주행차량의 상용화가 가까운 시일 내 도입될 것으로 예상됨에 따라, 본 연구에서는 자율주행차량의 교통안전표지 인지 시점에 따른 교통류의 변화를 살펴보고, 시뮬레이션을 통해 자율주행차량의 도로 안전성 과 효율성에 대해 논의하였다. 본 연구의 결과는 도시부 도로에서 안전하고 효율적인 자율주행을 위한 대응 전략 수립에도 기여할 수 있을 것으로 사료된다. 이와 더불어, 도출된 적정 인지 시점은 향후 자율주행차량 의 실 도로 주행 시에 I2V (Infrastructure-to-Vehicle)를 통한 메세지 셋을 전달하는 기준 수립 및 교통안전표지 개정 근거로도 활용될 수 있을 것이다.
본 연구의 기여에도 불구하고 자율주행차량의 안전한 실 도로 주행을 위해서는 추가적인 연구가 필요하 다. 본 연구의 한계와 향후 연구의 방향성은 다음과 같다. 먼저, 기존 연구는 도시부 도로에 초점을 맞추어 진행되었으나, 향후 연구에서는 고속도로, 국지도로 등을 추가적으로 고려할 수 있다. 다음으로, 시나리오 및 기하구조에 대한 추가적인 확장이 고려될 수 있다. 교통 조건의 변화와 더불어 기형 교차로와 같이 자율주행 차량이 주행하기 어려운 도시부 도로의 특성을 고려한 추가적인 분석을 통해 다양한 구간에 대한 근거를 마 련해 줄 수 있다. 본 연구에서는 교통안전표지를 기반으로 도시부 도로의 주요 특성을 고려하였다. 그러나, 도시부 도로 환경은 매우 다양하므로 향후 연구를 통한 세부적인 근거 마련은 향후 자율주행차량의 원활한 주행에 기여 할 수 있을 것으로 판단된다.
