Ⅰ. 서 론
1. 연구 배경 및 목적
자율주행기술의 발전으로, 자동차 업계의 기술 동향은 수동에서 부분 자율주행차량으로, 더 나아가 완전 자율주행차량으로 나아가고 있다(Divakarla et al., 2019). 현재 도로 위를 주행하고 있는 대부분의 자율주행차 량은 자율주행 기술 표준인 SAE J3016에서 제시하고 있는 자율주행시스템 단계 중 Level 2 수준이다. 해당 단계는 운전자의 전방 주시가 의무화 되어 있으며, 일부 제조사에 한해 운전자의 전방 주시가 의무화된 Level 3 이상의 자율주행시스템을 장착한 자율주행차량을 양산하고 있다. 따라서 현재는 Level 3 이상의 기 술을 탑재하고 있더라도, 자율주행차량 교통사고 발생 시에는 사고의 과실을 운전자가 책임지게 된다. 하지 만 자율주행 시스템 단계가 Level 4 이상으로 증가하게 되면 운전자의 운전 기여도가 감소하게 되고 교통사 고 발생 시 사고의 책임을 확인하기에는 어려움이 존재한다. 또한 NHTSA에 보고된 자율주행차량 교통사고 건수는 2021년 대비 2022년에 약 2.16배 증가하는 것으로 나타났으며, 계속해서 교통사고 건수가 증가할 것 으로 예상된다(Quintero, 2022). 이에 따라 기존 테스트 베드에서의 실차 실험 및 실도로 주행 실험에서 발견 되지 못한 다양한 이슈 사항들이 자율주행 기술의 진보 및 자율주행차량 이용량 증가에 따라 계속해서 증가 할 것으로 보이며, 이러한 사고에 대한 대비책 마련이 시급하다(Park et al., 2021b).
기존 테스트 베드에서의 실차 실험 및 실도로 주행 실험 기반 검증 방법의 한계점을 보완하기 위해서 시 나리오 기반 접근 방법이 제안되고 있다(Lee et al., 2020). 사고 시나리오는 차량이 주행하는 다양한 주행 조 건 및 도로 환경에서 안정성 테스트 및 사고에 따른 통계적 근거 기반 사고원인 분석 등에 주로 활용되고 있으며, 향후 자율주행 교통사고 발생에 대비하여 필수적으로 개발이 필요한 실정이다(Chung et al., 2018).
본 연구에서는 자율주행차량의 다양한 요인으로 인한 교통사고에 대비하여 대표적인 교통사고 시나리오 개발을 목적으로 한다. 따라서 ISO 26262 내 기능안전(Fault, Error, Failure) 개념을 기반으로 자율주행 기능안 전 시스템 관련 시나리오를 도출하였으며, 이를 교통사고의 발생과정(Pre/In/Post crash)에 따라 나타냈다. 시 나리오 도출을 위해 캘리포니아 차량관리국 (California Department of Motor Vehicles: CA DMV)에서 제공하 는 자율주행모드 해제보고서인 Disengagemenet report와 실제 자율주행모드로 주행 중 발생한 교통사고 리포 트인 CA DMV collision report, 마지막으로 자율주행 실제 사고영상을 활용하였다. 본 연구를 통해 다양한 요 인에 따른 자율주행 사고 시나리오가 개발된다면, 향후 자율주행 교통사고에 예방책으로 활용할 수 있으리 라 기대한다.
Ⅱ. 선행연구 고찰
1. 자율주행차량 시나리오 관련 연구 동향
자율주행차량 교통사고는 기존 교통사고와 다르게 다양한 교통사고 발생 가능성이 존재한다. 이에 따라 실제 도시부 도로 및 고속국도에 자율주행 구현을 위한 다양한 시나리오를 개발 중이다. Park et al.(2019)는 경찰청 교통사고 데이터와 텍스트 마이닝 기법을 활용하여 자율주행자동차 시나리오를 개발하였다. 시나리 오는 페가수스 프로젝트 5-레이어 포맷을 통해 functional 시나리오를 구현하였으며, 이후 자율주행차량 실험 자에게 실험범위를 제공하기 위해 logical 시나리오와 concrete 시나리오를 혼합한 형태의 시나리오를 구현하 였다. So et al.(2019)은 2014년 동안 발생한 총 223,552건의 경찰청 교통사고 보고서를 바탕으로 자율주행상 황에서의 시나리오를 구현했다. 시나리오는 텍스트마이닝을 통해 중요도가 높은 19개의 단어를 조합하여 18 개의 시나리오가 생성되었다. Park et al.(2021a)은 경찰청에서 제공한 도시 간선도로 내 교통사고 데이터를 통해 자율주행 교통사고 시나리오를 도출하였다. 시나리오는 Natural Language Process (NLP)에서 가장 대표 적으로 사용되는 모델 중 하나인 TF-IDF 모델을 통해 주요 특징을 도출하였다. 해당 연구들은 모두 자율주 행 교통사고에 대한 시나리오를 도출하였지만, 실제 자율주행 자동차 데이터에 기반하지 않고 일반자동차 데이터에 기반해서 도출되었다는 한계가 존재한다.
캘리포니아(CA DMV)에서는 자율주행교통사고 조사를 위해 자율주행모드와 일반주행모드 사고를 구분하 여 조사하고 있다. 해당 리포트를 바탕으로 자율주행 시나리오를 도출한 사례 또한 최근 등장하고 있다. Song et al.(2021)은 CA DMV collision report를 통해 충돌 시퀀스에 기반한 자율주행 교통사고 시나리오를 생 성하였다. 시나리오는 자율주행차량이 충돌하기 전인 Pre-crash 상황부터 In-crash 상황까지 ‘AV stops then AV hit by 2nd party’ 등 충돌 과정에 따른 차량의 움직임에 기반하여 생성되었다. Song et al.(2022)은 Song et al.(2021)의 연구에 기반하여 발전된 시나리오를 도출하였으며, 추가적으로 시간대, 교통흐름의 방향에 대한 내용을 시나리오에 추가하였다. 생성된 시나리오는 베이지안 네트워크를 통해 인적 요인, 환경 요인, 기상 요인 등의 변수와의 관계까지 식별되었다.
자율주행차량 교통사고 시나리오는 향후 자율주행차량 교통사고 발생 시 경찰에서 활용 가능해야 하지만 앞서 언급한 문헌들에서는 자율주행차량 교통사고에서 필수적으로 고려해야 하는 시스템적인 측면을 반영 하지 못하였다. 최근에는 이러한 한계점을 느끼고 자율주행 시스템 관점으로 시나리오 개발 연구가 등장하 고 있다. Parseh and Asplund(2022)은 자율주행차량이 충돌 시 차량에 가해지는 충격력을 완화시키기 위한 시 스템을 위해 자율주행차량 교통사고 시나리오를 생성하였다. 해당 시나리오는 시뮬레이션을 통한 사고 재구 성을 위해 도출되었으며, 이에 따라 새로운 Safety Surrogate Measures (SSMs)을 제안하였다. Girdhar et al.(2022)은 사이버 공격에 대비한 자율주행차량 교통사고 시나리오를 도출하였다. 시나리오는 Who(Attacker, Victim), What(Attack Target), When(Data, Time), Where(Attack Path), Why(Hazardous Behavior), How(Attack Method)의 6하원칙에 입각한 항목으로 구성되어 있으며, 신호교차로 내 RSU에 대한 해킹 피해에 대한 자율 주행차량 교통사고 시나리오를 제시하고 있다. 해당 연구들은 모두 자율주행 교통사고의 시스템 관점에서 시나리오를 도출하였으나, 자율주행 시스템 관련 데이터 없이 구현되고 있으므로 실제 환경에 적용이 어렵 다는 한계점이 존재하고 있다.
2. 연구의 차별성
본 연구의 차별성은 다음과 같다. 첫 번째, 기존 일반차량 교통사고 데이터를 기반으로 시나리오를 도출한 것이 아닌 자율주행차량 교통사고 데이터를 기반으로 시나리오를 도출하였다. 두 번째, Song et al.(2021)의 연구에서는 자율주행교통사고 데이터를 기반으로 시나리오를 도출하였지만, 차량의 움직임을 제외한 나머지 요소는 시나리오에 반영하지 못하였다는 한계점이 있었다. 따라서 본 연구에서는 차량의 움직임 뿐만이 아 니라 자율주행의 기능안전 시스템과 주변 환경을 포함하여 시나리오를 도출하였다. 세 번째, 교통사고 발생 과정에 따라, 시나리오를 차량의 충돌 전 상황인 Pre-crash부터 충돌 후 상황인 Post-crash까지 도출하였다. 이 와 같은 차별성을 통해 기여하는 점은 다음과 같다.
-
- 자율주행차량 시스템에 대한 전반적인 이해와 더불어 자율주행차량 교통사고 시나리오 framework 제안
-
- 시나리오 도출을 위한 실제 영상자료 내 시나리오 항목 도출 방법 제시
-
- 교통사고 발생과정에 따른 시나리오 도출
-
- 자율주행차량의 움직임 뿐만 아니라, 자율주행차량 내·외부환경, 자율주행차량 기능안전 시스템을 고려 한 시나리오 도출
Ⅲ. 자율주행차량 개념 정립
시나리오를 구성하기 전 자율주행차량의 개념적 정의에 대해 고찰하고자 한다. 현재 자율주행 단계에 관 련해서 주행 시스템을 자동화 단계에 따라 6단계로 구분하고 있는 미국자동차학회(SAE International)의 J3016 의 기준을 가장 많이 언급하고 있다. 해당 표준에서는 주행 자동화에 대하여 ‘제어의 주체’, ‘운행설계영역 (ODD)’, ‘TOR 의무(Fall Back 응답)’ 등의 변화에 따라 단계를 구분하여, SAE Level 1 및 Level 2 자동화 시스 템은 운전자 지원 시스템(Driver Support Systems)으로 명명하고, SAE Leve 3~Level 5 수준을 자동화 시스템으 로 정의하고 있다. 특히 Level 4 이상 단계의 자동화된 시스템은 운전자의 개입 없이 스스로 판단하고 동적 운전임무를 수행해야 하며, 주행 시스템은 자동화라는 단어로 설명된다고 명시되어 있다.
자율주행차량의 기능은 다음과 같이 구분 될 수 있다: 1) 레이더, 라이다와 같은 센서를 활용하여 정적 및 동적 장애물, 도로 표식, 신호 등과 같은 차량 주변 환경을 인식, 2) GPS, INS, HD map 등과 센서 정보와 융 합을 통하여 차량의 절대/상대적 위치를 추정, 3) 실시간으로 변화하는 도로 환경에서 목적지로 이동하기 위 한 경로 및 도로 상황별 운전 유형(가속, 감속, 추월 등)을 판단, 4) 판단 모듈이 지시한 경로, 속도대로 주행 하기 위해 조향, 가감속, 기어 등을 액추에이터가 수행하는 제어(자동차 제어 시스템은 ECU, CAN, LIN, RF, FlexyRay가 포함), 5) 차량이 제어하기 어렵거나 학습되지 않은 외부 이벤트로 인하여 자율주행이 어려울 경 우 운전자에게 이를 알려주는 UI, 6) 주변 차량 또는 인프라와 정보를 주고 받을 수 있는 V2V(Vehicle to Vehicle), V2I(Vehicle to Infra) 통신 기술. 자율주행차량의 중요한 기술은 인지, 판단, 제어이며 해당 기술은 자율주행 단계가 증가할수록 <Fig. 1>와 같이 변화 한다. 자율주행차량의 단계가 올라갈수록 주변 환경에 대 한 범위 및 인지율이 증가하고 V2X 통신을 활용하여 레벨 4 이상부터는 트렁크 개방, 문 개방, 운전자 탑승 여부 등 이전 단계보다 자세한 수준으로 인지 가능하여야 한다. 자율주행 레벨 2는 속도를 유지하거나 가속 할 수 있고 전방에 발생한 이벤트에 대하여 감속 및 정지하여 대응할 수 있지만 레벨 3의 경우 갓길에 정차 하여 안전을 확보하는 수준까지 대응해야한다. 레벨 4 이상은 전방에서 발생한 이벤트를 V2X 통신을 활용 하여 사전에 인지하고 이에 대해 대응하여 정상주행상태로 돌아갈 수 있어야 하며, 도로 위의 낙하물, 교통 사고 등으로 인하여 해당 주행이 불가능한 경우에도 스스로 경로를 수정하여 목적지까지 이동하는 수준 이다.
본 연구에서는 앞서 정립한 자율주행차량의 개념에서 레벨 4 이상의 자율주행차량의 교통사고에 대비하 여 시나리오를 도출하였다. 특히 인지, 판단, 제어하는 자율주행 시스템 개념과 더 나아가 V2X 통신을 수행 하는 자율주행차량 시나리오 도출하고자 한다.
Ⅳ. 자율주행차량 사고 시나리오 도출
1. 연구 흐름도
<Fig. 2>은 자율주행차량 사고 시나리오 도출을 위한 연구 흐름도이다. 시나리오 도출을 위해서는 크게 두 가지 단계로 구분된다: 1) 시나리오 구성항목 카운트, 2) 자율주행 교통사고 시나리오 도출. 시나리오 구성항 목 카운트 단계에서는 첫 번째로, 시나리오 도출을 위한 프레임워크를 생성한다. 두 번째로, 수집 데이터별 시나리오 구성항목을 카운트하며, 이에 따른 집계표를 생성한다. 세 번째로, 수집자료 별 집계표를 유니온한 다. 이에 따라 자율주행교통사고 시나리오 도출을 위해서는 첫 번째로, 시나리오 구성항목 내에 반드시 조사 되어야 할 필수적인 항목과 선택적인 항목을 구분시킨다. 두 번째로, 자율주행 system state에 대한 시나리오 를 선정한다. 세 번째로, 충돌유형에 따른 시나리오를 선정한다. 네 번째로, 대표적인 current condition에 대해 서 선정한다. 마지막으로 선정된 시나리오들을 결합하는 작업을 시행한다.
2. 시나리오 구성항목 Count
ISO 26262에서는 자율주행 기능안전 시스템(Fault, Error, Failure)에 대해 서술하고 있다. Fault는 기기의 결함 이 생긴 비정상적인 상태를 뜻한다. Error는 기기의 Fault로 인해 발생한 것으로, 관찰 및 측정된 값과 불일치 하는 것을 의미한다. Failure는 Error로 인한 불일치 된 값이 전달되어 의도치 않은 동작을 제공한 상태를 뜻한 다. <Fig. 3>은 SAE J3016의 자율주행시스템의 개념과 앞서 언급한 ISO 26262의 자율주행 기능안전 시스템 failure mode 관점을 추가하여 도출한 자율주행차량 사고 시나리오 프레임워크이다. 해당 프레임워크는 현재 자율주행차량 내·외부 환경, 갑작스러운 사고, 시스템 상태, 행동, 충돌유형(collision type, crash type)으로 구성 된다. 현재 자율주행 차량 내·외부 환경으로부터 자율주행 시스템이 ‘sense, perception, scene, decision, control’(PIEV) 과정을 통해 행동이 발생하게 되는데, 만약 행동으로 인해 충돌이 발생하였다면, 충돌유형 부분 으로 넘어가게 된다. 그러나 충돌이 발생하지 않을 경우 다시 현재 자율주행차량 내·외부 환경부터 순환하는 구조로 작성된다. 이때, 현재 자율주행차량 내·외부 환경에서 자율주행차량이 미처 대응하지 못하는 상황으로 부터 발생한 교통사고를 설명하기 위한 대처 불가능한 갑작스러운 사고 (uncontrollable) 상황을 추가하였다.
항목별 정의는 다음과 같다. 먼저 현재 자율주행차량 내·외부 환경은 자율주행차량의 외부 및 내부 환경 들을 의미한다. 구성항목으로는 운전자, 통신, 보안, 교통, 예상치 못한 이벤트로 구성한다. 운전자는 자율주 행차량 사고 발생 시 운전자의 상태로써, 운전자가 핸들에 손을 올렸는지에 대한 여부, 직접제어, 전방주시 여부 등을 포함한다. 통신은 자율주행차량 사고 발생 시 외부 통신(V2C, V2I, V2V 등), 내부 통신(Lin, canbus, flexray 등)을 포함한다. 보안은 자율주행차량 사고 발생 시 차량 및 차량과 통신하는 시설(인프라, 다 른 자율주행차량 등)의 해킹 여부를 뜻하며, 해킹 경로(Bluetooth, DSRC, WIFI 등), 해킹 대상(sensor, RSU) 등 을 포함한다. 교통은 자율주행차량 사고 발생 시 신호현시, 교통량, 혼잡 등을 포함하며, 사고 후 대기행렬 발생 여부 등이 포함된다. 예상치 못한 이벤트는 자율주행차량 사고 발생 시 단순 충돌이 발생한 물체와 시 야 차단 요소(movable object, fixed object)까지 포함한다.
갑작스러운 사고는 안전하지 못한 현재 자율주행차량 내·외부 환경으로 인해 자율주행차량이 미처 대응 하지 못하는 상황에 처하는 경우를 뜻한다.
시스템 상태는 자율주행 내부 센서의 기능안전 시스템 요소에 관한 내용으로 PIEV(지각, 식별, 행동판단, 행동)에 기반하여 sense, perception, scene, decision, control의 5단계로 구성된다. sense는 자율주행차량이 주변 환경을 검지하는 단계로 차선 감지, 물체 감지 등의 항목을 포함한다. perception은 sense 단계에서 감지한 내 용을 자율주행차량이 받아들여 일치시키는 과정으로 인식 불일치, 분류 작업 등을 포함한다. scene은 sense, perception 단계의 결과물을 시스템 맵에 표출시키는 작업을 의미하며, 지도 표출, 위치 설정 작업 등을 포함 하는 단계이다. decision은 이전 단계(sense-perception-scene)를 바탕으로 자율주행차량의 행동을 결정하는 구 간이며, 계획, 의사결정 등의 작업을 포함한다. control은 decision 과정에서 계획한 내용을 수행하기에 앞서 control 시스템에 전달하는 과정으로 브레이크 시스템, 제어권 상실, 오버스티어링 등을 포함한다. 각 system state 단계에서는 fault, error, failure가 발생 가능하다. 또한 이전 단계의 failure는 해당 단계의 fault로 이어질 수 있으며, 같은 단계 내에서 fault가 error로 error가 failure로 이어질 수 있다.
행동은 자율주행차량의 sense, perception, scene, decision, control 과정을 거친 후의 자율주행차량의 행동을 뜻하며, 차로변경, 정지, 정지하지 못함, 가속, 감소 등을 포함한다.
충돌유형은 충돌 사고 발생 시 사고의 종류를 뜻하며, collision type은 후미 추돌, 정면 충돌, 측면 충돌 등 충돌 방향에 따른 사고의 종류이고, crash type은 충돌한 주체에 따른 사고의 종류로 자율주행차량 대 자율주 행차량 사고, 자율주행차량 단독사고, 자율주행차량 대 일반차량 사고 등으로 구성한다.
본 연구에서 도출하는 자율주행 교통사고 시나리오는 Haddon matrix에서 언급하는 교통사고의 충돌 전 상 황인 ‘Pre-crash’, 충돌 상황인 ‘In-crash’, 충돌 후 상황인 ‘Post-crash’에 따라 작성된다(Rustagi et al., 2018). 여 기서 충돌상황은 교통사고의 1당사자와 2당사자(object 등)가 충돌 후 분리되기 직전까지의 상황으로 정의하 였다. ACEA 안전모델에서 제시하고 있는 사고 발생 절차에는 충돌 전 단계를 정상 주행(normal) 단계, 크리 티컬 상황이 발생하여 진행되는 Incident 단계와 정상주행 단계로 돌아갈 수 없는 시점 이후를 사고 전(pre –crash)단계로 구분되어 있다(EEVC, 2006). 이에 기반하여 본 연구에서는 Pre-crash 내에서 사고에 대한 위험 요소가 없는 정상적인 주행상태인 ‘normal’, 사고에 대한 위험 요소가 등장하였지만 차량의 최소 정지거리 밖에 있는 상태로 사고에 대한 대처가 가능한 상태인 ‘emergency’, 사고 발생 직전 위험 요소가 최소 정지거 리 내에 있어 운전자 또는 차량이 상황을 인지하여도 대처가 불가능한 상태인 ‘critical’로 세분화하였다.
교통사고 발생과정에 따른 자율주행 교통사고 시나리오 도출을 위해 본 연구에서는 CA DMV에서 제공하 는 자율주행모드 해제보고서인 Disengagement report, CA DMV에서 제공하는 collision report, 마지막으로 자 율주행 실제 사고 영상을 수집하여 활용하였다(Fig. 4). 수집자료별로 사고 경과를 볼 수 있는 구간이 모두 다르다. Disengagement report의 경우 자율주행 system state(sense fault, decision failure 등)을 가장 자세하게 볼 수 있는 리포트로 충돌 전 상황인 Pre-crash 상황만을 도출 가능하다. CA DMV collision report는 사고 당시 상황을 볼 수 있는 리포트로 Pre-crash 내에서 사고 직전 상황인 critical zone과 In-crash 상황만을 확인할 수 있다. 반면, 자율주행 실제 사고 영상의 경우는 모든 사고 경과를 볼 수 있다는 장점이 존재한다. 따라서 각 자료를 조합하여 자율주행 교통사고 시나리오를 도출하였다.
Disengagement report는 CA DMV에서 제공하는 자율주행모드 해제 보고서이며, 자율주행 시스템에 대한 항목을 추출할 수 있는 유일한 보고서이다. 리포트 내에서는 중복된 문장들이 다수 존재하므로, 먼저 중복된 문장을 제거하는 작업을 수행하였다. 두 번째로 운전자의 답답함 및 불편함으로 자율주행모드를 해제한 경 우를 제거하여 총 900개의 문장을 추출하였다. 자율주행모드 해제 원인에 대해 추출하기 위해 ‘error with’, ‘error in’, ‘issue’, ‘discrepancy’, ‘incorrect’ 등 부정적 의미를 지니는 단어를 포함하거나, ‘because’, ‘due to’ 등 시스템 이슈에 관한 trigger를 알 수 있는 단어의 앞뒤 키워드를 추출하여 집계하였다. 집계를 위해 Python 내 표준 라이브러리인 re 모듈을 통해 정규표현식 방법을 활용하였다. 정규 표현식은 특정 규칙을 가진 문자열 을 가장 효과적으로 추출할 수 있는 방법 중 하나로 특정 내용이 텍스트 패턴에 일치하는지를 검사하거나, 텍스트 내에서 특정 패턴과 일치하는 텍스트를 찾아내는 등 다양한 방법으로 활용되고 있다(Lee et al., 2014). 키워드 추출 후 ‘vehicle’, ‘car’ 및 ‘parked car’, ‘car parked’ 등 동일한 의미이지만 다른 표기로 작성되 는 항목이 존재하여, 해당 항목들을 하나의 단어로 통합하는 과정을 시행하였다(Fig. 5).
CA DMV collision report는 캘리포니아에서 교통사고 발생 시 조사되는 보고서이다. 해당 보고서는 자율주 행 모드 사고와 비자율주행 모드의 사고를 구분한다. 따라서 본 연구에서는 자율주행 모드 관련 교통사고 보 고서를 추출하여 2022년부터 현재까지 총 117개의 보고서를 수집하였다. 보고서 내에서는 날씨, 조명, 도로 표면, 도로 상태, 충돌 전 움직임, 충돌 종류에 대한 항목을 추출하였으며, 앞서 제시한 프레임워크에 맞게 날씨, 조명, 도로 표면, 도로 상태는 현재 자율주행차량 내·외부 환경 항목으로 구분하였으며, 충돌 전 움직 임은 행동 항목으로 분류하였다.
자율주행차량 실제 교통사고 영상은 ‘autonomous vehicle crash’, ‘tesla autopilot crash’ 등의 키워드 검색을 통해 총 15개의 영상을 수집하였다. 사고영상은 Song et al.(2021)의 연구에서 언급하고 있는 충돌 시퀀스에 기반하여 항목을 추출하여 집계하였다. Song et al.(2021)의 연구에서는 Pre/In crash 상황에서 차량 움직임만 을 반영하여 시나리오를 도출하였지만, 본 연구에서는 차량의 움직임뿐만 아니라 주변 환경 및 자율주행차 량의 기능안전 시스템 측면까지 고려하였으며, Pre-, In-, Post-crash 상황을 모두 분석하였다는 차별성이 있다 (Fig. 6). 영상 내에서 자율주행 시스템 관련 항목 추출은 실제 환경에서 존재하지만, 차량 내부 지도에는 표 출되지 않은 점, 경고음이 울리지만 제동을 실시하지 않은 점 등의 단서를 통해 sense, perception, scene, decision, control에 따라 구분해 주었다. 이후 disengagement report, CA DMV collision report, 자율주행 실제 사 고영상에서 도출된 집계표를 모두 유니온하여 집계하면 <Table 1>와 같다.
<Table 1>
Unionize aggregate tables by data
| Categories | Counts | ||||
|---|---|---|---|---|---|
| Current Condition | Driver | hands on | 2 | ||
| do not look forward | 1 | ||||
| driver control | 4 | ||||
| Communication | in-vehicle communication | CAN had unknown issue | 1 | ||
| Security | - | 0 | |||
| Traffic | Traffic signal indicators | red light | 2 | ||
| green light | 2 | ||||
| Traffic conditions | heavy traffic | 21 | |||
| a quiet Traffic flow | 5 | ||||
| normal traffic flow | 10 | ||||
| Unexpected event | Object | movable object | pedestrian | 44 | |
| reckless road user | 34 | ||||
| cyclist | 36 | ||||
| fixed object | parked vehicle | 36 | |||
| truck | 23 | ||||
| bollard | 23 | ||||
| Environment | weather conditions | clear | 102 | ||
| rain | 27 | ||||
| cloudy | 20 | ||||
| Lighting | daylight | 61 | |||
| dark-streetlights | 49 | ||||
| dusk-dawn | 4 | ||||
| Road surface | dry | 102 | |||
| wet | 19 | ||||
| Road infrastructure | traffic sign | 5 | |||
| traffic light | 3 | ||||
| median strip | 1 | ||||
| Road operation | poor quality of lane marks | 10 | |||
| can lane change | 1 | ||||
| can not lane change | 1 | ||||
| Road geometry | narrow street | 8 | |||
| curve | 6 | ||||
| uphill | 1 | ||||
| Road type | traffic intersection | 3 | |||
| highway | 6 | ||||
| etc | 2 | ||||
| Autonomous vehicle environment operation | outside ODD | 11 | |||
| System state | Sense | error in object detection | 20 | ||
| not detected | 20 | ||||
| late detection | 7 | ||||
| Perception | prediction discrepancy | 68 | |||
| perception discrepancy | 57 | ||||
| error in perception system | 35 | ||||
| Scene | localization issue | 8 | |||
| positioning discrepancy | 6 | ||||
| mapping issue | 7 | ||||
| Decision | planning discrepancy | 88 | |||
| trajectory planning error | 68 | ||||
| undesirable motion plan | 34 | ||||
| Control | issue with motion control system | 12 | |||
| control discrepancy | 10 | ||||
| braking issue | 10 | ||||
| Maneuver | stop | 58 | |||
| proceeding straight | 37 | ||||
| not stop | 24 | ||||
| Vehicle only (15 cases) Collision type | hit object | 8 | |||
| other | 4 | ||||
| animal | 1 | ||||
| Vehicle to Vehicle (114 cases) Collision type | rear-end | 26 | |||
| side-swpe | 19 | ||||
| head-on | 7 | ||||
3. 자율주행차량 교통사고 시나리오 도출
자율주행차량 교통사고 시나리오 도출 전 첫 번째로, 시나리오 내 필수적으로 들어가는 필수 항목과 선택 적인 조건에서 들어갈 수 있는 선택 항목을 구분하였다. 필수 항목은 교통사고 발생 시 필수적으로 존재하는 충돌유형 등이 포함되며, 선택적 항목은 특정 조건에서 사고에 영향을 줄 수 있는 조명, 도로 표면 등의 항 목이 포함된다(Table 2).
<Table 2>
Categorizing essential and optional items
| Categories | Items |
|---|---|
| Essential | Crash type |
| Collision Type | |
| Weather conditions | |
| Road type | |
| Traffic flow | |
| System state | |
| Maneuver | |
| Optional | Lighting |
| Road surface | |
| Road infrastructure | |
| Road operation | |
| Road geometry | |
| Autonomous vehicle environment operation | |
| Traffic signal indicators | |
| Unexpected event |
두 번째 작업으로 시스템 상태에 따른 시나리오 도출이다. 시스템 상태는 자율주행 기능안전 시스템 개념 에 따라 fault, error, failure로 구분해주었다. 이에 따라서 항목 내에 결함을 의미하는 단어의 경우 fault, discrepancy 등의 불일치를 포함하는 항목의 경우 error, 이에 따른 의도치 않은 행동을 행할 경우 failure로 분 류해주었다. 모든 system 내에서 issue가 존재할 수 있지만, 대표적인 시나리오 선정을 위해서, 1개 부분에서 이슈가 생긴 경우, 2개 부분에서 이슈가 생긴 경우, 3개 부분에서 이슈가 생긴 경우로 대표적인 시스템 상태 에 대한 시나리오를 생성해주었다. 선정 기준은 가장 빈도수가 높은 항목을 기준으로 선정되었다. 대표 시나 리오 3개는 다음과 같다: 1) Control failure 2) Perception error, Decision error 3) Perception error, Decision error, Control failure.
세 번째 작업으로 충돌유형에 따른 대표 시나리오 선정이다. 충돌유형은 크게 차대차 사고와 차량 단독사 고로 구분된다. 차대차 사고는 차대차 사고 내에서는 가장 빈도수가 높은 후미추돌 사고를 대표 충돌유형으 로 선정하였으며, 차량 단독사고는 차량 단독 사고 내에서 가장 빈도수가 높은 물체 충돌 사고를 대표 충돌 유형으로 선정하였다.
네 번째 작업으로 현재 자율주행차량 내·외부 환경와 행동에 대한 대표 시나리오를 선정하였다. 현재 자 율주행차량 내·외부 환경에 따른 대표 시나리오 선정을 위해서 현재 자율주행차량 내·외부 환경 내 항목을 모두 조합하여 확률로 표현하여 가장 확률이 높은 시나리오를 선정해주었다. 선정된 시나리오는 운전자가 직접제어, 날씨가 맑은상태, 도로유형이 고속도로, 교통흐름이 혼잡상태, 행동이 직진 상태이다. 앞서 도출한 시나리오를 모두 결합하여 생성된 대표적인 시나리오의 확률은 전체 시나리오를 확률로 표현하였을 때, <Fig. 7>과 같이 나타난다. 확률은 각 항목의 빈도수를 기반으로 생성되며, 시나리오 구성항목의 확률을 곱 했을 때, 해당 시나리오의 확률이 도출된다(식 (1).
where,
-
Pi : Probability of Scenario i
-
nk : Total Count of items in Categoryk(k∈K)
-
: Total Count of ith item in Category k(k∈K)
-
K = {Categories that Compose a Representatiυe Scenario}
Pre-crash 내에서 ‘normal’, ‘emergency’, ‘critical’에 대한 분류는 자율주행 실제 사고 영상에 기반하여 분류 하였다. 운전자 항목의 경우 직접제어가 대표 시나리오로 선정되었지만, critical 구간에서 직접 제어하는 상 황으로 고정하고, normal 구간과 emergency 구간에는 직접제어 다음으로 확률이 높은 전방 미주시와 운전자 가 핸들에 손을 올리고 있는 상태를 적절하게 배치하였다. 생성된 시나리오의 경우 확률 기반으로 도출되었 기 때문에, <Fig. 3>에서 언급한 대처불가능한 갑작스러운 사고, 통신 관련 사고는 반영하지 못한다. 따라서 자율주행 실제 사고 영상에서 나타나는 사고를 바탕으로 갑작스러운 사고 시나리오 2개와 통신 관련 사고 시나리오 2개를 추가 생성하였다. 최종적으로 차대차 후미추돌 시나리오 3개(Table 3), 차량 단독 물체 충돌 시나리오 3개(Table 4), 갑작스러운 사고 관련(Table 5) 자율차량 대 일반차량 측면 충돌 시나리오 1개, 자율 차 대 자율차 정면 충돌 시나리오 1개, 통신 관련(Table 6) 자율차 대 자율차 후미추돌 시나리오 1개, 자율차 량 대 보행자 충돌 시나리오 1개로 총 10개의 시나리오가 생성되었다(Fig. 8).
<Table 3>
Vehicle to vehicle, rear-end crash scenarios
| Scenario No. | Driver | Environment | Unexpected event | System state | Maneuver | ||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Weather | Road type | Traffic flow | Sense | Perception | Scene | Decision | Control | ||||
| 1 | driver control | clear | highway | heavy traffic flow | other vehicle | - | - | - | - | failure | proceeding straight |
| 2 | driver control | clear | highway | heavy traffic flow | other vehicle | - | error | - | error | - | proceeding straight |
| 3 | driver control | clear | highway | heavy traffic flow | other vehicle | - | error | - | error | failure | proceeding straight |
<Table 4>
Vehicle only, hit object scenarios
| Scenario No. | Driver | Environment | Unexpected event | System state | Maneuver | ||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Weather | Road type | Traffic flow | Sense | Perception | Scene | Decision | Control | ||||
| 4 | driver control | clear | highway | heavy traffic flow | median strip | - | - | - | - | failure | proceeding straight |
| 5 | driver control | clear | highway | heavy traffic flow | median strip | - | error | - | error | - | lane change |
| 6 | driver control | clear | highway | heavy traffic flow | truck load cargo | - | error | - | error | failure | proceeding straight |
<Table 5>
Incident scenarios
| Scenario No. | Driver | Environment | Unexpected event | Incident | ||
|---|---|---|---|---|---|---|
| Weather | Road type | Traffic flow | ||||
| 7 | hands on | clear | traffic intersection | heavy traffic flow | signal violation car, obstructed view from truck | AV system uncontrollable |
| 8 | hands on | clear | main road | heavy traffic flow | other vehicle system error | AV system uncontrollable |
<Table 6>
Communication scenarios
| Scenario No. | Driver | Environment | Unexpected event | Communication | System state | Maneuver | ||||
|---|---|---|---|---|---|---|---|---|---|---|
| Weather | Road type | Traffic flow | Sense | Perception | Scene | |||||
| 9 | donot look forward | clear | highway | heavy traffic flow | other vehicle lane change | V2V communication issue | failure | error | error | not deceleration |
| 10 | donot look forward | clear | traffic intersection | heavy traffic flow | crosswalk pedestrian | V2I communication issue | error | error | error | not deceleration |
1번 시나리오는 운전자가 핸들에 손을 올리고 있어 control 시스템에 error를 인지한 상황이다. 그러나 최소 정지 거리 이내인 critical 구간에서 직접제어를 통해 정지를 시도하였지만, 앞차와 후미 추돌한 상황이다. 이 에 따라 두 차량은 정지하게 되었고, 차량의 뒤로 혼잡이 발생한 상황을 볼 수 있다.
2번 시나리오는 운전자가 전방을 미주시한 상태에서 자율주행차량 또한 perception error로 인해 전방에 있 는 차량을 인지하지 못해 decision error가 발생한 상황이다. 뒤늦게 운전자가 직접 제어하려 했지만, 정지하 기에는 너무 늦은 상황으로 후미 추돌이 발생하였다. 1번 시나리오와 마찬가지로 충돌 이후 사고 현장 뒤로 혼잡이 발생한 상황이다.
3번 시나리오는 운전자가 핸들에 손을 올리고 있어 자율차량이 perception error가 발생하여도 대처가 가능 한 상황이다. 그러나 control failure까지 일어나 운전자가 차량을 직접 제어하려 시도하여도 정지하지 못해 후 미 추돌이 발생하였다. 충돌 이후 사고 현장 뒤로 혼잡이 발생하였다.
4번 시나리오는 자율주행차량 전방에 있는 트럭에 있는 적재물이 떨어진 상황이다. 운전자가 핸들에 손을 올리고 있어 이를 인지하였지만, control failure로 인해 정지하지 못하고 적재물과 충돌한 상황이다. 충돌 이 후 사고 현장 뒤로 혼잡이 발생하였다.
5번 시나리오는 운전자가 전방을 미주시한 상태에서 자율주행차량이 좌측에 있는 중앙분리대에 대한 perception error가 일어난 상황이다. 자율주행차량은 decision error로 인해 좌측으로 차로변경을 결정하였으며, 차량의 control 시스템은 자율주행 시스템의 결정에 따라 차로변경을 시도하였다. 이를 인지한 운전자가 직접 제어를 시도하였음에도 불구하고 차량이 이미 critical 상태이므로, 중앙분리대에 충돌하였다. 충돌 이후 사고 현장 뒤로 혼잡이 발생하였다.
6번 시나리오는 운전자가 전방을 미주시한 상태에서 전방에 있는 트럭에 있는 적재물이 떨어진 상황이다. 자율주행차량 또한 perception error가 발생해 적재물을 인지하지 못하였으며, 운전자가 뒤늦게 직접제어를 시 도하였지만, control failure가 발생하여 적재물과 충돌하였다. 충돌 이후 사고 현장 뒤로 혼잡이 발생하였다.
7번 시나리오는 신호 교차로에 대기하고 있는 좌측 트럭으로 인한 시야 차단이 발생한 상황이다. 이에 따 라 신호 위반하는 차량을 자율주행차량은 물론 운전자 또한 대응하지 못하는 갑작스러운 사고가 발생하여 충돌한 사고이다.
8번 시나리오는 도심부 도로에서 반대차로에서 오는 차량의 시스템 이슈로 충돌하는 상황이다. 해당 사고 또한 자율주행차량과 운전자가 대응하지 못하는 갑작스러운 사고가 발생한 상황이다.
9번 시나리오는 우측 차량이 차로변경 메시지를 송신하였지만, V2V 통신 이슈로 메시지를 수신하지 못한 사고이다. 운전자 또한 전방을 미주시하였으며, 자율주행차량이 차로변경 차량을 인식하지 못하여, 충돌이 발생하였다.
10번 시나리오는 V2I 통신 이슈로 인해 횡단보도를 건너는 보행자와 충돌한 사고이다. 신호기에서 적색신 호에 대한 메시지를 자율주행차량에게 송신하였지만, 자율주행차량이 해당 메시지를 수신하지 못하였다. 운 전자 또한 전방을 미주시한 상태로 차량을 계속 진행하여, 횡단보도를 건너는 보행자와 충돌이 발생하였다.
도출된 시나리오는 자율주행 교통사고 리포트의 충돌 유형에 따라서 차대차 사고의 최고 빈도 사고인 후 미추돌 상황과, 차량 단독 사고의 최고 빈도 사고인 물체 충돌 사고를 기반으로 작성되었다. 따라서 해당 시 나리오는 자율주행에 충돌 상황에 대해서는 대표성이 있는 시나리오로 판단하였다. 또한 시나리오의 유효성 을 검증하기 위해 실제 자율주행 교통사고 영상과 비교하는 작업을 시행하였다. 도출된 10개의 시나리오 중 8개의 시나리오는 자율주행 실제 교통사고와 비교하였을 때 제대로 반영이 되어 있음을 볼 수 있다. 각 영상 의 대한 시나리오 유효성 검증 내용은 <Fig. 9>와 같다. 2개의 시나리오는 V2V, V2I 통신 관련 자율주행차량 교통사고로, 현재 해당 통신들이 원활하게 이뤄지는 Level 4 이상의 자율주행차량이 상용화 되어 있지 않아, 해당 사고에 대해서 유효성을 검증하기에는 한계가 존재하였다.
A 영상은 전방의 비자율주행차량이 정지하고 있으나, 자율주행차량이 이를 인지하지 못하고 충돌하는 상 황이다. 영상 내에서는 차량의 시스템을 진단할 수 있는 단서는 없지만, 전방 차량이 정지하고 있지만, 자율 주행차량이 정지하지 않은 점을 통해, 자율주행차량이 전방차량을 인식하지 못한 경우와 전방 차량을 인식 했지만, control system의 이슈로 인해 정지하지 못한 경우가 존재한다. 따라서 해당 영상은 앞서 도출한 1번 시나리오와 3번 시나리오의 상황으로 볼 수 있으며, 두 개의 시나리오는 실제 교통사고와 비교해 유효한 시 나리오로 볼 수 있다.
B 영상은 전방에 전복되어있는 트럭을 자율주행차량이 뒤늦게 인지하여, 정지하려 시도 하였지만, 브레이 킹 시스템의 문제로 인해 정지하지 못하고 충돌하는 영상이다. 영상 내에서는 전방의 트럭을 대응하기에는 너무 늦게 인지한 점, 트럭을 인지하고 정지를 시도하는 흔적이 보이지만, 정지하지 못한 점을 통해 단서를 찾을 수 있다. 이를 통해 해당 영상은 앞서 도출한 4번 시나리오와 6번 시나리오의 상황으로 설명가능하며, 두 개의 시나리오 또한 실제 교통사고와 비교해 유효한 시나리오로 볼 수 있다.
C 영상은 운전자가 전방을 미주시한 상태로 자율주행차량이 앞서가던 보행자를 인식하지 못하고 충돌하 는 영상이다. 2번 시나리오의 대상이 차량인 점을 제외하면, 해당 영상을 통해 2번 시나리오의 유효성을 설 명가능하다.
D 영상은 자율주행차량이 중앙분리대를 인식하지 못하고 차로 변경을 시도하여 중앙분리대와 충돌하는 사고 이다. 영상 내에서는 운전자가 자율주행차량의 이상 행동을 인지하고 시도하지만, 너무 늦게 대응하여 충돌하는 것으로 볼 수 있다. 해당 영상을 통해 5번 시나리오의 유효성을 설명가능하다.
E 영상은 신호교차로 내에서 좌측 트럭으로 인해 좌측 시야가 차단된 상황이다. 녹색불로 신호 변경후 자 율주행차량이 출발하였으나, 좌측 시야차단으로 인해 신호위반차량을 인식하지 못하고 충돌이 발생한 상황 이다. 이는 자율주행차량 뿐만 아니라 운전자 까지 대처가 불가능한 상황으로 분류하였다. 해당 영상을 통해 7번 시나리오의 유효성을 설명가능하다.
F 영상은 좌측 후방에서 오는 자율주행 차량의 시스템 오류로 인한 차량으로의 돌진으로 대처가 불가능 한 충돌이 발생한 상황이다. 8번 시나리오의 전방 충돌 상황인 점을 제외하면, 해당 영상을 통해 8번 시나리 오의 유효성을 설명가능하다.
Ⅴ. 결 론
자율주행기술 발전과 더불어 자율주행차량 교통사고는 계속해서 증가하고 있다. 자율주행차량 교통사고 는 기존 일반차량 교통사고와 다르게 다양한 센서 및 통신 등의 요인으로 사고 발생이 가능하다. 이에 본 연 구는 자율주행기술 발전에 따른 발생 가능한 다양한 교통사고에 대비하여, 자율주행차량 교통사고 시나리오 를 도출하고자 하였다. 따라서 현재 자율주행차량 교통사고 정보를 수집하고 있는 CA DMV collision report 와 자율주행모드 해제보고서인 disengagement report를 수집하였고, 이와 더불어 자율주행차량 실제 사고영상 을 수집 및 반영을 통해 기존 리포트에서 도출하지 못한 다양한 교통사고 시나리오를 도출하고자 하였다. 시 나리오 도출을 위해 자율주행 국제 표준인 SAE J3016의 자율주행시스템 개념과 ISO 26262의 기능안전 개념 을 기반으로 자율주행차량 교통사고 프레임워크를 도출하였으며, 해당 프레임워크 항목을 기반으로 데이터 별 시나리오 항목을 수집 및 집계하였다. 이에 따라 가장 집계된 빈도수가 높은 시나리오를 대표 시나리오로 선정하여 차대차 사고 시나리오 3개, 차량 단독사고 시나리오 3개를 도출하였다. 그러나 해당 시나리오들의 경우 기존 수집되고 있는 리포트들에 기반해서 도출한 시나리오이기 때문에 기존 보고서에서 정의하고 있는 항목 외의 사고를 반영하기 어렵다. 따라서 추가적으로 자율주행차량이 대처 불가능한 갑작스러운 사고 시 나리오 2개, 통신 관련 시나리오 2개를 도출하여 총 10개의 시나리오를 도출하였다.
본 연구에서는 현시점에서 수집 가능한 자율주행 사고 관련 자료를 수집하여 자율주행의 기능안전 시스 템을 포함한 다양한 요인에 따른 자율주행차량 교통사고 시나리오를 도출하였다는 데 의의가 있다. 그러나 몇 가지 연구의 한계가 존재한다. 우선, 수집된 자료들은 모두 자율주행차량 Level 4 상황이 아닌 Level 2 상 황에서의 자료라는 한계점이 존재한다. 향후 Level 4 이상의 자율주행차량 교통사고 데이터 수집 시 더욱 다 양한 자율주행 센서 및 통신에 대한 시나리오가 도출 가능할 것으로 판단된다. 두 번째로, 본 연구에서 도출 한 대표 시나리오는 빈도수를 기반으로 도출된 시나리오로써 비, 안개 등 다양한 날씨 및 환경 요인에 대한 시나리오 도출을 하지 못하였다는 한계점이 존재한다. 마지막으로, 자율주행차량 사고에서 이슈화되고 있는 사이버 공격에 대한 시나리오를 반영하지 못하였다는 점이다. 사이버 공격을 통해 일어난 교통사고의 경우 공격 루트, 공격 대상, 공격 종류 등 본 연구에서 정의된 항목보다 더욱더 복잡한 과정을 통해 발생 가능하 므로, 향후 사이버 공격에 대한 시나리오에 대한 항목이 추가적으로 반영이 필요할 것으로 판단된다. 해당 한계점들이 보완된다면, 더욱 다양한 자율주행차량 교통사고 시나리오 도출이 가능할 것이며, 이를 기반으로 향후 자율주행차량 교통사고에 대한 대비 가능한 기초자료로 활용할 수 있을 것으로 기대한다.
