Ⅰ. 서 론

자율주행 차량(Autonomous Vehicle, AV)은 현재 점진적 상용화 단계에 들어서고 있다. Waymo와 Cruise, Baidu는 운전자가 탑승하지 않는 SAE International 레벨5 수준의 자율주행 택시 서비스를 운행 중이며, 국내 에서는 서울, 대구, 세종, 제주 4개 도시 6개 지구에서 레벨 3 수준의 수요응답형 자율주행 택시 서비스가 제 공되고 있다. 2020년 7월 이후 레벨 3 자율주행 차량의 출시 및 판매가 이루어짐에 따라 자율주행 차량 시장 의 성장세는 가속화될 전망이다. 자율주행 차량(AV)이 상용화됨에 따라 인간 운전자 차량(Human driven Vehicle, HV)과 혼재된 교통 환경이 발생하게 되는데, 자율주행 차량과 일반 차량은 주행행태의 특성이 다를 수 있어 이에 대한 안전성을 평가하여 안전성을 확보할 필요가 있다.

기존의 혼재 교통류에 대한 안전성 평가 연구는 다수 수행되었으나, 주로 AV의 Market Penetration Rate(MPR) 변화에 따른 안전성 변화를 분석한 연구로 확인하였다. MPR에 따른 안전성 분석 결과는 AV의 상용화로 인해 안전성이 개선될 것이라는 기대를 줄 수 있으나, 실제 도로 운영에서는 AV와 HV의 혼재 비 율이 일정하지 않을 것이라 판단하였다. 따라서 본 연구에서는 MPR이 아닌 다양한 측면에서 교통류의 안전 성을 검토하는 것에 초점을 두었다. AV와 HV의 비율은 각 50%로 설정하여 혼재된 상태에서의 주행행태 차 이로 인한 위험성을 살펴보고자 하였다. 연구의 공간적 범위는 기본구간에 비해 차로 변경이 빈번하여 상충 빈도가 높은 구간으로, 일반 차량과 자율주행 차량의 주행행태 차이로 인한 위험이 증가할 것으로 예상되는 고속도로 엇갈림구간으로 설정하였다. 고속도로 엇갈림구간은 Pulugurtha et al.(2010)의 연구를 비롯한 관련 연구에서 엇갈림구간 길이가 상충 횟수에 영향을 주는 것을 확인하여, 구간 길이에 따른 안전성 분석을 선행 하였다. 본선-연결로 엇갈림구간은 최소 200m를 넘게 하는 것이 통행 안전상 바람직하며, 750m를 넘는 경우 엇갈림이 일어난다기보다는 합류와 분류 움직임이 독립적으로 본선 교통류에 영향을 미친다고 보기에 본 연 구에서는 대표적으로 300m와 600m 구간 길이에 대하여 분석하였다. 안전성 지표는 위험도를 판단하는 척도 에 따라 시간 기반, 감속 기반, 거리 기반, 에너지 기반의 네 가지 범주로 구분하여 다양한 측면에서의 안전 성 평가를 수행하고, 적정 지표를 선정하여 혼재 교통류 상태에서의 안전성 평가를 목적으로 연구를 수행하 였다.

Ⅱ. 선행연구 고찰

혼합 교통류 안전성 평가에 활용된 안전성 지표를 검토하기 위해 대리안전지표(Surrogate Safety Measure, SSM)를 활용한 연구를 고찰하였다. SSM은 차량의 거동 분석을 통해 사고의 직접적인 원인을 파악하거나 도 로상의 위험도 측정하는 기법을 의미한다. 이는 차량 간의 상호작용으로 인해 발생할 수 있는 충돌 위험 또 는 교통류 상태를 진단하는 데에 유용하며, 잠재적 위험성을 평가하는 데 효과적이다. 또한, SSM은 과거 사 고 데이터가 제한적인 경우에 잠재적 사고 발생 가능성을 예측하는 데 유용하게 사용되는 지표이다(Tarko, 2018). 특히, SSM은 미시적 교통 시뮬레이션을 활용하여 혼합 교통류 안전성 평가를 수행한 다수의 연구에 의해 그 효용성이 입증된 지표이다(Wang et al., 2021). 따라서, 본 연구에서는 안전성 평가지표로서 SSM을 활용하여 혼합 교통류의 안전성을 분석한 연구를 중점적으로 검토하였다.

혼합 교통류의 안전성을 분석하기 위해 시뮬레이션을 활용하여 AV의 MPR 변화에 따른 네트워크의 안전 성을 분석한 연구가 다수 수행되었다. Mousavi et al.(2021)은 VISSIM 시뮬레이션을 활용하여 비신호 교차로 에서의 교통류 밀도와 AV의 MPR을 다양하게 조절하며, Time-To-Collision(TTC)을 기준으로 네트워크 안전성 을 평가했다. 연구 결과, AV의 MPR이 100%에 도달할 경우, 후방 충돌과 차로 변경 상충의 발생률이 각각 84%와 42%에서 100%까지 감소한다는 결론을 도출하여 AV의 도입이 교통류 안전성에 긍정적인 영향을 미 칠 수 있음을 시사하였다. Mullakkal-Babu et al.(2020)은 고속도로 합류 지점에서 Automated Driving Systems (ADS) 탑재 차량의 MPR에 따른 네트워크의 안전성을 비교하였다. Delta-V를 기준으로 안전성을 분석하였으 며, ADS의 MPR이 증가함에 따라 상충 건수가 늘어나고, 상충의 심각도 역시 높아지는 현상을 발견했다. Seraj and Qiu(2021)은 고속도로 엇갈림구간에서 AV의 도입이 안전성에 미치는 영향을 TTC, ETTC(Exposed Time-to-Collision), TIT(Time Integrated TTC)를 기준으로 분석하였다. AV의 MPR이 증가함에 따라 잠재적 충 돌이 최대 94.28%까지 감소할 수 있음을 제시하였으며, 후방 충돌 위험과 차로 변경 중의 충돌 위험을 비교 한 결과, 후방 충돌 위험도가 두드러지게 안전성이 개선되었음을 입증하였다. Jo et al.(2022)은 AV의 주행 요 구사항을 safety, deterministic, smoothness로 정의하고, Crash Potential(CP)을 활용하여 simulated AV의 주행 거 동 적절성을 평가하였다. Simulated AV의 MPR의증가는 평균 CP를 감소시키는 것으로 관측되었으므로, simulated AV가 교통류 전반의 안전성을 향상함으로써 AV의 거동 적절성과 도입 효과를 증명하였다. 또한, CP가 simulated AV의 거동을 평가하고 혼합 교통류의 안전성을 평가하는데 적절한 지표임을 시사하였다.

시뮬레이션을 활용하여 AV의 MPR 변화에 따른 네트워크의 전반적인 안전성을 분석한 연구와 달리, 실제 도로 환경에서 주행한 AV의 차량 추종 궤적 데이터를 활용하여 주행 안전성을 분석한 연구도 진행되었다. Beauchamp et al.(2022)은 도시부 도로에서 주행한 AV 셔틀버스의 궤적 데이터를 활용하여 TTC와 Post Encroachment Time(PET)을 안전성 평가지표로 사용하여 차량 추종 조합별 안전성을 비교 분석하였다. AV 셔 틀버스가 HV를 추종할 때 HV에 비해 두 안전성 지표에서 낮은 위험도를 보여, 상대적으로 안전한 주행행태 를 지고 있음을 확인하였다. 또한 AV 셔틀버스의 주행속도는 HV의 주행속도보다 평균적으로 낮고 차두시 간이 길게 분포되어, AV 셔틀버스가 HV에 비해 보수적으로 주행하는 경향이 있음을 제시하였다. Hu et al.(2023)은 Waymo AV의 인지 데이터를 차량 추종 궤적으로 변환한 뒤, AV가 후행 차량인 AV-HV 그룹, AV 가 선행 차량인 HV-AV 그룹, HV-HV 그룹으로 차량 추종 상황을 구분하여 TTC와 Deceleration Rate to Avoid a Crash(DRAC)를 기준으로 그룹 간 안전성을 비교 분석하였다. 두 안전성 지표를 기준으로 AV가 후행 차량 일 때 낮은 위험도가 관찰되었으며, HV-AV 그룹에서 가장 높은 위험도가 관찰되었다. AV가 차량 추종 그룹 중에서 가장 안전한 주행행태를 지니고 있으며, AV가 HV에 비해 안전한 운행을 보장하기 위해 보수적으로 설계되었으나, 이로 인해 교통 효율성 측면에서 다소 부정적인 영향을 미칠 수 있음을 시사하였다.

교통류 안전성 분석 시 사용되는 SSM은 각자 다른 정의와 목적을 가지므로, 교통 상황의 위험도를 정확하 게 평가하기 위해서는 이러한 차이점을 고려한 종합적인 해석이 필요하다. Das et al.(2022)은 OpenACC 궤적 데이터를 활용하여 TTC, Modified Time-to-Collision(MTTC), Rear End Crash Index(RCRI), Difference between Space distance and Stopping distance(DSS)를 사용하여 AV와 HV의 안전성을 분석하였다. 분석 결과, TTC의 위 험도의 판별 기준이 1.5초이지만, RCRI의 경우 그 기준이 TTC와 상이하기 때문에 SSM에 따라 교통 상황의 위험도 평가가 달라질 수 있음을 시사하였다. 따라서 여러 SSM이 동시에 임계값을 초과하는 경우에 해당 상 황을 위험하다고 해석하였다. Zhang et al.(2020)은 엇갈림구간에서 TIT, TET, TERCRI(Time Exposed RCRI), Lane Change Conflicts(LCC)를 사용하여 Connected AV(CAV) 전용차로 도입에 따른 안전성을 분석하였다. 3가 지 전용차로 도입 시나리오별 TET, TIT, TERCRI 값의 변동성이 유사한 분포를 보였기 때문에 이러한 지표들 이 서로 대체 가능하며 상호 보완적인 안전성 평가지표로 활용할 수 있음을 설명하였다.

선행 연구 검토 결과, 대부분의 연구는 AV의 MPR별 네트워크 안전성 추이에 초점을 맞추어, 네트워크 전 체에서 발생한 상충 건수를 비교하는 방식으로 분석을 진행하였다. 특히 혼합 교통류에서 발생 가능한 다양 한 차량 추종 조합별 상충 건수와 그 심각도를 비교 분석한 연구는 미비한 실정이다. 또한 단일 지표를 사용 하여 혼합 교통류의 안전성을 평가했지만, 이러한 접근은 정확한 안전성 분석에 한계가 있으며, SSM 지표들 이 각기 다른 의미와 산출 방법, 위험도 기준을 가지고 있으므로 정확한 안전성을 분석하기 위해서는 종합적 인 방면에서 검토할 필요가 있다. 따라서 본 연구는 단일 지표가 아닌 다방면에서의 SSM을 검토하고, 고속 도로 엇갈림구간의 혼합 교통류 안전성 분석에 적합한 지표를 선정하여, 지표별 종합 분석 결과를 통해 차량 추종 그룹별 안전성을 심층적으로 분석하고자 한다.

Ⅲ. 연구 방법론

본 연구는 AV의 주행행태를 구현하고자 PTV VISSIM을 활용하였다. 네트워크 구축, AV 주행행태 구현, 시뮬레이션 수행 및 안전성 분석 과정으로 구성되며, 연구의 전체 흐름도는 <Fig. 1>과 같다.

1. 네트워크 구축

혼합 교통류의 안전성을 평가하기 위해 차량간 상충이 자주 발생할 수 있는 엇갈림구간을 VISSIM 네트워 크로 구현하였다. 도로용량편람의 엇갈림구간의 설계기준을 참고하여 가상의 엇갈림구간을 설계하였다. 엇 갈림구간의 유형 중, 본선-연결로 엇갈림 유형의 본선 3차로, 연결로 1차로 도로를 구축하였다. 엇갈림구간의 길이 변화에 따른 네트워크의 안전성을 비교ㆍ분석하고자 엇갈림구간의 길이에 따라 300m, 600m로 구분하 여 시나리오를 생성하였다. 네트워크의 통과 교통량은 엇갈림구간의 평균 밀도 산출 공식을 적용하여 설계 기준인 LOS(Level of Service) C 수준을 만족하며, AV의 혼입률은 50%, 엇갈림 교통류의 비율을 30%로 설정 하였다. 두 시나리오에서의 1시간 교통량 기준 평균 밀도는 아래 산출식(1), (2)에 의해 계산되었으며, 분석 시나리오에 대한 자세한 내용은 <Table 1>에서 설명한다.

여기서,

2. AV 주행행태 구현

미시적 교통 시뮬레이션으로 AV의 주행행태를 구현하기 위해 차량 추종 모형으로 Intelligent Driver Model(IDM)을 선정하였다. IDM은 선두 차량과의 간격을 최소로 유지하면서 목표 속도를 달성하는 가속도 결정 방식이기 때문에 Adaptive Cruise Control(ACC), Cooperative Adaptive Cruise Control(CACC)과 같은 첨단 운전자 지원 기능과 AV의 주행행태를 구현하는 데 주로 사용되는 모델이다(Ahmed et al., 2021). 미시적 교통 시뮬레이션의 차량 추종 모델로 AV의 복잡하고 다층적인 실제 행태를 정교하게 재현하는 데에 있어서 일부 제약이 존재한다. 따라서, 실제 도로 환경에서 주행한 Waymo AV의 차량 추종 궤적 데이터를 기반으로 보정 된 IDM 매개변수(Hu et al., 2023) 값을 적용하였다. AV의 횡방향 주행행태는 Waymo AV의 보수적인 가ㆍ감 속, 긴 차간거리를 고려하여 VISSIM의 횡방향 제어 매개변수의 Min headway와 Safety Distance Reduction Factor, Maximum deceleration for cooperative braking 값을 보수적으로 설정하였다(Beza et al., 2022). HV의 주 행행태는 VISSIM 2020의 Freeway 주행행태 기본 설정을 사용하였다. <Table 2>는 본 연구에서 설정한 IDM 의 종방향, 횡방향 매개변수이며, <Table 3>은 HV의 Wiedemann 99 Model의 매개변수를 설명한다.

여기서,

3. 시뮬레이션 수행 및 안전성 지표 검토

1) 시뮬레이션 수행

시뮬레이션은 총 5,400초 실행하였으며, 네트워크에 차량이 모두 진입하여 통행하기까지의 warm-up time 으로 30분을 부여한 뒤, 3,600초 동안 분석하였다. 혼합 교통류의 차량 추종 조합별 SSM을 산출하기 위해 네 트워크를 통행한 차량의 ID, Vehicle type, 가ㆍ감속도, 주행속도, 위치, 차량 길이 데이터를 추출하였다. 엇갈 림구간에서 자주 발생하는 차로 변경과 같은 빠르게 진행되는 위험한 상황을 정밀하게 포착하고자 안전성 지표의 분석 단위 시간은 시뮬레이션의 timestamp와 동일하게 0.1초로 설정하였다.

2) 대리안전지표 검토

혼합 교통류의 안전성을 평가하기 위해 SSM을 의미에 따라 네 가지 범주로 구분하여 검토하였다. 위험도 를 판단하는 척도에 따라 시간 기반(Time-based SSMs, TSSMs), 감속 기반(Deceleration-based SSMs, DeSSMs), 거리 기반(Distance-based SSMs, DSSMs), 에너지 기반(Energy-based SSMs, ESSMs)으로 구분하였다. TSSMs은 두 차량 간의 상충 위험도를 시간으로 설명하는 분류를 의미한다. 두 차량이 현재의 경로와 속도 차이를 유 지할 경우 충돌까지의 시간을 의미하는 TTC, 회전 교차 차량이 직진 차량 우선권의 침해가 종료되는 시점과 통과 차량이 잠재적 상충 지점에 도착한 시점 사이의 시간을 의미하는 Post Encroachment Time(PET)가 대표 적인 지표이다. 본 연구에서는 TTC와 운전 상황에 따라 사고 발생 확률이 달라지거나 속도 변화로 인한 충 돌 가능성이 무시되는 한계점을 보완한 MTTC, 사고가 발생하기까지 남은 시간을 의미하는 Time to Accident(TA)를 검토하였다(He et al., 2018;Mahmud et al., 2017). 식(5), (6), (7)은 각각 TTC, MTTC, TA의 산 출 방법을 설명한다.

여기서,

DeSSMs은 두 차량 간의 상충 위험도를 감속도를 기반으로 설명한다. 두 차량이 충돌을 피하기 위한 감속 도를 나타내는 Deceleration Rate to Avoid a Crash(DRAC), DRAC에 인지반응시간을 고려한 Modified DRAC(MDRAC)와 선행 차량과의 안전 시간(Safety time)을 유지하기 위해 후행 차량에 적용해야 하는 감속도 를 의미하는 Deceleration to Safety Time(DST)을 검토하였다. 식(8), (9), (10)은 각각 DRAC, MDARC, DST의 산출 방법을 설명한다. 본 연구에서는 MDRAC의 인지반응 시간의 값으로 AV의 경우 1초, HV의 경우 1.5초 를 적용하여 계산하였으며(Makridis et al., 2018), DST의 Safety time은 0.1초로 설정하였다.

여기서,

DSSMs은 두 차량 간의 거리를 기반으로 위험도를 나타내며, 충돌을 피하기 위한 거리를 기준으로 위험도 를 구분한다. Potential Index for Collision with Urgent Deceleration(PICUD)는 선행 차량의 급격한 제동 시, 두 차량 간 충돌 가능성을 평가하는 지표이며, 두 차량이 완전히 정지했을 때의 거리를 기반으로 정의된다. Stopping Distance Index(SDI)는 선행 차량과 후행 차량의 최소 정지거리를 계산하여 선행 차량의 정지거리가 긴 경우 안전으로 나타내며, 후행 차량보다 정지거리가 짧은 경우 충돌한다고 판단하여 위험으로 나타낸다 (Park et al., 2018). 식(10), (11), (12)는 각각 PICUD, SDI의 산출 방법을 설명한다. PICUD의 후행 차량의 감속 도는 UNO et al.(2002)이 제시한 –3.3m/s²를 적용하였다.

여기서,

ESSMs은 차량의 운동 에너지에 대한 속도의 영향을 설명하기 때문에 다른 SSM에 비해 심각도 측면에서 상세한 분석을 할 수 있다는 장점이 있다. 가속도, 속도 및 MTTC를 기반으로 두 차량 간에 발생하는 운동 에너지를 추정하는 Crash Index(CI)가 있다. 식(13)은 CI의 산출 방법을 설명한다.

본 연구에서는 네 가지 범주에 속하는 9개의 SSM의 의미와 산출 방식을 검토하였다. <Table 4>은 SSM 지 표별 위험 상황을 판별하는 데 사용되는 임계값을 설명한다. AV와 HV가 혼재된 교통류를 대상으로 하는 특 화된 평가지표가 없으므로, 기존의 문헌 검토를 통해 지표별 위험도 기준을 정립하고 이를 본 연구의 평가에 반영하여 안전성을 평가하였다.

Ⅳ. 연구 결과 분석

1. 차량 추종 그룹별 주행행태 분석

<Fig. 2>는 시나리오별 혼합 교통류의 차간 거리, 속도, 감ㆍ가속도의 분포를 설명한다. 엇갈림구간의 길이 별로 비교하면, 차간 거리에 대한 분석에서는 엇갈림구간 600m에서의 차간 거리가 300m보다 40~80m 사이 의 차간 거리가 더 많이 관측되었다. 주행속도를 비교하였을 때는 600m가 300m 구간에 비해 80~100km/h 구 간에서 밀도가 높은 것을 확인하였으며, 가·감속도는 600m보다 300m에서 큰 값으로 나타났다. 즉, 엇갈림구 간 길이가 길 때 차간 거리가 길고, 주행속도가 높으며, 가·감속도가 낮아 주행 안전성이 상대적으로 높은 것으로 확인할 수 있다.

차량 추종 조합별로 비교하면, AV-AV, AV-HV 조합이 HV-AV와 HV-HV 조합보다 더 긴 차간 거리를 유 지하는 경향이 관찰되었다. 가·감속도는 HV에 비해 AV가 후행 차량일 때 급가·감속도의 분포가 적었으며, HV에 비해 AV는 부드러운 가·감속 행태를 취하는 것으로 해석할 수 있다. 차간 거리와 속도 분포 결과를 통해 AV는 HV보다 보수적인 주행행태를 지니고 있음을 확인할 수 있었으며, 엇갈림구간의 길이에 따라 주 행행태가 다르게 관측됨을 확인하였다.

2. 시나리오별 안전성 및 T-test 분석 결과

엇갈림구간의 길이가 혼합 교통류 안전성에 미치는 영향을 파악하기 위해, T-test를 실시하여 통계적으로 유의한 차이가 있는지를 검증하였다. <Table 5>는 두 시나리오의 차량 추종 조합별 상충 건수에 대한 T-test 분석 결과이다. SSM 지표별, 차량 추종 조합별 총 36건의 T-통계량과 유의수준을 분석한 결과, 19건에서 두 엇갈림구간의 안전성에 유의미한 차이가 있음을 확인하였다. DeSSMs그룹에 속하는 DRAC, MDRAC, DST 지표를 조사했을 때, 엇갈림구간의 길이가 해당 지표에 영향을 미치지 않는 것으로 나타났다. 반면, TA, PICUD, CI에서는 두 시나리오 사이에 유의미한 차이가 발견되었다. 이는 각각의 안전성 지표에 따라, 엇갈 림구간의 길이에 반응하는 정도가 다르다는 것을 파악할 수 있으며, 엇갈림 간의 길이와 상충 건수 비율 사 이에 뚜렷한 연관성이 없다고 해석할 수 있다.

3. 안전성 지표 선정

혼합 교통류의 안전성 평가에 적합한 SSM을 선정하기 위해 Moon et al.(2009)의 주행 실험 결과인 운전자 가 경험하는 위험도 수준을 활용하였다. Moon et al.(2009)은 운전자와 승객은 일반적으로 차량이 3~4m/s² 이 상 감속할 때 불편함을 느끼며, 운전자는 위험 상황에 대응하기 위해 4m/s² 이상으로 감속하는 경향을 파악 하여 감속도를 운전 상황 평가지표로 활용하였다. 감속도가 2m/s²보다 작은 경우를 안전 상황으로 정의하고, 4m/s²보다 큰 경우를 위험 상황으로 정의하였다. Orlovska et al.(2020)은 ADAS(Advanced Driver Assistance Systems) 설계에 있어 인간 운전자가 느끼는 위험도와 SSM 위험도 사이의 일관성을 유지하는 것이 중요하다 고 지적하였으며, 이는 AV와 HV가 혼재된 교통류에서도 마찬가지로 적용되어 혼합 교통류의 안전 기준은 인간 운전자의 위험 인식 수준에 기반하여 정립되어야 한다. 현재 혼합 교통류에 대한 명확한 안전 측정 기 준과 특화된 지표가 부재하다. 또한 자율주행 차량의 개발 과정에서 인간 운전자가 느끼는 위험도를 고려하 여 알고리즘을 개발하는 것은 실제 도로 상황에서의 안전성과 효율성을 극대화할 수 있다. 따라서 본 연구에 서는 인간 운전자의 주관적 인식에 기반한 위험도를 기준으로 SSM 위험도의 차이를 정량화하고, F1-score를 기준으로 혼합 교통류의 안전성 평가에 적합한 SSM을 선정하였다(Lu et al., 2021).

F1-score를 활용하여 운전자의 주관적 위험 인식에 기반한 SSM의 위험도 평가 성능을 산출하기 위해, 300m 엇갈림구간을 주행한 차량의 추종 궤적 데이터를 <Table 6>의 기준에 맞추어 분류하였다. Moon et al.(2009)의 연구에 따른 감속도 기반의 위험도를 적용하여, 안전 상황은 선행 차량이 후행 차량보다 빠 르고 차간 거리가 5m 초과인 경우, 위험 상황은 후행 차량이 선행 차량보다 빠르고 차간 거리가 5m 미 만인 경우로 정의하였다. 또한 F1-score는 운전자의 위험 인식과 여덟 가지 SSM의 성능을 비교 및 정량 화하는 데 사용하였다. F1-score는 재현율과 정밀도를 기반으로 계산되며, 이는 식 (14), (15), (16) 에서 설명한다.

<Table 7>은 SSM 지표에 대한 차량 추종 조합별 F1-score를 제시한다. TSSMs의 경우 TTC, MTTC의 F1-score 값이 유사하게 도출되었으나, 값이 높은 MTTC를 선정하였으며, TA는 TSSMs 지표 중 가장 낮은 값 을 보였다. DeSSMs에서는 다른 범주에 비해 모든 지표가 전반적으로 낮은 F1-score 값을 보였으며, 그중 가 장 높은 값을 가진 DRAC를 선정하였다. DSSMs의 PICUD는 AV가 추종하는 상황에서는 F1-score가 높지만, HV이 추종하는 상황에서는 낮은 점수를 보여, 전체적으로 높은 F1-score를 가진 SDI를 선정하였다. 총 3가지 범주 중 각 차량 추종 조합별 F1-score를 고려하여 혼합 교통류의 안전성 평가에 적합한 지표로 MTTC, DRAC, SDI, CI를 선정하였다.

4. 혼합 교통류 안전성 분석 결과

선정된 안전성 지표별 분석 결과는 MTTC, DARC, SDI, CI 4개의 지표를 기반으로 혼합 교통류의 차량 추 종 조합별 안전성을 비교분석을 하였다. <Table 8>은 SSM 지표별 임계값에 따른 차량 추종 조합별 상충 비 율을 나타낸다.

선정된 SSM에서 AV가 추종하는 조합이 낮은 위험 상황의 비율로 관측되었다. 특히, AV-AV 조합은 MTTC, SDI 지표에서 가장 낮은 위험도를 보였고, AV-HV 조합은 DRAC, CI 지표에서 가장 낮은 위험도가 나타났다. HV이 추종하는 조합에서는 SDI를 제외한 모든 지표에서 HV-HV 조합이 가장 높은 위험도를 보였 다. 차량 추종 조합별 위험 상황의 비율 차이가 가장 적은 지표는 MTTC이며, CI는 AV가 추종할 때보다 HV 가 추종하는 경우에 비율 차이가 가장 크게 관측되었다. AV-AV, AV-HV에서 나타난 위험도가 HV-AV, HV-HV 추종 상황보다 낮게 관측되었으며, 이는 AV의 차량 추종 행태가 HV보다 상대적으로 안전함을 시사 한다.

<Fig. 3>은 차량 추종 및 차로 변경 이벤트의 위험도를 평가하기 위해 네 가지 안전성 지표의 임계값을 모두 초과하는 위험 상황을 식별하여 이를 0에서 1 사이의 값으로 스케일링한 위험도를 나타낸 결과이다.

1에 가까울수록 가장 높은 위험도를 의미하며, 0에 가까울수록 낮은 위험도를 의미한다. 지표별로 위험도의 분포가 다르게 나타나는 것을 확인할 수 있다. 특히 AV-AV 추종 조합은 모든 지표에서 낮은 위험도를 보인다. DRAC은 차량 추종 조합에 따라 위험도 분포에서 명확한 차이를 나타낸다. 반면, CI는 모든 차량 조합에서 유사한 위험도 분포를 보이지만, 위험도의 밀도에서는 차이가 나타났다. MTTC와 SDI 지표의 경우, AV-AV 조합을 제외하고는 나머지 조합에서 비슷한 위험도 분포가 관측되었다. 이러한 결과를 참고하여, 각 안전성 지표가 차량 조합별 위험도를 평가하는데 어떻게 다르게 작용하는지를 파악할 수 있었다. 따라서 안전성 평가 에 있어 각 지표가 제시하는 위험 상황의 분포와 그 특성을 정확히 파악하는 것이 중요하며, 단일 지표만을 활용하는 것이 아니라 여러 지표의 정보를 통합하여 위험도를 종합적으로 판단하는 접근이 필요하다.

<Table 9>은 지표별 차량 추종 조합별 발생 가능한 상충 유형을 구분하여 제시하였다. AV-HV 조합은 가 장 적은 상충 건수가 관측되었지만, HV-AV 조합에서는 가장 많은 상충 건수가 관측되었다. 이는 AV는 HV 에 비해 보수적인 주행행태를 지니기 때문에, HV는 HV를 추종할 때보다 다소 공격적인 운전 패턴을 보일 수 있음을 시사한다. 모든 차량 추종 조합에서 선행 차량 혹은 후행 차량 중 한 차량이 차로를 변경하는 경 우(Lane change)가 가장 빈번하게 관측되었으며 특히, AV-AV 조합의 경우, 두 차량이 동시에 차로 변경하는 상황(Crossing Lane change)에서 가장 많은 상충 건수가 관측되었다. 이는 엇갈림구간에서 AV 차량 간 상호 차로 변경을 시도하는 상황이 가장 위험한 상황으로 발생할 가능성을 시사한다. 두 차량이 혼합되어 주행하 는 AV-HV, HV-AV 조합에서 AV-HV의 경우 적은 상충 건수를 보이지만, HV-AV의 경우 가장 많은 상충 건 수가 관측되었으므로, HV가 차로 변경 시 안전거리를 더 넓게 설정하는 등의 추가적인 안전 주행 대책이 필 요할 것으로 보인다.

Ⅴ. 결 론

본 연구는 고속도로 엇갈림구간에서 AV가 혼재된 교통류의 안전성 분석에 적합한 지표를 선정하여 차량 추종 조합별 안전성을 종합적으로 분석하였다. IDM을 활용하여 AV의 주행행태를 구현하였으며, 본선-연결로 형태의 엇갈림구간을 300, 600m의 길이로 구분하여 미시적 교통 시뮬레이션(VISSIM)으로 혼합 교통류 분석 환경을 구축하였다. 두 엇갈림구간의 주행행태를 분석한 결과, 주행속도와 차간 거리는 엇갈림구간의 길이 변 화에 따른 차이가 있음을 확인하였다. 그러나 T-검정을 통해 시나리오별 상충 건수 비율을 비교하였을 때, 일 부 지표에서 유의미한 차이는 확인되었다. 하지만, 두 시나리오간 상충 건수 비율의 증감 정도는 일관된 경향 을 보이지 않았다. 이는 구간 길이의 변화가 상충 건수 비율에 뚜렷한 영향을 미치지 않는다는 것을 의미한다.

혼합 교통류 안전성 분석에 적합한 지표를 선정하기 위해 SSM을 네 가지 유형으로 나누어 검토하였으며, 운전자가 체감하는 위험도와 유사하게 위험도를 나타내는 지표를 찾기 위해 F1-score를 사용하여 정량화하였 다. 따라서 각 유형에서 가장 높은 F1-score 값을 가진 지표인 MTTC, DRAC, SDI, CI를 혼합 교통류 안전성 분석에 적합한 지표로 선정하였다. 선정된 안전성 지표의 임계 수준을 넘어선 위험도를 기반으로 차량 추종 궤적을 분석한 결과, 고속도로 엇갈림구간에서 AV끼리의 조합(AV-AV)은 상대적으로 낮은 위험도를 보였다. 하지만 이들이 서로 차로를 변경하는 상황에서는 높은 상충 건수가 관측되었다. 특히 HV가 AV를 추종하는 조합(HV-AV)에서는 상충 건수가 가장 많이 발생하여, 혼합 교통류에서 가장 낮은 안전성을 보이는 조합으 로 나타났다.

본 연구에서 선정한 SSM과 안전성 분석 결과는 자율주행 시스템 개발과 혼합 교통류 안전 운행 대책을 수립하는 데 활용될 수 있다. 선정된 SSM은 인간 운전자의 위험 인식을 반영하고 사고 가능성을 예측하는 데 유용한 지표이다. 따라서, 인간 운전자와 자율주행 시스템 간의 상호작용이 필요한 ADAS, 레벨 3 수준의 자율주행 차량의 알고리즘을 평가 및 개발 과정에서 유의미한 평가지표로 활용될 수 있다. 또한, 다양한 기 하구조 및 교통 시나리오를 반영한 혼합 교통류의 안전성 분석을 위한 평가지표로 활용될 수 있을 것이다. 혼합 교통류 안전성 분석 결과, AV 간의 동시 차로 변경 상황과 HV-AV 상황에서 높은 위험도가 관측되었 기 때문에, AV 간 상호 차로 변경 상황을 중심으로 자율주행 제어 알고리즘의 개선을 위한 연구가 추가로 수행되어야 한다. 그리고 혼합 교통류의 안전성을 극대화하기 위해서는 AV의 알고리즘 개선해야 할 뿐만 아니라 AV를 추종하는 HV의 공격적인 주행행태를 개선할 필요성이 있음을 시사한다.

본 연구의 한계를 보완할 수 있는 향후 연구 제안은 다음과 같다. 첫째, 혼합 교통류에서 인간 운전자가 체감하는 위험도에 기반하여 적절한 안전성 지표를 선정하는 것이 중요하다. 혼합 교통류 환경에서 운전하 는 일반 차량 운전자를 대상으로 한 주관적 위험 인식을 조사하여 이러한 위험도를 잘 반영하는 안전성 지 표를 선정하고 분석해야 할 필요성이 있다. 둘째, 실제 혼합 교통류가 발생할 가능성이 있는 지역을 대상으 로 한 분석이 필요하다. 본 연구는 주로 차로 변경이 잦은 가상의 엇갈림구간을 중심으로 진행되었으나, 자 율주행 셔틀버스나 택시 서비스가 운영되고 있는 실제 지역을 분석 대상으로 한다면, 보다 현실적이고 실용 적인 안전성 분석 결과를 얻을 수 있을 것으로 기대된다.