Ⅰ. 서 론
자율주행 기술은 기존 도로에서 차량이 스스로 운전을 하고 운전자의 개입을 최소화하는 것으로 상용화 될 경우 교통 네트워크에 급격한 변화를 불러일으킬 수 있는 잠재력을 가지고 있다. (Fagnant and Kockelman, 2015). 자율주행차량은 사고 심각도를 개선하고 교통 약자에 이동성을 보장하며 배기가스를 감축함에 따라 교통 시스템의 근본적인 변화가 기대된다. (Ye and Yamamoto, 2019). 현재의 자율주행 차량은 주행 환경을 인식하는 On-Board Sensor는 인식 범위에 제한이 있어 인접한 차량만을 감지할 수 있다. (Hobert et al., 2015). 또한, 도로 위의 차량들은 매우 복잡한 거동을 효율적으로 수행하기 위한 정보 교환이 불가능하다. 이러한 자율주행의 한계점을 극복하기 위해 자율협력주행 기술이 주목받고 있다. 자율협력주행은 통신 모듈이 설치 된 두 개 이상의 객체 간의 협력을 통해 자율주행 차량의 DDT 기능을 향상시키는 등 도로 사용자의 안전하 고 효율적인 이동을 촉진시키는 것을 목적으로 한다. (SAE, 2020).
자율주행 기술의 발전에도 불구하고 지배적인 현재 보급되어 있는 차량을 완전히 대체하는 데에는 시간과 비용이 필요하다. 따라서, 자율주행 차량인 AV(Autonomous Vehicles), CAV(Connected Autonomous Vehicles)와 사람이 직접 주행을 조작하는 HDV(Human Driven Vehicles)가 혼재되는 상황을 대비해야 한다. HDV는 사람이 직접 조작하여 주행하는 차량으로 개인의 특성에 따라 인지 반응 시간이 각기 다르며 개인이 추구하는 가치에 따라 주행 특성이 다양하기 때문에 불확실성이 존재한다. (Garg et al., 2021). 즉, HDV는 차선 변경, 급제동과 같은 개인의 주행 특성으로 인해 충격파가 발생하고 그로 인해 교통류의 효율성을 저해하여 교통혼잡을 유발 할 수 있다. 반면, AV는 HDV보다 인지반응 시간이 빠르고 훨씬 더 부드러운 주행 특성을 지니고 있다. (Al-Turki et al., 2021). 또한, AV는 센서에서 수집된 정보를 기반으로 교통 환경을 인지하고 알고리즘을 통해 주행을 결정하기 때문에 HDV 대비 주행 특성의 불확실성이 완화된다. (Ahmed et al., 2022). V2V(Vehicle to vehicle), V2I(Vehicle to infrastructure) 등을 아우르는 V2X(Vehicle to everything) 통신 기반의 CAV는 정보를 교 환하여 실시간 교통 상황에 따라 주행 행태를 조정할 수 있다. (Al-Turki et al., 2021). 즉, HDV, AV, CAV는 인지할 수 있는 정보의 범위가 각기 다르고 이에 따른 대응 프로토콜이 상이하기 때문에 자율주행 차량 보급 과도기에 발생하는 혼재 교통류에서의 대응책이 필요하다.
자율주행 혼재 교통류에서는 HDV와 AV 간 주행행태 차이로 인해 안전성, 운영효율성, 환경성 측면에서 부정적인 영향이 발생할 수 있다. 이러한 문제를 해결하기 위해 V2X 기술이 적용된 차량과 ITS(Intelligent Transportation System) 인프라 간 통신으로 최적 주행을 권고하는 인프라 가이던스 기반 자율주행 지원 기술 을 필요로 한다. 본 연구는 인프라 가이던스 구간 및 상황에 따른 최적 통행우선 순위 생성 알고리즘을 개발 하기 위해 유스케이스 별 안전성, 이동성, 환경성에 따른 가중치를 개발하는 것을 목적으로 한다.
본 연구는 다음과 같이 구성되어 있다. 2장에서는 자율주행과 다기준 의사결정론에 대해 기존 문헌을 고 찰하였으며, 3장에서는 커넥티드 및 자율주행 환경에서의 가중치 산출 방법론에 대해 서술하였다. 4장에서는 혼재 교통류에서의 안전성, 이동성, 환경성 가중치 산출 결과와 교통류 최적화를 위한 평가지표 개발 결과를 제시하였으며, 마지막 장에서는 본 연구 결과에 대해 요약하고 향후 연구계획에 대해 기술하였다.
Ⅱ. 기존 문헌 고찰
자율주행 기술은 계속해서 발전하고 있으며 자율주행 차량이 보급되어 현재 일반 차량을 완전히 대체하 기 위해서는 시간이 필요하다. 주행 특성이 서로 상이한 일반차와 자율차가 혼재된 상황이 예상되는 자율주 행 기술의 과도기에서는 안전성, 이동성, 환경성 측면의 교통류 최적화 전략이 필요하다. 본 연구는 인프라 가이던스 구간 및 상황에 따른 최적 통행우선 순위 생성 알고리즘을 개발하기 위해 유스케이스 별 안전성, 이동성, 환경성에 따른 가중치를 개발하는 것을 목적으로 한다. 본 장에서는 커넥티드 및 자율주행 환경에서 의 혼재 교통류에 관한 연구와 교통류 최적화를 위한 다기준 의사결정론에 관한 연구에 대해 고찰하였다.
1. 커넥티드 및 자율주행 환경에서의 혼재 교통류
ADS(Autonomous Driving System)는 ADS를 안전하게 실행할 수 있는 주행 환경 범위인 ODD(Operational Design Domain) 여부와 관계없이 전체 DDT(Dynamic Driving Task)를 지속하여 수행할 수 있는 시스템을 의 미하며, Lv. 3~5의 자율주행 시스템에 해당한다. (SAE, 2021;Sun et al., 2021). DDT는 도로교통에서 차량을 작동하는 데 필요한 모든 실시간 자율주행 기능을 의미하며 차량의 횡방향 이동을 제어하는 조향, 가·감속을 수행하는 종방향 제어, 객체 및 위험 상황 감지 및 대응 등을 포함한다. (SAE, 2021).
그러나, 높은 수준의 자율주행 또는 완전한 자율주행 기술이 상용화되기 전까지 악천후(severe weather)로 인한 기능 고장, 어린이 보호 구역 및 노인 보호 구역과 같이 자율주행 허가 예외 지역으로의 진입 등은 DDT fallback을 발생시키며 이러한 상황은 운전자가 직접 주행에 개입하여 대응해야 한다. (Emzivat et al., 2017). 센서 기능의 저하와 원거리 검지의 한계는 자율주행 차량의 안전한 주행을 방해할 수 있기 때문에 인 근 차량과 인프라에서 수집한 정보를 활용하여 보완하는 자율협력주행이 필수적이다. (Jeon et al., 2022).
일반차와 자율주행차는 서로 주행행태가 달라 혼재 교통류 상황에서 안전성, 이동성, 환경성 측면에서 부 정적인 영향을 미칠 수 있다. CAV는 차량, 인프라 등 교통 시스템 구성요소에서 제공하는 정보를 활용하여 최적 주행을 권고하는 인프라 가이던스(Infra-Guidance, IG) 기반 자율주행 지원 기술을 필요로 한다. 인프라 가이던스 서비스는 자율주행차의 주행 정보와 도로교통 상황을 기반으로 자율주행을 적극적으로 지원하고 이를 통해 교통류 최적화를 달성하기 위한 교통 운영 서비스이다. (Jeon et al., 2022). Lv. 3 수준의 자율주행 에서 인프라는 기본구간과 신호교차로와 같은 도심도로 일부 구간을 대상으로 사각지대 안내, 도로공사 구 간 안내, 돌발상황 긴급대응, 교통신호정보 제공, 긴급차량 접근 안내 서비스를 제공한다. 그러나, 이는 다양 한 도로의 위계에서 도심도로 일부 구간만을 한정하고 있으며, 자율주행 차량에만 서비스를 제공하는 한계 가 있다. 자율주행 Lv. 4/4+ 지원을 목표로 하는 인프라 가이던스 서비스는 기본구간과 신호교차로 뿐만 아 니라 분·합류부 및 엇갈림구간, 무신호교차로, 회전교차로, 이면도로 등을 대상으로 안전성, 이동성, 환경성 을 고려한 교통류 최적화를 위해 자율주행 차량에 가이던스(guidance)를 제공한다.
혼재 교통류에서 안전성, 이동성, 환경성을 고려한 교통류 최적화를 위해 통행우선권(right of way), 수락간 격(gap acceptance), 교통류 속도의 조화(speed harmonization) 등을 고려해야 한다. (Li et al., 2020;Peng et al., 2023;Malikopoulos et al., 2018). AV와 HDV 간 주행 특성의 이질성이 클수록 교통류에 큰 영향을 미치지 않 을 수 있으나 혼재 교통류에서 통행우선권을 효율적으로 재할당할 경우 도로 용량을 증가시킬 수 있다. (Li et al., 2020). V2X 기반 교통 정보를 제공할 경우 광범위의 통신과 차량 간 상호작용을 통해 차로 변경 및 본 선 진입을 위한 수락간격이 확장되어 교통류의 안전성과 이동성을 개선할 수 있다. (Peng et al., 2023). 또한, 차량 간 상호작용으로 교통류 속도 조화를 이룰 경우 교통류의 안전성을 확보하고 연료 효율성을 증대시킬 수 있다. (Malikopoulos et al., 2018). 즉, 혼재 교통류에서 인프라 가이던스를 기반으로 교통류의 안전성, 이동 성, 환경성을 개선할 수 있는 최적화가 필요하다.
2. 다기준 의사결정론
자율차와 일반차 혼재 교통류에서 안전성, 이동성, 환경성 기준을 동시에 고려하고 최적 대안을 선정하기 위한 의사결정 과정이 필요하다. 상충하는 여러 가지 목적들을 어떻게 절충하여 최적 대안을 선정할 것인가 에 대한 의사결정방법을 다기준 의사결정기법(Multi-criteria Decision Making, MCDM)이라고 한다. (Park et al., 2013). AHP(Analytical Hierarchical Process)는 상호 배반적인 대안들을 평가할 수 있는 MCDM 중 하나로 Saaty (1977)가 제안하였으며, 정성적 요소를 고려할 수 있다는 장점이 있다. 기존 교통 관련 다기준 의사결정론 연 구에서는 AHP 분석 기법이 다수 활용되었다. (Park et al., 2013;Joo et al., 2019;Chen et al., 2022). Park et al. (2013)은 고속도로 공사구간 VSL(Variable Speed Limit) 전략을 평가하기 위해 안전성, 운영성, 환경성을 고려 한 AHP 분석을 수행하였으며 효과척도 별 가중치를 기반으로 종합평가지수를 산출해 최적 대안을 선정하였 다. Joo et al.(2019)은 교통 정온화 시설의 효과를 평가하기 위한 다기준 평가 프레임워크를 제안하였으며 안 전성과 운영효율성 그리고 환경성 측면에서 유효성을 평가하였다. Chen et al.(2022)은 운전자 설문조사 및 인터뷰, 관련 연구 등을 토대로 화물자동차의 교통안전을 위한 대책을 제시하였으며 Fuzzy-AHP 방법론을 활 용하여 안전대책 항목에 대해 우선순위를 평가하였다. 본 연구에서는 커넥티드 및 자율주행 환경에서의 혼 재 교통류를 대상으로 최적화하기 위해 AHP를 활용하였다.
3. 기존 연구와의 차별성
기존 연구에서는 교통 운영 전략을 평가하기 위해 자율주행 및 교통 분야 전문가를 대상으로 MCDM 기 법 중 하나인 AHP를 활용하였다. 자율주행 차량과 일반 차량 간 주행 특성 간 차이를 고려하기 위한 자율주 행 차량 보급률(Market Penetration Rate, MPR)의 변화, 도로의 용량과 교통량으로 결정되는 도로 혼잡도를 고 려한 서비스 수준(Level of service, LOS), 도로구간 별로 이해관계가 서로 상충하는 대안을 평가하였다. 그러 나, 변화하는 자율주행 환경에 영향을 미칠 수 있는 다양한 요인들을 복합적으로 고려한 대안 간의 조합으로 교통류 최적화를 다룬 연구가 미흡하다. 따라서, 본 연구에서는 자율주행 차량의 보급률, 서비스 수준, 인프 라 가이던스 구간별 특성을 복합적으로 고려하기 위해 AHP 가중치 결과를 결합하였으며, 교통류 최적화를 위한 통합평가지표 개발을 수행하였다. 본 연구의 결과로 국내 교통 환경에 특화된 인프라 가이던스 구간별 통합평가지표를 제시하고 교통류 최적화에 필요한 기초를 마련하였다는 것에 의의가 있다.
Ⅲ. 연구 방법론
본 연구에서는 인프라 가이던스 구간 및 서비스 수준에 따른 안전성, 이동성, 환경성을 고려한 통합평가지 표를 개발하고자 하였다. 이를 위해, 전문가를 대상으로 2회에 걸쳐 설문조사를 수행하고 AHP 기법을 활용 하여 가중치를 산출하였다. 1차 조사에서는 전문가 설문조사의 한계인 모집단과의 격차를 해소하기 위한 Meta AHP, 의사결정권자의 불확실성을 보완하기 위한 Fuzzy AHP 그리고 자율주행 차량의 보급률을 고려하 기 위한 Dynamic AHP를 복합적으로 통합한 Hybrid AHP 기법을 활용하였다. 2차 조사에서는 인프라 가이던 스 구간별 특성과 서비스 수준에 따른 교통 환경의 변화를 고려한 AHP 설문조사를 수행하였다. 마지막으로 1~2차 조사의 결과를 결합하여 안전성, 이동성, 환경성 별 가중치를 산출하고 커넥티드 및 자율주행 환경에 서의 교통류 최적화를 위해 통합평가지표를 개발하였다. 본 연구의 프레임워크는 <Fig. 1>에 제시하였다.
1. 자율주행 차량 보급률을 고려한 Hybrid AHP
본 장에서는 기존 AHP 기법의 단점을 보완하기 위해 Meta AHP, Fuzzy AHP, Dynamic AHP를 통합한 Hybrid AHP 기법에 대해 서술하였다. 본 연구에서는 1차 및 2차 설문조사의 일관성 정도를 평가하고 분석에 활용할 표본을 결정하기 위해 일관성 비율(Consistency Ratio, CR)을 산출하였다. 일관성 비율은 일관성 지수(Consistency Index, CI)와 난수 지수(Random Index, RI)를 기반으로 산출되며 값이 0.1보다 클 경우 일관성이 부족하여 신뢰성이 적은 자료로 판단한다. (Park et al., 2013). 일관성 비율 산출에 필요한 난수 지수는 효과척도의 수에 따라 결정된다. 본 연구에서 활용한 효과척도는 안전성, 이동성, 환경성 3가지를 사용하였으며 Park et al.(2013)의 연구와 같이 0.58을 활용하였다. 일관성 비율과 일관성 지수에 대한 수식은 식(1)과 식(2)에 제시하였다.
연구 모집단 내에서 표본 크기와 범위가 제한되어 있어 여러 가지 요인을 복합적으로 고려하는 것에 한계 가 있다. (Faghani et al., 2022). 따라서, 본 연구는 커넥티드 및 자율주행 환경에서의 교통류 최적화를 목적으 로 다양한 요인을 복합적으로 고려하기 위해 기존 연구의 결과를 활용하는 Meta AHP를 수행하였다. 교통 운영 전략 대안 평가와 관련하여 안전성, 이동성, 환경성 평가지표에 대해 AHP 기반 가중치 산출 연구를 대 상으로 메타 분석을 수행하였다. (Li and Sinha, 2009;Park et al., 2013;Hong, 2013;Yun et al., 2013;Zhang et al., 2018). 5개의 연구에서 대안 별로 가중치 평균을 낸 결과 안전성, 이동성, 환경성 순으로 각 0.38, 0.41, 0.21이 도출되었다.
기존에 활용되고 있는 AHP 기법은 설문조사 당시의 고정된 시점을 기준으로 하여 시간적 변화에 따른 대 안에 대한 가중치 변화를 고려하기 어렵다. (González-Prida et al., 2014). 이러한 문제를 해결하기 위해 시간 의존성을 고려한 Dynamic AHP 기법을 활용하였다. 혼재교통류에서 비교적 낮은 MPR에서 AV와 HDV의 상 충(conflict)이 잦을 것으로 예상되어 세부적인 분석이 필요하다고 판단하였다. (Morando et al., 2018). 따라서, MPR 50% 이하는 10단위씩, 그 이상은 25단위씩 증가하도록 구분하였다. 본 연구에서는 MPR의 변화에 따른 설문조사를 통해 자율주행 상용화 단계별 각 효과척도의 중요도를 평가하였다. Miler(1956)가 제시한 9점 semantic scale을 기준으로 설문조사를 수행하였으며, 교통 분야 전문가 20명을 대상으로 분석을 수행하였다.
관련 분야 전문가를 대상으로 AHP 분석을 위해 수행하는 설문조사는 응답자의 모호함과 불확실성을 반 영하기 어렵다. (Xu and Liao, 2013). Fuzzy AHP는 fuzzy set, membership function, fuzzy number 등의 개념을 포함하고 있는 Fuzzy 이론과 AHP 기법을 결합한 방법론으로 모호성에 의해 발생하는 불확실하거나 부정확 한 응답을 유용한 응답으로 변형한다. 본 연구에서는 Cho and Lee(2006)가 활용한 fuzzy number를 사용하여 Fuzzy AHP를 수행하였다.
본 연구는 Meta AHP, Dynamic AHP, Fuzzy AHP에서 도출된 가중치를 종합적으로 반영할 수 있는 Hybrid AHP 기법을 활용하였다. Park et al.(2023)은 서로 다른 AHP 가중치를 결합하기 위해 교통류 시뮬레이션을 활 용하였으며 일관성이 높은 시뮬레이션 결과를 기준으로 최적의 통합 가중치를 도출하였다. 관측값과 평균 간 차이인 편차의 제곱 합을 의미하는 TSS(Total sum of square) 산출 방식을 차용한 시뮬레이션의 일관성 테스트 를 수행하였다. Meta AHP, Dynamic AHP, Fuzzy AHP 가중치의 비율을 1:1:2로 설정한 시뮬레이션의 일관성이 가장 높은 것으로 도출되었으며 본 연구에서도 동일한 비율을 적용하여 가중치를 산출하였다. (Park et al., 2023). Meta AHP, Dynamic AHP, Fuzzy AHP의 결과를 통합한 Hybrid AHP 결과는 <Table 1>에 제시하였다.
<Table 1>
Hybrid AHP analysis results
| Dynamic situation | Meta AHP | Dynamic AHP | Fuzzy AHP | Hybrid AHP | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Safety | Operation | Environment | Safety | Operation | Environment | Safety | Operation | Environment | Safety | Operation | Environment | |
| MPR 10% | 0.38 | 0.41 | 0.21 | 0.59 | 0.31 | 0.10 | 0.48 | 0.31 | 0.21 | 0.48 | 0.34 | 0.18 |
| MPR 20% | 0.59 | 0.31 | 0.10 | 0.47 | 0.32 | 0.21 | 0.48 | 0.34 | 0.18 | |||
| MPR 30% | 0.59 | 0.31 | 0.10 | 0.47 | 0.33 | 0.20 | 0.48 | 0.35 | 0.17 | |||
| MPR 40% | 0.56 | 0.34 | 0.10 | 0.46 | 0.34 | 0.20 | 0.47 | 0.35 | 0.18 | |||
| MPR 50% | 0.54 | 0.36 | 0.10 | 0.45 | 0.34 | 0.21 | 0.46 | 0.36 | 0.18 | |||
| MPR 75% | 0.56 | 0.34 | 0.10 | 0.46 | 0.34 | 0.20 | 0.46 | 0.36 | 0.18 | |||
2. 인프라 가이던스 서비스 유스케이스를 고려한 AHP 분석
본 연구에서는 인프라 가이던스 서비스 유스케이스 별 안전성, 이동성, 환경성 가중치 비율을 도출하기 위 해 전문가 12인을 대상으로 2차 설문조사를 수행하였다. 공간적 범위를 기준으로 크게 기본구간, 합류부, 분 류부, 엇갈림구간, CAV 전용차로, 신호 교차로, 비신호 교차로, 보차 공존도로, 왕복2차로도로, 영업소로 10 개 구간으로 구분된다. 그러나, 설문조사의 특성상 많은 질문을 요구할 경우 응답자가 피로도를 겪을 수 있 다. (Palaniappan and Kum, 2019). 이러한 문제를 예방하기 위해 인프라 가이던스 서비스 유스케이스의 상위 분류 그룹을 중점으로 유사한 성격을 지닌 커넥티드 및 자율주행 환경을 6개로 통합하였다. 6개 그룹은 기본 구간, 왕복 2차로도로, 분·합류부 및 엇갈림구간, CAV 전용차로, 교차로 및 보차공존도로, 영업소로 정의하 였다. 분·합류부 및 엇갈림구간에서 진입차량과 진출차량의 종·횡방향 움직임이 서로 달라 교통류 와해가 발 생할 수 있는 구간은 유사한 주행 특성을 보여 통합하였다. (van Beinum et al., 2018). 교차로 및 보차공존도 로는 보행자, 자전거 등 여러 객체들이 도로를 공유하고 있으며, 교통류가 서로 상충하는 구간으로 통행 규 칙이 필요하다는 공통점이 있어 하나의 구간으로 통합하였다. (Mohan et al., 2017). 교통량 서비스 수준은 2 가지로 구분하였으며 다음과 같이 정의하였다. 서비스 수준 A~B는 양호한 자유통행상태 이상의 조건으로 운전자들은 통행하는데 약간의 제약을 받을 수는 있으나 물리적, 심리적 부담이 없는 상태이다. 서비스 수준 C~D는 안정된 흐름을 나타내나 통행 자유도가 제한되어 운전자들에게 물리적, 심리적 부담을 주게 된다. 또 한, 가벼운 사고, 고장 등이 발생할 경우 교통류가 급격히 불안정해지는 상태이다. 본 연구는 6가지 공간적 범위와 2가지의 서비스 수준을 기반으로 설문조사를 설계하였다. 분석 결과, 도로 사용자 간 이동 방향이 교 차하여 상충이 발생할 수 있는 구간과 주행행태가 급격히 변화할 수 있는 구간인 램프 및 엇갈림구간, 교차 로 및 보차공존도로, 요금소에서는 안전성 가중치가 가장 크다. 반면, 기본구간, 양방향도로, CAV 전용도로 는 다른 구간 보다 이동성을 중요시 하였다. 또한, 도로가 혼잡할수록 객체 간 상충이 발생할 수 있어 안전 성 가중치가 높다. 인프라 가이던스 서비스 유스케이스를 고려한 AHP 분석 결과는 <Table 2>에 제시하였다.
<Table 2>
Infra-guidance AHP analysis results
| Infra-guidance use cases | LOS | safety | operation | environment |
|---|---|---|---|---|
| Roadway segments | A-B | 0.533 | 0.326 | 0.141 |
| C-D | 0.606 | 0.246 | 0.148 | |
| Two-lane, two-way roads | A-B | 0.617 | 0.223 | 0.160 |
| C-D | 0.599 | 0.226 | 0.175 | |
| Ramp & Weaving segments | A-B | 0.747 | 0.142 | 0.111 |
| C-D | 0.742 | 0.146 | 0.112 | |
| CAV lane roads | A-B | 0.513 | 0.359 | 0.128 |
| C-D | 0.593 | 0.273 | 0.135 | |
| Intersections & Shared streets | A-B | 0.713 | 0.158 | 0.129 |
| C-D | 0.673 | 0.172 | 0.155 | |
| Tollgates | A-B | 0.695 | 0.179 | 0.126 |
| C-D | 0.667 | 0.185 | 0.149 |
Ⅳ. 연구 결과
본 연구는 인프라 가이던스 구간 및 상황에 따른 최적 통행우선 순위 생성 알고리즘을 개발하기 위해 유 스케이스 별 안전성, 이동성, 환경성에 따른 가중치를 개발하였다. 1차 설문조사 결과를 기반으로 시간 의존 성을 고려하고 응답자의 모호성과 모집단과의 격차를 해소하기 위해 Hybrid AHP 분석을 수행하였다. 또한, 2차 설문조사 결과를 활용하여 자율주행 차량 보급 과도기에 발생하는 혼재 교통류에서의 인프라 가이던스 서비스 유스케이스 별 안전성, 이동성, 환경성 중요도를 판단하는 AHP 분석을 수행하였다. 1차 및 2차 설문 조사 기반 AHP 결과를 통합하여 가중치를 산출하였다.
1. 1차 AHP 및 2차 AHP 가중치 통합 결과
본 연구는 Dynamic AHP, Fuzzy AHP, Meta AHP의 결과를 결합한 1차 AHP 가중치와 서비스 수준 및 인프 라 가이던스 서비스 유스케이스 구간을 고려한 2차 AHP 가중치를 1대1로 결합하였다. 인프라 가이던스 구 간, MPR, LOS를 복합적으로 고려한 가중치를 정규화하여 안전성, 이동성, 환경성 가중치의 합을 1로 조정하 였다. 다차로도로를 포함하는 기본구간에서는 서비스 수준과 무관하게 안전성, 이동성, 환경성 순으로 가중 치가 높게 도출되었다. LOS C-D는 평균 안전성 가중치가 0.717로 교통이 원활한 LOS A-B 보다 0.074 높았 으며, 평균 이동성 가중치는 LOS C-D에서 0.217로 LOS A-B보다 0.076 낮았다. 이는, 자율주행 차량이 혼재 된 교통류에서 교통량이 집중될 경우 이동성보다 안전성을 중요한 가중치로 판단하는 것을 의미한다. 기본 구간에서 서비스 수준 및 MPR 별 통합 AHP 결과는 <Fig. 2>의 (a)에 제시하였다. 왕복 2차로도로의 통합 AHP 결과는 기본구간과 같이 안전성, 이동성, 환경성 순으로 가중치가 높게 도출되었으나 LOS A-B에서 안 전성 가중치 평균이 0.732로 기본구간보다 0.089 높게 도출되었다. 왕복 2차로도로 통합 AHP 가중치 결과는 <Fig. 2>의 (b)에 제시하였다. 분·합류부와 엇갈림구간은 램프에서 도로의 본선으로 진입하는 차량과 본선에 서 램프로 진출하는 차량이 서로 다른 교통류가 상충하는 구간으로 사고 위험 구간 중 하나이다. (van Beinum et al., 2018). 분·합류부와 엇갈림구간은 모든 서비스 수준과 MPR에서 안전성 가중치가 0.8 이상으로 도출되었으며 여러 구간 중 가장 높은 값이다. 분·합류부와 엇갈림구간의 통합 AHP 가중치 그래프를 <Fig. 2>의 (c)에 제시하였다. CAV 전용도로는 사람이 직접 주행을 조작하는 HDV가 존재하지 않고 CAV만 존재 하는 구간을 의미한다. HDV는 개인별 주행행태가 서로 달라 불확실성이 존재하지만 CAV는 주행 정보를 서 로 공유하기 때문에 주행 의도가 예측이 가능하다. <Fig. 3>의 (d)에 제시한 CAV 전용도로에서의 서비스 수 준 및 MPR 별 통합 가중치 결과에 따르면 이동성 가중치 평균이 0.281로 유스케이스 구간 중 가장 높은 것 으로 도출되었다. 이는, CAV 전용도로의 경우 주행행태가 서로 다른 혼재 교통류에서와 달리 위험 상황을 사전에 조율할 수 있어 안전성이 충분히 확보되어 이동성에 집중할 수 있다. 교차로 및 보차공존도로는 보행 자, 차량 등 서로 다른 특성의 여러 객체가 하나의 공간을 공유하는 구간으로 안전성이 확보되어야 하는 구 간이다. LOS A-B에서 안전성 가중치가 모든 MPR에서 0.8 이상이며 LOS C-D의 경우 평균 안전성 가중치가 0.783으로 확인되었다. 교차로 및 보차공존도로의 통합 AHP 가중치 결과는 <Fig. 3>의 (e)에 제시하였다. 요 금소는 연속류 특성의 도로에 진입하거나 진출하기 위해 도로 이용료를 정산하는 공간적 범위로 주행하는 차량이 크게 가·감속하는 특성이 있다. 종방향 주행행태가 크게 변화하며, 본선 구간보다 차로 수가 일반적 으로 많아 병목현상이 발생할 수 있는 구간이다. LOS A-B 조건에서 MPR 10%~20%에서의 안전성 가중치는 0.8 이상으로 도출되었다. 요금소에서의 통합 AHP 가중치 결과는 <Fig. 3>의 (f)에 제시하였다.
<Fig. 2>
Result of integrated AHP weights :(a) Roadway segments, (b) Two-lane·two-way roads, (c) Ramp & weaving segments
<Fig. 3>
Result of integrated AHP weights : (d) CAV lane roads, (e) Intersections & shared streets, (f) Tollgates
본 연구에서 다룬 인프라 가이던스 서비스 유스케이스 구간 및 교통 조건 중 가장 안전성 중요도가 높은 구간은 서비스 수준 A-B 및 MPR 10%에서의 분·합류부 및 엇갈림구간으로 0.841의 가중치가 도출되었다. 분·합류부와 엇갈림구간에서는 도로의 본선으로 진입하는 차량이 우측 차선에서 좌측 차선으로 이동하려고 하며, 본선에서 램프로 진출하는 차량의 경우 좌측에 위치한 본선 위의 차량이 우측으로 차로 변경을 시도하 는 차량이 빈번하다. 또한, 본선을 주행하는 차량과 램프 위에 존재하는 차량은 속도 및 가속도 등 종방향 주행행태가 서로 다르다. 즉, 분·합류부 및 엇갈림구간은 서로 다른 교통류가 상충하는 구간으로 사고 위험 구간 중 하나로 안전성 가중치가 높게 도출되었다. 반면, 안전성 중요도가 가장 낮은 구간은 0.605 가중치의 서비스 수준 A-B 및 MPR 50%에서의 CAV 전용도로이다. CAV 전용도로에는 HDV와 같이 개인별 주행행태 가 서로 다른 객체가 존재하지 않고 주행 정보를 공유할 수 있는 CAV만 존재한다. 즉, CAV는 개별차량 궤 적을 서로 공유하기 때문에 다른 구간 대비 안전성 가중치의 중요도가 낮은 것을 의미한다.
이동성 중요도가 가장 높은 구간은 0.335 가중치의 서비스 수준 A-B 및 MPR 50%에서의 CAV 전용도로이 며, 가장 낮은 구간은 서비스 수준 A-B 및 MPR 10% 조건에서의 분·합류부 및 엇갈림구간으로 가중치가 0.112로 도출되었다. 서비스 수준 A-B 및 MPR 10%에서의 분·합류부 및 엇갈림구간이 안전성 가중치가 가장 높은 구간인 동시에 이동성 가중치가 가장 낮은 구간이며, 서비스 수준 A-B 및 MPR 50%에서의 CAV 전용 도로의 안전성 가중치가 가장 낮은 구간인 동시에 이동성 가중치가 가장 높은 구간으로 도출되었다. 이는, 안전성과 이동성이 서로 상충관계(trade-off) 임을 의미한다.
환경성 중요도의 경우 서비스 수준 C-D 및 MPR 50% 왕복 2차로도로에서 가중치 0.082로 가장 높으며, 서 비스 수준 A-B 및 MPR 30% 분·합류부와 엇갈림구간에서 가중치 0.045로 가장 낮게 도출되었다. 교통이 혼 잡하고 혼재된 정도가 심화된 왕복 2차로도로에서는 일반차와 자율주행 차량의 혼란이 가중됨에 따라 발생 하는 배출가스 조절이 필요하다는 것을 의미한다. 인프라 가이던스 서비스 유스케이스 구간 별 교통 조건에 따른 안전성, 이동성, 환경성 가중치에 대한 자세한 결과는 <Table 3>에 제시하였다.
<Table 3>
Importance weights for the optimization mixed traffic in AV & CAV environments
| Infra-guidance use cases | LOS | Factor | MPR | ||||||
|---|---|---|---|---|---|---|---|---|---|
| 10% | 20% | 30% | 40% | 50% | 75% | Avg. | |||
| Roadway segments | A-B | safety | 0.654 | 0.652 | 0.648 | 0.638 | 0.629 | 0.637 | 0.643 |
| operation | 0.281 | 0.284 | 0.289 | 0.297 | 0.304 | 0.299 | 0.292 | ||
| environment | 0.066 | 0.064 | 0.063 | 0.065 | 0.067 | 0.064 | 0.065 | ||
| C-D | safety | 0.726 | 0.724 | 0.722 | 0.713 | 0.705 | 0.712 | 0.717 | |
| operation | 0.207 | 0.210 | 0.214 | 0.221 | 0.227 | 0.222 | 0.217 | ||
| environment | 0.067 | 0.066 | 0.064 | 0.066 | 0.069 | 0.066 | 0.066 | ||
| Two-lane two-way roads | A-B | safety | 0.740 | 0.739 | 0.737 | 0.728 | 0.720 | 0.727 | 0.732 |
| operation | 0.187 | 0.190 | 0.194 | 0.200 | 0.205 | 0.201 | 0.196 | ||
| environment | 0.073 | 0.071 | 0.070 | 0.072 | 0.075 | 0.072 | 0.072 | ||
| C-D | safety | 0.727 | 0.726 | 0.724 | 0.715 | 0.707 | 0.714 | 0.719 | |
| operation | 0.192 | 0.195 | 0.199 | 0.205 | 0.211 | 0.207 | 0.202 | ||
| environment | 0.080 | 0.079 | 0.077 | 0.080 | 0.082 | 0.079 | 0.080 | ||
| Ramp & Weaving segments | A-B | safety | 0.841 | 0.840 | 0.839 | 0.833 | 0.827 | 0.832 | 0.835 |
| operation | 0.112 | 0.114 | 0.116 | 0.120 | 0.124 | 0.121 | 0.118 | ||
| environment | 0.047 | 0.046 | 0.045 | 0.047 | 0.049 | 0.047 | 0.047 | ||
| C-D | safety | 0.837 | 0.836 | 0.834 | 0.828 | 0.822 | 0.828 | 0.831 | |
| operation | 0.115 | 0.117 | 0.120 | 0.124 | 0.128 | 0.125 | 0.122 | ||
| environment | 0.048 | 0.047 | 0.046 | 0.048 | 0.050 | 0.048 | 0.048 | ||
| CAV lane roads | A-B | safety | 0.631 | 0.628 | 0.625 | 0.615 | 0.605 | 0.613 | 0.620 |
| operation | 0.309 | 0.313 | 0.318 | 0.327 | 0.335 | 0.329 | 0.322 | ||
| environment | 0.060 | 0.058 | 0.057 | 0.059 | 0.060 | 0.058 | 0.059 | ||
| C-D | safety | 0.710 | 0.708 | 0.706 | 0.696 | 0.688 | 0.695 | 0.701 | |
| operation | 0.229 | 0.232 | 0.236 | 0.243 | 0.250 | 0.245 | 0.239 | ||
| environment | 0.061 | 0.060 | 0.058 | 0.060 | 0.062 | 0.060 | 0.060 | ||
| Intersections & Shared streets | A-B | safety | 0.817 | 0.816 | 0.815 | 0.808 | 0.802 | 0.807 | 0.811 |
| operation | 0.127 | 0.129 | 0.131 | 0.136 | 0.140 | 0.137 | 0.133 | ||
| environment | 0.056 | 0.055 | 0.054 | 0.056 | 0.058 | 0.056 | 0.056 | ||
| C-D | safety | 0.790 | 0.789 | 0.787 | 0.780 | 0.773 | 0.779 | 0.783 | |
| operation | 0.142 | 0.144 | 0.147 | 0.152 | 0.156 | 0.153 | 0.149 | ||
| environment | 0.069 | 0.067 | 0.066 | 0.068 | 0.071 | 0.068 | 0.068 | ||
| Tollgates | A-B | safety | 0.801 | 0.800 | 0.798 | 0.791 | 0.784 | 0.790 | 0.794 |
| operation | 0.144 | 0.147 | 0.150 | 0.155 | 0.159 | 0.156 | 0.152 | ||
| environment | 0.055 | 0.054 | 0.052 | 0.054 | 0.056 | 0.054 | 0.054 | ||
| C-D | safety | 0.782 | 0.781 | 0.780 | 0.772 | 0.765 | 0.771 | 0.775 | |
| operation | 0.152 | 0.154 | 0.157 | 0.162 | 0.167 | 0.164 | 0.159 | ||
| environment | 0.066 | 0.065 | 0.063 | 0.066 | 0.068 | 0.065 | 0.066 | ||
2. 커넥티드 및 자율주행 혼재교통류 통합평가지표 개발 결과
교통류의 안전성을 평가하기 위해 SSM(Surrogate Safety Measure)을 활용하고 이동성을 평가하기 위해 통 행시간과 제어지체 등을 산출할 필요가 있다. 또한, 환경성을 평가하기 위해 배기가스 배출량을 측정할 수 있다. 교통류 최적화에 고려하는 3가지 요소는 측정 단위가 서로 달라 통합평가지표로 개발하기 위해 정규 화(Normalization)가 필요하다. 교통류를 평가하기 위해 요인 별 평가지표는 최대-최소 정규화 방법을 적용하 였으며 식(3)과 같다. 2차에 걸친 설문조사를 기반으로 산출된 AHP 가중치를 결합하고 교통류 최적화를 정 량적으로 평가하는 통합평가지표는 식(4)와 같다.
-
Z : 교통류 최적화 통합평가지표
-
x : 요인 별 평가지표
-
x′: 요인 별 평가지표의 정규화 값
-
w : AHP 가중치(safety: 안전성, operation: 이동성, environment: 환경성)
Ⅴ. 결 론
본 연구는 인프라 가이던스 구간 및 교통 상황에 따른 안전성, 이동성, 환경성에 따른 가중치를 개발하였 다. 서로 상충하는 대안별 가중치를 평가하기 위해 자율주행 및 교통 분야 전문가를 대상으로 AHP를 활용하 였다. 자율주행 차량과 일반 차량 간 주행 특성 간 차이를 고려하기 위한 자율주행 차량의 MPR, 도로 구간 별 특성 차이를 복합적으로 고려하기 위해 2회에 걸쳐 전문가 설문조사를 수행하고 가중치를 도출하였다. 1 차 설문조사를 기반으로 모집단과의 격차, 의사결정권자의 불확실성, 자율주행 차량의 보급률 변화를 복합적 으로 고려한 AHP 가중치와 2차 설문조사를 통해 인프라 가이던스 구간과 서비스 수준을 고려한 AHP 가중 치를 통합하였다. 그다음으로 1~2차 조사의 결과를 통합하여 안전성, 이동성, 환경성 별 가중치를 1대1로 결 합하였다. 마지막으로 커넥티드 및 자율주행 환경에서의 교통류 최적화를 위해 최대-최소 정규화 방법을 활 용하여 통합평가지표를 개발하였다.
1~2차 AHP 가중치를 통합한 결과, 모든 유스케이스 구간 × 서비스 수준 × MPR을 대상으로 효과 척도별 로 평균을 산출한 결과 안전성(0.755), 이동성(0.183), 환경성(0.062) 순으로 가중치가 높게 도출되었다. 서비스 수준을 구분하였을 때 LOS A-B에서는 안전성(0.739), 이동성(0.202), 환경성(0.059)으로, LOS C-D에서는 안전 성(0.754), 이동성(0.181), 환경성(0.065)으로 평균 가중치가 도출되었다. 이는, 교통 혼잡에 따른 주행 쾌적성 을 의미하는 서비스 수준이 하락하였을 때 서비스 수준이 높을 때 보다 안전성 가중치가 증가하고 이동성 가중치가 감소하는 것을 의미한다. 인프라 가이던스 서비스 유스케이스 구간 × 서비스 수준 × MPR 단위로 세분화하여 분석하였을 때 특히, 도로 내 객체 간 상충이 잦은 구간인 분·합류부 및 엇갈림구간, 교차로 및 보차공존도로, 요금소의 경우 다른 구간보다 안전성이 중요하다고 판단되었다. 반면, CAV 전용도로는 다른 유스케이스 보다 이동성이 높게 도출되었다. 서비스 수준과 자율주행차량 보급률을 동시에 고려한 분석결과 는 다음과 같다. LOS A-B × MPR 10% × 분·합류부 및 엇갈림구간은 안전성 가중치(0.841)가 가장 높은 구간 인 동시에 이동성 가중치(0.112)가 가장 낮은 구간이다. 반면, LOS A-B × MPR 50% × CAV 전용도로의 안전 성 가중치(0.605)가 가장 낮은 구간인 동시에 이동성 가중치(0.335)가 가장 높은 구간으로 도출되었다. 본 연 구를 통해 커넥티드 및 자율주행 환경에서 혼재 교통류가 조성된 상태에서 안전성과 이동성이 서로 상충관 계임을 확인하였다.
본 연구의 결과로 도출된 통합평가지표는 인프라 가이던스 구간 내 교통류의 안전성, 이동성, 환경성을 복 합적으로 평가하고 최적 교통류를 조성하기 위한 차량 별 통행 우선권을 부여하는데 활용할 수 있다. 또한, 자율주행 및 혼합 교통류 환경에서 최적 교통류 형성을 위해 도로구간의 특성과 자율주행차 보급률을 동시 에 고려하는 가중치를 산출함으로써 향후 자율주행 환경에서 고려해야 하는 복합 요소를 결합하는 방법론의 기초로 활용될 수 있다. 향후 연구로는 세 가지를 고려해야 할 필요가 있다. 첫 번째, 본 연구에서 제시한 통 합평가지표는 최대-최소 정규화 방법을 활용하였는데 향후 기존 방법론보다 고도화된 MCDM 기반 가치함수 를 기반으로 통합평가지표를 개발할 필요가 있다. 두 번째, 1차 AHP의 가중치는 3가지 AHP 가중치 결과를 1:1:2 비율로 결합한 것으로 교통류 안정화를 위한 최적 비율에 대해 검증 과정이 필요하다. 세 번째, 2회에 걸쳐 수행된 설문조사에서 응답 인원이 서로 달라 AHP 가중치 결과에 영향을 줄 수 있으므로 이를 보정할 수 있는 다양한 결합 비율을 기반으로 검증 및 최적화 연구가 필요하다. 네 번째, 본 연구에서 제시한 통합 평가지표를 활용한 통행 우선권의 효과성에 대한 검증 연구가 필요하다.
