Ⅰ. 서 론

세계적인 고령화와 도시 집중화의 빠른 추세에 따라 자율주행차량(Autonomous Vehicle, 이하 AV) 기술도 급격히 고도화·상용화될 것으로 예상된다. 미국 자동차공학회(Society of Autonomotive Engineers, SAE)에서 제시한 자율주행 단계 중 현재 레벨 4 이상의 고도화된 자율주행(이하 Lv 4+ 자율주행) 기술 개발이 전 세계 적으로 활발히 진행 중이며(National Highway Traffic Safety Administration, 2016), 국내에서도 2027년 완전자 율주행 상용화를 목표로 규제와 인프라 개선, 기술 개발 및 실증 연구가 적극적으로 진행되고 있다.

더불어 AV 안전사고의 예방 및 최소화를 위해 AV 안전성 테스트는 필수적인 단계로 인식된다. 이를 위 해 많은 국가에서 자율주행차량 테스트베드(test-bed)를 구축하여 AV의 안전성을 테스트하고 있다. 미국의 M-City(UMICH, 2023), 일본의 J-town(JARI, 2023), 스웨덴의 AstaZero(AstaZero, 2023) 등 AV 시범 운행에 특 화된 테스트베드가 마련되어 여러 도로 상황과 환경에서 AV의 안전성이 검증되고 있다. 국내에서도 화성의 K-City와 판교, 상암 등의 AV 시범 운행지역에서 AV 성능 및 안전성 평가가 이루어지고 있다(Kim et al., 2021). 이러한 주행 실험과 더불어 AV의 안전성 평가를 위해 AV가 실제 도로에서 직면할 수 있는 다양한 교통 상황을 모방한 AV 테스트 시나리오를 개발하기 위한 연구도 활발히 진행되고 있다. 예를 들어, 독일의 PEGASUS 프로젝트는 AV 평가 시나리오의 개념과 유형을 새롭게 정의하였고(PEGASUS, 2023), 싱가포르의 CETRAN 프로젝트는 67개의 구체적인 시나리오 범주를 도출하였다(CETRAN, 2020). 국내 선행 연구에서는 고속도로 교통사고 데이터를 기반으로 토픽 모델링(topic modeling), 텍스트 가중치 분석(text weight analysis) 등 다양한 방법을 활용하여 AV 테스트 시나리오를 개발하였다(So et al., 2019;Chae et al., 2022).

그럼에도 불구하고, 최근 AV의 실도로 주행이 증가함에 따라 AV 관련 안전사고가 잇달아 발생하면서, AV의 도심 주행 안전성에 대한 우려가 증가하고 있다. 워싱턴 포스트의 연방 데이터 분석에 따르면 테슬라 (Tesla)의 오토파일럿(Autopilot) 도입 이후 약 700건 이상의 충돌 사고가 발생하였으며, 그 중 최소 19건이 사 망사고인 것으로 나타났다(Washington Post, 2023). 미국 제너럴모터스(GM)의 자율주행 자회사 크루즈는 AV 와 보행자의 충돌 사고로 인해 무인 로보택시 운행을 두 달 만에 중단했다(ABC7 News, 2023). 전 세계 주요 자동차제조업체가 완전 자율주행 기술 개발을 위해 힘쓰고 있지만, 실제 복잡한 도로에서는 여전히 현재의 AV 기술이 다양한 위험 상황에 완전히 대응하기는 어려운 실정이다.

위와 같이 Lv 4+ 자율주행을 위해서는 복잡한 도심부 도로에서, 일반차량 및 보행자가 존재하는 복잡한 환경에 대해서도 안전성이 필수적으로 보장되어야 한다. 그러나 복잡한 도심부 주행 환경에서는 다양한 원 인들로 인해 AV의 인지가 제한되거나 저하되는 상황이 불가피하게 발생하게 되는데, 이 경우 AV는 운전자 에게 제어권을 전환하기도 하지만 심한 경우 사고로 이어질 수도 있다. 이와 같은 현상은 차량 내부 센서의 사각지대(blind spot)로 인해 발생하는 인지 실패와는 다르게, 주변 객체나 환경적 요인에 의해 AV의 인지 범 위가 제한되거나 저하된다는 것으로, 본 논문에서는 이를 ‘인지 음영(perceptual blind)’으로 정의하여 구분한 다. 인지 음영은 AV의 카메라나 센서의 결함이나 범위 한계로 인한 인지 실패 문제가 아니라, 자율 주행 중 차량이 인지하지 못하는 주변 영역에서 발생할 수 있는 위험 상황을 의미한다. AV 기술 개발을 통해 차량의 인지 능력을 강화하는 것도 중요하지만, AV가 실제 주행 중 복잡한 주변 환경과 도로교통 상황에 직면할 때 발생할 수 있는 인지 음영을 파악하고, 이러한 인지 음영 상황에 어떻게 대응할 수 있는지 연구하는 것이 필 수적이다. 안전한 Lv 4+ 자율주행을 위하여 최근에는 주변 차량 또는 인프라와의 통신을 통한 인지 공유/증 강(perception sharing/augmentation) 등의 자율협력주행이 새로운 대안으로 떠오르고 있으며(Wang et al., 2020), 자율주행 안전성 테스트 시나리오 개발에도 인지 음영을 고려하기 위한 이니셔티브가 논의되고 있다.

기존의 AV 테스트 시나리오 개발은 Lv 4+ 자율주행 안전성을 평가하기에 여러 가지 한계점을 가지고 있다. 첫째로, 대부분의 선행 연구는 과거 발생한 일반차량의 사고 데이터를 기반으로 AV 테스트 시나리오의 요소를 도출하고, 예상되는 위험 상황을 포함된 시나리오를 개발하였다(So et al., 2019;Ko et al., 2022). 그러나 AV는 일반차량과는 다른 주행 특성을 가지고 있기 때문에(Liu et al., 2021), AV가 일반차량과 혼재하여 주행할 경우 과거에 발생한 일반차량의 사고와 다른 형태의 사고 유형이 나타날 것으로 예상된다. 따라서 AV 도심 내 주행 안전성 평가의 신뢰성을 확보하기 위해, AV와 일반차량이 혼합된 도로에서 발생한 실제 AV 사고 데이터를 활용하는 방안이 제시되어야 한다. 둘째로, 선행 연구로 도출된 AV 테스트 시나리오는 AV가 신호 교차로 등 의 복잡한 도심부 주행 시 발생할 수 있는 인지 음영을 충분히 고려하고 있지 않다. 대부분의 연구는 첨단 운전자 보조 시스템(Advanced Driver Assistance System, ADAS) 등 AV 주행의 기능적 요소에 초점을 맞추어 테스트를 진행하였다. Lv 4+ 자율주행의 도입을 위해서는 급격한 교통 상황 변화나 물리적 제한으로 인한 시 야 방해 등으로 AV의 인지 능력이 제한되어 위험 상황이 발생하는 인지 음영의 상황이 반드시 고려되어야 하며, 이를 고려한 AV 테스트 시나리오가 구체적으로 개발되어야 한다.

이에 본 연구는 인지 음영을 고려한 Lv 4+ 자율주행을 위한 테스트 시나리오를 개발하기 위한 첫 단계로 서, 일반차량과 다른 AV의 거동 및 사고 유형을 이해하고, 도심 지역에서 인지 음영으로 인해 발생할 수 있 는 위험 상황에 대한 분석을 수행한다. 분석을 위해 미국 캘리포니아 차량관리국(Department of Motor Vehicles, 이하 DMV)에서 제공하는 자율주행차량 주행 기록 데이터를 활용하여 AV 사고 행태와 특성을 파 악하고 인지 음영 사례를 도출한다.

Ⅱ. 관련 연구 고찰

본 연구는 Lv 4+ 자율주행 테스트 시나리오를 개발하기 위해 AV의 사고 형태를 파악하고 인지 음영을 고 려한 위험 사례를 분석하는 데 중점을 두고 있다. 최근 AV 기술 발전과 함께 실증 연구가 더 많이 이루어지 면서, AV 테스트 시나리오 개발 연구가 활발히 진행되고 있다. AV 테스트 시나리오 개발은 크게 AV의 사고 특성을 분석하는 연구와 AV 운행 시 발생하는 제어권 전환을 분석하는 연구와 밀접한 관련이 있다. AV 사 고 특성 분석 연구는 AV 교통사고 데이터를 활용하여 AV 운전 거동을 고려한 사고의 형태와 원인을 파악 하는 것에 초점을 맞춘다. AV 제어권 전환 분석 연구는 AV의 주행 안정성(stability)을 높이기 위해 AV가 실 도로 주행 중 발생한 제어권 전환 원인의 유형을 분석하고 제어권 전환 상황 내 AV의 한계점을 도출한다. 그러나 Lv 4+ 자율주행 테스트 시나리오 개발 목표에 맞추어 AV 사고 특성과 제어권 전환을 분석한 연구는 아직 부족한 실정이다.

이 절에서는 AV 사고 데이터 기반으로 한 AV 사고 특성과 제어권 전환 원인 유형을 분석한 선행 연구를 살펴보며, Lv 4+ 자율주행 테스트 시나리오 개발을 목표로 수행된 본 연구과 이전 연구와의 차별성을 제시 한다.

1. AV 사고 특성 분석 연구

Favarò et al.(2017)은 2014년부터 2017년까지의 DMV의 AV 교통사고 데이터를 기반으로 AV 교통사고의 빈도, 동향, 그리고 피해 분석을 종합적으로 수행하였다. 분석 결과, AV 사고 중 62%는 후측방 사고로 발생 하며, 주행거리(Vehicle Miles Traveled, VMT)와 사고 빈도 간에 밀접한 상관관계가 있음이 나타났다.

Petrović et al.(2020)은 2015년부터 2017년까지 발생한 AV 교통사고를 분석하여 AV 사고 유형과 원인을 도출하였다. 동일 지역의 일반차량 교통사고 데이터와의 통계적 비교 분석을 통해 AV 사고와 일반차량 운 전자의 행동 관계를 파악하였다. 분석 결과, AV 교통사고에서는 ‘후방 충돌’ 유형이 주로 발생하였으며, 보 행자 충돌, 측면 충돌 유형의 경우는 상대적으로 적었다. 또한, AV 사고를 유발하는 일반차량의 운전자 실수 는 ‘안전하지 않은 속도(unsafe speed)’와 ‘너무 가까이 따라가기(following too closely)’로 판단되었다.

Park et al.(2021)은 2019년부터 2020년까지 발생한 AV 교통사고를 텍스트 임베딩 기법을 이용하여 분석하 였다. 결과적으로 범퍼(bumper), 후방(rear), 교차로(intersection) 등이 높은 빈도의 주요 키워드로 도출되었으 며, 이를 통해 AV 교통사고의 주요 객체와 발생 위치 등을 파악하였다. 또한, AV가 다른 차량에 의해 추돌 되거나 측면에서 충돌하는 경우가 사고 사례의 주를 이루고 있음을 발견하였다.

Sinha et al.(2021)은 2014년부터 2019년까지의 DMV AV 사고 보고서를 기반으로 AV 교통사고를 분석하 고, AV 충돌 심각도에 대한 모델을 개발하였다. 분석 결과, 교차로의 기하구조, 신호 상태와 같은 도로 인프 라 요소가 사고 심각도에 중요한 영향을 미치며, 사고 차량 간 상대 속도도 심각도를 예측하는 데 중요한 설 명 변수임을 제시하였다.

Kim and Kim(2023a)은 DMV 사고 보고서와 구글맵의 공간적 데이터를 활용하여 자율주행차 사고에 영향 을 미치는 공간적 요소를 분석하였다. 통계분석과 텍스트 임베딩 기법으로 분석한 결과, 노상 주차된 차량, 자전거 및 버스 전용차로, 버스 정류장의 존재 여부가 자율주행차의 사고 심각도에 큰 영향을 미치는 것을 제시하였다.

Kim and Kim(2023b)은 AV 사고 레포트의 교통사고 정보, 구글 어스(Google Earth)의 공간 정보, 센프란시 스코 교통국의 교통 정보 데이터를 수집하여 AV 사고심각도 모델을 개발하였다. 제시된 모델을 통해 조도 가 낮을수록, 자전거 또는 버스 전용차로가 존재할 때, 보행자와 자전거 사고 이력(건수)이 많은 지역일수록 자율주행차 사고심각도가 증가하는 것을 확인하였다.

2. AV 제어권 전환 분석 연구

‘제어권 전환(disengagement)’이란 AV 주행 중 자율주행 시스템이 해제되는 상황을 일컫으며, 이는 자율주 행 시스템이 위험을 감지하고 판단하여 운전자에게 제어를 양도하는 경우와 운전자가 의도적으로 개입하여 자율주행 모드를 변경하는 경우로 나뉜다.

Lv et al.(2017)은 2016년 7개 AV 제조업체가 제출한 DMV 제어권 전환 보고서를 분석하여 제어권 전환 상황 특성과 원인, 그리고 제어권 전환의 메커니즘을 도출하였다. 이 연구에서는 수동적 제어권 전환(Passive Disengagement, PDE)와 능동적 제어권 전환(Active Disengagement, ADE)으로 데이터를 분류하고, 제조업체 간 제어권 전환 메커니즘과 전환 시간을 비교하였다. 분석 결과, 소프트웨어 문제로 인한 제어권 전환이 주로 발생하였다.

Feng et al.(2020)은 2019년 DMV 제어권 전환 보고서를 기반으로 제어권 전환 원인과 시나리오를 분류하 였다. 본 연구에서는 제어권 전환 원인을 ‘지도 및 위치’, ‘인지’, ‘계획 및 의사결정’, ‘시스템 과부하’, ‘설계 되지 않은 교통 환경’, ‘날씨 영향’으로 분류하고, 제조업체와 도로 유형 등에서 이를 비교 분석하였다. 분석 결과, ‘계획 및 의사결정’이 가장 취약한 링크로 제어권 전환이 주로 일어나는 시나리오임을 나타내었다.

Boggs et al.(2020)은 2014년부터 2018년까지 발생한 제어권 전환 데이터를 수집하여 제어권 전환 원인을 분류하고, 자율주행 시스템(Autonomous Driving System, ADS)에 의한 제어권 전환과 운전자에 의한 제어권 전환을 비교하였다. 결과에 따르면, ADS로 인한 제어권 전환은 주로 계획 및 하드웨어/소프트웨어 불일치 문제로 발생하며, 고속도로보다 상호 작용이 많은 도심부 도로에서 제어권 전환이 주로 발생하였다. 또한, 시스템 성숙도가 높아질수록 ADS로 인한 제어권 전환 가능성이 높아질 것으로 전망되었다.

3. 본 연구의 차별성

DMV AV 사고 데이터를 활용한 기존 연구들 대부분은 Lv 4+ 자율주행 테스트 시나리오 개발에 부적합한 측면이 있다. 대부분의 연구가 AV 충돌 리포트의 충돌 부위나 충돌 전 움직임 항목을 기반으로 사고 유형을 분류하였지만, 이러한 방식으로는 사고 시 AV 행동을 명확하게 이해하기 어렵다. 본 연구에서는 사고 데이 터의 충돌 부위, 충돌 직전의 움직임, 사고 설명 등의 다양한 정보를 종합하여 AV 사고가 발생한 교통 상황 을 구체적으로 분석한다. 이를 통해 사고 발생 유형을 새롭게 분류하고 자율주행 모드로 사고 특성을 비교하 여 AV의 차별적인 사고 특성을 분석한다.

AV 제어권 전환 데이터를 활용한 선행 연구들 대다수는 주로 제어권 전환 유형을 분류하고, 제조업체와 도로 유형 등의 특정 기준으로 제어권 전환 빈도를 비교하는 데 집중하였다. 그러나 Lv 4+ 자율주행 테스트 시나리오 개발에는 복잡한 도심부 주행을 반드시 포함되어야 하며, 데이터를 기반으로 불가피한 인지 음영 시나리오를 파악하고 이에 대비하는 것이 필요하다. 따라서, 본 연구는 주요 키워드로 제어권 전환 유형을 분류하고, 인지 관련 제어권 전환 사례 중 세부 설명을 검토하여 인지 음영의 유형과 구체적인 사례를 도출 하였다. 본 연구에서 제시된 AV 주행 특성을 고려한 AV 사고 유형 분석과 제어권 전환 데이터 기반 인지 음영의 유형 정의 및 사례 조사는 이전 연구와 차별되는 새로운 시도로, Lv 4+ 자율주행 테스트 시나리오 개발의 중요한 기초 자료를 제공할 것으로 사료된다. 더 나아가, 이는 Lv 4+ AV의 도심부 주행 안전성 및 효율성 향상을 위한 중요한 초석으로 작용할 것이다.

Ⅲ. 연구 방법

1. 분석 데이터 - DMV 자율주행차량 주행 기록 데이터

미국 캘리포니아주는 2014년부터 일반도로에서 AV를 운행하는 프로그램을 시행하고 있다. 2022년에는 웨 이모(Waymo), 크루즈(Cruise), 애플(Apple), 벤츠(Benz) 등 26개의 업체에서 총 1,553대의 자율주행이 등록되었 고, 이 중 1,081대의 차량이 평가에 사용되었다(Kim and Cho, 2023). 프로그램 운영 규칙에 따라 AV 운행사 는 교통사고 발생 시 10일 이내로 자율주행차량 충돌 리포트(Autonomous Vehicle Collision Report)를 제출해 야 한다(CA DMV, 2023a). 또한, 업체별로 AV 평가 데이터를 종합하여 매년 1월 1일까지 DMV에 차량 기본 정보, 등록 및 운행 대수, 주행거리 등이 포함된 ‘주행거리 데이터’와 AV의 제어권 전환의 상세 정보가 포함 된 ‘제어권 전환 데이터’를 DMV에 보고해야 한다(CA DMV, 2023b). 본 연구에서는 DMV AV 충돌 리포트를 통해 AV 교통사고 데이터를 수집하여 AV 사고 형태를 분석하고, DMV 제어권 전환 리포트를 통해 제어권 전환 원인 유형을 분류하고 인지 음영 사례를 분석한다.

1) AV 교통사고 데이터 – Collision report

AV 충돌 리포트에는 사고 발생 날짜, 차량 제조사, 사고에 관계된 대상(차량, 자전거, 보행자 등), 충돌 부 위, 충돌 직전의 주행 상태, 자율주행 모드 활성화 여부 등의 정보가 포함되어 있다. 특히, 사고 상황에 대한 비정형 텍스트 데이터로 조사관이 직접 작성한 ‘사고 상세 설명(Accident Details Description)’ 항목도 존재한다 (Lee et al., 2023). 본 연구에서는 2019년부터 2023년까지 총 518건의 AV 사고 데이터를 분석에 활용하였다.

2) AV 제어권 전환 데이터 – Disengagement Report

DMV 규정에 따르면, 제어권 전환은 자율주행 시스템에 오류가 발견되었거나 차량의 안전한 제어를 위해 운전자가 즉시 개입하여 차량 제어권을 가져가기 위해 자율주행 모드를 해제시키는 것을 의미한다. 제어권 전환 리포트에는 고속도로, 도심 도로, 교차로 등 제어권 전환이 발생한 도로 유형을 제시해야 하며, 제어권 전환 발생 원인을 설명해야 한다. 이때 도로 및 교통 상황, 긴급 상황 등을 전문용어를 사용하지 않고 일반 인들도 이해할 수 있는 수준으로 문장 형태로 작성해야 한다. 따라서, 업체별 다양한 단어와 형식으로 제어 권 전환 원인이 제시되어 있다. 또한, 당시 제어권을 양도받을 운전자의 여부와 제어권 전환을 시킨 주체(시 스템, 백업 운전자, 원격 오퍼레이터 또는 탑승자 등)가 누구인지 명시해야 한다. 제어권 전환 리포트에 정리 된 데이터의 예시를 <Table 1>로 나타내었다.

제어권 전환 리포트를 통해 AV가 주행 중 인지 음영으로 인해 발생한 위험(준사고) 상황에 대한 정보를 수집할 수 있다. 따라서, 본 연구에서는 제어권 전환 데이터를 분석하여 AV의 도심부 주행 시 인지 음영으 로 제어권 전환을 수행한 사례의 유형을 파악하고 분류하였다. 분석을 위해 2019년부터 2022년까지의 제어 권 전환 리포트를 활용하여 총 24,190건의 제어권 전환 사례를 분석 대상으로 선정하였다.

2. 연구의 범위 및 절차

본 연구의 공간적 범위는 미국 캘리포니아주 내에서 AV가 주행할 수 있는 모든 유형의 도로로, 고속도로, 도심부 도로, 교차로, 생활권 도로 등을 모두 포함한다. 이는 DMV AV 주행기록 데이터의 공간적 범위에 해 당한다. 시간적 범위는 AV 교통사고 데이터의 경우 2019년 1월부터 2023년 8월까지, 제어권 전환 데이터의 경우 2019년 1월부터 2022년 11월까지로 구성되어 있다.

본 연구는 AV 교통사고 데이터를 통해 충돌 대상에 따라 사고 유형을 분류하고, 차대차사고 중 도로 유 형, 충돌 전 움직임에 따라 구체적 사고 유형을 분류하였다. 자율주행 모드(autonomous mode) 활성화 여부로 AV와 일반차량의 사고 빈도 및 특성을 비교하였다. 인지 음영 사례를 파악하기 위해 AV 제어권 전환 데이 터를 제어권 전환 발생 원인의 대표 키워드로 분류하고, 그중에서도 인지 유형의 제어권 전환으로 분석 범위 를 좁혀 인지 음영에 대한 구체적인 사례를 도출하였다. 연구의 프레임워크는 <Fig. 1>와 같다.

<Fig. 1>

Research Framework

3. 연구의 구체적 분석 방법

1) 데이터 수집 및 전처리

앞서 수집된 AV 교통사고 데이터 518건에 대하여 자율주행 모드의 활성화 여부에 따라 ‘Auto 모드’ 275건 (53.1%), ‘Manual 모드’ 243건(46.9%)으로 분류하였다. 자율주행 모드는 시스템에 의해 차량이 제어되는 상태 를 의미하며, 본 연구에서는 AV 시스템이 스스로 주행하는 경우를 ‘Auto 모드’, 운전자 개입이나 시스템 제 어가 어려운 경우 등을 ‘Manual 모드’로 구분하였다.

AV 제어권 전환 데이터 경우, 분석을 용이하게 하기 위해 데이터 전처리 작업을 수행하였다. 데이터 분석 결과, 각 AV 제조업체는 자체 정의한 오류 코드와 방식으로 제어권 전환 원인을 기록하였다. 특히, 같은 제 조업체 내에서 동일한 상황이나 원인에 의한 제어권 전환이 일어난 경우, 이는 일관된 문장으로 기록되는 것 을 확인하였다. 따라서, 중복되는 사례들을 통합하여 분석하기 전에 데이터에서 중복 사례를 하나로 묶었다. 그 결과, 총 1,414개의 다양한 제어권 전환 원인 유형을 식별할 수 있었다. 제시된 데이터를 통해 제어권 전 환 원인을 분류하고 해당 유형의 발생 빈도를 함께 조사하였다.

2) AV 교통사고 형태 분석 방법

AV 교통사고 유형은 충돌 대상에 따라 ‘차대차사고(Vehicle-to-Vehicle)’, ‘차대이륜차사고(Vehicle-to-Cycle)’, ‘차대사람사고(Vehicle-to-Person)’, ‘단독사고(Vehicle-Alone)’으로 분류하였다. 차대차사고는 AV와 일반차량 간의 충돌을 나타내며, 분석된 데이터에 따르면 AV 간 충돌 사고는 보고 되지 않았다. 차대이륜차사고는 AV와 자전거, 오토바이, 개인형이동장치(Personal Mobility, PM) 등과 충돌한 사고를 포함한다. 차대사람사고 는 AV와 보행자 간의 충돌을 의미하며, 주로 횡단보도가 있는 교차로에서 많이 발생하였다. 단독사고는 AV 가 주변 정적 구조물과 충돌하거나, 장애물 또는 포트홀에 인해 발생한 사고를 의미한다.

충돌 대상에 따라 분류된 1차 사고 유형 중 차대차사고 유형에서 주행 도로의 형태, 충돌 전 움직임(movement preceding collision)에 따라 AV 교통사고 형태를 ‘Case 1’부터 ‘Case 10’까지 10가지 유형으로 2차 분류하였다. ‘Case 1’부터 ‘Case 4’는 단방향 단일차로에서 발생한 차대차사고로, ‘Case 1’은 일반차량이 AV를 추돌한 경우, ‘Case 2’는 AV가 일반차량을 추돌한 경우, ‘Case 3’은 일반차량이 후진하여 뒤의 AV를 충돌한 경우, ‘Case 4’는 AV가 후진하여 뒤의 일반차량을 충돌한 경우를 나타낸다. ‘Case 5’와 ‘Case 6’은 단반향 다중차로에서 발생한 차대차사고로, 주로 차로 변경 중에 사고가 발생하였다. ‘Case 5’는 일반차량이 AV가 있는 차로로 이동하거나 AV를 추월하다가 발생한 사고이며, ‘Case 6’은 AV가 일반차량이 있는 차로로 차로 변경 중에 발생한 사고이다. ‘Case 7’과 ‘Case 8’은 교차로 통행 중 발생한 차대차사고로, ‘Case 7’은 일반차량이 교차로 통행 중인 AV를 충돌한 경우, ‘Case 8’은 AV가 교차로 통행 중인 일반차량을 충돌한 경우를 나타낸다. ‘Case 9’는 AV와 일반차량이 마주보고 충돌한 사고이며, ‘Case 10’은 위에 제시된 사고에 분류되지 않은 기타 유형을 포함하였다. 이러한 사고 유형 분류는 사고 부위 위주로 사고 유형을 분류하는 기존 체계보다 더욱 구체적인 사고 상황과 사고 발생 시 AV의 행동에 대한 정보를 제시할 수 있어 AV 사고 형태 분석에 매우 용이하였다. 본 연구에서 분류한 AV 사고 유형 종류는 <Fig. 2>으로 도식화하였다.

<Fig. 2>

Categories of AV Accident Types

3) AV 제어권 전환 원인 분류 및 인지 음영 사례 분석 방법

선행 연구 고찰 및 데이터 분석을 통해 제어권 전환 원인을 구별할 수 있는 대표적인 키워드를 도출하였다. 본 연구에서는 ‘제어(Control)’, ‘환경(Environment)’, ‘계획(Planning)’, ‘인지(Perception)’, ‘하드웨어(Hardware)’, ‘시 스템 및 소프트웨어(System and Software)’, ‘지도 및 위치(Map and Position)’, 7가지 키워드를 제시하여 제어권 전환의 원인을 1차 분류하였다. 이 중 인지 음영과 관계된 사례가 주로 포함되는 ‘인지’ 유형의 제어권 전환 원인으로 범위를 좁혀 분석을 수행하였다. ‘인지’ 유형에 해당되는 제어권 전환 원인을 ‘인지 후 대처’, ‘인지 지연’, ‘오인지’, ‘인지 부족’, ‘원인 불명’으로 2차 분류하였다. 마지막으로 ‘인지 부족’ 유형에 해당되는 제어권 전환 원인을 세부 분석하여 인지 음영의 유형과 구체적인 사례를 도출하였다. AV 제어권 전환 원인 분류 및 인지 음영 사례 분석 과정을 요약하여 <Fig. 3>로 나타내었다.

<Fig. 3>

Classification of AV Disengagement Causes and Analysis of Blind Area Scenarios

Ⅳ. 분석 결과

1. AV 교통사고 형태 분석 결과

사고에 관계된 객체를 기준으로 1차 분류된 사고 유형을 Auto 모드와 Manual 모드로 나누어 사고 비율을 비교한 결과를 <Fig. 4>에 나타내었다. 각 사고 유형의 빈도를 모드별 사고 건수(Auto 모드 275건, Manual 모 드 243건)로부터의 비율(%)로 제시하여 비교하였다. 분석 결과, AV 교통사고는 차대차사고의 비율이 월등히 높으며, 단독사고, 차대이륜차사고, 차대사람사고 순으로 발생률이 낮은 것으로 나타났다. 이는 AV의 주행 알고리즘이 안전 운전 의무를 엄격히 준수하고, 일반차량보다 더 보수적인 판단으로 주행하도록 설계되어 있기 때문으로 해석된다. 또한, AV의 단독사고 비율이 낮은 것은 정적 객체와의 충돌 회피가 효과적으로 이 루어진 결과로 예상된다. 그러나, 차대차 사고의 비율은 높게 나타났으며, 특히 차대차사고의 세부 유형 분 석을 통해 Auto 모드의 사고 비율이 Manual 모드의 사고 비율보다 높은 이유에 대한 해석이 가능할 것으로 판단된다.

<Fig. 4>

Rates for Different Types of AV Accidents (Primary Classification)

AV와 일반차량의 차대차사고에 대한 세부 사고 유형 분석 결과는 <Fig. 5>에 제시되었다. 이 분석에서도 Auto 모드와 Manual 모드로 나누어 사고 비율을 비교하였다. 또한, 각 모드별 사고 비율 간에 통계적으로 유 의미한 차이가 있는지 파악하기 위해 피어슨 파이제곱 검정(Pearson Chi-Square Test)을 수행하였다. 이는 관 찰된 빈도가 기대되는 빈도와 유의하게 다른지를 검증하는 통계적 방법으로 본 연구에서는 두 모드 간 독립 성 검정을 시행하였다(유의 수준은 0.05로 설정하였다). 추가로, 표본 수가 5 이하인 경우에는 피셔 정확 검 정(Fisher’s Exact Test)을 시행하여 유의미한 빈도 차이를 확인하고자 하였다.

<Fig. 5>

Results for Different AV Vehicle-to-Vehicle Accident Cases (Secondary Classification)

피어슨 파이제곱 검정 및 피셔 정확 검정 결과, ‘Case 1’, ‘Case 2’, ‘Case 4’, ‘Case 5’, ‘Case 7’, ‘Case 8’에서는 자율주행 모드에 따른 사고 빈도가 통계적으로 유의미한 차이가 있음(p<0.05)을 확인하였다. 반면, ‘Case 3’, ‘Case 6’, ‘Case 9’, ‘Case 10’은 두 모드 간의 사고 빈도에 통계적으로 유의미한 차이가 없음을 확인할 수 있었다. 이에 대한 해석으로, ‘Case 1’의 경우, 모드 간의 비율 차이가 극명한 것은 AV가 Auto 모드에서 주변 교통 흐름보다 낮은 속도로 주행하거나, 약간의 돌발 상황에도 급하게 정지하거나 속도를 줄임으로써 후행 일반차량이 AV의 거동을 예측하지 못해 발생한 것으로 판단된다. ‘Case 5’의 Auto 모드에서 ‘Case 1’과 마찬가지로 저속의 AV를 추월하거나 피하기 위해 차로 변경하는 일반차량이 AV의 돌발 행동을 예측하지 못하고 충돌을 일으킨 것으로 나타났다. ‘Case 7’에서 Auto 모드가 Manual 모드보다 사고 비율이 높게 나타난 것은 AV가 교차로를 통행할 때 신호 위반 차량을 인지하지 못하고 그대로 주행하여 충돌한 사고가 많은 것으로 확인되었다. 이는 AV가 주변 객체의 움직임을 빠르게 인지하지 못하거나 예측하지 못해 발생한 사고에 해당한다. 통계적으로 Manual 모드가 유의미하게 높은 사고 비율을 차지하는 사고 유형인 ‘Case 2’ ’Case 4’, 그리고 ‘Case 8’은 모두 AV가 사고의 주체(가해차량)가 되는 경우에 해당된다. 이는 AV가 안전 운전 의무를 반드시 준수하도록 설계되었기 때문에 사고 발생 이전 제어권이 전환되는 경우가 많은 것으로 해석된다.

분석 결과를 종합적으로 살펴보면, AV는 일반차량과는 다른 사고 형태를 보이고 있다. AV는 주변 환경의 변화나 돌발 상황에 민감하게 대응하여 충돌을 최대한 회피하려는 경향이 있다. 따라서 AV가 사고의 주체 가 되는 경우는 드물며, 충돌이 발생하기 전에 제어권이 전환되는 것을 확인하였다. 그러나, AV의 보수적인 운전 행태로 인한 급정거나 감속 등이 주변 일반차량에게 예측되지 않아 AV와 일반차량 간의 충돌이 빈번 히 발생하는 것으로 나타났다. 이러한 결과는 AV의 보수적인 주행 거동과 주변 일반차량과의 상호작용을 종합적으로 고려하는 것이 Lv 4+ 자율주행 테스트 시나리오 개발의 중요한 이슈임을 보여준다. 이러한 설계 과정은 미래 AV 도로 주행 안전성 향상에 긍정적인 영향을 미칠 것으로 판단된다.

2. AV 제어권 전환 원인 분류 및 인지 음영 사례 분석 결과

중복을 제외한 1,414개의 제어권 전환 원인을 7가지 키워드로 분류한 결과를 <Table 2>로 나타내었다. 가 장 많은 제어권 전환 사례는 ‘계획’ 유형으로, 526가지 원인이 있으며, 총 8,784건(36.31%)의 제어권 전환이 발생하였다. 이는 차로 이탈, 경로 계획의 불일치 등으로 인한 위험 상황을 예방하기 위한 경우뿐만 아니라, 주변 교통 상황을 고려하여 원활한 교통 흐름을 유지하지 위한 제어권 전환 사례도 포함되었다. 그 다음으로 많은 제어권 전환 사례는 센서 데이터 오류, 알고리즘 결함 등이 포함된 ‘시스템 및 소프트웨어’ 유형으로, 98가지 원인이 있으며, 총 3,224건(13.33%)으로 집계되었다. AV의 인지 능력과 관련된 ‘인지’ 유형의 제어권 전환 사례는 285가지의 원인이 있으며, 1,890건의 전환 사례로 전체에서 약 7.81%를 차지하였다. 이는 AV가 장애물과 교통 상황을 정확하게 인지하지 못해 잘못된 판단을 내리거나 제어권을 양도하는 경우를 포함하고 있다.

‘인지’ 유형의 제어권 전환 사례를 세부 유형으로 2차 분류한 결과는 <Table 3>으로 나타내었다. 구체적인 상황 설명이 기재되지 않은 ‘원인 불명’ 유형의 제어권 전환 원인 데이터는 분석 대상에서 제외하였다. 분류 된 ‘인지’ 유형의 제어권 전환 원인 중 AV가 인지를 성공한 경우는 ‘인지 후 대처’, ‘인지 지연’, ‘오인지’로 구분되었으며, 인지에 실패한 경우는 ‘인지 부족’으로 분류되었다. ‘인지 후 대처’ 유형의 제어권 전환은 AV 가 다가오는 차량 또는 보행자로부터 충돌 위험을 감지하고 비상 정지하거나 운전자에게 제어권을 요청한 경우를 포함하며, ‘인지’ 유형의 제어권 전환 원인 중 가장 높은 비율(13.81%)을 보였다. ‘인지 지연’ 유형의 제어권 전환은 AV가 장애물을 늦게 인지하여 스스로 반응하지 못해 운전자의 개입이 필요한 경우로 AV의 제어 또는 의사결정 문제와 밀접한 관련이 있다. ‘오인지’ 유형의 제어권 전환은 교통 신호를 잘못 인식하거 나 표지판을 보행자로 감지하는 등 인지 대상을 혼동하여 발생한 제어권 전환 사례가 포함된다. ‘인지 부족’ 유형의 제어권 전환은 AV가 장애물 등을 다양한 이유로 인지하지 못해 위험 상황이 예상되는 경우를 나타 내며, 대부분 인지 음영과 관련되었다. 따라서, 본 연구에서는 ‘인지 부족’으로 분류된 제어권 전환 사례의 상세 설명을 분석하여 현재까지 AV가 주행 중 겪은 인지 음영의 발생 사례를 도출하고자 하였다.

분석 결과, DMV 제어권 전환 리포트로부터 도출된 인지 음영 사례는 크게 3가지로 분류되었다. 인지 음 영으로 인한 제어권 전환 원인 유형과 구체적인 사례를 정리하여 <Table 4>로 나타내었다. 분석된 인지 음영 의 유형은 ‘센서 시야 또는 AV가 인지할 수 있는 범위 외 영역의 물체를 인지하지 못한 경우’, ‘장애물이 AV 시야를 차단하여 폐색(occlusion)이 발생한 경우’, ‘카메라 또는 센서에 직접적인 영향으로 인지 능력이 저하된 경우’로 분류되었다.

제시된 인지 음영 사례들을 종합해본 결과, AV가 주행 중 겪을 수 있는 인지 음영은 주로 도심부에서 많 이 발생하며 지형 또는 특정 장애물로 인해 인지 범위가 제한 또는 저하되는 경우가 많았다. 뿐만 아니라, 교통 체증으로 생긴 주변 차량으로 인한 음영 지역 발생, 교차로 내 큰 화물차로 시야가 가려져 신호등을 인 지하지 못하는 등 동적 환경 변화로 인한 인지 음영 사례가 존재하였다. 이러한 다양한 원인의 제어권 전환 사례들은 AV가 인지하지 못한 장애물 또는 상황으로 인해 자율주행을 지속할 수 없는 인지 음영이 발생하 였음을 시사한다. 따라서 Lv 4+ 자율주행 테스트 시나리오 개발 시에는 도심부 및 다양한 지형에서 발생할 수 있는 인지 음영 상황을 고려하여 AV의 효과적인 대응 및 안전한 판단이 이루어질 수 있도록 구체적으로 제시되어야 한다. 특히, 동적인 교통 상황에서의 AV의 인지 능력을 향상하기 위해 추가적인 센서 기술 및 주변 차량, 인프라의 통신 활용 등의 다양한 인지 음영 해소 전략을 개발하는 것이 중요하다.

Ⅴ. 결 론

AV 기술이 발전하면서 실제 복잡한 도로에서의 자율주행이 가능해졌지만, 여전히 완전한 자율주행을 수 행하는 데 어려움이 있다. 특히, AV의 인지 범위 또는 능력이 제한되는 ‘인지 음영’이 발생하여 AV가 정확 한 판단을 할 수 없어 제어권 전환을 요청하거나 운전자가 개입되는 상황이 주로 발생하고 있다. 따라서, AV의 실도로 주행을 위한 테스트 시나리오를 개발하기 위해서는 인지 음영으로 인한 위험 상황을 파악하고 구체화하는 것이 중요하다. 본 연구는 인지 음영을 고려한 Lv 4+ 자율주행을 위한 테스트 시나리오 개발의 첫 단계로서 AV 교통사고 형태를 분석하고 인지 음영으로 발생하는 위험 상황 유형을 조사하였다. 미국 캘 리포니아 DMV에서 제공하는 AV 충돌 리포트와 제어권 전환 리포트로부터 데이터를 수집하여 분석에 활용 하였다. 먼저, AV 교통사고 데이터를 차대차사고의 구체적인 세부 유형으로 분류하고, 자율주행 모드를 고 려하여 사고 유형별 AV 사고의 특성과 일반차량 사고와의 차별점을 파악하였다. 분석 결과, AV의 안전 운 전 기동으로 인해 AV가 사고 주체가 되는 경우는 상대적으로 적은 반면, 예상치 못한 AV 행태는 뒤따르는 일반차량의 추돌을 빈번하게 야기하는 것을 알 수 있었다. 다음으로는 AV가 겪은 인지 음영 사례 유형을 분 석하기 위해 제어권 전환 원인 데이터를 7가지 키워드로 1차 분류하였고, 이 중 AV의 인지 능력과 관련된 ‘인지’ 유형의 제어권 전환 원인을 2차 분류하였다. ‘인지 부족’에 해당하는 제어권 전환 사례를 분석하여 인 지 음영을 3가지 유형으로 분류하고, 각 유형별 구체적인 사례를 도출하였다. 분석 결과, 인지 음영은 ‘센서 시야 또는 AV가 인지할 수 있는 범위 외 영역의 물체를 인지하지 못한 경우’, ‘장애물이 AV 시야를 차단하 여 폐색이 발생한 경우’, ‘카메라 또는 센서에 직접적인 영향으로 인지 능력이 저하된 경우’로 분류되었으며, 주로 도심부에서 다양한 원인으로 발생하는 것을 알 수 있었다.

본 연구는 기존의 연구들과 유사하게 DMV에서 제공하는 데이터를 활용해 사고 형태와 제어권 전환 사례 를 분석했지만, AV의 거동을 파악할 수 있는 구체적인 사고 유형 분류를 통해 일반차량과 차이가 나는 AV 의 사고 특성을 도출하였고, 인지 음영 관점에서 제어권 전환 원인을 해석하고 인지 음영의 유형과 사례를 분석한 첫 번째 시도라는 점에서 선행 연구와의 차별성을 가진다. 그리고 이러한 관점은 향후 Lv 4+ 자율주 행의 도입을 위한 테스트 시나리오 구축에 매우 중요하다. 향후 후속 연구에서는 연구의 최종 목표에 따라, 본 연구의 결과를 토대로 AV 사고 특성과 인지 음영이 충분히 고려된 Lv 4+ 자율주행의 테스트 시나리오 개발을 진행할 계획이다. 본 연구의 결과 기반의 AV 테스트 시나리오 개발 연구 프레임워크를 제시하면 <Fig. 6>과 같다. AV 사고 데이터 분석 결과는 AV의 보수적인 운전 행태로 인한 위험 상황을 고려하여 AV 테스트 시나리오를 개발하는 데 중요한 참고자료가 될 것이다. AV 제어권 전환 데이터 분석을 통해 도출된 인지 음영 사례는 실제 AV의 주행 중 발생한 제어권 전환에 기반으로 하며, 이는 높은 신뢰성을 보장한다. 이를 통해 AV가 도심부 주행 중 겪을 수 있는 인지 음영 기반 위험 상황을 보다 다양하고 구체적으로 설계 할 수 있다. 이러한 AV 테스트 시나리오는 상황별 인지 음영을 해소하는 새로운 전략을 마련하는 데 기초가 될 것이다.

<Fig. 6>

Contributions and Future Research Framework