Ⅰ. 서 론

기존의 교통사고 분석은 차대차, 차대보행자, 차대자전거 등 동적 객체에 대한 움직임을 표현하고 충돌 후 거동을 분석하는 방식으로 수행되고 있다. 따라서 교통사고 분석을 위한 프로그램은 동적 객체의 가속과 감 속, 조향 또는 경로를 입력하는 기능으로 구성되며, 차량의 충돌 속도와 자세에 따른 속도 및 각도의 변화를 얼마나 정확히 계산하는가에 따라 성능이 결정되었다. 기존의 교통사고 분석 프로그램은 차량 충돌이 발생 해야 사고로 간주하는 관점에서 개발되었다. 이러한 접근 방식은 자율주행차량 사고 분석에 필요한 기능을 제대로 제공하지 못하는 것으로 판단된다. 자율주행차량의 상용화를 앞둔 시점이다. 따라서 자율주행차량에 서 발생 가능한 사고를 미리 예측하고, 이에 대한 분석을 위해 필요한 요소들을 정의하기 위한 사전 연구가 필수적이다. 자율주행차량 사고 발생 시 신속한 원인 분석과 적절한 조치는 재발 방지와 혼란 감소에 기여하 며, 이는 사회적 및 경제적 손실을 최소화하는 데 중요하다. 최근 자율주행자동차 또는 주행보조 기술을 적 용한 차량들에서 사고가 발생함에 따라, 영상 및 센서 기반의 자율주행만으로는 한계가 있다는 인식이 커지 고 있으며, 이를 극복하기 위해 V2X(Vehicle-to-Everything) 기술을 통합한 융합형 자율주행 개념이 등장했다. 우리나라는 2027년까지 융합형 자율주행 Lv. 4+를 상용화하기 위한 기반을 구축하는 것을 목표로, 2021년부 터 범부처 주도로 자율주행기술 개발 혁신 사업을 진행하고 있다. 또한 2024년부터 Euro-NCAP 및 K-NCAP 평가항목에 V2X 단말기를 적용하는 로드맵을 계획하였고, 우리나라를 포함하여 미국, 일본, 유럽 등 선진국 에서는 이미 융합형 C-ITS(Cooperative-Intelligent Transport Systems) 실증 및 시범사업을 진행하면서 V2X 기 술의 도입 효과를 긍정적으로 분석하고 있다(Kim et al., 2023). 단순한 안전 운행을 넘어 완전 자율주행 기능 을 위해서는 V2X는 반드시 필요한 기술이므로 V2X 기능이 포함된 교통사고가 발생했을 때 조사 및 분석할 수 있는 방법에 대한 연구가 필요하다. 따라서 자율주행 자동차 교통사고 분석을 위한 소프트웨어에는 V2V, V2I 통신에 대한 기능이 필요하며, 수집 정보에 따른 차량제어 기능이 포함되어야할 것으로 판단된다. 본 연 구에서는 미래에 발생할 수 있는 자율주행 교통사고를 예측하기 위해 일반 자동차의 실제 교통사고 데이터 를 이용하였다. 자율주행자동차의 사고 분석 연구에서 일반 자동차의 교통사고 데이터는 간과할 수 없는 중 요한 요소이다. 자율주행 기술이 급속히 발전함에 따라 운영 환경과 동적 상호작용은 기존의 운전 방식과는 많은 차이를 보이게 되었음에도 불구하고, 일반 교통사고 데이터는 여전히 자율주행차량의 사고 예방 및 안 전성 향상 전략 개발에 필수적인 자원으로 활용할 수 있다. 일반 자동차의 교통사고 데이터는 교통사고의 원 인, 유형, 발생 패턴 등에 대한 포괄적인 정보를 제공하며, 이 데이터는 자율주행 차량이 직면할 수 있는 잠 재적 위험 요소를 식별하는 데 이용할 수 있다. 또한 일반 교통사고 데이터는 자율주행차량의 기술 개발 과 정에서 안전성을 강화하고, 실제 도로 환경에서 발생할 수 있는 다양한 상황에 효과적으로 대응할 수 있도록 하는 데 중요한 역할을 할 것으로 기대된다. 본 연구는 자율주행 기술의 발전에 따라 발생 가능한 다양한 사 고 시나리오를 분석하여, V2X 자율주행 자동차의 사고 조사 및 분석 체계를 정립함으로써 효과적이고 체계 적인 사고 조사 방법을 개발하는 것을 목표로 한다. 본 연구를 통해 자율주행 차량의 안전성을 더욱 강화하 고 미래 교통 시스템의 신뢰성을 높이는 데 기여할 것으로 기대하며 자율주행 기술의 사회적 수용성을 제고 하고 궁극적으로는 교통사고 감소에 기여할 것으로 기대한다.

Ⅱ. 이론적 배경

1. Vehicle-to-Everything

V2X는 차량과 차량(V2V, Vehicle-to-Vehicle), 인프라(V2I, Vehicle-to-Infrastructure), 보행자(V2P, Vehicle-to- Pedestrian) 간의 통신을 포함하는 기술로, 교통 안전 및 효율성을 높이는 데 목적이 있다. V2X는 WAVE (Wireless Access in Vehicular Environments)와 셀룰러 기반 C-V2X로 나뉘며, WAVE는 IEEE 802.11p를 기반으 로 차량 간 빠른 통신을 지원하고, C-V2X는 LTE 기반으로 더 넓은 범위와 높은 신뢰성을 제공한다. 한국은 2023년 C-V2X를 표준으로 채택해 자율주행과 C-ITS 구축을 지원하고 있다. V2X 메시지는 SAE J2735에서 BSM(Basic Safety Message), RSA(Road Side Alert), SPaT(Signal Phase and Timing Message) 등을 정의하고 있으 며(SAE J2735, 2020), ITSK-00100-2:2021v4는 국내 C-ITS 규격으로 V2X 정보 구조를 설정하고 있다 (ITSK-00100-2:2021v4, 2021). V2X 메시지는 차량간 직접통신 V2V 또는 C-ITS 체계하에서 V2I 통신으로 <Fig. 1>에서 보는 바와 같이 교통안전에 필요한 데이터가 전파 및 C-ITS 안전 메시지로 활용되고 있다(Kim and Jung, 2021). 만일 BSM 등과 같이 V2X 메시지가 이벤트 상황에서 저장될 수 있다면, 저장된 V2X 메시지 에 포함되는 데이터 항목을 이용해 교통사고 조사 및 분석에 활용할 수 있을 것으로 판단된다.

<Fig. 1>

V2X Messages flow in C-ITS

2. 교통사고 데이터베이스

1) TAAS (Traffic accident analysis system)

TAAS는 대한민국 경찰청과 한국도로교통공단에서 운영하는 교통사고 분석 시스템이다. 이 시스템은 국 내에서 발생한 교통사고 데이터를 체계적으로 수집하고 분석하여, 교통 안전 정책 수립과 사고 예방 전략 개 발에 활용한다. TAAS에서는 교통사고가 발생한 위치와 시간, 사고의 유형과 원인을 포함하여, 사고의 심각 도와 피해 규모에 대한 정보를 제공한다. 또한, 사고에 관련된 운전자와 보행자의 나이, 성별, 운전 경력과 같은 인물 정보, 사고에 연루된 차량의 종류, 도로 상태 및 기상 조건과 같은 환경적 요인 등을 포함하고 있 어 교통사고를 종합적으로 분석할 수 있도록 한다(TAAS, 2024).

2) TMACS (Traffic safety information management complex system)

TMACS(교통안전정보관리시스템)는 한국 교통안전공단에서 운영하는 시스템으로 교통안전법령에 따라 구 축·운영되며, 교통시설, 교통수단, 교통체계의 안전과 관련된 다양한 정보와 교통사고 자료를 통합적으로 관리한 다. 또한, 교통사고 원인을 분석하고, 맞춤형 교통안전 콘텐츠를 개발·공유하여 교통안전 역량을 강화하고 교통사 고 없는 미래 사회를 구현하는 것을 목적으로 한다(Traffic safety information management complex system, 2024).

3) iGLAD (Initiative for the Global Harmonization of in-depth Accident Data)

iGLAD는 2011년 말 시작된 이후, 전 세계적으로 심층 사고 데이터를 국제적으로 통합하기 위한 노력을 지속해오고 있다. 이 프로젝트는 기존 데이터베이스를 기반으로 통일된 데이터 형식을 제공하여, 각국의 개 별 사고 데이터가 비교 가능하도록 하는 것을 목표로 한다. 이를 통해 단일 사고, 그 환경, 참여자, 충돌 및 안전 시스템 등에 대한 세부 정보를 통합적으로 제공할 수 있다(Initiative for the global harmonisation of accident data, 2023). 특히 2023년부터는 우리나라도 IGLAD 프로젝트에 참여하여 국제적인 데이터 통합에 기 여하고 있다.

<Table 1>은 iGLAD에 데이터를 공급하는 단체와 각 기관의 원천 데이터베이스를 나타낸 것으로 13개 국 가, 14개 기관이 데이터베이스 구축에 참여하고 있다. iGLAD의 데이터 구축을 위한 표본 추출 절차는 Case selection, Case count, Weighting variables, Stratification, Random sample의 다섯 단계로 이루어지며, 세부 사항 은 <Table 2>와 같다.

iGLAD는 사고 데이터를 체계적으로 관리하기 위해 Accident, Participant, Occupant, Safety System의 네 가 지 주요 카테고리로 구분되어 있으며, 각 카테고리는 <Table 3>와 같이 총 125개의 매개변수로 구성되어 데 이터베이스로 구축된다. 이러한 매개변수들은 사고의 세부 사항을 정밀하게 기록하고 분석할 수 있도록 설 계되었으며, 데이터의 일관성과 비교 가능성을 높이는 데 중요한 역할을 한다. 또한, 사고 현황을 나타내는 도면은 별도의 파일로 저장되어, 각 사고의 구체적인 상황을 시각적으로 확인할 수 있도록 한다.

iGLAD의 초기 구축 단계에서는 주로 충돌 관점에 초점을 맞춰 차량의 파손 정도와 탑승자의 상해에 대한 데이터를 중심으로 구축되었다. 그러나 최근 엑티브 세이프티(Active Safety) 및 자율주행자동차 기술 개발을 위한 연구가 활발히 이루어지면서, 사고 예방과 관련된 데이터를 포함하는 파라미터가 새롭게 추가되었다. 이를 통해 자율주행차 및 첨단 운전자 보조 시스템(ADAS)의 개발과 평가에 iGLAD 데이터가 보다 폭넓게 활용될 수 있게 되었다. 특히, iGLAD 구축을 주도하고 있는 독일의 VUFO는 사고 발생 전 차량의 움직임을 분석할 수 있는 소프트웨어인 PCM(Pre-Crash Matrix)을 개발하였다. PCM은 iGLAD 데이터를 기반으로 차량 이 충돌하기 전 5초 동안의 차량 동역학을 시뮬레이션할 수 있는 도구로, 이를 통해 ADAS(Advanced Driver Assistance Systems)의 성능을 평가하고, 다양한 교통사고 시나리오에서 사고 회피 가능성을 분석하는 데 큰 기여를 하고 있다.

3. 시뮬레이션

본 연구에서는 적절한 V2X 적용 보행자 사고 시나리오를 개발하기 위해 시뮬레이션을 수행하였으며, 교 통사고 재현 및 분석에 최적화된 소프트웨어인 PC-Crash를 사용했다. PC-Crash는 원래 충돌사고 분석을 목적 으로 개발된 프로그램이지만, 최근에는 교통사고에 미치는 Active safety 시스템의 영향을 분석하는 것이 중 요해지면서 해당 기능이 추가되었다. 이 시스템은 변화하는 자동차 기술에 맞춰 Visual basic 언어를 활용하 여 인지, 판단, 제어를 세부적으로 조정할 수 있는 Safety System 구현 기능을 제공한다. PC-Crash는 V2X 기 능을 포함하지 않으므로 Safety system 기능을 응용해 V2X를 완벽하지는 않지만 모사하는 방식으로 사고 회 피 가능성을 확인하였다.

4. 선행연구 고찰

<Table 4>는 관련 선행 연구의 결과를 요약한 것이다. 기존 연구들은 주로 시뮬레이션이나 이론적 모델을 통해 차량-보행자 충돌을 회피하는 V2P 통신 시스템의 기술적 구조와 설계를 다루고 있다. 하지만 이러한 연구들은 대부분 실제 교통 사고 데이터가 아닌, 가정된 시나리오에 기반하고 있으며, 실제 교통 상황의 복 잡성과 예측 불가능성을 반영하지 못한다는 한계가 있다. 본 연구에서는 실제 교통사고 데이터베이스를 분 석하여 기존 테스트 조건에서 다루지 않은 상황에 대한 차대 보행자 충돌 시뮬레이션을 수행하고자 한다.

Ⅲ. 데이터베이스 분석

1. iGALD 데이터베이스 구축 현황

본 연구에서는 교통사고 데이터베이스 분석을 통해 보행자 사고 시나리오를 도출하였다. 분석에는 iGLAD 가 2013년부터 2022년까지 13개 국가에서 공동으로 구축한 8,250건의 실제 사고 데이터 중 보행자 사고 데이 터를 분류하여 활용하였다. <Table 5>는 국가별 iGLAD 데이터 구축 현황을 나타낸 것이다.

2. 보행자 사고 데이터 분석

본 연구의 목적은 시뮬레이션 프로그램을 이용하여 V2X 기술이 없는 상태에서 차량의 AEBS(Autonomous Emergency Braking System) 성능을 확인하고, V2X 기술이 적용되었을 때의 사고 회피 또는 경감 성능을 비교 하는 것이다. 이를 위해 실제 교통사고 데이터베이스에서 차량과 보행자의 속도 범위, 노면 상태 등 보행자 사고 특성을 분석하였으며, 이러한 통계 데이터를 바탕으로 V2X 기술의 효과를 분석하기 위한 가상 사고 시 나리오를 구축하였다.

1) 보행자 사고 분류

실사고 iGLAD 데이터베이스에서 시나리오를 도출하기 위해 다양한 변수를 선정하고, 각 항목별로 필터링 조건을 설정하였다. <Table 6>는 각 항목별로 적용된 필터링 조건을 보여준다.

2) 데이터베이스 분석 결과

데이터 분석에서는 사고 유형, 충돌 형태, 차량 속도, 보행자 속도, 조명 조건, 사고의 주요 원인, 도로 상 태, 날씨와 같은 다양한 요소를 고려하여 사고 시나리오를 도출하였다. 각 항목은 사고 발생 조건과 원인에 대한 이해를 돕기 위해 선택되었다. 그 분석 결과를 바탕으로 각 항목별 데이터를 그래프로 시각화하고, 주 요 특징을 도출하였다. <Fig. 2>는 사고의 주요원인 상위 25개 유형을 나타낸 것이다.

<Fig. 2>

Main contributing factors

<Table 7>과 같이 보행자 사고의 주요 원인은 네 가지 그룹으로 분류할 수 있다. 첫 번째 그룹은 보행자의 부주의로, 잘못된 횡단 행동과 도로의 잘못된 사용으로, 이는 보행자가 신호를 무시하거나, 규정되지 않은 곳에서 도로를 횡단하거나, 보도를 이용하지 않는 경우를 포함한다. 두 번째 그룹은 운전자의 부주의로, 과 속과 안전거리 미확보 및 회전, 차선 변경 시 실수 등이 원인이다. 세 번째 그룹은 기상 및 도로 상태로, 시 야 방해와 도로 유지보수 부족이 포함된다. 마지막으로, 차량 결함 및 외부 요인으로, 차량의 타이어, 브레이 크, 조향 장치 결함과 도로 위의 장애물이 사고의 원인이 될 수 있다.

사고유형은 총 96개 유형으로 분류되며, 8건 이상으로 확인되는 상위 25개 유형을 <Fig. 3>과 같이 그래프 로 나타내었다. 상위 25개의 사고 유형을 분석한 결과, 대부분의 사고는 보행자가 도로를 횡단하거나 교차로 에서 발생한 사고가 주를 이룬다. 특히, 보행자가 좌우에서 도로로 진입하는 상황과 차량이 교차로에서 회전 하거나 주행 중일 때 발생하는 사고가 높은 빈도를 보였다.이러한 사고 유형들은 몇 가지 주요 패턴으로 통 합할 수 있다. <Table 8>은 단순 대칭 조건, 장애물, 보행자의 이동 방향 등을 종합적으로 고려하여 유사한 사고 유형들을 통합한 결과를 나타낸다.

<Fig. 3>

Top 25 accident types for pedestrian accidents

<Table 8>

Pedestrian accident types grouped by similar categories

Categories	Diagrams	Frequency
Lateral + obstacle		707
Logitudinal		101
Turning		62
Other		713: 33, 492: 9, 499: 16, 799: 16

<Fig. 4>는 보행자 사고에서 보행자의 초기 속도와 충돌 속도를 나타낸다. 대부분의 사고는 8 km/h 이하의 속도에서 발생하며, 초기 속도의 약 90.7%, 충돌 속도의 약 90.1%가 이에 해당한다. 이는 보행자가 느린 속도로 걷거나 멈출 때 차량과 충돌할 가능성이 높다는 것을 보여준다. 이러한 결과는 K-NCAP의 보행자 보호 시험 기준과 일치하며, 성인 보행자는 8 km/h, 어린이는 5 km/h로 설정하여 상해 가능성을 평가한다. 그러나 자율주 행차의 사고 예방을 위해서는 8 km/h 이상의 다양한 보행자 속도 시나리오를 고려한 전략이 필요하다.

<Fig. 4>

Comparison of initial and collision speeds of pedestrians

<Fig. 5>는 보행자 사고에서 차량의 초기 속도와 충돌 속도를 히스토그램으로 나타낸 것이다. 대부분의 사 고는 100 km/h 이하에서 발생하며, 특히 초기 속도는 30-50 km/h 구간에서 가장 빈번하게 나타나 총 316건의 사고가 발생했다. 충돌 속도도 유사한 패턴을 보이며, 20-50 km/h 구간에서 490건의 사고가 집중되었다. 이는 차량이 보행자와의 충돌을 인지한 후 속도를 줄이는 경향이 있음을 시사하며, 실제 충돌 속도가 초기 속도보 다 낮아진다는 것을 의미한다.

<Fig. 5>

Comparison of initial and collision speeds of vehicles

K-NCAP에서는 차량의 최대 시험 속도를 60 km/h로 설정하고 있으며, 이번 분석에서도 전체 사고의 약 70%가 50 km/h 이하에서 발생해 이 기준이 적절함을 보여준다. 특히, 시내 도로와 같은 환경에서 이 속도 구 간이 사고 빈도가 높다는 점을 고려할 때, 현재의 시험 속도 설정은 현실적인 교통 상황을 반영한다고 볼 수 있다. 그러나 자율주행차의 안전성을 높이기 위해서는 60-100 km/h의 속도에서 발생하는 사고도 고려할 필 요가 있다.

분석 결과, 초기 속도 기준으로 이 범위에서 약 32.9%의 사고가 발생했으며, 충돌 속도 기준으로는 약 23.3%가 발생했다. 이는 자율주행차가 예상치 못한 높은 속도에서도 보행자와의 충돌을 효과적으로 방지할 수 있어야 함을 의미한다. 따라서 자율주행차의 사고 예방 능력을 평가하기 위해서는 더 높은 속도 구간을 포함한 다양한 시나리오를 설정하고, 이를 통해 실제 도로 상황에서의 안전성을 검증할 필요가 있다.

<Fig. 6>는 노면 포장의 재질, <Fig. 7>은 노면의 상태를 나타낸 것이다. 사고의 대부분은 아스팔트(847건) 에서 발생하였으며, 조약돌 포장 노면에서도 44건의 사고가 발생하였다. 날씨 조건을 보면, 맑음/건조(709건) 와 비 오는 날(112건)에 사고가 많이 발생하였다. 일반적으로 건조한 아스팔트 노면의 마찰계수는 약 0.7에서 0.8 사이로 나타나며, 젖은 아스팔트 노면의 마찰계수는 약 0.5에서 0.6으로 나타난다. 조약돌 포장 노면 노면 의 마찰계수는 약 0.5에서 0.6으로 확인된다(MEA forensic, 2024). 따라서, 본 연구에서는 노면 마찰계수 0.8과 0.5를 적용하여 V2X 기술의 적용에 따른 보행자 사고 회피 성능의 효과를 분석하고자 한다. <Fig. 8>은 사고 당시의 조명 상태를 나타낸다. 보행자 사고는 주간에 가장 많이 발생하여 677건을 기록하였으며, 다음으로 인공 조명 하에서 209건, 어두운 상태에서 151건, 새벽/황혼에는 63건, 갑작스러운 조명 변화에서는 5건의 사 고가 발생하였다. 그러나 본 연구에서 사용한 시뮬레이션 프로그램인 PC-Crash는 조명 조건에 따른 영향을 분석할 수 없는 한계가 있으므로, 시뮬레이션에 반영하지 않았다.

<Fig. 6>

Road surface conditions

<Fig. 7>

Weather conditions

<Fig. 8>

Light conditions

Ⅳ. 시뮬레이션을 이용한 시나리오 도출

V2X는 차량이 주변 환경과 실시간으로 정보를 교환할 수 있게 하는 첨단 기술로, 차량뿐만 아니라 교통 인프라, 그리고 보행자와도 통신할 수 있다. 이를 통해 차량은 주변 상황에 대한 더 넓은 인식을 가지고, 더 효과적으로 대응할 수 있다. 따라서 본 연구에서 선정된 보행자가 갑자기 뛰어나오는 상황에 V2X 기술의 적 용은 AEBS와 같은 독립적인 시스템의 한계를 극복하고 차량의 안전성을 보다 강화하는 데 도움이 될 수 있 다. V2X는 차량에게 폭넓은 상황 인식을 제공하고 사고의 위험을 더 빨리 인지할 수 있게 함으로써 효과적 인 예방 조치를 취하고 사고의 가능성을 줄이는 데 기여할 수 있다.

실제 사고 데이터베이스 분석 결과를 바탕으로, NCAP 시험에서 이미 대응 가능한 조건을 제외하고 <Table 9>과 같이 시뮬레이션 변수를 설정하였다. 차량 속도는 60km/h에서 100km/h까지 5km/h 간격, 보행자 속도는 9km/h에서 20km/h까지 1km/h 간격으로 설정하였다. 보행자 이동 방향은 횡단 방향(90도)과 대각선 방 향(±45도)을 고려하였으며, 종방향 보행은 센서의 객체 감지 문제로 판단하여 제외하였다. 노면 마찰 계수는 건조한 아스팔트 노면을 나타내는 0.8과 젖은 아스팔트 또는 조약돌 포장 노면을 반영하는 0.5를 적용하였 다. 이러한 변수 설정을 통해 다양한 조건에서 V2X 기술의 적용에 따른 사고 예방 효과를 종합적으로 분석 하고자 하였다.

1. 시뮬레이션

본 시뮬레이션에서는 PC-Crash의 Safety system 기능을 사용하였다. 이 기능은 Visual Basic 코드를 활용해 차량의 인지, 판단, 제어 모듈을 설계하여 ADAS 기능을 모사할 수 있게 해준다. 또한 엑셀 개발도구를 통해 시뮬레이션을 자동화하고, 계산된 결과를 엑셀에 기록하여 데이터를 체계적으로 관리할 수 있다. 본 연구에 서는 변수 범위에 따라 시뮬레이션을 자동으로 실행하고, 그 결과 충돌 여부를 판단할 수 있는 프로그램을 개발하였다.

PC-Crash는 Ego-vehicle의 알고리즘만 적용할 수 있다. 다른 차량과의 통신은 지원하지 않으며, 따라서 V2X 기능을 직접 구현할 수 없다. V2X는 차량과 차량, 인프라 간 통신을 통해 실시간 정보를 공유하는 기능 이지만, 본 연구에서는 Ego-vehicle의 감지 영역을 옆 차로까지 확장하는 방법으로 이를 모사하였다. 이를 통 해 보행자를 더 빠르게 인지하고 긴급 제동 시스템이 더 신속하게 작동하도록 설계된 시뮬레이션을 수행하 였다. <Table 10>은 AEBS만 적용된 시뮬레이션과 감지 영역을 확장하여 V2X 기능을 모사한 시뮬레이션 모 델의 특성을 보여준다. 이를 통해 V2X를 모사한 모델이 더 빠르게 위험을 감지하고 사고를 예방할 수 있음 을 확인하였다.

<Table 10>

Specifications of AEBS

Model	Images	Specification
Only AEBS		- Distance range: 80m - Angle range: 30deg. - Cycle time: 100ms - Detection Width: ±0.6m (based on vehicle width)
AEBS with V2X		- Distance range: 80m - Angle range: 30deg. - Cycle time: 100ms - Detection Width: ±3.9m (based on vehicle width)

<Table 11>은 648회의 시뮬레이션을 수행한결과를 나타낸 것으로 보행자를 감지하고 충돌예상지점 전에 정지 한 경우 [A], 보행자를 감지하고 감속하여 충돌을 회피하였으나 충돌 예상지점을 넘어서 최종 정차한 경우 [A′ ], 보행자를 감지하고 제동을 시작하였으나 충돌한 경우 충돌 시점의 속도를 기입하여 나타낸 것이다. 보행자를 감지하지 못하고 충돌한 경우 [C]로 설정 하였으나 모든 조건에서 보행자를 감지하지 못한 경우는 없었다.

시뮬레이션 결과의 종합적인 평가를 위해 <Table 12>와 같은 기준을 마련하여 각 조건별 사고회피 성능에 대한 점수를 산정하였다.

<Fig. 9>는 보행자 이동방향에 따른 시뮬레이션 결과를 그래프로 나타낸 것으로 모든 조건에서 V2X적용 에 의해 충돌로 인한 피해가 경감되는 것을 확인할 수 있다. 보행자의 이동방향 –45도(↗) 조건에서는 차량 속도 70km/h까지 사고를 회피할 수 있는 것으로 확인되었으며, +45도(↖) 조건에서는 차량속도 65km/h까지 사고를 피할 수 있는 것으로 확인된다. 이후 속도가 증가할수록 급격하게 점수가 낮아지는 것으로 확인된다. 차량속도 85km/h이상 조건에서 보행자의 방향에 따라 다른 특성을 보이는 것으로 확인된다. 이는 +45도는 점수가 급격하게 하락하고, 90도와 –45도 조건에서는 비교적 완만하게 하락하는 추세를 보인다. 이는 +45도 조건에서 보행자의 방향이 차량의 주행과 반대 방향으로 이동하며 발생한 현상으로 확인된다. 따라서 보행 자의 이동 방향에 따른 특성도 AEBS 및 V2X 설계에 고려되어야할 사항으로 판단된다.

<Fig. 9>

Scoring results based on simulation conditions for a coefficient of friction of 0.8

<Table 13>은 마찰계수 0.5 조건에서 수행된 시뮬레이션 결과를 보여준다. 이 조건에서 AEBS만 적용한 경 우 모든 시나리오에서 충돌이 발생하였다. AEBS에 V2X를 추가 적용한 경우 일부 비충돌 상황이 발생하였 으나, 이는 모두 시간적 차이에 의한 것으로 잠재적 위험성이 여전히 존재함을 시사한다. <Fig. 10>은 마찰계 수 0.5 조건에서의 시뮬레이션 종합 결과를 나타내며, V2X 기술을 적용했을 때 충돌 회피와 차량 속도 감소 효과가 있었으나, 마찰계수 0.8 조건과 비교하여 낮은 성능을 나타냈다. 이 결과는 자율주행 자동차가 장애 물이 있는 도로에서 보행자가 갑자기 나타나는 예기치 못한 상황에 대비하여 사전에 충분히 감속하여 운행 하는 것이 필수적임을 시사한다.

<Fig. 10>

Scoring results based on simulation conditions for a coefficient of friction of 0.5

보행자 감지 영역을 확대하면 사고 회피율과 경감률을 높일 수 있으나, 보행자가 경로를 변경하거나 속도 를 조절하는 등의 불확실성이 존재한다는 문제가 있다. 이러한 상황에서 긴급 제동을 실시하면 급제동으로 인한 추돌이나 탑승자의 부상 등 추가적인 사고 위험이 발생할 수 있다. 따라서 위험이 예상될 때 사전에 속 도를 감속하고, 위험이 현실화되면 긴급 제동을 통해 사고를 회피하는 단계별 전략을 마련해야 한다고 판단 된다.

2. V2X를 적용한 시뮬레이션 분석의 한계점

본 연구에서는 V2X 기능이 없는 시뮬레이션 프로그램을 사용하여 V2X를 모사하기 위해 자율주행차의 감 지 영역을 확장하는 방식을 채택하였으며, 그 한계점은 다음과 같다.

첫째, 자율주행 자동차의 교통사고 분석을 위한 소프트웨어에는 V2X 통신 기능이 필수적이다. 본 연구에 서는 주변 차량이나 인프라로부터의 위험 신호를 수신하여 감속하거나 긴급 제동을 수행하는 기능을 구현하 지 못했다. 또한, 곡선 도로에서의 주행을 정확히 시뮬레이션하기 위해 Yaw rate에 따른 Ego-vehicle의 감지영 역 변화를 반영한 모델 개발도 필요할 것으로 판단된다.

둘째, 연구에서는 속도 감소 비율을 기반으로 점수를 적용하였으나, 충돌 속도가 보행자의 부상 정도와 선 형적으로 정비례하지 않기 때문에 부상 기반의 가중치를 적용할 필요가 있다. 시뮬레이션 결과 분석에서 시 간적 차이에 의한 회피는 보행자가 차량을 보고 놀라 정지하거나 속도를 변경할 때, 차량이 보행자가 이동하 는 방향으로 회피하려다 충돌이 발생하는 상황을 의미한다. 따라서 시간적 차이에 의한 회피에 대한 점수 산 정 기준이 필요하다.

셋째, 본 연구는 통신 속도, 센서 인지 및 판단에 소요되는 시간을 고려하지 않고 이상적인 상황을 가정하 였다. 실제 환경에서는 지연과 노이즈가 존재하므로 이를 반영해야 하며, 이에 따른 오차 범위에 대한 추가 연구가 필요하다. 종합적으로, 본 연구는 V2X 기술의 부재로 인한 시뮬레이션의 한계를 인지하였으며, 향후 연구에서는 V2X 기능의 통합과 현실적인 환경 변수를 고려한 보다 정교한 모델링이 필요함을 시사한다.

넷째, 보행자 감지의 한계로 인해 실제 도로 환경에서 보행자를 정확히 인식하지 못하는 경우가 발생할 수 있다. 신체의 일부만 카메라에 촬영되거나, 주변 차량이나 구조물로 인한 사각지대, 역광이나 안개와 같 은 기상 조건으로 인해 보행자 식별이 어려운 상황이 존재한다. 이러한 한계를 극복하고 자율주행 차량의 안 전성을 강화하기 위해서는 사고 당시의 주변 차량, 교통 시설, 조명, 날씨 등을 포괄적으로 고려하여 한계 상 황을 예측하고 대응하는 전략이 필요하다. 또한, 이러한 한계 상황을 반영할 수 있는 사고 재현 프로그램의 개발이 요구된다.

다섯째, 본 연구에서는 보행자가 정자세로 뛰어오는 상황만을 모사하였으나, 실제 사고에서는 보행자가 넘어지거나 구부정한 자세로 나타날 수 있다. 이러한 다양한 보행자 자세는 이미지에서 보행자로 인식하기 어렵게 만들어, 추가적인 식별 및 예측 알고리즘의 개발이 필요하다. 따라서 향후 연구에서는 다양한 보행자 자세를 포함한 시나리오를 고려하여 보다 현실적인 사고 예방 방안을 마련해야 할 것이다.

Ⅴ. 결론 및 향후 과제

본 연구는 실사고 데이터베이스 분석을 통해 보행자 사고의 특성을 분류하고, 기존 평가 시나리오를 벗어 난 조건에서 시뮬레이션을 수행하였다. 이를 통해 V2X 기술이 보행자 충돌 및 피해를 경감하는 효과를 분석 하였으며, 그 결과는 다음과 같다.

향후 연구에서는 V2X 기능을 통합한 시뮬레이션 도구를 사용하고, 곡선 도로 주행 시 Yaw rate에 따른 감 지 영역 변화를 반영한 정교한 모델을 개발해야 한다. 또한, 충돌 속도와 보행자 부상 정도 간의 비례 관계 를 고려한 부상 기반 가중치 적용과 시간적 차이에 의한 회피 상황을 평가할 수 있는 점수 산정 기준을 마 련할 필요가 있다. 실제 환경의 통신 지연과 센서 노이즈를 반영하고, 다양한 보행자 자세를 포함한 시나리 오를 고려하여 보행자 식별 및 예측 알고리즘을 개선함으로써 자율주행 차량의 안전성을 더욱 강화하고 사 고 예방 능력을 향상시킬 전략이 요구된다. 이러한 개선을 바탕으로 한 후속 연구는 자율주행차의 안전성을 강화하고 미래 교통 시스템의 신뢰성을 높이는 데 기여할 것으로 기대되며, 이를 통해 자율주행 기술의 사회 적 수용성을 제고하고 궁극적으로 교통사고 감소에 기여할 것이다.