Ⅰ. 서 론

자율주행 기술이 발전하면서 센서 인지 한계를 극복하고 주행 가능영역(ODD1))의 확장을 위하여 차량 간, 혹은 차량과 인프라 간 정보 공유를 통한 협력주행의 개념이 등장하고 있다(Jeon et al., 2022a). 자율주행 차 량 기술의 발전에 따라 복잡한 도로의 자율주행이 가능해졌지만, 차량의 인지 시야 범위를 벗어나거나, 장애 물이 시야를 차단하거나, 기타 날씨 혹은 빛 반사등의 요인으로 인지 성능이 저하되는 ‘인지 음영’ 상황에서 는 운행 능력이 제한된다(Oh et al., 2024). 협력주행은 차량 작동 과정인 경로계획, 인지, 판단, 제어, 주행 단 계에서 V2X 협력을 통해 도로 상황에 대한 실시간 정보를 공유하여 인지 음영 지역에서의 한계를 극복하고, 차량 주행 안전성과 편의성 제고에 기여한다. 협력에 참여하는 차량과 인프라가 센서를 통하여 도로 환경, 차량, 이동체에 대한 정보를 수집하고, 각 이동체의 동적 상태를 실시간으로 공유하여 LDM2)을 구축하는데, 이는 차랑 주행 환경에 대한 다양한 정적, 동적 정보를 저장하고 이를 분석하여 정밀한 주행 제어에 활용할 수 있다(Yang et al., 2017).

협력주행을 통한 정보 공유의 경우, 협력형 자율주행 V2X 데이터 표준화를 통하여 호환성 있는 다양한 형태의 메시지와 데이터프레임, 데이터 요소를 정의하고 있다(SAE, 2022). 이동체의 위치, 속도, 진행방향과 같은 BSM3)부터 시작하여, 수집 데이터와 주행 환경에 이르기까지 다양한 정보를 전달한다. 협력 주행의 단 계가 높아질수록 단순한 상태 공유를 넘어 주행 의도와 판단 정보의 공유, 나아가 서로의 의도를 조정하는 합의모색이 가능하다(SAE, 2021). 이러한 이동체 간 상호 정보 공유는 인식한 사실 그 자체에 대한 공유에 그치지 않고 이를 가공하고 분석하여 판단에 활용 가능하도록 생성한 데이터를 제공하기도 한다. 도로에서 발생한 낙석, 낙하물, 로드킬 등은 자칫 대형 사고로 이어질 수 있는 위험요소이기 때문에 모든 차량은 이를 회피하기 위한 거동이 필요하고, 이러한 정보가 적확(的確)하게 공유된다면 도로의 안전성을 향상시키는데 많은 도움이 될 것이다.

인프라를 중심으로 하는 협력주행의 경우, 참여 인프라는 엣지 RSU4)를 통해 도로의 위험요소 정보를 획 득하여 실시간으로 서비스 영역 내의 차량에게 전달하게 된다(Jeon et al., 2022b). 위험요소 중 정지된 물체라 면 일정한 회피 영역을 안내하면 협력에 참여하는 차량들은 거동을 조정하여 회피 할 수 있다. 그러나 움직 이는 위험요소의 경우, 위험요소의 위치, 속도, 가속도 등 동적 상태에 따라 위험도의 크기와 영향 범위가 변 화한다. 도로에서 가장 대표적인 움직이는 위험요소는 차량이다. 각 차량은 협력주행에 참여하는 주체인 동 시에, 다른 차량에게는 잠재적인 위험요소가 될 수 있다. 서비스 영역 내에는 다수의 차량이 참여하기 때문 에, 이들이 각각 잠재적으로 가지는 위험도를 중첩적으로 연산하여 차량에게 전달할 방법이 필요하다. 위험 도 정보 전달은 실시간으로 진행되어야 하므로, 센터 시스템을 거치지 않고 엣지 RSU 차원에서 연산하여 각 차량에게 제공하여야 한다.

일반적으로 이동을 하는 주체는 장애물을 만나면 이를 회피하여 멀어지고자 한다. 반대로 목표로 삼는 지 점을 향해서는 이끌리듯 움직인다. 이러한 움직임은 자기장에서 발생하는 끌어당기는 힘과 밀어내는 힘이 작용하는 현상과 유사하다. 로봇 공학 및 항법에서는 이러한 행태를 인공적인 장애물 필드 모형, 즉 APF5) 모형으로 정의한다. APF 모형에서는 목표 지점으로 향하는 힘을 인력으로, 장애물에서 멀어지는 힘을 척력 으로 정의하고 이를 이용하여 목표 지점까지 최적의 경로를 산정할 수 있다. APF 모형은 도로교통 분야에서 도 응용이 가능하다. 다만 도로를 주행하는 차량은 교통류 측면에서 목표지점으로 이끌리는 힘보다는 주변 의 다른 차량 또는 보행자 등의 장애물과 충돌을 회피하기 위한 밀어내는 힘이 주로 작용하기 때문에 이러 한 척력을 위험(risk)으로 정의한 리스크 필드(Risk Field) 모형이 제안되었고, 이를 기반으로 다양한 연구가 진행되었다. 주행 보조와 차량 회피 분야에 대한 연구에서 사용되거나(Reichardt and Schick, 1994) 차량의 미 시적 거동 분석(Tan et al., 2022), 위험도 평가(Joo et al., 2023)에 활용 되었다.

리스크 필드 모형은 도로 내 차량 간 상호 작용을 잘 설명하는 장점에도 불구하고, 차도와 차선, 중앙선 등을 갖는 도로의 특수성과 차량의 정확한 상태(위치, 속도, 가속도 등) 정보를 실시간으로 수집하기 어려운 기술적 문제로 인해 현장 데이터 기반의 연구가 어려운 측면이 있었다. 그러나 협력주행 기술이 진보되면서 차량 간 상태 정보 공유, 센서 기반의 실시간 인지 등을 통해 도로 내 모든 차량의 상태 정보 수집이 가능해 짐에 따라 그 활용도가 높아질 것으로 기대된다. 또한, 리스크 필드 모형은 복잡한 다중 물체의 영향력(위험 성)을 합산을 통해 나타낼 수 있다는 강점을 가지고 있어 차량, 교통약자, 도로시설물, 차선 등 다양한 요소 로 구성된 도로에 대한 확장이 가능한 점도 장점이라 할 수 있다.

이에 본 논문에서는 자율주행 차량의 특정 지점의 위험도 평가 및 안전한 국지적 경로 생성에 활용하기 위하여, 인프라를 중심으로 하는 협력주행 환경의 엣지 RSU에서 연산할 때, 차량의 실시간 위치, 속도, 가속 도와 같은 상태 정보를 기반으로 차량 간 상호 작용하는 잠재적인 힘으로 인한 위험성을 설명할 수 있으며, 기존 모형과 비교하여 연산 성능이 우수한 리스크 필드 모형을 구성하고자 한다. 이를 위하여 2장에서는 APF 모형과 기존 리스크 필드 모형의 특징, 이용 변수에 대해 고찰하였다. 3장에서는 본 연구에서 구성한 리 스크 필드 모형을 제안하였고, 4장에서는 제안된 모형이 변수에 따라 영향력이 변화하는 것과 연산에 소요 되는 부하를 검증하였다. 그리고 5장에서는 모형의 한계점과, 발전 가능성, 활용 분야를 제안하였다. 제안하 는 모형은 차량의 속도, 가속도와 같은 동적 특성 변화에 따라 영향력(위험성) 범위와 크기가 달라지며, 위험 성의 범위를 중첩적으로 표현 가능하고, 연산 시간이 기존 모형에 비해 감소하여 인프라 중심의 협력주행에 서 엣지 RSU가 다수 차량을 실시간으로 연산하기에 적합한 특징을 갖는다. 본 논문에서 제안한 리스크 필드 모형을 통해 도출한 값은 서비스 영역에서의 위험도 분포를 나타내는 지표로 엣지 RSU 입장에서 실시간으 로 생성하여 배포하고, 차량은 위험도 지표가 높은 영역을 회피하여 안전성을 확보할 수 있다. 본 연구를 통 하여 협력주행 관점에서 안전성 확보와 경로 탐색 분야 발전에 기여할 수 있을 것으로 기대 된다.

Ⅱ. 문헌 고찰

리스크 필드 모형은 로봇공학 및 항법 공학에서 주로 사용되는 APF 모형으로부터 파생되었다. Khatib (1985)는 로봇의 평면상 경로를 탐색하기 위한 방법으로 APF 모형을 제안하였다. 이는 2차원 평면에 대하여 로봇으로 표현되는 이동체를 대상으로, 인력과 척력으로 구성된 필드 모형을 통하여 경로를 탐색하는 방법 이다. 이동체는 목적지를 향하여 이동하는 점으로 정의되며, 장애물을 회피하는 거동을 하게 된다.

APF 모형은 목표를 향한 이동을 이동체와 목적지 간에 인력이 작용하는 것으로, 장애물을 회피하는 거동 은 장애물과 이동주체 간에 척력이 작용하는 것으로 정의하여 <Fig. 1>과 같이 각 위치에서 발생하는 힘의 벡터 필드를 구성한다. 인력은 필드 전체에 걸쳐 생성되는 반면, 척력은 장애물과 일정 거리 이내에서만 발 생하고 그 크기는 이동체와 장애물 위치의 거리에 반비례하다. 최종적으로 APF 모형은 인력과 척력을 합산 하여 벡터 필드를 구성하게 되며, 이동체는 척력이 최소화되고 인력이 최대화되는 영역을 경로로 선택하여 이동한다. 해당 방법은 다양한 장애물 요소에 의하여 복잡한 영향력이 작용하는 환경에서 힘의 합산을 통해 간단하게 장애물을 회피하는 최적 경로를 구할 수 있다는 장점이 있다.

<Fig. 1>

Attractive force and Repulsive force in APF

APF 모형을 도로교통 환경에 적용하기 위해서는 몇 가지 고려해야 할 사항이 있다. 실제 도로교통 환경에 서 차량은 2차원 평면과는 다르게 도로 횡방향과 종방향, 차로 구분에 따라 장애물이 미치는 영향을 다르게 적용받는다. 즉, 동일 거리에 떨어져 있다고 해도, 같은 차로 내에서 존재하는 장애물과 다른 차로 내에 존재 하는 장애물의 영향력은 다르다. 또한, 도로시설물 및 차선, 도로 종점 등의 도로 구성요소가 장애물이기 때 문에 척력으로 작용해야 한다. Reichardt and Schick(1994)과 같은 초기의 연구에서는 차량 충돌 회피를 위하 여 가상의 안전거리를 설정하는 방법으로 APF 모형을 도로 환경에 적용하는 방법을 구상하였다. Gerdes and Rossetter(2001)의 경우, 차로 유지를 위한 방법으로 도로 환경을 장애물로 설정한 필드 모형을 활용하는 방법 을 제시하였다. 한편 주행 중인 다른 차량과의 상호관계를 고려한 모형을 구현하는 데에는 한계가 존재했다.

주행 중인 차량에서 가장 핵심적으로 작동하는 척력 유발요소는 동일한 차로에 주행 중인 다른 차량으로, 해당 차량의 미래 주행 의도에 따라 척력의 분포가 변하게 된다. Wolf and Burdick(2008)는 Yukawa Potential(Yukawa, 1935)을 기반으로 고속도로에서 장애물 차량에 대한 척력 포텐셜 필드 모형을 구성하였다. Yukawa Potential은 짧은 거리에서의 핵력을 설명하기 위한 포텐셜 값으로, 대응하는 힘은 특정 거리까지 강 하게 작용하나 특정 영역을 벗어나면 무시 가능하다. 실험적 결과를 통해 도로 종방향과 횡방향의 영향력 차 이를 밝혀냈으며, 이러한 측정 결과를 바탕으로 가상의 거리(pseudo distance)를 도출하여 차량에 대한 척력 수식을 구성하였다. 또한 차량의 주행 특성을 나타내기 위하여 차량의 주위에 생성되는 척력 포텐셜과 별개 로 속도로 인해 생성되는 쐐기 모양의 포텐셜을 별도로 구성하였다. Ni(2011)는 차선과 도로 구성요소가 잠 재적으로 형성하는 필드를 추가로 구성하여 도로 요소에 의한 영향력을 설명하고자 하였다. Wang et al.(2015)은 Driving safety field라는 차량 운전 행동에 대한 포텐셜을 추가한 도로 필드 모형을 구축하기도 하 였다. Li and Chen(2018)은 도로 내에 존재하는 다양한 인프라에 대하여 운전자가 느끼는 위험도 관점에서 필드 모형을 구현하고, 포텐셜의 강도를 구분하였다. Wang et al.(2016)은 도로 기반 척력 포텐셜로 이루어진 필드 모형에 Driving risk field 모형이라는 표현을 사용하기 시작했다.

리스크 필드 모형을 이용하여 차량의 주행 행태를 분석한 연구도 다양하다. Kolekar et al.(2021)는 테스트 트랙을 주행하는 운전자가 지각하는 위험성을 리스크 필드 모형 기반으로 나타냈다. Tan et al.(2022)은 리스 크 필드 모형을 통해 다양한 시나리오에서의 운전 행동을 분석하고 추종이론에 적용하였다. Li et al.(2022)는 앞서 설명한 Yukawa Potential 기반의 척력 포텐셜 필드와 도로환경적 특성을 기반으로, 잠재적인 운동상태 변화에 대한 요소인 가속도와 안전거리 임계값, 속도 관련 변수를 추가적으로 도입하여 차량 리스크 필드 모 형을 구현하였다. 또한 해당 포텐셜 필드에서 작용하는 가상의 힘을 이용하는 차량 추종이론을 구현하여 운 전자 주행 패턴을 설명하였다.

리스크 필드 모형은 도로 주행 안전도 평가 연구에서 많이 활용되었다. 차량 간 상호작용의 위험을 나타 내는 지표로는 흔히 PET6), TTC7), DRAC8)가 사용된다. 각 지표는 차량 추종 상황, 양보 상황, 차량 끼어들기 상황에 적합하게 사용된다. 해당 위험지표에 더하여 리스크 필드 강도를 추가적으로 제공하여 위험도 지표 로 활용하고, 위험한 영역을 회피하는 궤적을 선택함으로 협력주행 안전성을 획득할 수 있을 것으로 예상된 다. Joo et al.(2023)에 따르면, “리스크 필드는 기존 지표가 놓치기 쉬운 상황에 대한 위험 수준을 측정 가능 한 보수적인 지표”라고 언급하였기 때문이다. Arun et al.(2023)은 충돌 위험도와 심각성을 추정하기 위하여 리스크 필드 모형을 활용하였다. Joo et al.(2023)는 Li et al.(2022)에서 구축한 리스크 필드 모형을 기반으로 연속적인 위험 추정치를 생성하여, 리스크 필드 모형을 시각화하고 운전 위험평가 모델을 개발하여 새로운 안전 지표를 제시하였다. Ma et al.(2023)은 CAV의 다중 차량 위험성을 평가하는 방법으로 리스크 필드 모형 을 실시간으로 활용하였다. 다수의 차량 위험성을 쉽게 표현하기 위하여 차량 포텐셜의 합산이 이루어지며, 차량 추종과 차로 변경 시나리오에 대한 위험도를 평가하였다. Tan et al.(2024)은 일반적으로 도로교통 분야 의 리스크 필드 모형에 이용되던 차량 및 도로요소뿐만 아니라, 보행자까지 고려한 리스크 필드 모형을 생성 하여 위험성 평가에 활용하였다. Ploeg et al.(2024)는 리스크 필드를 이용한 자율 차량의 예측적 거동으로 예 상치 못한 위험성을 극복할 수 있도록 이미 알려진 객체를 바탕으로 제작한 리스크 필드 모형 위에 잠재적 인 개체의 존재를 표현하는 방법을 제시하였다.

리스크 필드를 기반으로 한 연구는 현재도 활발하게 진행되고 있으며, 도로교통 상황의 다양한 요소를 모 형 상에 표현할 방법을 모색하고 있다. 협력주행 기술의 발전으로 차량의 상태 정보뿐만 아니라 미래 주행 의도까지 공유가 가능한 점을 고려할 때 차량의 동적 특성과 동시에 미래 주행 의도를 보다 효과적으로 반 영할 수 있는 리스크 필드 모형 구축이 필요하다. 동시에, 즉각적으로 협력주행에 활용하기 위하여 엣지 시 스템을 이용하여 단시간 내에 연산할 수 가능하여야 한다. 도로 각지 인프라에 설치되는 엣지 시스템의 경우 센터에 비해 연산 성능이 낮으며, 단시간에 연산을 완료하여 현장의 차량 주행에 즉각적으로 반영하는 것을 목표로 하기 때문이다. 삼각함수나 복합적인 지수함수의 경우, 결과값 도출의 지연이 우려된다.

<Table 1>은 선행적으로 확인한 차량(혹은 장애물)의 리스크 필드 모형의 수식과 특징을 협력주행 적절성 을 기준으로 하여 비교한 것이다. 다양한 동적 특성을 활용하기 위한 모형들이 활용되었으나, 정확도 향상을 위해 추가적인 변수를 투입할수록 수식의 복잡도가 상승하거나 협력주행으로 획득하기 어려운 패러미터를 요구하기도 한다. 각 모형이 구성된 목적에 따라 모형이 사용하는 변수나 수식에도 변화를 보인다. 특히, 차 량의 미시적인 주행 행태를 분석하기 위하여 필드 모형을 구축한 경우, 정확한 거동 해석을 목표로 하여 복 잡한 수식을 이용하는 경우도 존재한다. 본 고찰에서는 복잡도를 변수의 개수, 지수함수나 삼각함수, 변수를 도출하기 위한 추가적인 수식의 존재 여부를 기준으로 하여 판단하였다.

<Table 1>

List of Potential Field Model

model	equation	component	description	complexity
Khatib (1985)	$U\left(q\right)=\{\begin{array}{ll}\frac{1}{2}k{(\frac{1}{d}-\frac{1}{d_{*}})}^2\hfill & ,\hspace{0.17em}\text{if}\hspace{0.17em}d\le d_{*}\hfill \\ 0\hfill & ,\hspace{0.17em}\text{if}\hspace{0.17em}d<d_{*}\hfill \end{array}$	distance	- Definition of a stationary obstacle - Without directionality	low
Wolf and Burdick (2008)	$\begin{array}{l}U\left(r\right)=A\frac{e^{-\alpha K}}{K}\{\begin{array}{l}K=r,\hspace{0.17em}Forward\hspace{0.17em}Side\hfill \\ Kuse\hspace{0.17em}factor\hspace{0.17em}\xi ,\hspace{0.17em}Behind\hspace{0.17em}Obstacle\hfill \end{array}\\ \hspace{1em}\hspace{1em}\hspace{1em}\hspace{1em}\hspace{0.17em}\xi =\{\begin{array}{l}\frac{d_0}{T_{f\upsilon }},\hspace{0.17em}\text{if}\hspace{0.17em}\upsilon \ge \frac{d_0}{T_{f\upsilon }}\hfill \\ 1,\hspace{1em}\hspace{0.17em}\hspace{0.17em}otherwise\hfill \end{array}\end{array}$	distance, Velocity	- Based on Yukawa Potential, exponential function - Expresses differences with pseudo distance - To prevent rear collisions, triangular field created behind the vehicle	mid
Wang et al. (2015)		distance, Velocity, Vehicle mass, Road condition	- Consider factors about vehicle, road conditions, and driver skill level - Directionality according to speed - R is a variable representing road conditions, determined by friction, slope, road curvature, and visibility.	high
Tan et al. (2022)	$\begin{array}{l}\{\begin{array}{l}{\delta }_{x,k}\left(x,y,t\right)=\frac{{\beta }_{k,x}\hspace{0.17em}·\hspace{0.17em}\text{max(}\left|x\right|\text{-}\frac{1}{2}{L}_k,\hspace{0.17em}0\text{)}}{a_{k,x}\hspace{0.17em}·\hspace{0.17em}{\upsilon }_{k,x}\left(t\right)+1}\hfill \\ {\delta }_{y,k}\left(x,y,t\right)=\frac{{\beta }_{k,y}\hspace{0.17em}·\hspace{0.17em}\text{max(}\left|y\right|\text{-}\frac{1}{2}{W}_k,\hspace{0.17em}0\text{)}}{a_{k,y}\hspace{0.17em}·\hspace{0.17em}{\upsilon }_{k,y}\left(t\right)+1}\hfill \end{array}\\ {\delta }_k\left(x,y,t\right)=\sqrt{{\delta }_{x,k}^2\left(x,y,t\right)+{\delta }_{x,k}^2\left(x,y,t\right)}\\ \hspace{1em}\hspace{1em}\hspace{1em}{R}_{\upsilon ,k\left(x,y,t\right)}=\frac{1}{{\delta }_k\left(x,y,t\right)+1}\end{array}$	distance, Velocity, Vehicle size	- Make another function and threshold distance in the vertical and horizontal directions - Rectangular shape field	mid
Li et al. (2022)	$E_{\upsilon }=M_i\lambda \times \frac{e^{-\beta a\hspace{0.17em}\text{cos}\theta }}{\left|k^{\prime }\right|}\frac{k^{\prime }}{\left|k^{\prime }\right|}$	distance, Velocity, Vehicle mass, Acceleration	- Using for car following theory - Directionality according to acceleration	mid
Tan et al. (2024)	$\begin{array}{l}{E}_V=\frac{e^{\delta }\hspace{0.17em}·\hspace{0.17em}S\hspace{0.17em}·\hspace{0.17em}acc\hspace{0.17em}·\hspace{0.17em}\text{cos}\left({\theta }_3\right)}{di{s}_{\upsilon irtual}}\\ S=\frac{{\displaystyle \sum _{i=1}^n{d}_{\upsilon i}\times ya{w}_{\upsilon i}}}{\sqrt{{\displaystyle \sum _{i=1}^n{\left(d_{\upsilon i}\right)}^2}}\times \sqrt{{\displaystyle \sum _{i=1}^n{\left(ya{w}_{\upsilon i}\right)}^2}}}\end{array}$	Distance, Velocity, Acceleration, yaw	- Directionality according to speed - Scale according to acceleration - S is variable determined by yaw	high

Khatib(1985)이 APF 이론을 처음 발표하면서 제시한 고전적인 포텐셜 필드 모형의 경우, 정지한 장애물에 대하여 구축한 수식이기 때문에, 변수와 수식이 단순한 대신, 동적 물체의 특징을 대표하지 못한다는 한계를 가지고 있다. Wolf and Burdick(2008)의 모형의 경우, 필드 모형을 Yukawa Potential의 지수 함수 형태로 생성 하고 동적 변수인 속도를 고려하는 등의 특징을 보인다. 그러나 해당 연구의 목표는 후방 충돌 방지였기 때 문에, 속도 변수를 차량 후방에 뒤따르는 차량이 충돌하지 않기 위한 위험 영역을 생성하는 데에 사용하였 다. 따라서 해당 모형을 일반적인 인프라 기반의 협력주행 환경에 반영하기에 어렵다. Wang et al.(2015)의 모 형의 경우, 지수함수 형태를 차용하여 위험도 분포를 나타내었으며, 해당 수식을 통하여 구현되는 모형은 속 도의 방향성으로 치우침을 보인다. 그러나 해당 모형은 차량과 운전자 숙련도, 도로 요소에 의한 위험도를 나타내기 위한 목적으로 구축되어, 동적 지표 중 가속도가 반영되지 않아 주행의도를 나타내기 어렵다. 그리 고 도로 상태에 대한 변수를 구하기 위한 수식이 추가적으로 존재하는데, 해당 변수를 도출하기 위해서는 도 로 마찰력, 경사도, 곡률, 시인성 등이 필요하여 일반적인 협력주행 환경에서 실시간으로 획득하고 연산하기 어려운 면이 있다. Tan et al.(2022)의 모형은 종방향과 횡방향의 리스크 범위를 별개의 식으로 표현한 뒤 합 성하여, 사각형 형태의 리스크 필드를 나타낸다. 그러나 해당 수식은 가속도가 반영되지 않은 점, 전방과 후 방의 포텐셜이 같은점 등의 한계가 있어 모형 설명력 측면에서 본 연구에서 추구하는 것과 다른 방향성을 가진다. Li et al.(2022)의 모형은 차량의 미시적 거동과 추종이론을 구현하기 위하여 구성되었다. 속도 및 가 속도, 거리의 요소가 전부 반영되고 가속도 방향으로의 방향성 역시 나타나 가장 적합한 변수 구성을 가졌 다. 한편, 지수항에 삼각함수를 이중적으로 도입하여 연산 지연이 발생할 가능성이 존재한다. Tan et al.(2024) 의 논문의 경우, yaw와 같은 정보는 협력주행에서 획득하거나, 실시간으로 연산하기 어렵다는 한계가 존재 한다.

따라서 협력주행을 통해 얻을 수 있는 지표를 활용하며, 동적 정보에 따른 방향성을 가지고, 연산이 단순 한 조건을 만족하는 모형이 필요하다. 본 논문에서 제안하는 리스크 필드 모형은 속도에 따른 영향력 범위 변화뿐만 아니라 미래 주행 변화 의도와 관련된 가속도를 변수로 채용하여 영향력의 방향성이 함께 존재하 는 것을 특징으로 한다. 가속도는 일반적인 관측 상황으로는 알기 힘든 협력주행의 의도 공유에 의해 얻을 수 있는 정보로 미래 위험도까지 반영한 리스크 필드 모형을 구축할 수 있다. 또한 지수 부분을 선형적으로 단순하게 표현함으로 성능이 낮은 인프라의 엣지 RSU 환경에서도 빠른 시간에 다중 차량에 의한 포텐셜 값 을 연산 가능하도록 하였다.

Ⅲ. 모형 개발

1. 기본 개념

고전 물리학에서는 뉴턴의 제1법칙에 따라 물체의 운동 상태는 외력이 가해지지 않는 한 영원히 정지 상 태 혹은 등속을 유지한다. 한편, 도로를 주행하는 차량은 실질적으로 서로 접촉하거나 충돌하지 않더라도 특 정 거리에 접근할 경우 속도와 방향 등을 조정하는 거동을 하게 된다. 이러한 거동은 상대 차량의 속성의 영 향을 받는다. 이러한 잠재적 상호작용을 가상의 힘으로 가정하여 분석한 것이 포텐셜 필드 이론이다. 필드가 정의된 속성에 따라 주위에 작용하는 잠재적인 상호작용 가능성의 분포라면, 포텐셜은 특정 위치에서의 잠 재적인 상호작용의 크기를 의미한다. 차량이라는 속성 하에서 리스크의 포텐셜에 대한 필드는 일정한 변수 에 대하여 보편적인 형태를 가지며 분포한다. 이것은 에너지의 형태이며, 힘으로 변환하여 차량의 미시적 거 동을 계산하거나, 그 자체로 위험도의 지표로서 해석할 수 있다.

비접촉에 의해 작용하는 가상의 힘을 설명하기 위한 많은 필드 수식들이 제안되었으며, Wolf and Burdick(2008)은 차량 사이에 작용하는 힘을 Yukawa Potential을 적용하여 설명하였다. 본래 Yukawa Potential 은 핵자 간의 강한 상호작용을 정의하기 위하여 고안한 수식으로, 해당 수식에서 포텐셜의 크기는 거리에 반 비례하며, 지수함수적으로 근거리에서 강한 힘을 보이지만 일정 거리를 벗어나면 힘이 거의 작용하지 않게 된다. e의 지수항은 영향력의 범위를 정의한다. 교통 분야에서 해당 수식을 적용할 때 핵자와 차량의 속성 차이점을 고려하여 처음에는 중심점으로부터의 거리 위주로 영향력을 정의하였으나, 연구의 발전에 따라 속 도, 위치, 회전각과 같은 다양한 요소를 고려하여 잠재적인 에너지의 영향 범위를 정의하였다.

도로를 주행 중인 차량은 잠재적인 가상의 힘을 갖는다. 차량이 갖는 힘은 종방향과 횡방향으로 구성되며, 직선도로를 주행하는 차량은 일반적으로 횡방향 양쪽으로는 동일한 힘을 갖는다. 하지만 종방향으로는 진행 하는 방향쪽에 더 많은 힘을 갖는다. 즉, 진행 방향 쪽에서 충돌했을 때 반대쪽 보다 더 큰 힘을 받는다. 이 러한 힘은 다른 차량 또는 보행자 입장에서는 잠재적 위험으로 작용하기 때문에 리스크 포텐셜이라 정의되 고, APF 개념 측면에서는 이를 척력이라고 할 수 있다. <Fig. 2>는 이러한 차량이 갖는 리스크 포텐셜을 그 림으로 표현한 것으로, 좌측 그림(종방향)에서는 차량 중심을 기준으로 주행방향에 포텐셜이 집중되는 모습 을 보이고, 우측 그림(횡방향)에서는 양쪽으로 대칭된 모습으로 포텐셜이 형성되는 것을 볼 수 있다.

<Fig. 2>

Vehicle Risk Potential Intensity around Vehicle

리스크 포텐셜은 차량과의 거리, 차량의 속도, 그리고 가속도에 영향을 받는다. 거리가 멀어질수록 크기는 감소하고 가까울수록 증가하는데, 이에 따라 포텐셜의 영역이 결정된다. 속도는 포텐셜 크기와 범위를 결정 하는 중요한 요소인데, 속도가 증가할수록 포텐셜 크기가 증가하고 범위도 증가한다. 가속도는 주행 방향성 에 대한 포텐셜을 결정하는 요소로, 가속도의 크기가 증가할수록 진행방향의 포텐셜 크기는 증가하고 반대 방향은 감소한다. 이는 차량 중심으로부터 비대칭적인 형태의 리스크 포텐셜이 형성되는 원인이 되어, 가속 시에는 차량의 전방에, 감속 시에는 차량의 후방에 리스크 포텐셜이 집중되어 발생한다.

협력주행이 진행되는 도로의 서비스 영역에서는 다양한 차량에 대한 힘이 중첩되어 나타난다. 이러한 리 스크 포텐셜은 차량이 다수 존재할 경우, 합산을 통하여 다수 차량의 영향력을 나타낼 수 있다. 포텐셜의 총 합이 높아 잠재적인 에너지가 높게 분포하는 위치일수록, 다른 위치에 비하여 ‘위험하다’고 정의할 수 있으 며, 다른 차량의 영향에 의한 거동 변동이 나타나게 된다. 이를 기반으로 리스크 포텐셜이 높은 지점은 회피 하여 경로를 설정할 시 안전성을 확보할 수 있다.

2. 모형 구성

모형을 구성하기 위해 먼저 좌표계를 정의하였다. APF 모형과는 달리 도로는 경로가 차로를 따라 생성되 기 때문에 일반적인 좌표계를 적용하기는 어렵다. 따라서 본 연구에서는 도로의 종방향, 즉 차량이 주행하는 차로의 중심선 방향을 x축으로 정의하고, 그와 수직으로 교차하는 직선을 y축으로 정의한다. x축은 도로의 중심선을 선택해도 되고, 특정 차로의 중심선을 선택해도 된다. 다만, 본 연구에서는 모든 차로의 중심선은 서로 평행하다고 가정한다. 특정 차로의 중심선이 다른 것과 평행하지 않을 경우 x축을 정의하기 위한 별도 의 방법이 필요하다. 그리고 제안하는 모형에서는 좌표계의 원점을 특정하지 않는다. 관심 대상 차량의 중심 점이 원점이 될 수도 있고, 관심 영역의 어떤 점도 원점으로 선택할 수 있다. 중요한 것은 도로의 특정 지점 이 좌표로 정의되고, 해당 지점과 차량 간의 거리를 계산할 수 있으면 된다. 또한 직선부 도로만을 대상으로 한다. 곡선부 도로는 곡률반경으로 인해 차로별 거리가 상이하기 때문에 별도의 좌표계 정의가 요구되며, 이 는 본 연구에서 제시하는 것에 비하여 더욱 복잡한 수식을 필요로 한다.

이러한 좌표계 상에서 속도 υ와 가속도 a로 주행하며 (x₀, y₀)에 위치하는 차량으로 인한 특정 지점(x, y) 의 리스크 포텐셜(U)은 식 (1)과 같이 정의된다. 수식은 Yukawa Potential을 기본으로 하는 지수함수 형태로, 차량과 근접한 영역에서 큰 위험성을 보이나 일정 거리 이상 떨어졌을 시 힘이 작용하지 않으며 속도(υ )와 가속도(a)의 영향을 받는다. Yukawa Potential 기반의 필드 모형은 다수 연구 되었으며, e의 지수항을 변화시 켜 영향력의 범위를 변화시키는 방향으로 모형이 발전해왔다. 본 논문에서는 가속도 방향성에 따른 잠재적 인 종방향 위험성의 크기 변화를 반영하기 위하여, 가속도와 종방향 거리를 반영하였다. 속도는 크기와 영향 력 범위 모두에 영향을 줄 수 있도록 하여 모형에서 설명하고자 하는 포텐셜의 형태를 구현하였다.

s′는 차량 중심점(x₀,y₀)과 주변의 특정 지점(x, y) 사이의 가상 거리로, 차량 중심점에서 멀어질수록 차량 리스크 포텐셜은 감소한다. 속도 υ의 경우, 차량 리스크 포텐셜의 크기와 분포에 영향을 주는 값으로 속도가 증가할 경우 동일 상대 위치의 리스크 포텐셜 값은 커지며, 포텐셜의 전체 분포가 넓어진다. k는 속도 계수 로 속도 영향력을 결정하며, τ는 안전거리 계수로 정지 차량(υ = 0)에 의한 리스크 포텐셜을 결정한다. 가속 도 a는 방향성에 영향을 주는 값으로, 가속도의 방향에 따라 영향력이 넓게 미치는 가속도 포텐셜 영역의 생성 위치를 결정한다. 포텐셜 값의 발산을 방지하기 위하여 매우 작은 값의 발산 방지 계수 ∈₁, ∈₂, ∈₃ 을 활 용하였다.

식 (1)에서 가상 거리 s′은 차량 중심점과 도로 위 특정 지점 간 절대 거리(s)를 기반으로 계산되는데, 일 반적으로 s 는 식 (2)와 같이 표현된다.

도로는 차로로 구분이 되고, 차량은 차로 내에서 주행을 하기 때문에 동일 차로에 위치하는 것과 다른 차 로에 위치하는 것 간의 리스크 포텐셜이 다르게 적용될 필요가 있다. Wolf and Burdick(2008)는 리스크 포텐 셜 측면에서 종방향으로 30미터의 거리 차이는 횡방향 2미터 거리 차이와 동등하다라고 주장하였다. 즉, 포 텐셜의 중심점으로부터 종방향과 횡방향으로 같은 거리가 떨어진 지점의 경우, 리스크 포텐셜적으로 종방향 이 더 근거리에 있는 것과 같은 효과를 보인다는 것을 의미한다. 이러한 사실에 기반하여 식 (2)의 s 를 가상 의 거리 s′으로 가공하면 식 (3)과 같이 나타낼 수 있다. c₁과 c₂ 계수를 이용하여 종·횡방향 거리에 따른 포 텐셜을 조정하여, 모형에서 종방향과 횡방향 영향력 범위를 조정하고, 차로를 따라 주행하는 차량의 특성을 나타낼 수 있다.

Ⅳ. 모형 검증

본 장에서는 앞서 제안한 리스크 포텐셜 모형을 구현 및 검증하였다. 이를 위해 도로 상에 차량 1대가 (x₀, y₀) = (0, 1.75) 위치에서 속도(υ) 5.56m/s , 가속도(a)가 3m/s²으로 주행하는 것으로 시나리오를 설정하 였다.

<Fig. 3>의 (a)는 차량 중심점을 기준으로 거리에 따른 리스크 포텐셜(U )의 분포를 보여준다. 차량 중심점 의 포텐셜이 가장 크고, 거리가 멀어질수록 감소하는 것을 확인할 수 있다. <Fig. 3>의 (b)는 x-y 평면에 포텐 셜 등치선을 표현한 것으로, 중심점을 기준으로 거리가 증가할수록 포텐셜이 감소하되 가속 방향으로 더 먼 곳까지 포텐셜이 분포하는 것을 확인할 수 있다. <Fig. 3>의 (c)와 (d)는 각각 리스크 필드 모형의 종단면(x-z 평면)과 횡단면(y-z 평면)을 나타낸다. 횡단면(<Fig. 3>-(c))에서는 양쪽에 균일한 리스크 포텐셜이 생성됨을 확인할 수 있는데, 이는 차량이 일반적인 주행상황에서 좌우 양측의 위험도가 동일한 사실을 제안된 모형이 잘 나타내고 있음을 의미한다. 종단면(<Fig. 3>-(d))의 경우, 가속 반대 방향의 경우 포텐셜의 범위가 작은 반 면, 가속이 작용하는 방향은 동일한 거리에서의 포텐셜 크기가 더 크고, 더 먼 거리까지 포텐셜이 분포되는 것을 확인할 수 있다.

<Fig. 3>

Vehicle Potential Fields

다음으로는 속도의 변화가 리스크 포텐셜 분포에 미치는 영향을 분석하기 위하여 속도를 변화시키며 포 텐셜 분포의 변화를 관측하였다. <Fig. 4>의 (a)는 등속(a = 0)을 가정하고 속도가 다를 경우 포텐셜의 변화를 관찰한 것이고, <Fig. 4>의 (b)는 가속 상황(a > 0)에서 속도의 변화에 따른 포텐셜의 변화를 관찰한 것이다. 차량이 등속운동을 하는 경우 속도의 변화에 따라 리스크 포텐셜의 크기와 영향 범위가 변하는 것을 확인할 수 있다. <Fig. 4>의 (a)의 하단 그림에서와 같이 속도가 낮을 때는 분포의 크기가 작고 좁은 반면, 속도가 높 아질수록 분포의 크기와 범위가 증가하는 것을 볼 수 있다. 하지만 등속운동이기 때문에 주행방향에 따른 분 포의 비대칭성은 나타나지 않는다.

<Fig. 4>

Velocity Change

차량이 가속을 하는 경우도 속도의 변화에 따른 분포의 크기와 범위는 변한다. 하지만 <Fig. 4>의 (b)에서 의 하단 그림에서와 같이 가속으로 인한 포텐셜 분포의 비대칭성이 발생한다. 그림은 가속 상황(a = 3)을 나 타내고 있기 때문에 전방의 포텐셜이 후방에 비해 크고 넓게 분포되는 것을 확인할 수 있다. 감속 상황이라 면 이와는 반대의 형태가 나타날 것이다. 이는 <Fig. 4>의 (c)와 같이 등치선도에서도 확인할 수 있다.

가속도가 리스크 포텐셜 분포에 미치는 영향을 분석하기 위하여 가속도 변화와 그에 따른 포텐셜 분포의 변화를 관찰하였다. <Fig. 5>의 (a)와 (b)는 속도가 16.68 m/s 일 때 가속도를 점진적으로 증가시키며 포텐셜 분포의 변화를 관찰한 결과이다.

<Fig. 5>

Acceleration Change

상단 그림은 횡방향을 나타내고 있기 때문에 분포가 대칭으로 나타난다. 반면 하단 그림은 종방향으로 포 텐셜 분포의 단면을 나타내고 있는데, 가속도의 크기가 증가할수록 주행방향으로의 포텐셜 분포의 크기는 증가하고 반대방향은 크기가 감소하는 것을 볼 수 있다. 즉, 주행방향으로 리스크 포텐셜 분포가 쏠리는 현 상이 발생한다. 이는 현실세계에서 발생하는 차량의 가속으로 인한 위험도의 방향성을 잘 표현하는 것이라 할 수 있다.

속도와 가속도 변화에 따른 리스크 포텐셜 크기 분포를 수치적으로 비교하기 위해 <Table 2>와 <Table 3> 과 같이 차량 중심점, 차량 전방 5m, 차량 전방 10m의 각 지점별 속도와 가속도 변화에 따른 포텐셜(U ) 크 기를 작성하였다. <Table 2>의 (a)를 보면 속도의 증가는 전체의 차량 리스크 포텐셜을 증가시키는 것을 알 수 있고, <Table 2>의 (b)에서와 같이 가속도가 증가할 경우 차량 중심점의 포텐셜은 변하지 않으나 진행방 향의 포텐셜이 증가하고 더 먼 곳까지 영향을 미치고 있다는 것을 확인할 수 있다.

계산 부하량으로 인한 실시간성 확보를 고려하기 위하여 500m 길이, 3.5m 폭의 3차로 도로에서 중첩되지 않는 임의의 차량이 n대 있다고 가정하여 합산된 리스크 필드를 도출하였다. 비교군으로는 문헌고찰에서 협 력주행 인프라 엣지 RSU 환경에서 가장 사용하기 적합하다고 판단하였던 Li et al.(2022)의 모형을 사용하였 다. <Fig. 6>를 보면 n=5개 지점에 대하여 유사한 형태의 설명력을 가지는 합산 리스크 필드를 나타냄을 알 수 있다. 같은 환경에서 연산 부하를 비교하기 위하여 차량이 1대 있는 상황의 합산 리스크 필드를 구할 때 부터 30대가 있는 상황의 총 합산 리스크 필드를 구하기까지 소모되는 시간을 각 250회 측정하여 평균을 <Fig. 7>에 나타내었다. 그 결과, 전반적으로 계산시간이 단축되는 모습을 보였다.

<Fig. 6>

Risk Potential for Random Vehicle Position

<Fig. 7>

Calculation time for random vehicles

Ⅴ. 결 론

본 논문은 자율주행 차량의 특정 지점의 위험도 평가 및 안전한 국지적 경로 생성에 활용하기 위하여, 인 프라를 중심으로 하는 협력주행 환경의 엣지 RSU에서 연산할 때, 차량의 실시간 위치, 속도, 가속도와 같은 상태 정보를 기반으로 차량 간 상호 작용하는 잠재적인 힘으로 인한 위험성을 설명할 수 있으며, 기존 모형 과 비교하여 연산 성능이 우수한 리스크 필드 모형을 구성하고자 한 논문이다. 엣지 인프라 환경에 적합한 모형은 적절한 수의 변수를 가지며, 각 변수의 영향력이 모형에 잘 드러나고, 수식의 복잡도가 지나치게 높 지 않아 엣지 RSU의 성능 한계에서도 다수 차량에 대한 실시간 연산이 가능한 모형이라고 할 수 있다. 이를 위하여 기존 모형들의 변수를 비교하고, 핵심적인 변수를 중심으로 수식을 구성하였다. 구성한 수식을 검증 한 결과, 속도와 가속도 변동에 따라 적절하게 영향력 크기와 범위, 방향성이 변화하였으며 기존 리스크 필 드와 비교하여 연산 시간의 단축을 보였다.

본 모형은 협력주행 획득 데이터를 고려하고, 엣지 시스템에서 활용할 수 있도록 수식을 간략화 하였기에 인프라가 주도하는 협력주행에서 다수 차량의 중첩에 의한 연산을 수행하기에 적합하다는 특징을 가지고 있 다. 본 논문에서 제안한 리스크 필드 모형을 통해 도출한 영향력은 서비스 영역에서의 위험도 분포를 나타 내는 지표로 엣지 RSU 입장에서 실시간으로 생성하여 차량에게 배포할 수 있다. 개별 차량 수준에서는 전달 받은 정보를 기반으로 위험도가 높은 영역을 회피하기 위한 경로 변경, 차량 간 거리 조절 등을 통하여 안전 성을 확보할 수 있으며, 협력주행 차원에서는 상호 제안하는 주행 궤적이 고위험도 지역을 통과하는지 확인 하여 안전성을 평가하고 수용 여부를 결정하는 방법으로의 활용이 가능하다. 교통 인프라를 통한 차량 관제 차원에서도 리스크 필드 모형 생성 결과 차량 다수 밀집 등으로 위험도가 높은 지역이 발생할 경우 적절한 유입 조절과 자율주행 차량의 제어권 전환을 권유할 수 있어 모형 발전에 따른 활용분야 확장이 기대된다. 또한 협력주행 관점에서는 협력주행 메시지, BSM 메시지를 수신하여 모형에 활용하고, 결과값을 위험도의 영역과 범위 형태로 차량에게 실시간으로 재전송하는 시스템적인 부분을 설계하고 데이터 제공 형태를 구상 하여 실제 환경에 적용하여 활용성을 높일 수 있을 것이다.

다만 해당 모형은 직선부 도로를 대상으로 정의되었기에 다양한 도로 환경에 적용하기에는 한계가 존재 한다. 곡선부 도로는 곡률반경으로 인해 거리 산출의 방법이 변화하므로 좌표계를 재정의할 필요가 있다. 교 차로, 회전교차로, 합류부 등의 특수한 구간에 대해서도 특화된 좌표계 정의와 모형 구축이 필요하다. 이외 에도 보행자, 도로 시설물, 스마트 모빌리티와 같은 도로교통 공간 내 다양한 요소를 모형 상에 표현하여 리 스크 필드 모형의 확장을 기대할 수 있다. 또한 본 논문에서 제안하는 리스크 필드 모형은 경험적인 계수를 사용하여 구성되었다. 시뮬레이션이나 실제 차량 궤적 수집 데이터를 투입하여 최적화를 수행함으로 보다 설명력 좋은 모형으로의 발전이 기대된다.