Ⅰ. 서 론
자율주행 기술은 최근 4차 산업혁명의 핵심 기술 중 하나로 자리 잡고 있으며, 전 세계적으로 급속한 연 구 및 상용화가 진행되고 있다. 자율주행 기술은 도로 안전, 교통 체증 해소, 그리고 에너지 효율성 향상 등 사회적 문제 해결을 목표로 개발되고 있다(Bendiab et al., 2023). 각국 정부와 자동차 제조사들은 2030년까지 완전 자율주행을 구현하기 위한 다양한 테스트와 규제 정비에 힘쓰고 있으며, 이에 따라 자율주행 차량은 교 통 시스템 내에서 중요한 구성 요소가 되어가고 있다. 특히, 구글의 Waymo, 테슬라, GM 크루즈와 같은 글로 벌 기업에서는 자율주행 차량 상용화를 위한 대규모 시험 주행을 통해 데이터를 축적하고 있다. 국내 또한 서울 상암, 제주, 판교 등에서 자율주행 시범운영이 진행되고 있으며, 각종 연구개발 지원과 규제 완화를 통 해 자율주행 기술 도입에 박차를 가하고 있다.
자율주행 기술이 빠르게 발전하는 만큼, 자율주행 차량의 안전성과 신뢰성 또한 중요한 요소로 떠오르고 있다. 특히 제어권이 운전자에서 차량으로 바뀌는 자율주행 차량의 경우 사용자에게 높은 수준의 안전성을 제공해야 한다(Lu et al., 2022). 따라서 자율주행 차량은 사고 가능성을 최소화하기 위해 신중하고 방어적인 운전 행태를 보일 필요가 있다. 이러한 보수적 주행 방식은 차량 내부의 로직에 의해 구현되며, 일반 운전자 보다 예측 가능한 행동을 통해 돌발 상황에 대응하는 특성을 가진다(Zhan et al., 2016). 예를 들어, 자율주행 차량은 교차로나 차선 변경 상황에서 불필요한 가속이나 급격한 차선 변경을 지양하고, 안전거리를 엄격히 유지하며 행동한다. 이러한 보수적 주행 방식은 자율주행 차량 자체의 사고를 줄이는 데 효과적이지만, 역설 적으로 일반 운전자가 혼재된 상황에서 혼란을 초래할 수 있다. 이는 보수적 주행을 추구하는 자율주행 차량 이 일반 운전자의 예측과 맞지 않는 경우가 발생하여, 의도치 않게 주변 차량에 불안감을 조성하거나 교통 흐름에 부정적인 영향을 미칠 가능성이 있다. 자율주행 차량이 지나치게 급감속하는 행동할 경우, 뒤따르는 차량이 이를 예상하지 못하고 갑작스러운 제동을 하는 등의 상황이 발생할 수 있다. 이러한 문제가 발생할 가능성을 고려할 때, 자율주행 차량의 보수적 주행 특성이 주변 교통에 미치는 영향에 대한 깊이 있는 연구 가 필요하다. 자율주행 차량의 보수적 주행 특성은 기존의 일반 차량과 혼재된 교통 환경에서 예상치 못한 영향을 미칠 수 있으며, 이는 단순히 자율주행 차량 자체의 안전성에만 초점을 맞춘 기존 연구들에서는 고려 되지 않은 부분이다. 자율주행 차량과 일반 차량이 혼재되어 운행되는 교통 상황에서는 자율주행 차량의 보 수적 주행이 오히려 주변 차량의 주행 안전성을 저해할 수 있다는 문제점이 존재한다(Zhao et al., 2019).
따라서 자율주행 차량의 보수적 주행의 영향을 구체적으로 분석하는 것은 매우 중요하다. 특히 이러한 보 수적 주행 특성이 주변 차량의 주행 안전성과 전체 교통 흐름에 미치는 영향을 종합적으로 평가함으로써, 자 율주행 기술 도입이 교통 환경에 미치는 실질적인 영향을 보다 정확히 이해할 필요가 있다. 본 연구에서는 Ego 차량을 보수적인 주행행태를 반영한 자율주행 차량으로 정의한다. 이를 통해 자율주행 차량의 보수적 주행이 주변 차량과 전체 교통 흐름에 어떤 변화를 야기하는지를 파악하여, 자율주행 차량과 일반 차량이 공 존하는 교통 환경에서 이상적인 운전 행태와 교통 정책 수립에 필요한 기초 자료를 제공하고자 한다.
본 연구는 다음과 같이 구성된다. 먼저 2장에서는 자율주행 차량의 주행행태에 대한 기존 연구와 Cosimulation 접근법에 관한 선행 연구를 고찰하고 시사점을 제시한다. 3장에서는 보수적 주행 구현과 시뮬레이 션 환경 설정, 개별 차량 및 교통 흐름에 대한 안전성 분석 방법론을 상세히 설명한다. 이후 4장에서는 시뮬 레이션을 통해 도출된 분석 결과를 제시하고, 5장에서는 본 연구의 결과를 요약하고 자율주행 차량의 주행 행태가 교통 안전성과 흐름에 미치는 영향을 논의하며, 후속 연구의 방향을 제안한다.
Ⅱ. 선행연구 고찰
1. 자율주행 차량의 주행행태 특성 관련 연구사례 고찰
자율주행 차량의 주행행태는 안전성과 효율성을 모두 고려해야 하므로 다양한 주행 방식으로 분류되고 있다. 자율주행 차량의 주행행태는 크게 공격적 주행과 방어적 주행으로 나뉜다. 방어적 주행은 차량이 일정 한 주행 간격을 유지하며 예측 가능한 방식으로 돌발 상황에 유연하게 대응하도록 설계된다. 예를 들어, Schwarting et al.(2018)은 방어적 주행 방식이 돌발 상황에서의 대응력을 높여 교통 효율성과 안전성을 모두 충족시킬 수 있는 잠재력을 가진다고 보고하며, 이로 인해 주요 연구들은 공격적인 주행에 초점을 맞추어 공 격적인 자율주행 차량이 초래하는 위험에 관한 연구를 진행하였다(Li et al., 2023). 방어적 주행은 사고 위험 을 최소화하기 위해 안전성을 최우선으로 고려하나, 지나치게 조심스러운 주행 태도로 인해 다른 운전자들 에게 예기치 못한 반응을 유발할 수 있다. 이러한 방어적 주행이 안전을 지향하지만, 주행 품질 저하 및 다 른 도로 이용자들의 예상치 못한 행동을 초래할 수 있다(Zhan et al., 2016). 또한, 지나치게 방어적인 주행 방 식이 혼잡을 유발하거나 도로의 전반적인 효율성을 저하시킬 수 있다는 우려도 제기되었다. Goodall(2014)의 연구는 보수적 주행이 혼재된 교통 환경에서 오히려 교통 혼잡을 가중할 수 있으며, 이에 따라 자율주행 차 량의 주행 로직이 안전성과 교통 효율성 간 균형을 맞추도록 설계되어야 한다고 주장한다. 방어적 주행 유형 은 신중한, 소극적, 보수적 주행 방식으로 세분화되어 연구가 이루어지고 있다(Sagberg et al., 2015). 그러나 방어적 주행 방식에 대한 정의는 연구마다 상이하며, 방어적 주행(신중한, 소극적, 보수적)을 정의하는 기준 이 다르다. 이러한 주행을 구별하는 것은 연구자의 정의 혹은 방어적 운전 유형을 반영하기 위한 지표로서 구분한다. 운전 유형을 반영하기 위한 지표는 교통 안전 측면에 초점을 두며, 낮은 속도, 부드러운 가속, 빠 른 감속, 빠른 차선 변경 등을 포함한다(Ma and Zhang, 2021). Sagberg et al.(2015)는 신중한 주행 행동에 대해 개인적 성향을 토대로 주변 운전자와의 상호작용 과정에서 발생하는 주행 행동으로 정의하였다. Li et al.(2023)은 혼합 교통 흐름에서 공격적인 운전자와 소심한 운전자를 비교하여 분석하였으며, 가·감속의 변화 가 적은 주행 행동을 소심한 운전으로 정의하였다. Mavrogiannis et al.(2022)는 교통 시뮬레이터에서 다양한 행동을 시뮬레이션에 반영하고자 하였으며, 보수적 주행을 반영하기 위해 가·감속과 최소거리 등을 활용하 여 구현하였다.
2. Co-simulation 관련 연구사례 고찰
자율주행 차량의 성능과 안전성을 검증하기 위해 다양한 상황을 반영하는 시뮬레이션 환경의 필요성이 점차 커지고 있다. 실제 주행 환경을 시뮬레이션하기 위해서는 다양한 변수와 복잡한 교통류 반영이 필요하 다. 하지만 단일 시뮬레이션 도구만으로는 자율주행 차량의 동역학 및 주변 교통 상황을 충분히 재현하기 어 려운 경우가 많다(Zofka et al., 2016). 이러한 한계를 해결하기 위해 여러 시뮬레이션 소프트웨어를 통합하여 현실적인 교통 환경을 재현하는 Co-simulation 접근법이 연구되고 있다. Co-simulation 접근법은 자율주행 차 량의 주행 성능뿐만 아니라, 주변 교통 흐름과의 상호작용을 세밀하게 평가할 수 있도록 다양한 소프트웨어 를 결합하는 방식이다. 예를 들어, 자율주행 차량의 동역학적 요소가 중요한 경우에는 차량 동역학 시뮬레이 션 소프트웨어와 교통류 시뮬레이션 소프트웨어를 함께 사용하여, 보다 현실적인 교통 시나리오를 구현할 수 있다. Nalic et al.(2020)은 자율주행 차량의 동역학 시뮬레이션 도구인 CarMaker와 교통류 시뮬레이션 도 구인 VISSIM을 결합하여, 자율주행 차량의 주행 특성을 현실적인 교통 상황에서 평가하였다. 이들은 오스트 리아의 실제 도로 데이터를 활용한 공동 시뮬레이션 프레임워크를 통해 자율주행 시스템의 성능과 안전성을 효율적으로 검증할 수 있는 방법론을 제시하였다. 또한 고속도로 자율주행 기능을 체계적으로 테스트하고, 자동화된 주행 시나리오 생성을 통해 교통 흐름 모델의 현실성을 높이는 접근을 제안하였다. Selvaraj(2020) 은 자율주행 차량의 통신 네트워크 환경을 시뮬레이션하기 위해 CarMaker와 SUMO를 결합하여 무선 통신 네트워크 시뮬레이션 프레임워크를 제안하였다. 이 프레임워크는 차량 간 통신(C2X) 환경을 고려하여 자율 주행 차량 간의 상호작용이 교통 흐름에 미치는 영향을 분석하는 데 중점을 두고 있다. Chen et al.(2024)의 연구에서는 PreScan, Matlab, VISSIM을 통합한 공동 시뮬레이션 플랫폼을 통해 자율주행 차량의 고속도로 합 류 구역에서의 안전 성능을 평가하였다. 이 연구는 자율주행 차량의 시장 침투율 증가가 교통사고와 위험을 감소시키는 데 기여할 수 있음을 확인하고, 자율주행 차량의 안전성과 편안함을 각각 충돌 시간(TTC)과 저 크(Jerk)로 평가하였다. Cime et al.(2020)은 자율주행 셔틀과 라이드 헤일링 차량이 혼합된 도심 지오펜싱 구 역에서의 교통 흐름을 분석하기 위해 VISSIM, CarMaker, Nvidia Drive PX2를 통합한 HiL, SiL 시뮬레이션 플 랫폼을 개발하였다. 이 연구는 다양한 시나리오에서 자율주행 차량의 침투율, 센서 파라미터, 교통 신호 등 을 변경하며 자율주행 차량의 교통 영향과 V2X 기능을 연구하였다. Kath and Krause(2016)은 SUMO와 CarMaker를 Simulink 인터페이스로 통합하여 미시적 교통 흐름과 차량 동역학을 결합한 시뮬레이션 방법을 제시했다. 첫 번째 사례로 고속 커브 도로의 차량 속도를 미시적 교통 시뮬레이션에 반영했으며, 두 번째 사 례에서는 주변 교통 상황에서의 자동 크루즈 컨트롤 시스템을 테스트하여 통합 시뮬레이션의 실효성을 입증 하였다.
3. 시사점
본 연구는 Co-simulation을 활용하여 자율주행 차량과 일반 차량이 혼재된 현실적인 도로 환경을 구현하고, 자율주행 차량의 보수적 주행이 교통류에 미치는 영향을 분석하는 것을 목표로 한다. 기존 연구들은 공격적 및 방어적 주행행태의 구현과 분석에 중심을 두었으나, 본 연구는 방어적 주행행태 중에서도 특히 보수적 주 행에 초점을 맞추며, 보수적 주행은 앞 차량과의 충돌을 피하기 위해 급격한 감속을 시도하는 주행 특성으로 정의하고 이를 본 연구의 보수적 주행행태 차량으로 활용하였다.
기존의 연구에서 제시하는 주행 차량의 주행 로직을 구현하는 방안으로 동역학 시뮬레이션이 활용되었으 며, 주변 교통류의 자연스러운 형성을 위해 교통류 시뮬레이션이 사용되었다. 기존의 연구들이 주로 차량의 성능에 초점을 맞추어 수행되었으나, 본 연구는 자율주행 차량의 주행 로직으로 인해 변화되는 교통 흐름과 안전성에 대한 포괄적인 분석의 필요성을 강조한다. 이를 위해 본 연구는 동역학 시뮬레이션을 통해 보수적 주행행태를 구현하고 교통류 시뮬레이션을 통해 현실적인 교통 환경을 생성하여, Co-simulation을 통해 자율 주행 차량과 주변 교통류의 상호작용을 평가하고자 한다.
Ⅲ. 방법론
본 연구는 CarMaker에서 Ego 차량의 보수적 주행행태를 구현하였으며, 주변 교통류 구현은 VISSIM을 활 용하였다. 전반적인 연구흐름도는 <Fig. 1>과 같다.
1. 시나리오 설정
1) 제한속도별 차로 변경 시나리오
본 연구는 Ego 차량이 차로 변경을 시도하는 과정을 70km/h부터 120km/h까지의 제한속도별 시나리오를 통해 시뮬레이션을 수행하였다. 분석구간은 차로 변경이 자주 발생하는 상황 구현을 위해 엇갈림 구간을 분 석 대상지로 설정하였다. Ego 차량은 3차로에서 2차로로 차로 변경을 시도하며, 제한속도별 주변 교통류 상 황을 고려하여 차로 변경을 시도한다.
2) Ego 차량의 보수적 주행 구현
본 연구에서는 방어적 주행 방식 중에서도 보수적 주행에 대해, 위험 상황에서 신속하게 감속하여 위험을 피하는 특성을 보수적 주행으로 정의하였다. 주행 유형에 따른 다양한 선행 연구를 참고하여, Mavrogiannis et al.(2022)가 제시한 높은 감속도의 매개변수를 보수적 주행의 감속도 값으로 사용하였다. 주행 유형에 따른 선행 연구의 세부적인 값은 <Table 1>에 제시하였다.
<Table 1>
Parameter of Driving style
| Author | Driving Style | Acceleration(m/s2) | Deceleration(m/s2) |
|---|---|---|---|
| Li et al. (2023) | Timid | 1 | -1 |
| Mavrogiannis et al. (2022) | Conservative | 3 | -6 |
| Ma and Zhang. (2021) | Defensive | 6 | -4.07 |
| Li et al. (2021) | Defensive | 6 | -2 |
| Yusof et al. (2016) | Defensive | 1.37~2.45 | -1.37~-3.24 |
<Fig. 3>의 g-g 다이어그램은 보수적 주행 스타일에서 차량의 최대 가속도 및 감속 한계를 시각화한 것이다. x축(종방향 가속도)과 y축(횡방향 가속도)을 기준으로, 차량이 주행 중 가질 수 있는 최대 가속도 범위를 나타 내며, 이를 통해 차량이 위험 상황에서 신속하게 감속하여 위험을 피하는 보수적 주행 특성을 반영하였다.
2. Co-simulation 환경 설정
본 연구에서는 자율주행 차량의 보수적 주행 특성을 구현하고 분석하기 위해 Co-simulation 방법을 채택하 였다. Co-simulation은 교통류 시뮬레이션 소프트웨어인 VISSIM과 차량 동역학 시뮬레이션 소프트웨어인 CarMaker를 결합하여 현실적인 교통 환경을 구현할 수 있는 방법이다. VISSIM은 도로 위의 전체 교통 흐름 을 모사하며, 다양한 차량 유형, 운전자 특성, 교통 신호 등을 반영하여 실제 도로 상황에 가까운 시뮬레이션 을 구현한다. CarMaker는 자율주행 차량의 동적 특성과 주행 제어 알고리즘을 상세히 모사할 수 있는 도구 로, 자율주행 차량의 가속, 감속, 차로 변경과 같은 다양한 주행 시나리오를 구체적으로 분석할 수 있다. 두 시뮬레이션을 활용하여 자율주행 차량의 보수적 주행과 주변 차량과의 교통 환경을 설정하여 시나리오 테스 트를 수행하였다. 시뮬레이션에서 Ego 차량 외 주변 차량에 대한 설정을 위해 VISSIM 시뮬레이션에서 제공 하는 Wiedemann 99 모델을 활용하였으며, 엇갈림구간 200m를 포함한 1,800m를 분석구간으로 설정하였다.
3. 안전성 평가
1) 주변 차량의 안전성 평가 방안
본 연구에서는 Ego 차량을 기준으로 후방 50m 이내에 위치한 차량들을 분석 대상인 주변 차량으로 정의 하였다. 이는 차로변경 시 직접적인 영향을 받을 수 있는 차량을 포함하기 위한 거리다(Shin, 2024). 분석은 Ego 차량의 차로변경과 직접적인 관련이 있는 2차로와 3차로의 데이터를 대상으로 하였다. 분석 기준은 차 로변경 시점을 기준으로 전후 5초 구간으로 설정하였으며, 주변 차량의 안전성 평가를 위해 속도, 가속도, 가 속도 변화율인 저크(Jerk)를 분석 지표로 활용하였다.
2) 교통류 안전성 평가 방안
교통류에 대한 안전성 분석을 위해 Hayward(1971)에서 제안한 대리안전지표(Surrogate Safety Measure, SSM) 중 시간 기반, 가속도 기반, 거리 기반에 해당하는 지표 하나씩을 선정하여 평가에 활용하였다. 이 중 시간 기반의 안전성 지표는 Time to Collision(TTC)을 활용하였으며, 차로 변경 상황에 대한 안전성 평가를 위해 Chen et al.(2024)이 제안한 횡방향 TTC, 종방향 TTC를 활용하였다. 가속도 기반의 안전성 지표는 Deceleration Rate to Avoid a Crash(DRAC)를 사용하였고, 거리 기반의 안전성 지표는 Stopping Distance Index (SDI)를 활용하였다(Oh et al., 2009). 인지 반응 시간의 경우 Ego 차량은 1초 그 외 주변 차량은 2초로 설정하 였다. 각 지표의 계산식은 식 (1), (2), (3)과 같다.
여기서,
-
XLV , XFV = 선·후행 차량의 위치
-
lLV , lFV = 선·후행 차량의 길이(m)
-
VLV , VFV = 선·후행 차량의 속도(m/s)
-
DLV-FV = 선행 차량과 후행 차량의 차간간격(m)
-
dLV , dFV = 선·후행차량의 상충지점 까지의 거리(m)
-
wLV , wFV = 선·후행 차량의 차량 너비(m)
-
= 선·후행 차량의 감속도(m/s2)
-
ht = 차두시간(s)
-
tR = 인지반응시간(s)
본 연구에서는 안전성 분석을 위해 선정한 지표별 임계값에 대한 기준을 마련하였다. TTC의 경우 위험한 상황을 정의하기 위해 3초 미만의 값들을 위험하다고 정의하였고(Minderhoud and Bovy, 2001) DRAC는 – 3.4m/s2 미만(Lee et al., 2024), SDI의 경우 1에 해당하면 위험한 것으로 정의하였다(Oh et al., 2009). 위험 상 황에 대한 지표 임계값은 <Table 2>와 같다.
<Table 2>
Threshold criteria of SSM
| Indicators | Threshold |
|---|---|
| TTC | < 3s |
| DRAC | < -3.4 m/s2 |
| SDI | 1(0: safe, 1: unsafe) |
또한 특정 상황에서 발생하는 교통류의 급격한 변화를 관찰하고 이를 토대로 교통 안전성을 평가하기 위 해 충격파 분석을 수행하였다. 이를 위해 차량의 진행 방향에 따라 측정된 도로상의 위치 정보, 그리고 시간 및 위치에 따른 차량의 속도 분포를 분석하였다.
Ⅳ. 분석 결과
1. 주변 차량 안전성 분석 결과
Ego 차량의 이벤트 상황 이후 주행 결과는 <Fig. 6>과 같다. 속도에 따른 밀도-교통량 관계를 고려하였을 때, 동일한 교통량 조건에서도 제한속도에 따라 분석구간 내 차량 수가 다르게 나타났는데, 이는 고속에서는 차량들이 구간을 빠르게 통과하는 반면, 저속에서는 상대적으로 많은 차량이 동시에 존재하기 때문이다. 특 히 제한속도 70km/h 시나리오에서는 구간 내 높은 차량 밀도로 인해 Ego 차량이 차로변경 중 급격히 감속하 였고, 이로 인해 자동 긴급 제어(Autonomous Emergency Braking, AEB) 시스템이 작동하며 일정 시간 동안 정 지하는 현상이 관찰되었다. 이는 Ego 차량의 보수적 주행 특성이 차량 밀도가 높은 상황에서 위험 회피를 위해 급감속을 선택하게 됨을 보여준다.
<Table 3>은 제한속도 70~120km/h에서 Ego 차량의 차로 변경 전후 5초 동안 주변 차량들의 주행 특성(속 도, 가속도, 저크)에 대한 표준편차의 중앙값을 분석한 결과를 보여준다. 저속 구간(70~90km/h)에서는 차로 변경 이전부터 저크 표준편차가 상대적으로 크게 나타났으며, 이는 차량 간 급격한 가속도 변화가 빈번했음 을 보여준다. 특히, 제한속도 70km/h 구간에서는 차량 밀도가 높아 혼잡이 발생했으며, Ego 차량의 급감속으 로 인해 차로 변경 과정에서 주변 차량의 주행 안전성이 저하되는 결과가 나타났다. 그러나 차로 변경 이후 속도와 저크 표준편차가 모두 감소하며, 차량 간 속도와 가속도 변화가 감소하는 모습을 보였다. 이는 Ego 차량의 차로 변경이 초기 불안정한 주행 환경에서 차량 간 속도와 가속도를 조정하며 안전성을 회복했음을 의미한다. 반면, 제한속도가 80~90km/h로 증가하면서 속도와 가속도의 변화 폭이 확대되고 저크 표준편차도 증가하여, 차로 변경이 주변 차량 간 속도 차이를 확대시키고 급격한 가속도 변화를 유발하며 주행 안전성이 저하되는 결과를 초래하였다. 고속 구간(100~120km/h)에서는 차로 변경 이후 속도와 저크 표준편차가 급격히 증가하며 차량 간 속도 차이가 확대되고 가속도의 불규칙성이 두드러졌다. 특히 110km/h 구간에서는 저크 표준편차가 크게 증가하여, Ego 차량의 차로 변경이 주변 차량 간 주행 패턴의 일관성을 해쳐 주행 안전성 을 저하시킨 것으로 나타났다. 120km/h 구간에서는 속도 표준편차가 크게 증가하여 차량 간 속도 차이가 극 대화되었고, 가속도 변화의 불규칙성이 커지는 결과를 얻었다.
<Table 3>
Analysis of Surrounding Vehicles by Speed Limit
| No | Speed limit(km/h) | Time period | Median | ||
|---|---|---|---|---|---|
| Speed SD (km/h) | Acceleration SD (m/s2) | Jerk SD (m/s3) | |||
| 1 | 70 | Before LC(5s) | 13.24 | 1.05 | 2.52 |
| After LC(5s) | 5.90 | 1.10 | 1.72 | ||
| 2 | 80 | Before LC(5s) | 1.50 | 1.03 | 1.85 |
| After LC(5s) | 3.52 | 1.48 | 2.27 | ||
| 3 | 90 | Before LC(5s) | 1.66 | 0.55 | 0.55 |
| After LC(5s) | 4.75 | 1.86 | 1.86 | ||
| 4 | 100 | Before LC(5s) | 3.76 | 0.48 | 0.34 |
| After LC(5s) | 1.77 | 0.64 | 1.89 | ||
| 5 | 110 | Before LC(5s) | 1.28 | 0.51 | 0.74 |
| After LC(5s) | 4.10 | 1.25 | 5.80 | ||
| 6 | 120 | Before LC(5s) | 2.62 | 0.31 | 0.85 |
| After LC(5s) | 11.01 | 1.55 | 1.83 | ||
종합적으로, 저속 구간에서는 Ego 차량의 차로 변경이 혼잡한 주행 환경을 일부 완화하며 속도와 가속도 를 비교적 일정하게 조정한 것으로 나타났다. 그러나 고속 구간에서는 차로 변경이 차량 간 속도와 가속도의 불규칙성을 확대하여 주행 안전성이 전반적으로 저하되는 결과가 나타났다.
2. 교통류 분석 결과
1) 교통류 안전성 평가 결과
SSM을 활용하여 교통류 안전성을 분석하기 위해 각 지표의 임계값인 TTC 3초, DRAC –3.4m/s2 ,SDI 0값 과 수집된 결과 데이터의 경우 유의미한 데이터 값을 활용하고자 TTC 값이 30을 초과하는 경우 비현실적인 상황으로 판단하여 이를 이상치로 정의하고 전체 데이터 중 TTC 값이 30 이하인 데이터를 추출하여 위험 비율 산정에 활용하였다. <Table 4>의 결과, TTC 지표에서는 Ego 차량의 보수적 주행으로 인해 다른 차량이 충분한 반응 시간을 가지게 되어, 전반적으로 0.1%에서 3.84%의 낮은 위험 비율을 보였다. 이는 Ego 차량의 주행 방식이 일반 차량의 예측 가능한 주행에 긍정적인 영향을 미친 것으로 해석된다. DRAC 지표에서 알 수 있듯 급감속 상황이 관찰되지 않은 결과는 Ego 차량의 주행 특성이 교통류의 제동 및 가속에 영향을 주 는 큰 요인이 아니었음을 의미하며, Ego 차량의 보수적 주행은 TTC, DRAC에 대한 임계값에 도달한 상황에 서는 위험비율이 낮은 것으로 보인다. 반면 SDI의 결과는 충분히 위험하다는 상반된 결과가 나타났으며, SDI 지표에서 나타난 높은 위험 비율(50%~66.81%)은 Ego 차량의 보수적 주행행태가 주변 일반 차량의 반응 속 도와 주행 거리 조절에 영향을 미친 결과로 해석된다. 특히 저속 주행에서는 차량 간 간격이 좁아져 충분한 안전거리를 확보하기 어려운 원인으로 분석된다.
<Table 4>
Analysis of Safety Indicators by Threshold
| No | Indicators | Threshold | Speed limit(km/h) | Total Count | Threshold Exceedances | Risk Ratio(%) |
|---|---|---|---|---|---|---|
| 1 | TTC | < 3s | 70 | 3,278 | 84 | 2.56 |
| 80 | 1,924 | 2 | 0.10 | |||
| 90 | 1,120 | 43 | 3.84 | |||
| 100 | 2,588 | 51 | 1.97 | |||
| 110 | 1,820 | 19 | 1.04 | |||
| 120 | 1,141 | 9 | 0.79 | |||
| 2 | DRAC | < -3.4 m/s2 | 70 | 3,278 | 0 | 0 |
| 80 | 1,924 | 0 | 0 | |||
| 90 | 1,120 | 0 | 0 | |||
| 100 | 2,588 | 0 | 0 | |||
| 110 | 1,820 | 0 | 0 | |||
| 120 | 1,141 | 0 | 0 | |||
| 3 | SDI | 1 | 70 | 3,278 | 2,190 | 66.81 |
| 80 | 1,924 | 962 | 50.00 | |||
| 90 | 1,120 | 592 | 52.86 | |||
| 100 | 2,588 | 1,381 | 53.36 | |||
| 110 | 1,820 | 964 | 52.97 | |||
| 120 | 1,141 | 699 | 61.26 |
종합적으로 TTC와 DRAC 지표의 결과는 자율주행 차량의 보수적 주행이 안전성을 높이는 데 기여할 수 있음을 보여주지만, SDI 지표는 보수적 주행이 모든 상황에서 긍정적인 영향을 미치지 않을 수 있음을 알 수 있다.
2) 충격파 분석 결과
2차로와 3차로 데이터에 대해 교통 밀도의 증가로 교통 충격파가 발생했는지 시각화를 활용하여 분석을 수행하였다. 특정 구간에서의 밝은 색상은 차량의 교통 밀도가 높은 곳을 시사한다. 차로 변경 시점 이전의 상류부 구간에서는 전반적으로 교통 밀도가 균일하며 큰 변동이 없는 것을 알 수 있다. 하지만 차로 변경 이 후인 하류부 구간의 경우 900m에서 1,000m 위치까지 교통 밀도가 증가함을 알 수 있으며, 이는 교통 혼잡을 유발한 것으로 해석된다.
Ⅴ. 결 론
본 연구는 자율주행 차량의 보수적 주행이 혼재된 교통 환경에서 주변 차량과 전체 교통 흐름에 미치는 영향을 분석하기 위해 차로 변경 이벤트를 구현하고 제한속도 70km/h에서 120km/h까지 주행 결과를 분석하 였다. 이때 보수적 주행행태를 구현하고, 주변 차량의 실제 주행행태를 반영하여 교통류를 분석하기 위해 CarMaker와 VISSIM 시뮬레이션을 연계한 Co-simulation 방안을 활용하였다. 제한속도별 Ego 차량의 주행 패 턴을 비교한 결과, 특히 제한속도 70km/h의 시나리오에서 Ego 차량의 급격한 감속으로 인한 자동 긴급 제어 (AEB) 시스템 작동이 관찰되었으며, 일정 시간 동안 정지 상태를 유지하는 현상이 확인되었다. Ego 차량의 보수적 주행은 예상치 못한 위험 상황에서 즉각적인 감속을 통해 사고 위험을 최소화하려는 경향을 보였다. 주변 차량 주행 분석 결과, 저속 구간(70~90km/h)에서는 차로 변경 이전부터 저크 표준편차가 크게 나타나며 차량 간 가속도 변화가 빈번하게 발생하였고, 제한속도가 낮은 환경에서 혼잡과 불규칙적인 속도 조정이 주 행 안전성을 저하시킨 것으로 분석되었다. 그러나 차로 변경 이후, 속도와 저크 표준편차가 모두 감소하며 차량 간 속도 및 가속도 변화가 줄어드는 경향이 확인되었다. 반면, 고속 구간(100~120km/h)에서는 차로 변 경 이후 속도와 저크 표준편차가 급격히 증가하며, 차량 간 속도 차이가 확대되고 가속도의 불규칙성이 두드 러졌다. 교통류에 대한 안전성 평가는 시간 기반 지표인 TTC, 감속도 기반 지표인 DRAC, 거리 기반 지표인 SDI를 활용하여 분석하였다. 이때 차량 간의 충분한 반응 시간을 제공함으로써 TTC와 DRAC 지표에서는 상 대적으로 낮은 위험 비율을 나타내었다. 이는 Ego 차량의 보수적 주행이 전체 교통 안전성에 긍정적인 영향 을 미칠 수 있음을 시사한다. 반면, SDI 지표에서는 높은 위험 비율(50%~66.81%)이 나타나, 보수적 주행이 모든 상황에서 긍정적인 영향을 미치지 않을 수 있음을 보여주었다. 특히, 제한속도 70km/h 시나리오에서 가 장 높은 위험 비율이 확인되었으며, 이는 Ego 차량의 보수적 주행이 오히려 차량 간 간격 감소와 같은 문제 를 야기해, 주변 차량의 안전거리 확보를 어렵게 한 것으로 분석되었다. 충격파 분석 결과, 차로 변경 이후 하류부 구간에서 교통 밀도가 증가하며 교통 충격파가 발생한 것으로 확인되었다. 이는 Ego 차량의 보수적 주행이 주변 차량의 예상과 일치하지 않을 때, 뒤따르는 차량이 급제동이나 급격한 속도 조정을 하게 되어 교통 흐름의 불안정성을 초래할 수 있음을 의미한다. 특히, 보수적 주행이 일반 차량 운전자들의 기대와 상 충될 때 혼잡과 불안정성을 유발할 수 있음을 알 수 있었다. 결론적으로, Ego 차량의 보수적 주행이 교통류 에 미치는 영향은 평가 지표와 주행 속도에 따라 다르게 나타났다. 시간 기반 지표(TTC)와 가속도 기반 지표 (DRAC)에서는 낮은 위험 비율을 보여 상대적 움직임 측면의 안전성은 확보되었으나, 거리 기반 지표(SDI)에 서는 높은 위험 비율이 나타나 정지 거리 측면의 안전성은 저하되는 것으로 분석되었다. 제한속도별로는 저 속(70~90km/h)에서 SDI 위험 비율이 가장 높게 나타나(66.81%) 차량 간 안전거리 확보가 어려웠던 반면, 중 속(100km/h) 구간에서는 표준편차가 감소하며 상대적으로 안정적인 흐름을 보였다. 고속(110~120km/h) 구간 에서는 저크의 표준편차가 크게 증가하여 주행 안전성이 저하되는 경향을 보였다. 이는 보수적 주행 전략이 모든 상황에서 일관된 효과를 보이지 않으며, 제한속도와 평가 지표에 따라 서로 다른 영향을 미칠 수 있음 을 시사한다. 따라서 자율주행 차량의 보수적 주행 전략은 주행 속도와 교통 상황에 따라 차별화될 필요가 있으며, 다양한 안전성 지표들을 종합적으로 고려한 주행 로직 개발이 요구된다.
본 연구는 자율주행 차량이 교통 환경에 미치는 영향을 분석하고, 자율주행 차량의 이상적인 주행 전략을 도출하는 데 필요한 기초 자료를 제공한다. 이러한 분석은 자율주행 차량의 도입이 교통 흐름에 미치는 실질 적인 영향을 이해하고, 더 안전하고 효율적인 교통 시스템 설계를 위한 정책적 시사점을 제공하는 데 도움될 것이다. 본 연구에서는 Co-simulation에서 가속도 측면을 고려하여 Ego 차량의 보수적 주행임을 고려하였으 나 그 외 실제 자율주행의 기능적 부분을 추가로 고려한 차량 모델을 활용하여 전체 교통 시스템에 미치는 장기적인 영향을 더욱 심층적으로 분석할 필요가 있다. 또한 기존 연구에서 다른 지표와 다른 결과가 나타난 SDI에서 상반된 결과가 도출되었으므로 이 지표가 다른 지표와의 어떤 측면에서 다르게 해석될 수 있는지에 대해 심층적으로 분석할 필요성이 있다. 이를 통해 자율주행 기술 발전에 따른 교통 환경 변화를 포괄적으로 이해하고, 안전하고 효율적인 혼합 교통류 운영 방안을 수립할 수 있을 것이다.
