Ⅰ. 서 론

각국은 인적 요인으로 발생하는 도로교통 부분의 사고를 최소화하기 위해 자율주행 기술개발을 지원하는 정책을 추진하고 있다. 자율주행 기술은 미래 자동차 및 관련 산업 생태계에 미치는 영향이 크기 때문에 각 국의 미래 자동차 시장 선점을 위한 경쟁이 점차 치열해지고 있다. 우리나라도 도로교통 부문 사고 감소와 산업 경쟁력 확보를 위한 기술개발 지원을 지속하고 있다.

자율주행차는 운전자의 개입 없이 자동차 스스로 목적지까지 주행하는 기술이지만, 아직 도로 인프라 환 경에 따라 자율주행이 어려운 기술적 한계가 존재한다. 자율주행차 기술은 미국자동차공학회(SAE)의 기술표 준인 SAE J3016-202104(2021)에서 5단계로 구분하고, 인간의 개입을 완전히 배제한 기술 단계를 5단계, 일부 구간에서만 운전자의 개입이 없는 기술 단계를 4단계로 구분하고 있다. 현재 우리나라가 상용화 목표로 삼 고 있는 자율주행 기술은 4단계 이상의 기술이라고 할 수 있다. SAE 4단계 이상의 자율주행 시스템은 도로 인프라 환경에 따라 자율주행 운행 가능 영역(Operational Design Domain)을 정하고, 해당 영역 내의 안전한 자율주행을 보장하고 있다.

자율주행차가 보편화함에 따라 도로 인프라 측면의 위험 요소가 변화할 것으로 판단한다. 현재 도로 인프 라와 시설 설계 기준은 운전자의 운행 편의를 도모하고 인적 요인으로 인한 사고를 예방하기 위해 마련하였 다. 자율주행차는 도로교통 환경과 상황 인지 메커니즘을 기계적으로 하고 있다. 자율주행차는 다양한 센서 와 이들을 융합하는 인공지능(AI) 기술을 접목하여 도로 환경과 교통 상황을 인지하며, 이를 근거로 운행에 필요한 제어와 판단을 하게 된다. 하지만, 센서의 성능과 AI 기술의 한계로 도로교통 환경과 상황 인지에 오 류가 발생할 수 있다. 이러한 오류를 줄이기 위하여 도로 인프라 측면의 지원이 필요하다.

자율주행차를 활용하여 도로에서 발생할 수 있는 위험 요소를 실시간 모니터링하고, 위험의 정도를 자율 주행차에 제공함으로써 안전한 도로 운행을 도모할 수 있다. 특정 도로 구간의 위험이 급격히 증가한 경우, 예를 들어 급격한 폭우로 인한 도로 침수 및 낙석으로 도로의 단절이 발생한 경우, 긴급 복구가 이루어지는 동안 해당 도로 구간을 회피하여 운행할 수 있는 최적 우회 경로를 실시간으로 함께 제공할 필요가 있다.

본 연구에서는 자율주행차의 운행에 위험 요인이 될 수 있는 도로 인프라의 위험도에 따라 이를 회피하기 위한 최적경로 도출 알고리즘을 개발하고, 이를 세종시의 1-2 생활권에 적용하여 그 효과를 살펴보았다. 이 연구에서는 먼저 자율주행차의 운행에 영향을 미칠 수 있는 요소와 최적경로 탐색 알고리즘에 관한 선행 연 구의 분석, 도로 인프라의 위험 요소를 회피하여 목적지에 빠르게 도달할 수 있는 알고리즘의 적용과 그 효 과 분석, 마지막으로 본 연구의 시사점과 향후 연구과제를 제시하였다.

Ⅱ. 기존 문헌 고찰

1. 자율주행을 위한 도로 인프라 위험 요소

자율주행을 위한 도로 인프라에 관한 연구는 도로 인프라 관점에서 위험 요소를 도출하는 연구와 자율주 행차 관점에서 자동차의 운행 가능 영역을 정의하는 연구가 이루어져 왔다. 전자의 연구는 주로 도로 인프라 측면에서 자율주행에 위험 요소로 작용할 수 있는 도로 시설을 도출하고 물리적 품질 기준과 평가 방법 등 을 제시하고 있다.

Erdelean et al.(2023)는 도시 환경에서 자율주행을 위한 물리 환경의 역할을 도출하기 위한 SHOW(Shared automation operation models for worldwide adoption) 프로젝트를 수행하고 도시 환경 아래에서 자율주행을 위 한 물리 인프라의 요구사항과 실증 구역의 물리 인프라 측면의 준비 상태를 측정할 수 있는 소프트웨어 도 구(tool)를 설명하였다. Erdelean et al.(2023)는 문헌조사를 통해 자율주행에 영향을 미치는 물리 인프라 중 차 선, 교통표지, 가시거리 등의 품질을 측정하기 위한 요소로 차선은 휘도 계수, 재귀반사도, 차선의 두께와 색 상, 차선 표시 간격을 제시하고, 교통표지 인식에는 가시 조건, 표지 오염 및 결함, 가림 등이 영향을 미칠 수 있다고 하였다. 교통표지와 신호는 차량을 제어하는데 충분한 시간을 줄 수 있는 거리에 마련되어야 하며, 이는 자율주행차의 인지 판단 및 제어까지의 시간을 고려해야 한다는 것이다. 문헌조사와 전문가 설문을 통 하여 자율주행차 차량을 위한 물리 인프라 요구사항을 도출하였다. 차선의 휘도 계수, 재귀반사도, 대비율을 인프라 환경(터널, 교차로, 건널목, 버스정류장, 자전거 횡단로 등)을 고려하여 제시하였다. 또한 자율주행차 에 적용하기 위한 물리 인프라 요구사항으로 V2X를 포함하는 교통신호, 경사, 주차, 가로수, 공사 구간, 터미 널 및 정류장, 차선, 위치정보, 노면 상태, 자전거/보행 도로/건널목 등, 포장 상태, 도로 기하 구조 등의 조건 을 제시하였다. 마지막으로 SHOW라고 하는 구간 분할 도구(SHOW segmentation tool)를 활용하여 물리 인프 라 위험 수준을 나타내는 지도를 구성할 수 있도록 개발하였다.

Manivasakan et al.(2021)은 문헌 연구를 통하여 자율주행을 지원하기 위해 도로 시설, 신호/표지 및 차선, 주차 및 서비스 공간(버스정류장 등), 도로 인프라 유지관리, 통신망 등의 위험 요소를 고찰하고 자율주행 시 대를 맞이하기 위해 도로 인프라의 개선을 위한 전략과 평가 시스템을 제시하였다. 평가 시스템은 안전, 효 율, 접근 가능성을 기반으로 구성되며, 안전과 효율 평가 시스템은 거주지, 상업지, 도심 간선도로로 공간을 구분하여 평가하고 있다. 안전 부문은 물리와 디지털 도로 인프라의 항목으로 구성하였고 이를 통하여 안전 을 확보하고자 하였으며, 효율성 평가는 자율주행 서비스 제공에 필요한 시설의 효율성을 평가하고 있다. 접 근 가능성은 이용자 관점의 경험과 접근 가능성을 평가하고 있다.

이상의 연구는 도로 인프라 측면에서 자율주행에 저해가 되는 요소를 인프라 측면에서 도출하였으나 우 리나라 도로교통 인프라 현황과 정합이 필요하다. 특히, 계절에 따라 발생하는 극단적 강우, 강설, 태풍, 집중 호우 등 자연환경이 도로교통 인프라에 미치는 영향 등을 고려할 필요가 있다.

한편, 자율주행차의 기술에 따른 운행 가능 영역의 정의는 자율주행차의 책임 소재와 관계가 있다. 이에 따라 자동차의 운행 안전을 위해 각국 정부와 표준단체 및 국제기구에서는 자율주행차 운행 가능 영역을 정 의하고, 자율주행차 제작사의 책임 범위를 정하고 있다. 국내 학계에서도 국내 환경에 적합한 ODD를 정의하 고 자동차 안전 기준과 표준에 적용하기 위한 연구가 진행되었다.

Kim et al.(2022)는 국내 자율주행차의 운행 안전을 확보하기 위하여 국내외 ODD 분류 기준을 분석하고, 국내에 적용하기 위한 ODD 표현 방법, 안전성 검증 및 평가 요소를 제시하였으며, 나아가 자율주행 실험도 시(K-city)의 평가 환경을 분석하여 평가 요소를 제시하였다.

Lee et al.(2023)는 외국에서 표준화된 ODD 프레임워크와 자율주행차 성능평가 시나리오를 국내 도로 환 경, 기상환경, 교통 환경에 적용할 수 있도록 국내 주행환경을 분석하여 ODD 분류 체계의 국내 최적화를 수 행하고, 이를 국내 자율주행 시범운행 환경과 비교하였다. 이 연구에서는 국내 도로교통 환경의 조사에 있어 국내 도로 시설 및 인프라 관련 지침, 법규 등에서 제시한 범위만을 고려하고, 이 범위를 벗어나는 경우 기 타로 처리하여 자율주행 서비스 제공 가능 여부를 명확히 정의하는 데 한계가 있으며, 이를 보완할 필요가 있다고 결론을 제시하였다.

Kim et al.(2023)는 자율주행 3단계의 실제 주행 데이터 및 공간정보 분석 기법을 활용하여 자율주행차의 주행 안전에 영향을 미치는 공간을 분석하였다. 상암 자율주행 시범운행 지구를 대상지로 하여 3단계 자율 주행차의 제어권 전환이 잦은 6개의 지점을 도출하고 해당 지점의 ODD 특성을 검토하였다. 이를 통하여 횡 단보도, 신호등, 교차로, 자전거도로, 포켓 차로, 주의 표지판 설치 구간, 중앙 분리대의 특성을 도출하였다. 이 연구는 도시 교통 환경에서 실증을 통하여 도출한 자료를 분석하여 자율주행에 영향을 미치는 도로교통 요소를 도출하였다는 데 의의가 있다. 그러나 추출한 표본을 기반으로 회귀 분석을 진행하기 위한 양적 적합 성을 제시하는 데 한계가 있으며, 향후 다양한 실증 연구를 추진하여 보완할 필요가 있다.

이상의 연구에서는 자율주행차 관점에서 자율주행차의 운행 가능 영역(ODD) 분류 기준에 관한 국제기준 을 국내 환경에 적합하게 개선하였고, 3단계 자율주행차의 제어권 전환과 도로 인프라 측면의 연관성을 파 악하는 연구를 수행하였다.

현재까지의 연구는 주로 도로 인프라 측면과 자율주행차 측면의 도로 인프라 저해 요소를 구별하고, 도로 환경을 평가하기 위한 도구 개발 연구에 그치고 있다. 하지만, 인프라의 저해 요소가 도로교통에 미치는 영 향을 고려하여, 자율주행차가 위험 구간을 회피해 목적지까지 빠르고 안전하게 도착하기 위한 최적화 연구 는 많지 않다. 본 연구에서는 도로 네트워크상의 특정 구간에 발생한 위험 요소를 회피하는 최적 우회경로를 도출하고 있다는 것이 기존 연구와 차별된다고 할 수 있다.

2. 최적 경로 탐색 알고리즘

출발지에서 목적지까지의 최단 경로를 도출하기 위하여 다양한 알고리즘이 개발되고 적용됐으며, 동적 도 로 네트워크 환경을 반영하는 대표적인 알고리즘으로 다익스트라 알고리즘 (Dijkstra’s algorithm), 에이스타 알고리즘(A* algorithm)과 이를 변형한 알고리즘을 적용한 연구가 꾸준히 이루어지고 있다.

Base et al.(2016)은 교통 분야에서 활용하고 있는 다양한 경로 탐색 알고리즘을 검토하고 비교하였다. 최단 경로 탐색 알고리즘으로 다익스트라, 에이스타 등 다양한 알고리즘의 장·단점을 비교하였다. 다익스트라 알 고리즘은 주어진 네트워크상에서 가장 짧게 이동하는 경로를 도출하는 것을 목표로 하고 있다. 이 알고리즘 은 현재 노드에서 다음 노드로 전진하기 위한 가능성을 모두 검색하고 가장 짧은 경로를 선택하여 상대적으 로 견고한 경로를 도출하지만 계산 시간이 길다는 단점이 있다고 설명하였다. 반면, 에이스타 알고리즘은 탐 색 범위를 줄여 짧은 탐색시간 내에 최적 경로를 탐색할 수 있다. 또한, 운행 시간과 경로를 가지고 운행하 는 대중교통을 위한 알고리즘, 그리고 대중교통과 최단 경로를 혼합한 멀티모달 경로 탐색을 위해 개발된 모 델을 비교하였다.

Goldberg et al.(2009)는 두 지점 간의 최단 경로를 탐색하는 알고리즘으로 다익스트라, 양방향 다익스트라, 에이스타, 양방향 에이스타, 랜드마크 양방향 다익스트라, 리치(Reach)를 비교하였다. Goldberg et al.(2009)는 실제로 미국의 워싱턴주의 Northwest 지역의 도로 네트워크를 대상으로 최단 경로 탐색 알고리즘을 검토하 였다. Goldberg et al.(2009)는 해당 지역의 1.6백만 노드와 3.8 백만 링크를 사전에 학습하여 노드-링크 데이터 를 구축하고 다양한 알고리즘을 적용하고, 알고리즘 각각의 장·단점을 비교하였다.

위 선행 연구에서는 실시간으로 변화하는 환경하에서 초기 지점에서 목적지까지의 최적 경로를 도출하기 위한 최단 거리 알고리즘의 특성을 살펴보았으며, 최적화를 위한 목적에 따라 활용하는 알고리즘을 달리 할 수 있다고 하였다. 또한, 다익스트라 알고리즘은 계산의 복잡성이 존재하지만, 모든 가능성을 검토한다는 측 면에서 더 견고한 경로를 도출할 수 있다는 장점이 존재한다고 할 수 있다.

Liu et al.(2024)는 최단 거리 경로 선택 모형에 경로 통과 시간 비용함수를 일반적인 A* 알고리즘에 적용 하였다. 일반적인 A* 알고리즘은 두 지점 간의 거리와 시간을 비용함수 요인으로 보고 있다. 하지만, 이 연 구에서는 경로 통과 시간에 영향을 미치는 요인을 AHP를 활용하여 도출하였다. 대상 지역은 도로 네트워크 가 없는 중국의 산악 지형으로, 도출된 영향 요인은 고도 변화, 경사도, 노면 유형 (흙바닥, 수로, 수풀 등), 목적지, 표고시차, 차량 유형 등이다. 특히, Liu et al.(2024)는 계산의 효율을 극대화하기 위하여 두 지점 간의 거리 비용을 맨하탄 거리로 가정하여 적용하고, 일반적인 A* 알고리즘이 다익스트라 알고리즘과 비교하여 효율적인 것으로 나타났다.

Khakzad(2023)은 화학 공장의 화재에 대비하여 안전하고 효율적인 피난 경로를 도출하기 위해 다익스트라 알고리즘을 적용하였다. 이 논문에서의 비용함수에는 피난하는 동안 유해 화학 물질과 불길에 노출되는 시 간으로 설정하였고, 화재의 원인은 단일 한 것이 아니라 해당 공간 내 다중의 화염원이 발생할 수 있는 환경 으로 가정하였다. 이 논문에서는 한 사람이 대피하는 경로와 더불어 다수의 피난자를 다수의 안전지대로 대 피시키기 위해 경로 분배 문제를 고려하였다. 다익스트라 알고리즘을 적용하였을 때, 기존 피난 경로 도출 방법과 비교하여 더 효율적인 것으로 나타났다.

이상의 논문에서는 도로교통 네트워크가 아닌 특정 지역 혹은 공간을 대상으로 A* 알고리즘과 다익스트 라 알고리즘을 새로운 경로 선택 문제를 해결하기 위하여 적용하였다. Liu et al.(2024)은 방향성이 존재하는 정형화된 도로 네트워크가 아닌 산간 및 임야 지대를 통과하는 시간을 비용함수에 포함하였다. Khakzad (2023)은 다수의 화염원이 있는 화재 공간에서 대피하기 위한 경로를 도출하는 데 화기에 노출되는 시간을 비용함수의 주요 요인으로 선정하였으나, 도로와 같이 방향성이 있는 네트워크 환경은 아니다.

선행 연구와 비교하여 본 연구의 차이는 도로 인프라를 모니터링하고 긴급 복구가 필요한 포트홀 등의 이 벤트가 발행하였을 때 이를 신속히 경로 선택 모형에 반영하여 우회 경로를 도출한 것이라고 할 수 있다. 특 히, 자율주행차량이 도로 인프라를 모니터링하며 실시간으로 발생하는 위험 요소에 따른 위험도를 경로 선 택 비용함수에 반영하고자 하였다. 또한, 도로교통 네트워크는 방향성, 도로 설계에 따른 속도의 한계, 일방 통행 등의 환경을 최적화의 비용함수에 포함하여 기존 연구와 차별점이 있다. 또한, 다양한 최단 거리 도출 알고리즘 중 견고한 경로를 도출할 수 있는 다익스트라 알고리즘을 적용하여 세종시 1-2 생활권 도로 환경 을 대상으로 분석하였다.

Ⅲ. 위험도 기반 최적경로 알고리즘

1. 위험도 기반 최적경로 탐색 알고리즘

1) 도로 인프라 위험도

기본적인 최적경로 산출 함수에는 거리, 통행시간, 통행 속도 등의 속성 정보를 적용할 수 있으며, 본 연 구에서는 기존 속성 정보와 더불어 위험도를 반영하고자 하였다. 위험도는 자율주행차의 운행에 영향을 미 치는 도로 인프라 요소로 <Table 1>과 같이 그 특성을 유형화하여 정의하였다.

인프라 유형은 자율주행차의 ODD 특성에 따라 물리 인프라, 디지털 인프라, 환경, 통신 및 기타 잡물로 구분하고 인프라 특성에 따라 모니터링 요소를 세분하였다. 물리 인프라 측면의 모니터링 요소는 도로포장 및 노면 상태를 관찰하는 것으로 포트홀, 결빙, 노면 살얼음 등이 해당한다. 노면 표시와 관련된 사항은 차 선, 건널목 등 도로 요소와 주의 표시, 제한 속도 등과 같은 교통 정보 요소의 상태를 포함한다. 도로 시설에 는 중앙 분리대, 유도봉, 하수시설 등의 시설물의 상태를 포함한다. 마지막으로 지하도로, 터널, 가로등의 광 량 등을 포함한다. 디지털 인프라 요소는 신호등, VMS, LCS의 운영상태, 통신 강도, 센터 정보와의 정합성 등을 포함한다. V2X 통신은 통신 강도와 메시지 패킷 에러율 등이 해당한다. 이밖에 도로 낙하물, 도로 위 정지 차량 등과 눈, 바람, 안개 등 자연 현상으로 인한 도로교통 환경 요소 등을 포함한다.

본 연구에서 위험도를 시뮬레이션에 적용하기 위해 자율주행차가 주행해야 하는 환경의 위험도가 높은 구간을 통과할 때 자동차들이 서행하므로 정상적인 상태일 때 보다 운행 속도가 감소하리라고 가정하였다. 또한 위험도에 따라 해당 구간을 폐쇄하고 복구 작업을 수행할 수도 있다. 이러한 도로 인프라 모니터링 요 소의 위험도를 최적경로 탐색 목적 함수를 산정하는 데 반영하였다.

2) 위험도 기반 최적 경로 탐색 가중치 함수

다익스트라 알고리즘은 다양한 특성이 있는 도로 네트워크상에서 출발지와 목적지 간의 최적경로를 탐색 하기 위한 알고리즘으로 도로 네트워크의 특성을 반영하여 최적 경로를 산정한다. 도로 네트워크는 노드와 링크로 구성된다. 각 링크는 고유의 길이와 통행 속도, 위험도와 같은 속성을 가진다. 다익스트라 알고리즘 을 적용하여 최적화 해를 구할 때는 그 목적에 따라 이동 거리를 최소화하거나, 통과 시간을 가장 빠르게 설 정하거나, 혹은 이 두 가지 요소를 고려하여 설정하기도 한다.

본 연구는 도로 네트워크를 실시간으로 모니터링하여 자율주행차 운행의 위험 요인을 회피하면서 통행시 간을 최소화하는 최적 경로를 도출하는 것을 목적으로 하고 있다. 도로 네트워크는 방향성을 갖는 노드(n_i) 와 링크(l_j)로 구성되며, 각 링크의 위험도, 길이, 통행 속도를 반영한 최적 경로 P = (I, J)가 도출된다. 이 때 모든 노드 n_i 는 노드 세트 I 에 속하고 (n_i∈I, i = 0, 1, ......., ∞), 모든 링크 l_j 는 링크 세트 J (l_j∈J, j = 1, 2, ....., ∞ )에 속한다. w_ij는 노드-링크 n_il_j의 가중치 함수 세트 W 에 속하고 (w_ij ∈ W), 링 크 세트 J 는 가중치의 합 W 이다.

가중치 함수는 도로 인프라의 위험도, 링크의 길이, 통행 속도 간의 관계식으로 식 (1)과 같이 표현한다.

여기서,

가중치W_ij는 링크의 길이 L_ij에 비례하고, 통행 속도 S_ij와 위험도 보정 값인 1 - R_ij에 반비례한다. 즉, R_ij의 값이 클수록 링크의 위험도가 높아 통행시간이 증가한다. 위험도가 높은 구간은 R_ij 값이 증가하며, 결과적으로 해당 링크의 가중치가 커져서 최적 경로 탐색에서 우회하도록 유도하게 된다.

3) 다익스트라 알고리즘 적용

출발 노드에서 목적지 노드까지 가중치 합이 최소인 경로를 찾는 다익스트라 알고리즘의 주요 단계는 다 음과 같다. 초기화 단계에서 출발 노드-링크 n_stl_st 의 가중치 w_ij = 0으로 설정하고, 다른 모든 노드-링크의 가중치는 무한대 (w_t = ∞)의 임시 노드로 설정한다. 이때, 출발 노드 n_stlst 를 현재 노드-링크로 설정한다. 다음으로 출발 노드-링크와 이웃하고 있는 모든 노드-링크 P (I,J )를 탐색하여 출발 노드-링크의 가중치와 새로이 탐색한 노드-링크(n_{st + 1}l_{st + 1})의 가중치의 합이 가장 작은 노드-링크를 선택하여 확정 노드-링크 (n_pl_p)로 지정하고 최적 경로 P ¯ (I, J) 에 포함한다(n_pl_p ∈ P). 반면, 이미 탐색한 노드-링크(n_{st + 1}l_{st + 1})중 최적 노드-링크가 아닌 경우 S 에 포함한다.

위험도 기반 최적 경로는 노드-링크의 가중치 함수(W_ij)를 적용하여 위험도가 높은 경로를 회피하고, 가 중치 합이 최소화되는 경로를 도출한다. 출발 노드 n_st 와 목적지 노드 n_dt 는 노드 세트 I 에 포함되며 (n_st ∈ I, n_dt∈I), 위험도 기반 최적 경로 P 는 출발 노드-링크 n_stl_st 와 목적지 노드-링크 n_dtl_dt 사이의 가 중치 w_ij 합이 가장 작은 경로이다. 위험도 기반 최적 경로 P ¯ (I, J )는 다음 식 2)와 같다

여기서,

2. 위험도 기반 최적 경로 탐색 알고리즘의 적용

다익스트라 알고리즘을 적용한 위험도 기반 최적경로 탐색 알고리즘이 작동할 수 있는지를 알아보기 위 하여 세종시 1-2 생활권의 교통 네트워크에 적용하여 분석하였다.

1) 세종시 교통 네트워크 환경

세종시 1-2 생활권의 행정 경계와 노드-링크 체계는 다음 <Table 2>와 같다. 노드-링크 체계는 오픈 스트 리트맵(Open Street Map)의 노드 링크 체계를 활용하였다.

<Table 2>

Administrative border and node-link system for Sejong 1～ 2 residential area

Administrative border	node-linksystem

오픈 스트리트 맵은 위키피디아(Wikipedia) 방식의 오픈 플랫폼에 이용자가 필요한 노드와 링크를 추가할 수 있는 장점이 있어, 세종시와 같이 대단위 부동산 개발 사업으로 구축된 새로운 도시의 도로교통 네트워크 관련 지리정보를 빠르게 구성할 수 있는 장점이 있다.

오픈 스트리트 맵의 노드-링크 체계는 노드(Node), 링크에 해당하는 웨이(Way), 그리고 관계(Relation)의 세 가지 요소를 기반으로 구성되었다. 노드는 위·경도 좌표로 정의되는 지점으로 OSM의 노드 ID를 부여하고 있다. 링크는 웨이로 표현되며 도로의 이름(예: 시청대로 등), 도로 유형 (예: 고속도로, 보조도로 등), 방향성 (일방통행 여부), 등이 포함된다. 오픈 스트리트 맵의 노드-링크 체계의 속성 설명은 <Table 3>과 같다.

이 연구의 대상지인 세종시 1-2 생활권의 노드는 1,593개이고 링크는 3,916개이며, 링크의 총길이는 약 505.42㎞이고, 도로 설계 속도는 30~80㎞/h인 도로를 대상으로 하였다. 도로 종류별 링크의 총길이와 평균 길 이는 <Table 4>와 같다

세종시 1-2 생활권의 도로 네트워크에 위험도 기반 가중치 함수를 적용하기 위해 위험도는 0에서 4까지의 5단계로 분류하였다. <Table 1>에서 설명한 위험도를 기준으로 세종시 1-2 생활권의 위험도 조사를 시행하였 고, 이러한 요소들을 종합적으로 분석하여 위험도를 5단계로 구분하였다. 본 논문에서는 위험도 0단계는 정 상상태, 위험도 1은 주위를 살피며 운행해야 하는 정도, 위험도 2는 속도를 줄이고 서행해야 하는 정도, 위험 도 3은 속도를 현저히 줄이고 해당 구간을 조심히 지나가야 하는 정도, 위험도 4는 사고를 방지하기 위해 운 행 속도를 10㎞/h 이내로 줄이고 때에 따라 해당 구간에서 차로를 바꾸어야 하는 정도의 위험으로 정의하였 다. 세종시 1-2 생활권을 대상으로 한 시뮬레이션 적용을 위해 위의 5단계 위험도를 바탕으로 식 (1)에서 설 명한 R_ij는 다음 식(3)과 같이 정의하였다.

위험도 단계에 따른 R_ij 값은 링크의 길이와 통행시간에 따라 달라지고, 링크의 위험도 가중치(통과 시간) 에 영향을 미친다. 본 논문에서는 특정 링크의 R_ij 값을 산출하였고 이를 전체 네트워크에 반영하였다. 또한, 식 (1)의 ㎞/h의 링크 길이 단위와 세종시 1-2 생활권의 링크 길이 단위를 일치시키기 위해 분모 S_ij ∙ (1 - R_ij) 에 상수 3.6 (sec/m)를 적용하였다. 알고리즘을 적용하기 위한 프로그램은 Python을 이용 하여 작성하였다.

3. 위험도 기반 최적 경로 탐색 알고리즘의 적용 결과

본 연구에서는 우선, 세종시 1-2 생활권을 대상으로 가상의 두 지점을 출발지와 도착지로 지정하고 다익 스트라 알고리즘을 적용하여 경로를 도출하였다. 최적 경로 도출을 위한 시나리오는 1) 링크 길이 기반 경 로, 2) 통행시간 기반의 최적 경로, 3) 위험도 기반 최적 경로를 도출하였다. 특히, 위험도 기반의 최적 경로 를 도출하기 위한 위험 링크는 임의의 3곳을 지정하였다. 분석 결과 그래프는 다음 <Fig. 1>과 같다.

<Fig. 1>

Three scenarios for optional route

<Fig. 1>에서 출발점은 초록색의 × 지점이고 도착지는 초록색의 ○ 지점으로 3가지 시나리오 모두 같게 적용하였다. 링크 길이 기반 최적경로는 파란색으로 표시되며, 통행시간 기반 최적경로는 주황색으로 표시된 다. 마지막으로 위험도 기반 최적경로는 초록색으로 표기되며, 이때 위험도가 높은 세 지점은 붉은색의 링크 로 표시하였다. 위험도 기반 최적 경로의 분석을 위해 위험도가 높은 링크를 3곳 지정하여 가중치를 부여하 였다. 위험도 기반 최적 우회 경로는 초록색의 경로가 선정되었다. 각각 시나리오의 통행시간, 통행 거리를 살펴보면 다음 <Table 5>와 같다.

통행 거리 기반 최적 경로의 통행 길이는 10,728.21m로 다른 시나리오와 비교하였을 때 가장 짧은 경로를 선택하였다. 반면, 통행시간 기반 최적 경로의 총 통행시간은 931.5초(sec)로 다른 시나리오와 비교하여 가장 빠른 통행시간의 최적 경로를 선택하였다. 마지막으로 위험도 가중치를 적용한 결과 통행 길이 측면에서는 통행 길이 기반 시나리오보다 길고 통행시간 기반 시나리오보다는 짧은 경로를 선택하였다. 통행시간 측면 에서 살펴보면, 통행시간 기반보다는 느리고 길이 기반 시나리오보다는 빠르게 통과할 수 있는 경로를 선택 하였다. 이러한 결과는 위험도 기반 시나리오는 위험도가 높은 구간 (<Fig. 1>의 붉은색 선의 구간) 및 해당 구간으로 인해 파생적 영향이 미치는 구간을 완전히 회피하는 구간을 선택했기 때문으로 해석할 수 있다. 통 행시간 기반 시나리오에서는 2개의 위험 구간을 통과하도록 하고 있으며, 통행 거리 기반 구간의 경우, 위험 구간의 파급 효과가 예상되는 주황색 구간을 일부 포함하고 있다. 이는 위험을 회피하는 시나리오는 거리 혹 은 통행시간 최적 모델과 비교하였을 때, 통행시간과 통행 거리 측면에서 불리한 선택을 하였으나, 위험 지 역을 완전히 벗어나는 경로를 도출하여 향후 자율주행차의 안전을 확보하기 위한 운행 최적경로 도출에 있 어 주요 파라미터로 활용할 수 있다.

이러한 결과를 바탕으로 도출한 주요 시사점은 첫째, 위험도 기반 최적경로는 단순히 시간 혹은 통행 거 리를 최적화하는 경로 탐색을 넘어, 위험 구간을 회피하여 안전성을 먼저 확보할 수 있는 경로를 도출하였 다. 이는 자율주행차가 운행 중에 발생할 수 있는 위험 요소를 사전에 회피하여 사고를 예방하는 데 기여할 수 있음을 보여준다. 둘째, 제안된 알고리즘은 실시간으로 도로 상태를 모니터링하고, 위험 구간 정보를 반 영하여 최적의 안전 경로를 탐색할 가능성을 보여준 것으로 자율주행차 운행에서 실시간 경로 탐색의 필요 성과 가능성을 입증한 사례로 볼 수 있다. 셋째, 위험도 기반 경로는 통행 거리나 시간 면에서 최적 모델과 비교하여 약간의 비효율성이 발생했지만, 안전성 측면에서 완전히 위험 구간 회피를 달성하였다. 이것으로부 터 자율주행차 경로 설계에서 효율성과 안전성 간의 균형을 고려해야 한다는 시사점을 찾을 수 있다.

Ⅳ. 결론 및 향후 과제

본 연구는 자율주행차의 안전 운행을 지원하기 위해 도로 인프라의 위험 요소를 반영한 최적경로 탐색 알 고리즘을 개발하고, 이를 세종시 1-2 생활권의 교통 네트워크에 적용하여 실증 분석하였다. 연구 결과, 위험 도가 높은 구간을 효과적으로 회피하는 경로를 성공적으로 도출하였으며, 이는 자율주행차의 운행 안전성을 확보하고 위험 구간에서 발생할 수 있는 사고 가능성을 줄이는 데 기여할 수 있음을 확인하였다.

또한, 기존 경로 탐색 연구와 달리, 도로 인프라의 물리적·디지털 위험 요소를 비용함수에 반영하여 현실 적이고 안전한 경로 탐색 알고리즘을 제시하였다. 이를 통해 위험 요소가 포함된 도로 구간을 회피하면서도 효율적인 자율주행 운행이 가능하도록 설계하였다. 실험 결과 새롭게 개발한 알고리즘은 위험 가중치가 반 영된 링크를 회피하는 우회 경로를 선택한 것으로 나타났다.

본 연구는 위험도 기반의 최적경로 탐색 알고리즘을 세종시 1-2 생활권에 적용하였지만, 가상의 위험 데 이터를 활용해 실제 도로 환경을 완벽히 반영하지 못했다는 한계가 있다. 또한, 알고리즘의 적용 범위가 특 정 지역에 국한되어 다양한 도시 및 환경에서의 일반화 가능성을 충분히 검증하지 못하였으며, 자율주행차 의 경로 선택이 일반 차량과 차량 흐름에 미치는 영향을 분석하지 못해 자율주행차와 일반 차량이 공존하는 교통 체계에서의 종합적 시사점 도출에 한계가 있었다.

이러한 한계를 극복하기 위해 향후 연구에서는 실제 도로 인프라에서 수집한 자율주행차의 주행에 영향 을 끼치는 위험 요소를 계량화하고 노드-링크 체계에 반영하여 최적경로 선택 모델에 적용하여 실증해 볼 필요가 있다. 또한, 자율주행차의 위험 요소 회피 경로 선택에 따라 주변의 일반 차량에 미치는 영향을 분석 하여 종합적인 교통 계획에 시사점을 도출해 볼 필요가 있다.