Ⅰ. 서 론
1. 개요
AI 기술과 센서 기술의 발전은 자율주행차량을 일상생활의 한 부분으로 빠르게 끌어당기고 있다. 현재 도 로에서 운행 중인 자율주행차량의 대부분은 스마트 크루즈 기능을 탑재한 SAE Level 2 수준의 차량으로, 고 속도로와 자동차 전용 도로에서 장거리 운전을 더욱 편리하게 만들어주고 있다(Kim et al., 2024). 이러한 차 량들은 제한된 조건에서 자율성을 발휘하며, 운전자의 부담을 줄이는데 기여하고 있다. 기술이 Level 4 이상 으로 발전하면, 운전자의 개입이 거의 필요없게 되어 운전 편의성이 극대화될 것으로 기대된다. 이는 단순히 기술적 진보를 넘어, 개인의 이동 방식과 도시 교통 체계 변화를 예고한다.
자율주행 기술의 발전과 더불어 보급률 또한 꾸준히 증가하고 있다. 이로 인해 자율주행차량 관련 교통사 고 역시 점차 늘어나고 있는 추세다. 자율주행차량은 기존 비자율주행차량에 비해 치명적 충돌 사고를 획기 적으로 낮출 수 있는 잠재력을 지니고 있지만, 전통적인 차량 사고와는 다른 새로운 유형의 사고 위험 또한 내포하고 있다. 예를 들어, 자율주행차량 사고는 기존 교통사고 유형 외에도 해킹 피해, 센서 오류, 소프트웨 어 결함 등과 같은 다양한 요인에서 기인할 가능성이 존재한다(Lyou, 2018;Kim et al., 2024). 이러한 사고들 은 기존의 사고 분석 방법론으로는 정확히 규명하기 어려운 특성을 보인다.
특히, 자율주행차량 사고 원인을 명확히 이해하는 것은 안전한 도입과 운용을 위해 필수적이다. 사고 발생 과정에는 차량이 현재 주행하고 있는 환경 조건, 차량의 센서 데이터 그리고 인공지능 일고리즘의 의사결정 과정 등이 복잡하게 얽혀 있으며, 이들 요소 간의 충돌 전 상황(Pre-crash), 충돌 상황(In-crash), 충돌 이후 상황 (Post-crash)에서의 상호작용은 사고 원인을 규명하는 데 있어서 큰 도전 과제를 제시한다. 따라서 기존의 단순 한 통계적 접근법이나 규칙 기반의 분석 방법으로는 이러한 복잡성을 충분히 설명하거나 예측할 수 없다.
본 연구에서는 사고 발생과정을 역추적하여 자율주행차량 사고의 원인을 체계적으로 분석할 수 있는 모 델을 제안한다. 이 모델은 Hidden Markov Model (HMM)을 기반으로 개발되었다. 특히 시간에 따라 변화하는 사고 요인의 상태전이를 모델링하여, 자율주행 Level 1, 2, 3 상황에서 인간운전자의 과실로 인한 사고부터 Level 4+자율주행에서의 센서오류, 해킹 피해로 인한 사고상황까지 모두 포괄하고자 하였다. 따라서 사고의 주요 원인을 식별하고 사고 전후의 상태를 심층적으로 분석할 수 있다(Girdhar et al., 2021). HMM은 사고 발 생과정에서의 다양한 상태를 체계적으로 추적할 수 있는 도구로, Pre/In/Post-crash의 상태를 구분하고 각 상태 에서의 원인과 결과를 명확히 연결할 수 있는 분석 틀을 제공한다. 본 연구에서는 자율주행차량의 사고 발생 과정을 단계별로 세분화하고, 이를 HMM을 활용하여 분석함으로써 사고 원인과 결과 간의 상관관계를 체계 적으로 규명하고자 한다.
Ⅱ. 선행연구 고찰
1. 자율주행차량 교통사고 사고 원인 관련 연구
자율주행차량의 교통사고는 기존 차량 사고와는 다른 복잡성을 지니고 있다. 기술적 요인과 환경적 요인 을 비롯한 다양한 복합적 요인이 결합되어 사고가 발생할 수 있으며, 이들 요인은 상호 작용하여 예측하기 어려운 결과를 초래할 수 있다.
기존 비자율주행차량과 자율주행차량의 가장 큰 차이점은 기술적 요인에 있다. 자율주행차량은 인공지능, 센서, 그리고 V2X 통신을 기반으로 주행하며, 이는 통신 오류 및 사이버 공격과 같은 새로운 유형의 사고 가능성 을 내포한다. Kwon and Hong(2018)은 자율주행차량의 기계적 결함, 소프트웨어 오작동, 외부 해킹으로 인한 사고 위험을 언급하며, 이에 대응하기 위한 법제도적 지원 방안을 제시하였다. Zhao et al.(2024)은 자율주행차량 센서의 이상이 주요 사고 원인이 될 수 있음을 지적했으며, 특히 외부 환경에 대한 적응 실패와 사이버 공격으로 인한 센서 이상은 자율주행차량의 정상적인 주행을 방해하고 치명적인 사고로 이어질 수 있음을 강조하였다.
Liu and Park(2021)은 자율주행차량의 주요 센서인 LIDAR가 해킹에 취약하다는 점을 지적하였다. LIDAR 센서가 해킹될 경우, 자율주행차량이 장애물을 제대로 인식하지 못하거나 잘못된 표지판 및 객체를 인식하 게 될 수 있으며, 이는 차량 내 의사결정 알고리즘의 혼란을 초래할 수 있다. Girdhar et al.(2022)은 전기차 충 전소와 RSU를 대상으로 한 사이버 공격으로 인해 발생할 수 있는 자율주행차량 교통사고의 위험성을 제시 하였다. 이러한 기술적 요인은 기존 비자율주행차량에서 발생하는 교통사고와는 본질적으로 다르며, 자율주 행차량 사고의 독특한 원인이 된다.
기술적 요인 외에도 환경적 요인은 자율주행차량 사고의 중요한 원인으로 작용할 수 있다. Das and Tsapakis(2020)은 캘리포니아 차량관리국에서 제공한 자율주행차량 충돌 보고서를 분석하여 어두운 조명과 같은 주요 환경 요인을 식별하였다. 이들은 자율주행차량의 카메라가 어두운 환경에 취약할 수 있음을 지적 하며, 단순한 환경 요인이 아닌, 환경 요인으로 인한 센서 인식 저하와 같은 복합적인 문제를 강조하였다.
또한, 환경 요인과 함께 인적 요인 역시 사고에 영향을 미칠 수 있다. Biever et al.(2020)은 자율주행차량이 정지 상태에서 후방 비자율주행차량의 충돌, 또는 신호 교차로에서 신호를 위반한 비자율주행차량으로 인해 사고가 발생할 수 있음을 언급하였다. 이는 자율주행차량이 인간 운전자의 갑작스러운 대응 부족이나 법규 위반으로 인한 상황에서 대처하기 어려운 경우를 나타낸다.
결론적으로, 자율주행차량 교통사고는 다양한 요인들의 상호작용으로 발생할 수 있으며, 주요 사고 원인 을 분석하기 위해 이러한 요인들 간의 관계를 파악하는 것이 중요하다. 따라서 자율주행차량의 사고 발생 과 정을 명확히 이해하는 것이 필요하다.
2. 자율주행차량 교통사고 사고 발생과정 관련 연구
Kim et al.(2023)은 자율주행차량 교통사고 발생과정을 크게 Pre-crash, In-crash, Post-crash로 구분하였다. 특 히 Pre-crash 이내에서는 정상주행상태인 ‘Normal’, 사고요인이 식별되었지만 최소 정지거리 밖 상태인 ‘Emergency’, 객체까지의 거리가 최소정지거리 안이 ‘Critical’로 나누어진다. 이 단계에 따라 총 10가지의 자율 주행차량 교통사고 시나리오를 제시하였다. 개발된 시나리오는 특정 시점에서 이상 상태를 식별하는 것은 가 능하지만, 주요 사고 원인을 체계적으로 식별하는 데는 한계가 있다. 이는 각 항목 간 유기적인 연계가 부족하 다는 것을 의미한다. 이후 Kim et al.(2024)는 이러한 한계를 극복하고 교통사고 시나리오의 항목들을 유기적으 로 연결하기 위해, 사고 분석 모델로 널리 활용되는 STEP 모델과 Bow-Tie 모델의 장점을 융합한 Hybrid 모델 을 개발하였다. 이 모델은 교통사고 발생 과정을 기반으로 주요 세부 내용과 항목 간 관계를 포괄적으로 포함 하고 있다. 그러나 이 모델 역시 주요 사고 원인을 효과적으로 식별하는 방법은 제시하지 못하고 있으며, 추가 적인 모델 및 알고리즘과의 결합을 통해 더욱 발전된 모델 구축이 필요하다는 한계를 갖고 있다.
3. Contribution
자율주행차량의 교통사고는 단순히 하나의 원인보다는 복합적인 원인에 의해 발생할 가능성이 크다. 특히 환경 요인으로 인한 센서 결함이나 사이버 공격으로 인한 센서 오류가 주요 원인으로 작용할 수 있으며, 자 율주행차량 자체의 센서 결함뿐만 아니라 비자율주행차량 운전자의 미숙한 대처로 인한 사고 사례도 존재한 다. 이러한 복합적 요인에 기반한 사고는 기존의 사고 분석 방식처럼 사고 후 상태만을 중심으로 분석하는 데 그치지 않고, 전체 교통사고 발생 과정을 종합적으로 분석할 필요가 있다. 이를 위해 Hybrid 모델(STEP 모델 + Bow-Tie 모델)이 교통사고 발생 과정을 분석하는 데 적합한 도구로 검토되었다. 그러나 Hybrid 모델 역시 사고원인을 효과적으로 식별하는데 한계를 가진다. 이러한 한계를 극복하기위해 본 연구에서는 Hybrid 모델과 더불어, HMM (Hidden Markov Model)을 도입하여 사고 원인을 추적하는 새로운 모델을 개발하고자 한다. 이 모델은 기존 Hybrid 모델의 장점인 항목 간 유기적인 관계 파악 능력을 유지하면서, 확률 기반 접근 법을 통해 주요 사고 원인을 보다 효과적으로 식별할 수 있도록 설계하였다. 한가지 예시로 강한 햇빛이 있 는 날씨에서 자율주행 감지 센서 오류로 인한 후미추돌 사고가 발생한 경우, 강한 햇빛이 있는 날씨에서 감 지 센서 오류가 발생했다는 점에서 두 요인간의 상관관계는 확인할 수 있지만 정확한 인과관계를 파악하는 데에는 어려움이 있다. 그러나 본 모델을 적용하며, 강한 햇빛으로 인해 빛번짐이 발생하고, 이로 인해 감지 센서가 물체를 올바르게 식별하지 못해 오류가 발생했다는 인과관계를 명확히 확률적으로 규명할 수 있다. 개발된 모델은 선행 연구에서 제시된 주요 사고 원인들을 종합하여 구성된 시나리오를 통해 제시되었다.
Ⅲ. 연구 방법론
1. 연구 흐름
<Fig. 1>과 같이 본 연구는 먼저 자율주행차량 교통사고의 발생과정을 정의하여 사고 원인으로 도출될 수 있는 항목들을 분류한다. 이후 은닉 마르코프 모델(HMM)의 구성요소를 설계하는 단계로, 은닉된 상태(S)와 관측(O)을 정의하고, 상태 전이 확률(A), 관측 확률(B), 초기 확률(π)을 설정한다. 이러한 모델을 다이어그램 으로 시각화한다. 마지막으로 자율주행차량 사고 시나리오를 통한 사고 원인 추적 사례 연구를 진행한다.
2. 자율주행차량 교통사고 발생과정 정의
자율주행차량 사고 발생과정은 Haddon martix에서 제시하고 있는 충돌 전(Pre-crash), 충돌 중(In-crash), 충 돌 후(Post-crash)로 나누어 볼 수 있다(Rustagi et al., 2018).
충돌 전(Pre-crash)과 충돌 중(In-crash)의 항목은 Kim et al.(2023)의 연구에서 CA DMV Disengagement report, collision report, 자율주행 실제 사고 영상을 통해 도출한 자율주행 차량 사고 시나리오 프레임워크에 기반하 여 재정립하였다. 시나리오 프레임워크는 현재 자율주행차량 내·외부 환경, 갑작스러운 사고, 시스템 상태, 행동, 충돌유형(collision type and crash type)으로 구성된다(Kim et al., 2023). 특히 자율주행 시스템 상태(ADS system state)는 센서의 기능 안전 시스템 요소로. 5단계(Sense, Perception, Scene, Decision and Control)로 구분 된다. ISO 26262에서 서술한 바와 같이 시스템 상태는 Fault, Error, Failure로 나타내며, Fault는 기기의 결함이 있는 비정상적인 상태를 의미하고, Error는 Fault로 인해 발생하며, 관찰된 값과 측정된 값이 일치하지 않는 상황을 뜻한다. Failure는 Error로 인해 불일치한 값이 전달되어 의도하지 않은 동작이 발생한 상태를 말한다.
충돌 후(Post-crash)의 항목은 자율주행차량 사고충돌 후 항목들로 모든 사고 경과를 볼 수 있는 자율주행 실제 사고 영상을 통해 사고 후 현장에서 수집·관찰 가능한 증거(물리적 손상, 차량 시스템 손상, 스키드 마 크, 잔해)로 구성하였다.
세 단계에서 자율주행차량 사고 후 관찰할 수 있는 항목은 충돌 전(Pre-crash) 일부, 충돌 중(In-crash), 충돌 후(Post-crash)로, 행동(Maneuver), 충돌 유형(Collision type and Crash type), 중거(Evidence)를 포함한다. 반면, 충돌 전(Pre-crash)의 초기 부분은 사고의 원인으로 고려되는 단계이나, 관찰할 수 없는 부분이다. 따라서 자율주행차량 사고 원인 추적에서 현재 자율주행차량 내·외부 환경(Current condition)과 자율주행 시스템 상태(ADS system state)를 은닉된 상태(Hidden state)로 분류하고, 나머지 항목들은 관찰(Observation)로 분류된다. 교통사고 발생과정 정의를 통해 도출된 항목들은 <Fig.2>와 <Table 1>과 같이 제시된다.
<Table 1>
Ractors by accident chronological sequence
| Categories | Items | ||
|---|---|---|---|
| Pre-crash | Hidden state | Current condition | Driver |
| Environment | |||
| Communication | |||
| Traffic | |||
| Security | |||
| Anything unexpected event (such as movable object) | |||
| ADS system state | Sense | ||
| Perception | |||
| Scene | |||
| Decision | |||
| Control | |||
| Observation | Maneuver | Stopped | |
| Proceeding straight | |||
| Ran off road | |||
| Making left turn | |||
| Making u turn | |||
| Backing | |||
| Slowing/stopping | |||
| Passing other vehicle | |||
| Changing anes | |||
| Entering traffic | |||
| Merging | |||
| In-crash | Collision type | Head-on | |
| Side swipe | |||
| Rear end | |||
| Broad side | |||
| Hit object | |||
| Overturned | |||
| Crash type | AV toAV | ||
| AV to conventional Vehicle | |||
| AV to pedestrian | |||
| AV only | |||
| Post-crash | Evidence | Physical damage | |
| Vehicle system damage | |||
| Skid mark | |||
| Debris | |||
3. 은닉 마르코프 모델(HMM) 구성요소 설계
은닉 마르코프 모델(HMM)은 수학적으로 두 개의 확률적 과정을 통해 정의된다. 첫 번째, 은닉 과정 (Hidden process)은 마르코프 체인의 상태 간 전환에 해당하는 랜덤 변수 x(t)로 표현된다. 두 번째, 관찰 과정 (Observation process)은 은닉된 상태를 관찰하기 위해 사용되는 랜덤 변수 y(t)로 표현되며 각 상태의 관측 순 서를 나타낸다. 여기서 t는 각 과정에서의 시간을 뜻한다.
은닉 마르코프 모델(HMM)은 다섯 가지 구성요소로 정의된다. 은닉된 상태(Hidden state, S)는 앞서 분류된 현재 자율주행차량 내·외부 환경(Current condition)과 자율주행 시스템 상태(ADS system state)로 추적하고자 하는 자율주행차량 사고 원인으로 특정 시간 t일 때 상태(S1, S2, S3, ⋯ , St )이다. 관측(Observation, O)은 카메라 혹은 현장 조사로 파악되는 행동(Maneuver), 충돌 유형(Collision type, Crash type), 증거(Evidence)로 사고 원인 추적에 기반이 될 데이터(O1, O2, O3, ⋯ , OT )이다. 시간(t)에 따라 관측된 순서를 나타내는 관측(O)의 유한 집 합을 Σ로 나타내며, 자율주행차량 사고가 어떤 결과가 시간의 흐름에 따라 연속으로 나타났는지 알 수 있 다. 상태 전이 확률(State transition matrix, A)은 은닉된 상태( Si )가 다른 은닉된 상태(Sj )로 전환될 확률 ( Si →Sj )이며, 어떤 은닉된 상태가 사고에 영향을 미쳤는지 확인할 수 있다. 관측 확률(Observation probability, B)은 은닉된 상태( Si )가 주어졌을 때. 관측 데이터(xk )가 발생할 확률로, 은닉된 상태와 관측 데이터의 연관 성을 분석하여 자율주행차량의 상태를 추정한다. 초기 확률(Initial state probability vector, π)은 초기 상태가 관측된 상태일 확률로, 해당 상태가 주로 나타나는 빈도를 기반으로 시스템의 동작 패턴이나 주행 환경을 분 석하여 자율주행차량이 운행을 시작할 때 어떤 상태에서 시작하였을지를 추정한다. 정리된 수식은 식(1)과 같다.
where,
추가로, 상태 전이 확률(A)은 N × N 크기의 행렬로 나타내며, 행렬의 각 요소 aij는 상태 Si 에서 Sj로 전환 될 확률을 나타낸다. 각 행은 특정 상태에서 가능한 모든 상태로의 전이 확률을 나타내며, 이들의 합은 확률 의 기본 성질에 따라 1이 된다(Kim and Kim, 1993)(식 (2)).
또, 관측 확률(B)은 N × M 크기의 행렬로, N은 은닉된 상태의 개수, M은 관측 데이터의 개수이다. 각 원 소 bj(k)는 은닉된 상태( Si )에서 관측 데이터(xk )가 발생할 확률을 나타낸다(식 (3)).
Ⅳ. 자율주행사고원인 추적 모델 개발
1. 은닉 마르코프 모델 (HMM) 구현
1) HMM 기반 자율주행 사고원인 추적 다이어그램 시각화
자율주행차량 사고 발생과정을 시간의 흐름에 따라 체계적으로 표현하기 위해 은닉 마르코프 모델(HMM) 과 Kim et al.(2024) 연구에서 제시한 Hybrid 모델을 융합한 다이어그램을 작성하였다. 이 다이어그램은 은닉 마르코프 모델(HMM)의 두 가지 주요 과정인 은닉 과정(Hidden process)과 관측 과정(Observation process)을 가로형 형태로 배치하고, 자율주행차량 사고 발생과정의 세 단계인 충돌 전(Pre-crash), 충돌 중(In-crash), 충돌 후(Post-crash)와 연결하여 시각화하였다. 이러한 구성은 시간의 흐름에 따라 각 부분에서 어떤 항목이 사고로 이어지는지를 분석할 수 있도록 설계되었다. 또한, Hybrid 모델과 은닉 마르코프 모델(HMM) 다이어그램과 결합되어 은닉 과정(Hidden process)과 관측 과정(Observation)의 항목 간의 관계를 명확히 하고 상호작용을 파악할 수 있도록 하였다. 개발된 사고원인 추적 다이어그램은 <Fig.3>과 같다.
2) HMM 모델을 통한 사고 원인 추적 과정
은닉 마르코프 모델(HMM)을 통한 사고 원인 추적은 관측(O)에 대한 최적의 은닉된 상태(S)를 계산하는 Viterbi 알고리즘을 사용하여 이루어진다. 이 알고리즘은 주어진 관측 데이터를 바탕으로 사고의 원인으로 추 정되는 최적의 상태 경로를 추적하며, 이를 통해 각 시간 t에서 사고의 원인으로 추정되는 은닉된 상태들을 나열한 최적 상태 순서 를 도출할 수 있다(Girdhar et al., 2022). 이 최적 상태 순서는 사고 발생과정을 시간의 흐름에 따라 추적하고, 가장 확률적으로 높은 사고 원인을 나타낸다. 이 과정은 식(4)를 통해 표현할 수 있다. 결론적으로 사고원인 추적은 사고발생 이후 Post-crash의 Evidence와 In-crash의 Collision type, Crash type을 바탕으로 은닉상태의 사고원인을 확률에 기반하여 사고발생과정의 역으로 추적하게된다.
2. Scenario-based case study
은닉 마르코프 모델(HMM) 다이어그램을 활용하여 사례 연구로 자율주행차량 사고 관련 주요 시나리오를 분석하고 사고 원인을 추적하고자 한다. 자율주행차량은 일반 차량과 달리 고도화된 ADS 시스템을 갖고 있 으며, 자율주행차량의 수는 점점 증가하고 있으나 아직 도로에서는 자율주행차량과 일반 차량이 혼재된 상 태로 운행되고 있다. 이로 인해 자율주행차량 사고는 시스템적 요인이나 일반 차량과의 충돌 등 다양한 원인 으로 발생할 수 있다. 따라서 본 연구는 자율주행차량 사고와 관련된 다음 세 가지 시나리오를 설정하고, 각 시나리오에 대한 사고 원인을 추적한다. 세가지 시나리오 내 사고원인의 확률의 경우 랜덤으로 투입하여 진 행하였다.
각 시나리오는 일반 차량과 후미 추돌, 자율주행차량 간 측면 추돌, 악천후 환경에서의 사고를 포함하며, 자율주행차량의 시스템 상호작용의 복잡성 등을 종합적으로 분석하기 위해 설정하였다. 첫 번째 시나리오로 설정된 도심부 도로에서 발생한 자율주행차량과 일반 차량 간의 후미 추돌 사고는 자율주행차량 충돌 유형 중 가장 흔하게 발생하는 사고 유형으로, 특히 후미 추돌 사고의 절반 이상이 교차로에서 발생하며 신호등 관련 사고였다(Sinha et al., 2021). 두 번째 시나리오로 설정된 고속도로에서의 자율주행차량 간 측면 추돌 사 고는 충돌 유형 분포에서 두 번째로 흔한 사고 유형으로, 자율주행차량 간의 통신 오류로 인해 발생하는 사 고 상황을 대표한다(Sinha et al., 2021). 세 번째 시나리오인 빙판길에서 발생한 자율주행차량과 일반 차량 간 의 후미 추돌 사고는 눈과 같은 악천후가 자율주행차량의 센서 작동에 어려움을 주었을 때의 상황을 보여줄 수 있다(Ford, 2016). 실제 사례로 2022년 미국 디트로이트의 눈길에서 자율주행차량이 미끄러지며 경로를 이 탈하는 모습은 자율주행 시스템이 빙판길과 같은 겨울철 도로 환경에서 직면하는 문제를 보여주었다(Detroit Tesla, 2022). 따라서 세 가지 시나리오는 자율주행차량이 처할 수 있는 다양한 상황을 대표하며, 교차로 사 고, 차량 간 통신 오류, 기상 조건에 다른 센서 문제 등 실질적인 사고 상황을 다루고 있다. 이는 자율주행차 량 사고 원인 분석에 필수적인 요소로 각 시나리오를 통해 시스템 상호작용, 통신 오류, 환경 인식 등 사고 를 유발할 수 있는 다양한 요인들을 체계적으로 추적할 수 있다.
개발된 시나리오는 실제 경찰이 분석에 활용가능하도록 3W (Who, Why, What) 기반 조사 포맷을 통해 제 시된다. 3W 기반 조사 포맷은 Girdhar et al.(2023) 연구 내 5W (Who, What, When, Where, Why)-1H (How) 기 반 디지털 포렌식 조사 포맷을 재구성하여 개발되었다. 해당 연구의 조사포맷(5W-1H)은 사이버 공격에 의한 사고를 조사하기위해 사이버공격루트(Where), 공격시기(When), 사이버공격방법(How)을 포함하고 있으나 본 연구에서는 사이버 공격 자체를 대상으로 하는 것이 아닌 교통사고의 주요 사고원인을 추적하기 위하여, Where, When, How를 제외하고, Who, Why, What만으로 재구성하였다.
Who는 교통사고 대상자이며, 사고에 포함되어있는 자율주행차량, 비자율주행차량, 보행자 등으로 구성된 다. Why는 추적된 사고 원인이며, 주요 사고원인(Trigger)와 주요 사고원인으로 발생된 요인(Factor)로 구성된 다. What는 사고 원인으로 도출된 이슈 사항으로 인한 결과로 자율주행차량의 사고직전 마지막 주행행동을 의미한다. 제안된 3W기반 사고원인 조사 포맷은 <Table 2>와 같다.
<Table 2>
The Proposed 3Ws-based investigation of a AV(s) involving accident
| Parameter | Description | Example |
|---|---|---|
| Who | Parties of accident | Autonomous vehicle to conventional vehicle |
| Why | Cause of accident (Trigger) | V2V communication issue, V2V communication not possible, etc. |
| Cause of accident (Factor) | ||
| What | Maneuver | Stopped, Proceeding straight, etc. |
1) 시나리오 1번
첫 번째 시나리오는 <Fig. 4>와 같이 도심부 도로에서 발생한 자율주행차량과 일반 차량 간의 후미 추돌 사고이다. 자율주행차량이 교차로에 접근하며 신호를 고려하여 정지선에 가까워지면서 감속하였고, 뒤따르 던 일반 차량이 이를 뒤늦게 인지하여 최소 정지거리가 자율주행차량과의 간격보다 부족하게 되면서 후미 추돌이 발생하였다.
<Fig. 5>와 같이 은닉 마르코프 모델(HMM)을 구성하기 위해 관찰한 관측(O) 항목은 자율주행차량의 행동 (Slowing/stopping), 충돌 유형(Rear-end), 사고 유형(AV to conventional vehicle), 물리적 손상(Rear body and bumper damaged), 차량 시스템 손상(Rear sensors malfunction), 스키드 마크(Location and length that appear to be caused by sudden braking), 파편(Tail lamp and bumper pieces)이다. 사고의 원인으로 고려할 수 있는 은닉된 상태(S) 항목은 운전자(Hands-on), 날씨(Clear), 조명(Daylight), 도로 유형(Main road), 도로 인프라(Intersection), 교통 상 황(Heavy traffic), 소통(V2V communication not possible), ADS 시스템 상태(Scene failure)이다.
사고 발생과정을 시간의 흐름에 따라 구분하고 은닉된 상태 간 전이 확률(A)과 관측 확률(B)을 기반으로 Viterbi 알고리즘을 수행해 다음과 같은 최적 상태 경로를 도출할 수 있다. 각 은닉된 상태(S1, S2, S3, ⋯ , S8 )의 초기 확률()은 0.05, 0.1, 0.1, 0.1, 0.05, 0.25, 0.1, 0.25과 같다. 각 관측(O1, O2, O3, ⋯ , O7 )의 상태 별 관측 확률()은 0.1, 0.1, 0.05, 0.05, 0.05, 0.3, 0.35과 같다. 상태 전이 확률로 a2,4 는 0.8, a6,7 는 0.5이다. 시간 t=1부터 각 상태에 대해 최적 상태 순서를 계산하는 수식을 반복하여 경로를 추적 한다. 최종적으로 t = T에서의 값을 얻으면 δT (6) 값이 가장 크게 나와 최적 경로는 S6 →S8라고 도출된다. 결 과적으로 자율주행차량 사고 원인은 S8 ADS 시스템 상태가 Scene failure에서 S6 V2V 통신 불가능으로 이어 지는 경로로 추적된다. 해당 사고는 <Table 3>의 포맷과 같이 조사된다.
<Table 3>
3Ws-based investigation for Scenario 1
| Parameter | Description | Example |
|---|---|---|
| Who | Parties of accident | Autonomous vehicle to conventional vehicle |
| Why | Cause of accident (Trigger) | V2V communication not possible |
| Cause of accident (Factor) | Scene sensor Failure | |
| What | Maneuver | Slowing/stopping |
2) 시나리오 2번
두 번째 시나리오는 <Fig. 6>과 같이 고속도로에서 발생한 자율주행차량 간의 측면 추돌 사고이다. 좌측 자율주행차량이 목적지 변경을 하여 차로 변경을 시도하며 우측 자율주행차량에 차로 변경 메시지를 보냈지 만, 차량 간 통신 오류로 인하여 메시지가 전달되지 않았다. 좌측 차량은 차로 변경을 실행하였고, 우측 차량 은 운전자에게 알림을 보냈지만, 운전자는 휴대폰을 사용하느라 이를 확인하지 못했고 전방을 주시하지 않 았다. 우측 차량은 그대로 직진하였고 좌측 차량은 차로를 변경하여 측면 추돌이 발생하였다.
<Fig. 7>과 같이 은닉 마르코프 모델(HMM)을 구성하기 위해 관찰한 관측(O) 항목은 자율주행차량의 행동 (Proceeding straight), 충돌 유형(Side swipe), 사고 유형(AV to AV), 물리적 손상(Severe deformation and damage to the body side and door frame), 차량 시스템 손상(Side sensor damaged), 스키드 마크(Slip mark (faint slip marks)), 파편(Vehicle exterior side doors, side mirror, glass fragments, etc)이다. 사고의 원인으로 고려할 수 있는 은닉된 상태(S) 항목은 운전자(Not looking forward), 날씨(Clear), 조명(Daylight), 도로 유형(Highway), 도로 인프라(Straight road), 교통 상황(Light traffic), 소통(V2V Communication issue (not receive)), ADS 시스템 상태(Sense failure, Perception error and Scene error)이다.
각 은닉된 상태(S1, S2, S3, ⋯ , S10 )의 초기 확률( )은 0.1, 0.05, 0.05, 0.1, 0.1, 0.05, 0.15, 0.1, 0.1, 0.2과 같다. 각 관측(O1, O2, O3, ⋯ , O7 )의 상태별 관측 확률()은 0.1, 0.1, 0.2, 0.1, 0.3, 0.1, 0.1과 같다. 상태 전이 확률로 a2,4 는 0.15, a6,7 는 0.25이다. 시간 t=1부터 각 상태에 대해 최적 상태 순서 를 계산하는 수식을 반복하여 경로를 추적한다. 최종적으로 t = T에서의 값을 얻으면 δT (7) 값이 가장 크게 나와 최적 경로는 S10 → S9 →S8 →S7라고 도출된다. 결과적으로 자율주행차량 사고 원인은 S8, S9, S10 ADS 시 스템 상태가 Sense failure, Perception error, Scene error에서 S7 V2V 통신 문제(받지 못함)로 이어지는 경로로 추적된다. 해당 사고는 <Table 4>의 포맷과 같이 조사된다.
<Table 4>
3Ws-based investigation for Scenario 2
| Parameter | Description | Example |
|---|---|---|
| Who | Parties of accident | Autonomous vehicle to autonomous vehicle |
| Why | Cause of accident (Trigger) | V2V communication issue (not receive) |
| Cause of accident (Factor) | Sense sensor failure | |
| Perception sensor error | ||
| Scene sensor error | ||
| What | Maneuver | Proceeding straight |
3) 시나리오 3번
세 번째 시나리오는 <Fig 8>과 같이 고속도로에서 발생한 자율주행차량과 일반 차량 간의 후미 추돌 사고 이다. 앞서 주행하던 일반 차량은 빙판길에서 안정적인 속도를 유지하지 못하고 가속과 감속을 반복하며 주 행하고 있었다. 이 차량은 빙판길 위에서 미끄러지며 불규칙한 속도로 이동하다가, 결국 갑작스럽게 정지하 였다. 뒤따르던 자율주행차량은 앞 차량의 움직임을 감지하고 감속을 시도하였다. 하지만 많은 눈과 빙판길 로 인한 제동거리 증가로 인하여 후미 추돌이 발생하였다.
<Fig.9>와 같이 은닉 마르코프 모델(HMM)을 구성하기 위해 관찰한 관측(O) 항목은 자율주행차량의 행동 (Proceeding straight), 충돌 유형(Rear-end), 사고 유형(AV to conventional vehicle), 물리적 손상(Rear body and bumper damaged), 차량 시스템 손상(Rear sensors malfunction), 스키드 마크(Location and length that appear to be caused by sudden braking), 파편(Headlight glass shard and bonnet pieces)이다. 사고의 원인으로 고려할 수 있는 은닉된 상태(S) 항목은 운전자(Hands-on), 날씨(Snowy), 조명(Dark), 도로 유형(Highway), 도로 인프라(Straight road), 교통 상황(Heavy traffic), 소통(V2V communication not possible, V2I delay and accuracy degradation), ADS 시스템 상태 (Scene fault, Decision failure and Control failure)이다.
각 은닉된 상태(S1, S2, S3, ⋯ , S10 )의 초기 확률( )은 0.07, 0.12, 0.04, 0.09, 0.08, 0.05, 0.15, 0.1, 0.05, 0.25과 같다. 각 관측(O1, O2, O3, ⋯ , O7 )의 상태별 관측 확률()은 0.05, 0.1, 0.2, 0.1, 0.1, 0.2, 0.2과 같다. 상태 전이 확률로 a2,4 는 0.6, a7,2 는 0.3이다. 시간 t=1부터 각 상태에 대해 최적 상태 순 서를 계산하는 수식을 반복하여 경로를 추적한다. 최종적으로 t = T에서의 값을 얻으면 δT (2) 값이 가장 크게 나와 최적 경로는 S10 →S9 →S8 →S7 →S2라고 도출된다. 결과적으로 자율주행차량 사고 원인은 S8, S9, S10 ADS 시스템 상태가 Scene fault, Decision failure, Control failure에서 S7 V2V 통신 불가능, V2I 지연 및 정확성 저하 의 원인이 날씨(눈)로 이어지는 경로로 사고 원인이 추적된다. 해당 사고는 <Table 5>의 포맷과 같이 조사 된다.
<Table 5>
3Ws-based investigation for Scenario 3
| Parameter | Description | Example |
|---|---|---|
| Who | Parties of accident | Autonomous vehicle to conventional vehicle |
| Why | Cause of accident (Trigger) | Snowy |
| Cause of accident (Factor) | V2V communication not possible | |
| V2I delay and accuracy degradation | ||
| What | Maneuver | Proceeding straight |
Ⅴ. 결 론
본 연구에서는 자율주행차량 사고 원인을 추적하기 위해 은닉 마르코프 모델을 기반으로 한 사고 원인 추 적 모델을 개발하였다. 기존의 사고 분석 방법론이 가지는 한계점을 극복하고자, 사고 발생과정을 Pre-crash, In-crash, Post-crash로 구분하여 각 단계의 상태 전이와 항목 간의 관계를 체계적으로 정의하고자하였다. 이를 통해 자율주행차량의 주요 사고원인을 확률적으로 추적하고, 다양한 시나리오를 통해 모델 활용성을 제시하 였다. 개발된 모델은 자율주행차량 교통사고의 복잡한 원인을 체계적으로 분석하는 데 있어 높은 성능을 보 인다. 특히 Pre-crash 단계에서 현재 알 수 없는 블랙데이터인 은닉 상태를 효과적으로 추적함으로써 사고 대 응 및 예방이 가능할 것으로 판단한다.
본 연구는 은닉 마르코프 모델을 활용하여 자율주행차량 사고 원인 추적의 가능성을 제시하였으나, 일부 한계점 또한 존재한다. 첫 번째, 개발된 모델의 확률 기반 분석은 사고 원인 간의 복잡한 상호작용을 효과적 으로 다룰 수 있으나, 다변량 데이터를 포함한 비선형적이고 동적인 상호작용을 완벽하게 설명하는데 한계 가 존재할 수 있다. 이는 향후 강화학습과 같은 딥러닝 기술을 추가적으로 결합하여, 모델의 성능을 향상 시 킬 수 있을 것으로 기대한다. 두 번째, 본 연구에서 사용된 시나리오는 특정 상황에 국한되어 있어 실제 사 고의 다양성을 반영하지 못할 가능성이 존재한다. 이는 향후 BSM 데이터 및 자율주행차량 센서 데이터 수 급 등 다양한 소스의 확보 시 해당 한계점 극복이 가능할 것으로 판단한다. 세 번째, 개발된 모델은 Level 4 이상 자율주행차량을 대상으로 개발하였으나, 실제로 기술이 진보됨에 따라 현재 고려하지 못한 새로운 요 인이 등장가능하다. 이는 교통사고발생에서 정의한 요인외 새로운 요인이 나타날 수 있음을 의미하며, 주기 적으로 모델의 고도화가 필요함을 뜻한다. 이러한 한계점들을 보완하고 제안된 모델을 고도화한다면, 자율주 행차량 교통사고 원인을 보다 정확히 분석하고 예측할 수 있을 것으로 기대한다.
