Ⅰ. 서 론

1. 개요

다양한 자율주행시스템 자동화 수준의 차량이 도로상에 혼재되어있는 혼합교통류 상태가 상당 기간 지속 될 것이며, 특히 혼합교통류 상황에서는 자동화 수준에 따라 확연히 다른 주행행태를 보일 것이다. 이러한 원인에 기인하여 불안전한 교통흐름이 발생할 수 있으며, 차량간 또는 차량 외 도로 이용자와의 상충발생 빈 도가 증가할 것으로 판단된다 (Lee et al., 2018;Aramrattana et al., 2017). 또한, Mckinsey (2019)에서 분석한 자 율주행차 이용 전망에서는 2040년 기준 도로주행 거리의 66%가 자율주행차량이 차지할 것으로 예측하였다. 따라서, 미래 교통수단으로서의 자율주행차의 비율은 지속적으로 증가할 것으로 추측되며, 현 도로 체계가 유지될 시 상충빈도가 증가할 것으로 판단된다.

자율주행차의 상용화를 위해 다양한 국가에서 자율주행시스템 기술의 개발과 함께 실제 도로에서의 실증 을 수행하고 있다. 미국 캘리포니아, 오하이오, 애리조나 등 다양한 주에서 자율주행차의 실제 도로에서의 시범운행을 수행하였으며, 독일의 경우 페가수스 및 이매진 프로젝트를 통해 고속도로에서의 자율주행차 테 스트와 인프라 협력 운행 테스트를 수행하였다. 싱가포르의 경우 서부지역 전체를 Autonomous Vehicles (AV) 테스트베드로 지정하고 다양한 프로젝트를 진행하는 등 자율주행차의 상용화를 위해 실제 도로에서의 실증 에 노력을 기하고 있다 (D’ Agostino et al. 2022;Winner et al. 2019;Ng and Kim, 2021;Fujiyama et al. 2021;Lee et al., 2023). 한국의 경우도 2020년부터 자율주행 시범운행지구를 지정 및 운영하고 있으며, 2022년 서울 강남권역 등을 시작으로 시범운행지구의 추가 지정을 전국적으로 확대하고 있다. 그러나, 자율주행차의 안전 성에 대한 판단기준이 부재하여 시범운행지구에 대한 교통안전 검증체계가 미흡한 실정이다. 실제 도로에서 의 자율주행차 주행환경은 비자율주행차와 다양한 측면에서의 상호작용, 도로의 기하구조 및 도로 시설 특 성에 따라 다양한 영향을 받는다. 특히, 자율주행차의 경우 비자율주행차와는 상이한 판단 프로세스로 인해 교통류 측면에서의 문제를 야기한다 (Abdel-Aty and Ding, 2024). 또한, 자율주행차 자체적으로 주행안전성이 저하되고 인접한 차량에 영향을 미칠 가능성이 있다 (Thakurdesai and Aghav, 2021). 따라서, 자율주행차 상용 화를 위해 자율주행차의 안전성 검증이 필수적으로 수행되어야 하며, 잠재적인 위험 요인을 도출하여 선제 적인 예방대책을 마련하는 과정이 수반되어야 한다.

자율주행차의 안전성 검증을 위해 지금까지 다수의 연구가 진행되었으나, 실제 자율주행차의 주행 데이터 부족으로 인해 대부분의 연구는 VISSIM (Verkehr In Städten - SIMulationsmodell)과 같은 교통류 시뮬레이션 프로그램을 활용하여 혼재 상태에서의 주행안전성을 분석하였다 (Zheng et al., 2020;Sinha et al., 2020). 그러 나, VISSIM의 경우 교통 특성과 차량 상호작용을 단순화시킬 수 있어 자율주행차의 주행행태를 구현하는데 한계가 있다 (Wang et al., 2021;Hyland and Mahmassani, 2018). 또한, 실제 도로에 설치된 노면표시, 표지판과 같은 시설물과 불법유턴, 공격적인 Cut-in, 불법주정차와 같은 현실적인 상황에 대한 고려가 되지 않는다는 한계가 존재한다. 따라서, 본 연구의 목적은 자율주행 시범운행지구에서 수집된 실제 자율주행차 데이터 분 석을 통해 자율주행차와 비자율주행차의 주행안전성 평가 결과를 비교하고 안전성 저하 요인을 도출하여 시 사점을 제시하는 것이다.

본 연구의 구성은 다음과 같다. 2장에서는 실제 수집된 자율주행차 주행 데이터를 활용하여 진행한 연구 동향을 파악하고, 본 연구의 차별점을 제시하였다. 3장에서는 실제 수집된 자율주행차 데이터의 소개 및 주 행안전성 평가 방법론과 현장조사 결과에 대해 제시하였다. 4장에서는 평가 방법론을 활용한 분석 결과와 현장조사의 매칭을 통해 도출된 위험 요인 결과에 대해 제시하였으며, 5장에서는 본 연구의 결과를 요약하 고, 활용방안 및 한계점에 대해 서술하였다.

Ⅱ. 선행연구

본 연구에서는 실제 도로에서의 자율주행차에 대한 주행안전성을 평가하여 잠재적인 위험 요인을 도출하 고 비자율주행차의 잠재적인 위험 요인과 비교하여 시사점을 도출하였다. 따라서, 다양한 환경에서의 자율주 행차 주행안전성 분석을 수행한 연구를 고찰하였으며, 자율주행차의 주행행태 및 잠재적 위험요인에 대해 검토하였다.

자율주행차는 시스템에 의해 주행한다는 점에 착안하여 기능적 측면의 연구가 다수 진행되었다. 미국 California Department of Motor Vehicle (CA DMV)에서는 실제 도로에서의 자율주행차 관련 사고 데이터를 오픈소스 데이 터로 제공하고 있으며, 자율주행차의 고장 원인과 누적 주행 거리당 사고 발생률을 가공하여 제공한다. CA DMV에서 제공한 데이터를 활용하여 자율주행차의 신뢰성 향상을 위해 필요한 최소 주행거리 추정 모델과 심층 신경망을 통해 자율주행차의 결함 원인을 분석하는 연구가 진행되었다 (Favarò et al., 2020). 또한, 제어권 전환을 위한 반응 시간 등에 관한 연구도 다수 진행되었다 (Banerjee et al., 2018;Khattak et al., 2021;Dixit et al., 2016). Leledakis et al.(2021)은 자율주행차의 충돌성 평가를 위해 충돌 회피 기술의 효과를 추정하는 연구를 진행하였다. 분석을 위해 실제 교통사고 데이터를 기반으로 Model-in-the-Loop (MIL) 시뮬레이션을 수행하였으 며, 자율주행차에 탑재된 advanced emergency braking system (AEBS)의 사고 회피율을 분석하였다. 분석 결과 단속류의 경우 autonomous emergency braking (AEB) 기능으로 인해 61~92%, 연속류에서 56%의 사고를 예방할 수 있는 것으로 분석되었다. Hou(2023)은 악천후 상황에서 connected and autonomous vehicles (CAVs)과 human driven vehicle (HDV)이 혼재된 도로의 교통안전성에 대해 연구를 수행하였다. 기상상태는 맑음, 강우, 강설로 구분하고 market penetration rate (MPR)에 따른 주행안전성 변화를 분석하였다. 분석결과 MPR이 증가할수록 세 가지 기상 조건 모두에서 교통량이 증가하는 것으로 분석됬으며, MPR이 100%일 시 모든 기상 조건에서 충돌 위험이 없는 것으로 도출되었다.

안전성 측면에서 진행된 연구의 경우 자율주행차 측면에서의 안전성과 비자율주행차 측면에서의 안전성 을 분석한 연구로 구분된다. 자율주행차의 주행안전성 분석을 목적으로 연구를 진행한 Niroumand et al.(2022) 는 AV와 manually drivien vehicles (MV)가 혼재된 상태에서 자율주행차의 주행 행동이 교차로의 성능과 안전 성에 미치는 영향에 대해 연구를 수행하였다. 12대의 자율주행차로부터 수집된 데이터를 활용하여 자율주행 차의 운전 행동 모델을 개발하였으며, 거동행태에 따른 교차로 안전성 변화를 분석하였다. 분석 결과 AV가 교차로 진입 시점에서 급정거를 수행하는 경우 교차로의 성능과 안전성이 저하될 수 있으며, 자율주행차가 공격적인 주행행태를 보일 경우 time-to-collision (TTC)이 감소하고 가속도의 변동이 큰 것으로 도출되었다. Sinha et al.(2021)는 Waymo open data set을 활용하여 간선도로, 고속도로, 일반도로에서 선행차량이 AV인 AV-MV pair와 선행차량이 MV인 MV-AV pair, MV-MV pair로 구분하여 분석을 수행하였다. 간선도로의 고속 주행 상황에서는 AV가 MV에 비해 더 큰 차두거리를 유지하고, 고속도로에서의 저속주행도 마찬가지로 AV 가 MV에 비해 더 큰 차두거리를 유지한다. 또한 MV-AV 평균 반응 시간은 통계적인 차이가 없는 것으로 분 석되었으며, MV-MV 반응시간의 분산이 통계적으로 유의미하게 낮은 것으로 도출되었다.

비자율주행차 주행안전성 분석을 목적으로 연구를 진행한 Lee et al.(2023)는 SCANeRTM STUDIO 프로그 램 기반 multi-agent driving simulator (MADS)를 이용하여 선행-후행 차량 pair인 AV pair (AV-AV), Mixed pair (AV-MV, MV-AV), MV pair (MV-MV)에 대한 단속류 도로에서의 주행안전성 분석을 수행하였다. 곡선구간이 길고, 회전교차로 및 U턴 구간에서 횡방향 주행안전성이 취약한 것으로 분석되었으며, AV pair와 Mixed pair 의 경우 회전교차로, MV pair의 경우 U턴 구간에서 종방향 주행안전성이 낮아지는 것으로 분석되었다. Jung et al.(2023)은 MADS를 이용하여 연속류에서 4개의 선행-후행 차량 pair별 주행안전성 분석을 수행하였다. 분 석 결과 우커브 곡선부와 내리막 구간에서 횡방향 안전성 취약구간으로 도출되었으며, 종방향 안전성 취약 구간의 경우 곡선부 길이가 짧은 구간으로 분석되었다. Wen et al.(2022)는 Waymo open dataset을 활용하여 선행-후행 추종 상황에서 MV 운전자에 대한 주행행태 변화를 분석하였다. 분석 결과 MV 운전자가 AV를 추 종하는 상황에서 MV 운전자의 주행 변동성이 낮고 주행시간이 짧으며, TTC가 높아지는 것으로 분석되었다. 이는 교통류 내 AV가 존재할 경우 속도 편차가 감소하기 때문에 안전성이 증가하는 것을 의미한다. Zhao et al.(2020)은 총 연장이 2.4km에 해당하는 Weishui Campus CAV 테스트 트랙에서 수집된 AV 데이터 셋을 활 용하여 AV를 추종하는 Human vehicle (HV) 운전자와 HV를 추종하는 HV 운전자의 종방향 주행행태 특성 차 이를 분석하였다. 총 10명의 피실험자를 대상으로 테스트 트랙에서 현장 실험을 수행하였으며, autonomous driving system (ADS)를 신뢰하는 운전자와 그렇지 않은 운전자 그룹으로 구분하여 연구를 진행하였다. 활용 한 평가지표는 속도, 차간거리, 차두시간, 속도 표준편차이다. ADS를 신뢰하는 운전자 그룹의 경우 AV를 추 종할 때 차간간격을 줄이는 경향을 보이며, 이러한 경우 이동시간이 감소하고 다른 차량의 끼어들기를 방지 한다고 주장하였다. 반대로 ADS를 신뢰하지 않는 운전자 그룹은 AV를 추종할 때 차간간격을 늘리는 것으로 분석되었다. 이는 MV-MV 추종행태와는 다르게 AV-MV 추종의 경우 후행차량인 MV 운전자의 주행 특성이 ADS에 대한 운전자의 주관적인 신뢰에 영향을 받는 것을 의미한다.

최근에는 도심부 도로에서 자율주행차와 보행자, 자전거 이용자간 상충 분석이 진행되었다. Alozi and Hussein(2023)은 자율주행차와 도로 이용자 간 상호작용에서 안전성을 평가하기 위해 연구를 수행하였다. 캐 나다, 미국 및 싱가포르에서 수집된 AV 센서 데이터를 활용하여 AV와 도로 이용자 간의 충돌 상황을 추출 하였으며, post-encroachment time (PET)를 활용하여 정량화하였다. 보행자 관련 상황 1,255건과 자전거 이용자 관련 434건의 충돌 상황을 분석한 결과 우회전 AV와 보행자 상충 상황에서 위험성이 가장 높았으며, 자전거 이용자의 경우 AV 좌회전과의 상충에서 가장 높은 위험성이 있는 것으로 도출되었다.

자율주행차의 주행안전성에 대한 연구는 다수 수행되었으나, 기존의 연구는 자율주행시스템의 기능에 대 한 안전성 효과, MV와 AV 추종상황에서의 상호작용에 의한 주행행태 변화에 대한 연구가 주를 이루었다. 현재의 도로 구조는 비자율주행차 관점에서 설계되었기 때문에 기존의 도로를 주행하는 자율주행차 관점에 서의 주행안전성 분석이 필요한 실정이다. 따라서 본 연구에서는 AEB 임계값을 기반으로 새로운 주행안전 성 평가지표를 개발하였으며, 개발된 평가지표를 활용하여 구간별 자율주행차의 주행안전성 분석을 수행하 였다. 또한, 현장 조사로부터 수집한 도로 시설 특성 정보를 활용하여 주행안전성을 저하시키는 도로 시설 특성을 도출하였다.

Ⅲ. 방법론

1. Overall framework

본 연구에서는 서울 상암 자율주행 시범운행지구에서 수집된 automated vehicle data (AVD)를 활용하여 AEB 기반의 평가지표를 개발하고 구간별 주행안전성 분석을 수행하여 위험구간을 도출하였다. 도출된 위험 구간과 현장 조사로부터 수집한 구간별 도로 시설 특성을 통해 이항 로지스틱 모형을 구축하고, AV의 주행 안전성에 영향을 주는 영향 요인을 도출하였다. 연구의 수행 절차를 <Fig. 1>에 제시하였으며, 본 연구는 3개 의 단계로 구성되어 있다. 단계 1에서는 AVD에 포함된 수집 시간과 수집 위치를 기반으로 이상치를 제거하 고 현장 조사를 통해 구간별 도로 시설 특성 자료를 수집하였다. 단계 2에서는 국제 표준인 ISO-22179에서 제안한 AEB 기능의 최대 감속도인 0.5g (4.9m/s²)를 초과하는 감속도를 AEB 기반 위험 이벤트로 정의하고 주행안전성 평가를 수행하였다. 또한, 평가 결과를 기반으로 구간별 안전 등급을 산정하였다. 단계 3에서는 단계 2에서 도출된 구간별 안전 등급을 이항 로지스틱 회귀분석에 활용하기 위한 종속변수로 정의하였다. 독립변수의 경우 구간별 도심부 단속류 도로교통 특성 자료를 활용하여 자율차의 주행안전성 저해 영향 요 인을 도출하였다. 마지막으로 도출된 영향 요인을 기반으로 시사점을 제시하였다.

<Fig. 1>

Overall research framework

2. Data Collection and Preprocessing

본 연구에서 활용한 AVD의 수집 구간은 서울 상암 자율주행 시범운행지구 내 운영 중인 2개의 노선이다. 각각의 노선 연장은 5.3km, 4.0km이며, 두 노선이 중복되는 구간은 1.9km이다. AVD는 <Table 1>에 제시한 바와 같이 2022년 2월 10일부터 2022년 10월 31일 동안 총 5대의 자율차로부터 수집됨에 따라 데이터가 특 정 시기에 편향되지 않았다. 자율주행차는 Level 3 수준의 자율주행차이며, 카메라와 레이더가 탑재되어 있 다. 또한, 시범운행지구에서 제공하는 정밀 지도를 기반으로 경로를 주행한다. AVD 세부 정보는 서비스 운 영 차량 ID, 수집 시간, 수집 위치, 속도 및 주행모드 상태이며, 주행모드의 경우 자율주행모드 (Autonomous Driving mode, AD mode)와 수동주행모드 (Manual Driving mode, MD mode)를 의미한다. AVD는 1초의 주기로 로 수집되었으며, 이벤트 발생 건수도 동일한 단위 내에서 수집되었다. 시범운행지구에서 주행 중인 AV는 서비스 운행 시간 외의 경우 차고지 이동, 정비 또는 기업 자체적인 테스트를 위해 주행하므로 서비스 운행 시간 동안 주행한 경우의 데이터만을 추출하여 분석에 활용하였다. 상암 자율주행 시범운행지구의 경우 어 린이 보호구역을 포함한 모든 도로에서 제한속도가 50kph로 지정되어 있다. 또한 안전을 위해 운전석에 safety driver로 불리는 안전요원이 탑승하며 어린이 보호구역이나 승하차 시, 돌발상황 등에 수동으로 전환하 여 safety driver가 수동 운전을 수행한다. 이와 같은 특정상황에 의해 자율주행모드가 해제된 경우에 수집된 자료는 분석에서 제외하였다. 또한, 자율주행차의 경우 제한속도를 초과하여 주행할 수 없도록 설계되어 있 으므로 제한속도를 초과하는 속도를 이상치로 분류하여 분석에서 제외하였다. 상암 자율주행 시범운행지구 노선은 어린이 보호구역을 포함하고 있으며, 현행법에 의거하여 어린이 보호구역에서는 AD mode로 주행할 수 없으므로 분석 구간에서 제외하였다. 마지막으로 <Fig. 2>에 제시한 데이터 가공 처리 방법으로 속도와 수집 시간 데이터를 활용하여 속도의 변화량인 가속도를 산출하였다. 본 연구에서는 ^「도로와 다른 도로 등 과의 연결에 관한 규칙_」제6조 제3항에 명시된 교차로 영향권 산정기준에 따라 30m를 기준으로 구간을 구 분하여 총 219개의 구간으로 분류하였으며, 구간별 현장 조사를 수행하였다. 현장 조사를 통해 교차로 유형, 차로 수, 차로 폭, 좌우회전 전용차로 유무, 좌우회전 유무, 불법주정차 유무, 버스정류장 유무, 자전거 전용 차로 유무와 같은 도로 시설 특성을 조사하였다.

<Fig. 2>

Data preprocessing procedure

3. Derivation of the safety evaluation indicator for autonomous driving safety

자율주행차는 안전성을 높이기 위한 기술적 발전의 일환으로 AEB 시스템을 탑재하고 있다. AEB 시스템 은 돌발상황에 작동하는 감속 시스템으로 사고를 방지하거나 최소화시키는 ADAS (Advances Driver Assist System)이다(Lee and Park, 2018). AEB 감속도는 종방향 감속도를 기준으로 돌발상황을 검지하는 지표로써 본 연구에서는 국제 표준인 ISO-22179에서 제안한 Full Speed Range ACC (FSRA) AEB 기능의 최대 감속도인 0.5g (4.9m/s²)를 초과하는 감속도를 AEB 임계값 기반 위험 이벤트로 정의하였다.

AD mode와 MD mode의 구간별 AEB 기반 주행안전성을 평가하기 위해 <Table 1>에 제시한 AVD에 포함 되어 있는 주행모드 정보를 기반으로 주행모드별 데이터를 추출하여 분석을 수행하였다. 주행안전성 평가는 Eq. (1)에 제시한 바와 같이 구간별 AEB가 작동하는 감속도 임계 수준 이상의 관찰되는 이벤트 발생 비율을 산출하였으며, 산출된 비율을 Driving Risk Index (DRI)로 정의하였다. DRI는 AEB 기준 급감속 발생률 기반 의 주행안전성 평가지표로 일반적인 감속도 평균에 비해 주행 시 위험상황을 나타내기에 효과적인 지표이 다. DRI_AEB를 기반으로 DRI_AEB가 0인 구간은 Very good으로 구분하고 그 외의 DRI_AEB를 25%를 기준으로 good(하위 25%), moderate(26~50%), poor(51~75%), very poor(상위 25%) 총 5가지로 구분하였다.

여기서,

DRI_AEB에 영향을 미치는 요인을 도출하기 위한 이항 로지스틱 모형을 구축하였다. 이항 로지스틱 회귀모 형은 모형의 종속변수를 범주형으로 설정하는 binary classification 문제에 효과적으로 응용할 수 있으며, Odds-ratio, Wald 통계량 등을 이용하여 종속변수에 통계적으로 유의한 영향을 미치는 독립변수를 판단하는 문제에 유용하게 활용할 수 있다(Jeong, 2007). Odds-ratio는 로지스틱 모형에서 사건이 일어날 확률이 일어나 지 않을 확률의 비율을 의미하며, 독립변수의 수준에 따라 이분화된 종속변수의 확률값을 예측한다 (Al-Ghamdi, 2002). 이항 로지스틱 회귀분석은 발생 사건의 가능성을 크게 하는 우도를 최대화하는데 목적이 있으므로, 최대우도 추정법을 이용하여 모형의 모수를 추정한다. 최종모형에서 변수의 계수가 양의 부호인 경우 그 변수는 종속변수의 증가에 영향을 미치며, 음의 부호인 경우 종속변수의 감소에 영향을 미치는 것을 의미한다 (Cho, 2022). BLR 모델의 산출식은 Eq. (2)와 Eq. (3)에 제시하였다.

여기서,

이항 로지스틱 회귀 분석을 수행하기 위하여 독립변수 및 종속변수를 선정하였다. 주행 모드별 주행안전 성 평가를 통해 구분한 안전 등급을 활용하여, 종속변수는 DRI_AEB poor 와 very poor 구간을 1로 설정하여 사 용하였고, very good, good, moderate 구간을 0으로 설정하여 사용하였다. 독립변수의 경우 현장조사를 통해 조사된 8가지의 변수를 명목형 변수로 정의하였으며, 독립변수별 조사된 세부 내용과 내용별 설정한 정의 내용은 <Table 2>에 제시하였다.

Ⅳ. 분석결과

1. Analysis of Autonomous Driving Behavior Characteristics

자율주행차로부터 수집된 AD mode와 MD mode의 주행궤적자료를 이용하여 주행모드에 따른 주행행태를 분석하였다. 동일 구간에서의 AD mode와 MD mode의 주행속도 프로파일 예시는 <Fig. 3-(a)>에 제시하였다. AD mode는 제한속도 50kph를 준수하며 주행하는 반면에 MD mode는 제한속도를 벗어나 주행하는 행태를 보였다. 주행 안정성 측면에서의 AD mode와 MD mode의 주행행태 비교를 위하여 속도 표준편차를 분석한 결과, MD mode의 경우 27.99kph로 도출된 반면 AD mode의 경우 14.08kph로 도출되었다. 속도 표준편차는 가속과 감속의 반복으로 인해 발생하는 교통 흐름의 특성을 반영하여 클수록 교통흐름이 불안정한 것으로 판단할 수 있다 (Zheng et al., 2010;Ko et al., 2021). 따라서, AD mode가 MD mode보다 일정한 속도를 유지하 며 안정적인 주행을 하는 것으로 판단할 수 있다. 또한, <Fig. 3-(b)>에 제시한 구간별 속도분포와 같이 MD mode는 대부분의 구간에서 속도분포가 큰 것으로 도출된 반면, AD mode는 상대적으로 작은 속도분포를 보 였다. 이와 같은 결과는 동일한 기하구조 조건을 갖는 도로구간을 통과하는 상황에서 MD mode의 경우 주행 행태가 달라질 수 있음을 의미하며, AD mode의 경우 주행환경이 동일할 시 일관성 있는 주행행태를 보이는 것을 의미하는 결과이다.

<Fig. 3>

Comparison of speed by driving mode

주행모드에 따른 가속도 분석을 통해 주행행태를 비교한 결과를 <Fig. 4>에 제시하였다. <Fig. 4-(a)>는 주 행모드별 가속도 프로파일 예시이며, MD mode에 비해 AD mode에서 가속 및 감속의 변화가 적은 것으로 산 출되었다. 또한 MD mode에서의 최대 가속도는 11.9438m/s²로 AD mode 6.778m/s²에 비해 76.22% 높은 것으 로 도출되었으며, MD mode에서의 최소 가속도는 -18.0556m/s²로 AD mode에서의 최소 가속도인 9.1667에 비 해 96.97% 높은 것으로 도출되었다. <Fig. 4-(b)>에는 주행모드에 따른 구간별 가속도 분포 분석 결과 예시를 제시하였다. 대부분의 구간에서 AD mode에 비해 MD mode에서 가속도 분포의 편차가 큰 것으로 분석되었 다. 그러나 좌회전 구간에 진입하기 직전인 51번, 52번 구간에서는 MD mode뿐만 아니라 AD mode의 가속도 분포 역시 편차가 큰 것으로 도출되었다. 이는 좌회전 베이에 진입하기 위해 차로변경을 수행하는 과정에서 가감속이 발생하기 때문으로 판단된다.

<Fig. 4>

Comparison of acceleration by driving mode

2. Analysis of DRI_AEB

1) DRI_AEB for AD mode

AD mode의 구간별 주행안전성 분석 결과를 <Fig. 5>에 제시하였으며, very good은 122개 구간, very poor는 20개 구간으로 도출되었다. very poor 구간의 구간 특성에 대한 상세 내용은 <Table 3>에 제시하였다. AD mode의 경우 13, 14, 15번 구간은 DRI_AEB가 연속적으로 높게 산출된 구간이다. 해당 구간의 경우 버스정류장이 존재함과 동시에 자율주행차가 우회전 전용차로 주행을 위해 차로변경을 하는 구간이다. Shi et al.(2011)가 수행한 버스정류 장과 감속구간에 의한 차로 변경의 특성에 관한 연구에 따르면 버스정류장의 전ㆍ후에서 차량 급감속 및 충격파 가 동시에 일어나기 때문에 교통류가 불안정해지는 것으로 도출되었다. 이와 같은 연구 결과에 기인하여, DRI_AEB 가 증가했을 것으로 판단된다. 13, 14, 15번 구간과 더불어 회전 전용차로와 AV의 차로변경이 동시에 존재하는 구간은 총 10개 구간이며, 이 중 7개의 구간이 위험 등급 이상인 구간으로 도출되었다. 위험 등급 이상 구간의 경우 경로에 따라 인접한 차량이 차로변경을 수행함과 동시에 AV도 차로변경을 수행하여 weaving 현상이 발생한 다. weaving 현상으로 인해 교통류가 불안정해질 수 있으므로 DRI_AEB가 높게 도출된 것으로 판단된다. 43개의 위험 등급 이상 구간 중 20개의 구간이 회전 전용차로가 접속되어 있다. 회전 전용차로의 경우 교차로 진입 전·후에 존재하며, 차량이 우회전, 좌회전 또는 유턴을 할 수 있도록 직진하는 차로와 분리하여 추가로 설치하는 차로를 지칭한다. 본 연구의 분석 대상 구간의 경우 교차로를 기준으로 좌·우회전 전용차로의 접속이 연속적으로 발생하므로 Cut-in 상황의 발생 빈도가 증가할 수 있다. Kim et al.(2021)이 수행한 Cut-in 시나리오에서의 위험도 평가 연구의 결과에 따르면, Cut-in 시나리오에서 인접한 차로에 다른 차량이 존재할 시 급정지를 수행할 가능성이 높다. 따라서, Cut-in 시나리오가 자주 발생할 수 있는 구간에서 DRI_AEB 기반 위험 구간 평가에 상당한 영향을 미쳤을 것으로 판단된다.

<Fig. 5>

Hazardous sections based on DRI] for AD mode

AD mode의 DRI_AEB 기반 위험 등급 이상 구간 중 15, 146, 190, 191, 외 7개 구간의 경우 불법주정차가 상 습적으로 발생하는 구간으로 분석되었다. 전체 구간 중 불법주정차가 상습적으로 발생하는 구간은 15개 구 간으로 불법주정차가 존재하는 구간의 74%가 위험 등급 이상 구간으로 도출되었다. 따라서, AD mode의 주 행안전성 저하 요인으로 불법주정차도 상당한 영향을 미친 것으로 판단된다. 자율주행차는 불법주정차를 회 피하기 위해 좌측 차로로 차로변경을 수행하여야 한다. 선행차량의 정지 원인을 판별한 후 차로변경을 수행 하기 때문에 일반적인 교통류 흐름에 비해 저속이 될 가능성이 높고 자율주행차의 경우 일반적으로 보수적 인 주행행태를 보인다. 따라서, 차로 변경 시도 중 좌측 후방에서 차량이 감지될 시 급정지를 수행할 가능성 이 높으므로 불법주정차가 존재하는 구간에서 DRI_AEB가 높게 도출된 것으로 판단된다.

2) DRI_AEB for MD mode

MD mode의 구간별 주행안전성 분석 결과는 <Fig. 6>에 제시하였으며, 31개 구간이 very good, 47개 구간 이 very poor로 분류되었다. 비자율주행차의 very poor 구간 특성에 대한 자세한 내용은 <Table 4>에 제시하 였다. 또한, AD mode와 MD mode의 등급별 구간의 비율은 <Table 5>에 제시하였다. AD mode의 Very good 구간의 비율이 MD mode에 비해 많은 것으로 도출되었으며, 이는 AD mode가 더 많은 구간에서 안정적인 주 행을 수행하고 있음을 의미한다.

<Fig. 6>

Hazardous sections based on DRI_AEB for MD mode

AD mode와 마찬가지로 MD mode에서도 11, 12, 13, 14, 15, 16번 구간에서 연속적으로 DRI_AEB가 높게 산 출되었다. 이는 AD mode 뿐만 아니라 MD mode에서도 weaving 현상으로 인해 주행안전성이 저하될 가능성 이 높다는 것을 의미한다. 특히, 추가 차로의 경우 전체 구간 중 52개 구간에 포함된 도로 시설 특성이다. MD mode의 DRI_AEB 기반 위험 구간에 포함되는 추가차로 존재 구간은 42개 구간으로 80.8%에 해당하는 추 가차로 존재 구간이 위험 구간으로 도출되었다. AD mode의 DRI_AEB의 경우 좌회전 및 우회전과 같은 진행 방향에 큰 영향을 받은반면, MD mode의 DRI_AEB는 추가 차로에 더 큰 영향을 받는 것으로 판단된다.

차로 폭이 3.5m 미만인 도로 시설 특성이 있는 구간에서도 MD mode의 주행안전성은 크게 저하되는 것으 로 나타났다. 3.5m 미만인 도로 시설 특성이 존재하는 구간은 전체 구간 중 73개 구간이다. MD mode의 DRI_AEB 기반 위험 구간 중 54개 구간이 좁은 도로 폭이 존재하는 구간으로 도출되었다. MD mode는 AD mode에 비해 좁은 도로 폭에서 lane position을 유지하는 데 어려움이 있으며, 이러한 원인으로 DRI AEB 기반 위험 이벤트 발생 건수가 증가하는것으로 판단된다. 이러한 결과는 좁은 차로폭에서 운전자는 속도를 줄이 고 차로 중앙을 유지하려는 경향이 강화된다는 기존의 연구 결과와도 일치한다 (Liu et al., 2016). MD mode 의 위험구간 중 15, 16, 191번 등 9개 구간은 불법주정차가 상습적으로 발생하는 구간이며, 이는 불법주정차 가 존재하는 모든 구간 중 60%에 해당한다. 불법주정차로 인해 운전자는 감속을 수행하여야 하며, 강제적인 차로변경을 요구받는다. 저속에서 비교적 고속으로 주행하는 차로로 차로변경을 수행하는 것은 AD mode뿐 만 아니라 MD mode의 주행안전성에도 영향을 미치는 것으로 판단된다.

3. Analysis of Factors Affecting Driving Safety

1) Factors Affecting for AD mode

본 연구는 이항 로지스틱 모형 구축을 통하여 AD mode의 주행안전성 저하에 영향을 미치는 요인을 도출 하였다. 종속변수는 DRI_AEB 위험 등급 이상 구간을 1, 그 외 구간을 0으로 설정하고 독립변수는 도로 시설 특성 정보로 설정하여 신뢰수준 95% 수준에서 모형을 구축하였다. 모형의 적합성 검정을 위해 수행한 Hosmer와 Lemeshow 검정 결과 X² 통계량은 1.132, 자유도는 2 에서의 유의확률이 0.936으로 추정된 모형이 통계적으로 유의미한 것으로 분석되었다. Nagelkerke R²값은 0.207로 종속변수에 대하여 20.7%의 설명력을 가지는 것으로 분석되었다. 또한, <Table 6>에 제시한 바와 같이 DRI_AEB 기반 위험 구간에 영향을 미치는 영 향 요인을 분석한 결과 3개의 변수가 유의한 것으로 분석되었다. 신뢰수준 95%에서 통계적으로 유의한 것으 로 분석되었으며, 구축한 이항 로지스틱 모형이 AD mode의 DRI_AEB 기반 위험 구간을 적합하게 설명하고 있 음을 알 수 있다. AD mode에서 주행하는 구간에 상습적인 불법주정차가 존재할 시, 차로와 물리적으로 분리 되지 않은 자전거 전용차로가 존재할 시, 차량이 좌회전 또는 우회전을 수행할 시 DRI_AEB 기반 위험 이벤트 발생 비율이 증가하는 것으로 분석되었다. 불법주정차 유무의 Exp(β) 값이 6.345로 가장 큰 영향력을 가지는 것으로 도출되었다.

<Table 6>

Potential risk factors for AD mode based on BLR analysis

Site photos related to each potential risk factor for AD mode
Safety influencing factors for AD mode based on BLR
Variable	Variable name	β	S.E.	p-value	Exp(β)
x1	Illegal parking	1.848	0.658	0.005	6.345
x2	Bicycle lanes	1.320	0.462	0.004	3.743
x3	Left/right turn	0.600	0.278	0.031	1.822
Constant term		-1.536	0.218	0.000	0.215

2) Factors Affecting for MD mode

MD mode에서 수집된 데이터 기반 구축한 모형의 적합성 검정을 위해 수행한 Hosmer와 Lemeshow 검정 결과 X² 통계량은 1.530, 자유도는 2 에서의 유의확률이 0.675로 추정된 모형이 통계적으로 유의미한 것으 로 분석되었다. Nagelkerke R²값은 0.476로 종속변수에 대하여 47.6%의 설명력을 가지는 것으로 분석되었다. 또한, <Table 7>에 제시한 바와 같이 DRI_AEB 기반 위험 구간에 영향을 미치는 영향 요인을 분석한 결과 2개 의 변수가 유의한 것으로 분석되었다. 신뢰수준 95%에서 통계적으로 유의한 것으로 분석되었으며, 구축한 이항 로지스틱 모형이 MD mode의 DRI_AEB 기반 위험 구간을 적합하게 설명하고 있음을 알 수 있다. MD mode의 경우 차로 폭이 좁은 구간에서 AEB 기반 위험 이벤트 발생률이 높아지는 것으로 도출되었으며, 추 가 차로가 존재하는 구간에서 주행안전성에 영향을 받는 것으로 분석되었다. 특히, 차로 폭이 좁은 구간의 Exp(β)이 6.188로 가장 많은 영향을 미치는 것으로 도출됬다. 불법주정차 변수의 경우 AD mode와 MD mode 모두 높은 비율로 'poor' 등급 이상의 안전성 위험이 나타났으나, 회귀분석 결과 MD mode에서는 통계적으로 유의한 영향요인으로 도출되지 않았다. 이는 MD mode에서의 주행행태가 운전자 간 차이에 따라 다양하게 나타나며, 동일한 외부 환경에서도 AD mode에 비해 운전자 간 더 큰 편차를 보이기 때문으로 판단된다.

<Table 7>

Potential risk factors for MD mode based on BLR analysis

Site photos related to each potential risk factor for MD mode
Safety influencing factors for MD mode based on BLR
Variable	Variable name	β	S.E.	p-value	Exp(β)
x1	Lane width	1.823	0.466	0.000	6.188
x2	Dedicated turning lane	0.966	0.478	0.043	2.628
Constant term		-1.666	0.745	0.025	0.189

Ⅴ. 결 론

본 연구에서는 실제 수집된 AVD를 통해 AD mode와 MD mode의 주행안전성 분석을 수행하고 현장조사 를 통해 수집한 구간별 도로 시설 특성 정보를 활용하여 주행모드별 주행안전성을 저해하는 도로 시설 특성 요인을 도출하였다. 평가지표는 AEB 최대 감속도인 0.5g를 활용하였으며, DRI_AEB가 0인 구간을 very good 등 급, 0이 아닌 구간을 25-percentile로 구분하여 good, moderate, poor, very poor 총 5개의 등급으로 분류하였다. AD mode와 MD mode의 등급화 결과 AD mode의 very good 등급이 MD mode에 비해 많은 구간이 도출되었 다. 또한, very poor 등급의 경우는 그 반대의 결과가 도출되었다. 이와 같은 결과는 AD mode가 MD mode에 비해 안정적으로 주행하는 구간이 많음을 의미한다.

주행안전성 평가 결과와 현장 조사 결과를 통해 poor 구간과 very poor 구간의 특성을 분석하였다. AD mode의 분석 결과 버스정류장 또는 좌우회전 전용차로가 존재함과 동시에 AV가 좌우회전을 수행하는 구간 에서 주행안전성이 저하되는 것으로 도출되었다. 주행안전성 저하 원인은 인접한 차량이 진행 경로에 따라 차로 변경을 수행함과 동시에 AV도 노선에 따라 차로변경을 수행함으로써 weaving 현상 발생 가능성 증가 로 판단된다. MD mode의 경우 차로 폭이 좁은 구간과 좌우회전 전용차로가 추가되는 구간에서 주행안전성 이 저하되는 것으로 도출되었다. 운전자는 차로 폭이 좁은 구간에서 차로 중앙을 유지하는데 어려움이 있으 며, 이로 인해 주행안전성 저하가 발생한 것으로 판단된다. 또한, 본 연구의 분석 대상 구간은 교차로를 기준 으로 좌우회전 전용차로가 반복적으로 생성된다. 좌우회전 전용차로가 존재하는 구간의 경우 인접한 차량이 차로변경을 수행할 가능성을 증가시킴으로써 Cut-in 상황의 발생 빈도가 증가한다. Cut-in 상황은 도로에서 복잡하고 위험한 상황을 야기하고 돌발상황에 따른 급정지 수행 빈도를 증가시킬 수 있으므로 AD mode와 MD mode의 DRI_AEB에 영향을 미친 것으로 판단된다. 마지막으로, 불법주정차가 존재하는 구간은 AD mode와 MD mode 모두 주행안전성을 저하시키는 것으로 분석되었다. 불법주정차가 존재하는 전체 구간 중 AD mode의 경우 74%(15개 중 11개) MD mode의 경우 60%(15개 중 9개)가 poor 등급 이상에 해당한다.

본 연구에서는 추가로 자율주행차 주행안전성에 영향을 주는 요인을 파악하기 위해 이항 로지스틱 회귀분석 을 수행하였다. 종속변수는 DRI_AEB poor 와 very poor 구간을 1로 설정하여 사용하였고, very good, good, moderate 구간을 0으로 설정하여 사용하였다. 독립변수는 도로 시설 특성 정보로 설정하였다. AD mode에서 통계적으로 유의미한 요인으로는 불법주정차와 자전거 전용차로, 좌회전 및 우회전이 나타났으며, 불법주정차가 가장 큰 영향을 미치는 것으로 나타났다. MD mode의 경우 유의미한 요인으로는 좁은 폭의 차로와 추가 차로의 존재로 나타났으며, 좁은 폭의 차로가 가장 큰 영향을 미치는 것으로 나타났다. 좁은 폭의 차로는 AV의 주행안전성에 영향을 미치지 않았으나, MV의 주행안전성에는 영향을 미치는 것으로 분석되었다. 이러한 결과를 통해 향후 자율주행차를 위한 도로 설계 시 차로 폭을 줄여 도로의 효율성을 증대시킬 수 있을 것으로 판단된다.

본 연구 결과는 기존 비자율주행차의 관점에서의 교통안전 증진 방안뿐만 아니라 자율주행차의 교통안전 증진 방안을 위한 정책적, 기술적 개발에 활용할 수 있다. 특히 본 연구에서 도출된 자율주행 및 수동운전 모드의 위험 요인은 향후 자율주행차량 도입 시 고려해야 할 구간별 안전성 개선 방향을 제시하는 데 활용 될 수 있다. 특히 불법주정차, 차로폭 등 도로 구조적 요소는 자율주행 시스템의 주행안전성과 직결되는 변 수로서, 시범운행지구 설정, 도로설계 기준 마련 및 정책적 관리 수단 도입 시 기초 자료로 활용 가능하다. 첫 번째로 불법주정차에 대한 강력한 단속이 필요하다. 연구 결과에 따르면, 자율주행차의 주행안전성은 불 법주정차의 유무에 상당한 영향을 받는 것으로 판단된다. 따라서, 불법주정차에 대한 강력한 단속이 필요하 며, 벌금 부과 등과 같은 제재를 통해 불법주정차를 예방하고 교통 안전성을 증진시키는 정책적 규제가 필요 하다. 두 번째로 자전거 전용차로의 안전성 확보가 필요하다. 자율주행차의 주행안전성은 자전거 전용차로 유무에 영향을 받는 것으로 도출되었으며, 자전거와 자동차의 충돌 가능성이 높음을 시사한다. 따라서, 자율 주행차의 안전성 향상과 자전거 이용자의 안전을 위해 도로 계획 단계에서 물리적으로 차도와 자전거 전용 차로의 분리를 고려할 필요가 있다. 마지막으로 좌우회전 시 명확한 통행 우선권 및 주도로 차량의 주행을 방해하지 않는 진입 기준 마련이 필요하다. 교통사고 예방을 위해 운전자에게 좌우회전에 대한 명확한 통행 우선권에 대한 교육을 시행할 필요가 있으며, 인프라적인 요소를 통해 교차로와 같이 좌우회전 수행이 발생 하는 곳의 안전성 확보를 위한 정책적, 기술적인 노력이 필요하다.

본 연구는 도시 계획과 교통안전 정책 수립 시 기초자료로 활용될 수 있을 것으로 기대되며, 추후 연구를 통해서 신뢰도가 더 높은 연구 결과를 얻을 수 있을 것으로 판단된다. 첫 번째로 본 연구에서는 종방향에 대 한 평가지표만을 주행안전성 분석에 활용하였으나, 향후 횡방향에 대한 평가지표를 추가하여 분석 결과에 신뢰도를 증진시킬 필요가 있다. 두 번째로 분석 구간의 경우 상대적으로 교통량이 많지 않은 구간이며, 첨 두시간에는 운행을 하지 않아 교통량의 변화에 따른 영향 요인을 고려하지 못한 한계점이 존재한다. 세 번째 로 분석 구간의 경우 상대적으로 단조로운 기하구조 및 도로 시설 특성을 갖춘 도로이기 때문에 다양한 도 로 시설 특성을 고려하지 못하였다는 한계점이 존재한다. 두 번째와 세 번째의 한계점의 경우 향후 자율주행 시범운행지구가 확대되어 다양한 환경에서 주행하는 자율주행차 주행 데이터 취득 시 추가적인 연구를 수행 하여 보다 다양한 결과를 제시할 수 있을 것으로 판단된다. 마지막으로 주행 데이터만을 분석하였기 때문에 위험 이벤트가 발생한 구체적인 원인을 고려하지 못하였다. 향후 영상 데이터와 주행 데이터를 함께 수집하 여 본 연구의 신뢰도를 향상시킬 수 있을 것으로 판단된다.