Journal Search Engine

Volume/Issue :

Year(s) : to

Search :

Title :

Author :

Keyword :

Abstract :

Figure :

Table :

Reference :

Search Advanced Search

Adode Reader(link)

View PDF Download PDF Export Citation Korean Bibliography PMC Previewer

The Journal of The Korea Institute of Intelligent Transport Systems Vol.24 No.3 pp.194-211
DOI : https://doi.org/10.12815/kits.2025.24.3.194

Real Road Data-Based Scenario Evaluation Approach for the Safety of Automated Vehicles

Woori Ko^*, Doohee Nam^**, Soohee Kim^***, Ilsoo Yun^****

^*Dept. of Transportation System Eng., Ajou University
^**Dept. of Smart Urban & Transportation, Hansung University
^***Transportation Research Division, Korea Expressway Corporation Research Institute
^****Corresponding author: Professor, Department of Transportation Systems Engineering, Ajou University

^† Corresponding author : Ilsoo Yun, ilsooyun@ajou.ac.kr

Received 1 May 2025 │ Revised 24 May 2025 │ Accepted 11 June 2025

Abstract

It has become essential to prepare a social system to evaluate and certify the safety of automated driving. In such systems, the scenario-based evaluation methodology is used worldwide. Accordingly, in this study, an evaluation methodology and case study are conducted to perform scenario-based evaluation of safety with autonomously driven vehicles. For the methodology, a process for developing from functional scenarios to logical scenarios, concrete scenarios, and test cases was specifically established. The case study was conducted by presenting scenarios developed for all phases that target expressways. In particular, in developing the test case, the MORAI SIM platform was implemented as a simulation tool, and the results are reflected. The results derived through this study are expected to contribute to the development of autonomously driven vehicles and the improvement of vehicle safety by presenting a scenario approach to evaluating safety in autonomously driven vehicles.

Key Words : Automated vehicle(AV) , Evaluation scenarios , Safety , Methodology , Case study

자율주행차 안전성 확보를 위한 실도로 데이터 기반 시나리오 평가 접근법

고 우 리^*, 남 두 희^**, 김 수 희^***, 윤 일 수^****

^*주저자 : 아주대학교 교통시스템공학과 연구조교수
^**공저자 : 한성대학교 스마트도시교통과 교수
^***공저자 : 한국도로공사 도로교통연구원 교통연구실 수석연구원
^****교신저자 : 아주대학교 교통시스템공학과 교수

초록

자율주행 안전성을 평가 및 인증하는 사회적 제도의 마련은 필수가 되었다. 이러한 제도로 는 시나리오 기반 평가 방법론이 전 세계적으로 활용되고 있다. 이에 따라 본 연구에서는 자율 주행차의 안전성에 대한 시나리오 기반 평가를 수행하고자 평가 방법론과 사례 연구를 수행하 였다. 평가 방법론은 상황 시나리오부터 범위 시나리오, 시험 시나리오, 시험유형까지 전개하 는 과정을 구체적으로 수립하였다. 사례 연구는 고속도로를 대상으로 모든 시나리오 단계에 대해 개발한 시나리오를 제시하여 수행하였다. 특히, 시험유형 개발을 위한 시뮬레이션 툴로는 MORAI SIM을 구현하여 그 결과를 반영하였다. 본 연구를 통해 도출된 결과는 자율주행차의 주행 중 안전성을 평가하기 위한 시나리오 접근법을 제시하여 자율주행차 개발과 차량의 안전 성 향상에 기여할 수 있을 것으로 기대된다.

키워드 : 자율주행차 , 평가 시나리오 , 안전성 , 방법론 , 사례 연구

This article has been cited by 0 article in crossref

Cited-By

Funding:

Ⅰ. 서 론

자율주행차(Automated vehicles, AV)는 운전자 대신 차량 시스템이 자동으로 주행을 위한 인지, 판단, 제어 를 수행하는 자동차이다(An et al., 2013). 그러므로 운전자 과실을 최소화하여 교통사고를 감소하고, 빠른 반 응속도로 차량을 제어하며 교통혼잡을 감소시켜 도로용량의 증대와 교통 효율을 향상시킨다는 이점이 존재 한다(Jung et al., 2017). Wang et al.(2020)의 연구에 따르면 자율협력주행(connected and automated vehicle) 기술 이 모두 구현되면 6개국(인도, 호주, 미국, 뉴질랜드, 캐나다, 영국)에서 연간 약 340만 건의 교통사고를 감소 시키는 효과를 가지며, 이는 국가 평균적으로 교통사고 약 47%를 감소시키는 수치에 해당한다. 이러한 특징 으로 인해 자율주행 기술 개발과 시장 규모는 지속적으로 확대되고 있다. 일례로, 미국에서는 2018년부터 웨 이모(Waymo)가 일부 지역 내 완전 자율 로보택시 서비스를 이미 제공하고 있다. 또한, 테슬라(Tesla) 역시 레 벨 3 수준의 full self driving(FSD) 기능을 배포하였고, 완전 무인 로보택시인 ‘사이버캡’ 양산을 위해 기술 개 발에 박차를 가하고 있다(Newsis, 2025). 국내에서는 지난 2024년 9월부터 서울 내 일부 구역에서 심야 로보 택시가 시범운영으로 주행하였고(Techworld, 2025), 이 외에도 전국의 여러 시범운행지구에서 셔틀버스, 승용 차, 승합차, 배달로봇 등 다양한 형태의 자율주행차가 운행되고 관련 기술 개발이 활발히 이루어지고 있다 (KOTI, 2022).

하지만, 지속적으로 확대되는 자율주행 시장 규모와 비례하여 자율주행 교통사고도 함께 증가하고 있다. 테슬라의 레벨 2 수준 자율주행 기술 ‘autopilot’의 미국 내 교통사고는 2018년 1월부터 2023년 8월까지 약 68 개월간 956건으로 보고되었고, 29명의 사망자가 발생한 것으로 나타났다(NHTSA, 2024). 또한, 자율주행차의 주변 인지 한계와 보수적인 주행행태로 인해 기존과 다른 양상의 교통사고가 발생하는 현상도 나타났다. 미 국 내에서 발생한 자율주행 교통사고 유형을 사람 운전자의 교통사고 유형과 비교하면 새벽이나 해 질 무렵 에는 5.25배, 회전하는 상황에서는 1.99배 더 높은 교통사고 위험이 존재하고(Abdel-Aty and Ding, 2023), 자율 주행 교통사고 발생건수는 교차로 우회전 시 4.6배, 후행 차량과의 추돌은 3.6배 더 많이 발생하는 것으로 나 타났다(Kim and Cho, 2020). 이러한 배경으로 인해 자율주행에 대한 이용자의 수용성과 신뢰도를 제고하기 위해서는 자율주행차의 주행 중 안전성 확보가 필수적으로 요구된다. 자율주행차의 안전성 확보를 위한 방 법으로는 시나리오 기반 접근법이 널리 연구되고 있다(Kang et al., 2024;Fremont et al., 2020;Riedmaier et al., 2020). 따라서 본 연구에서는 시나리오 기반 접근법을 평가에 곧바로 연결하기 위해 구체화하는 것을 목적으 로 한다. 특히 국내에서 활용 가능한 실도로 데이터를 기반으로 시나리오 개발 절차 및 방법을 구체적으로 수립하고, 방법론이 실현 가능함을 확인하고자 하였다. 여기서 실도로 데이터는 실도로에서 수집된 실제 데 이터를 의미하며, 실도로에서 발생한 교통사고의 경위 데이터, 실도로 최고 제한속도 데이터, 실도로 통행속 도 데이터, 실도로를 촬영한 드론 영상 데이터 등이 이에 포함된다.

본 연구의 시나리오 평가 접근법은 크게 평가 방법론과 사례 연구로 구성되며, 전 세계적으로 널리 활용 되는 독일 PEGASUS project의 4단계 시나리오 단계를 활용하고자 하였다. 각 4단계는 시나리오의 전개에 따 라 상황(functional) 시나리오, 범위(logical) 시나리오, 시험(concrete) 시나리오, 시험유형(test case)에 해당된다. PEGASUS project의 4단계 시나리오는 단계가 전개되며 개념이 점차 확장되는 특징을 지닌다(Lipinski, 2019;PEGASUS, 2019). 먼저, ‘상황 시나리오’는 평가가 필요한 교통상황을 자연어로 간략히 설명하는 시나리오이 고, ‘범위 시나리오’는 상황 시나리오를 평가하기 위한 매개변수의 유형과 매개변수별 범위를 제시하는 시나 리오이며, ‘시험 시나리오’는 매개변수별 실험값을 구체화하여 제시한 시나리오이다(Menzel et al., 2018;PEGASUS, 2019;Ko, 2025). 마지막으로, ‘시험유형’의 경우 시험 시나리오 중에서도 위험도를 기반으로 평가 가 필요한 기준에 해당하는 시나리오만을 선별한 결과이다(PEGASUS project, 2025;Ko, 2025). 이에 본 연구 에서는 PEGASUS project에서 제시한 4단계 시나리오의 정의를 활용하여 실질적 평가 기획에 활용하기 위한 더욱 구체적이고 직관적인 시나리오 개발 절차를 정의하고자 한다. 특히, 실도로 데이터를 활용하여 현실적 인 시나리오 개발을 도모하는 것을 목표로 한다. 이후 고속도로를 공간적 범위로 한 사례 연구를 진행하여 제시한 평가 방법론에 따른 시나리오 개발 결과를 확인하고자 한다. 이를 통해 자율주행차의 주행 중 안전성 을 평가하기 위한 시나리오 접근법으로 자율주행차 개발과 차량의 안전성 향상에 기여하고자 한다.

Ⅱ. 관련 연구 고찰

1. 관련 연구 고찰

자율주행차의 안전성을 확보하는 방법으로는 시나리오 기반 접근법이 널리 활용되고 있다. 자율주행차 개 발 및 인증에서 시나리오 기반 접근법을 활용하는 방법은 다음과 같이 연구가 진행되었다.

Lee et al.(2024)은 미국 캘리포니아 차량관리국 교통자료를 분석하여 도시지역 내 자율주행 안전성 평가를 위한 시나리오를 개발하였다. 시나리오 개발 방법으로는 교통사고를 계층적 클러스터링하여 주요 5개의 유 형으로 분류한 후 연관 규칙 분석을 시행하여 통계적으로 유의미한 연관 규칙 결과를 시나리오 개발에 활용 하였다. 개발된 도시지역 내 시나리오는 14건으로 평가 요구조건, 사고유형, 날씨, 조도, 시간대, 위치, 개요 도, 노면상태 등의 정보를 정의하여 상황 시나리오로 나타내고, 하나의 상황에 대해 범위 시나리오까지 전개 하여 제시하였다. 즉, 해당 논문에서는 도심지역에서의 시나리오 기반 접근법의 중요도를 강조하였다.

Riedmaier et al.(2020)은 자율주행차의 효율적인 평가를 위해 수행되어 온 시나리오 기반 접근방식을 포괄 적으로 조사하였다. 시나리오 생성은 크게 지식 기반, 데이터 기반으로 나눠지며, 데이터 기반은 시나리오 생성, 분류, 매개변수화, 위험케이스 식별 등의 내용을 담고 있다. 이 외에도 시나리오를 실행 및 평가하기 위해 데이터 기반으로 접근하는 방법과 변조(falsification)하는 방법으로 나누어 연구 동향을 제시하였다. 이 를 통해 해당 논문에서는 시나리오 기반 접근법이 현실적이고 반복 가능한 평가에 적합함을 강조하였다.

Wang et al.(2024)은 자율주행차의 평가 시나리오 생성을 비적응형 시나리오와 적응형 시나리오로 구분하 였다. 비적응형 시나리오는 객체가 미리 정해진 스크립트를 따라 반복 가능하고 신뢰도 높은 평가를 제공하 는 시나리오인 반면, 적응형 시나리오는 자율주행 평가를 위해 객체들이 자율적으로 행동을 조정하여 교통 상황을 보다 현실적으로 시뮬레이션하는 시나리오로 정의하였다. 시나리오 생성 방법은 지식 기반, 데이터 기반, 복합 방법을 제시하였으며, 점차 비적응형 시나리오 생성에서 적응형 시나리오 생성으로 전환되어야 하고, 시나리오 분류를 개선해야 함을 강조하였다.

Yang et al.(2025)은 자율주행차와 보행자 간의 시나리오를 생성하는 데에 집중하였다. 이를 위해 중국 내 12개 신호교차로 영상 데이터를 수집하여 보행자 출현 위치, 보행자 움직임 방향, 차량 접근 방향, 상호작용 유형, 두 객체간 상대거리(시간차) 등을 추출하였고, 보행자와 차량 간의 다양한 상호작용을 시나리오로 생 성하였다. 생성된 시나리오에 대해서는 CARLA 시뮬레이터에서 time-to-collision(TTC), post encroachment time(PET) 위험도 지표를 계산해 위험도가 높은 상황을 최종 선별하였다. 해당 연구는 시나리오 개발 결과가 보행자 평가 시나리오의 포괄적인 라이브러리 구축에 유의미함을 강조하였다.

de Gelder et al.(2022)은 자율주행차의 시나리오 기반 평가를 위해 시나리오 매개변수 생성 방법과 시나리 오 대표성 지표(scenario representativeness metric)를 제안하였다. 시나리오 매개변수는 매개변수의 확률 밀도 함수를 추정해 현실적인 값을 설정하는 방법을 제안하였고, 대표성 지표는 생성된 시나리오 매개변수가 얼 마나 실제 시나리오를 잘 대표하는지를 정량화하는 방법으로 제안하였다. 해당 연구는 시나리오를 평가하는 데에 집중하여 자율주행차의 안전성 평가를 가속화 가능함을 강조하였다.

Ko et al.(2024)은 자율주행차 안전성 평가를 위해 차량의 실도로 주행 궤적 데이터를 활용하는 방법론을 제시하였다. 주행 궤적 데이터를 토대로 차로변경 궤적을 추출하고, 이를 MATLAB/Simulink 환경에 대입하 여 자율주행차의 주행 안전성을 평가하는 시뮬레이션을 수행하였다. 개발된 시나리오에 대한 시뮬레이션 결 과는 time-to-steer(TTS) 지표를 기반으로 위험도를 정량적으로 평가하여 최종적으로 시험유형을 선정하였다. 해당 연구는 실주행 데이터를 활용한 시나리오 생성과 체계적인 시나리오 개발 방법을 통해 방법론의 활용 효과성을 강조하였다.

2. 시사점 및 기존 연구와의 차별점

1) 시사점

기존 연구들을 고찰한 결과를 종합하여 다음과 같은 시사점을 도출할 수 있었다. 첫째, 시나리오 개발 연 구는 대부분 PEGASUS project에서 제시한 4단계의 체계를 따랐다. PEGASUS의 시나리오 단계는 점차 구체 화 및 고도화하는 개념을 가지고 있어 계층적으로 접근이 가능하고, 시나리오를 구조화 및 분류하는 데에 용 이하여 널리 활용되고 있었다. 둘째, 다양한 연구에서 실도로 데이터를 기반으로 시나리오 생성이 이뤄지고 있었다. 현실성 있는 자율주행차 안전성 평가를 위해 실도로 데이터를 활용하여 평가 결과의 신뢰도와 유의 미성을 높이는 것을 확인할 수 있었다. 셋째, 다양한 지표를 활용하여 개발된 시나리오 중 위험도가 높은 시 나리오를 선별하고 이를 토대로 평가 효율성을 제고하는 것을 확인할 수 있었다. Yang et al.(2025)과 Ko et al.(2024)는 각각 TTC, PET와 TTS를 시나리오 평가지표로 활용하였고, 이를 토대로 전체 시나리오 중 위험도 가 높은 시나리오를 선별해 차량 안전성 평가에 활용함으로써 효율성을 제고하는 데에 기여하였다. 넷째, 기 존 연구에서는 고정된 스크립트를 기반으로 하는 비적응형 시나리오가 주로 개발되었으나, 더욱 현실성을 제고하기 위해서는 앞으로 자율성을 가지는 적응형 시나리오로 확장될 필요가 있음을 확인할 수 있었다.

2) 기존 연구와의 차별점

기존 연구를 고찰하며 얻은 시사점을 토대로 본 연구에서는 실도로 데이터를 기반으로 하는 자율주행차 안전성 확보 시나리오 접근법을 제시하는 데에 다음과 같은 차별점을 수립하였다. 먼저, 본 연구는 고속도로 를 공간적 배경으로 국내에서 평가가 필요한 위험 상황을 실도로 데이터 기반으로 도출한다. 이를 위해 모든 시나리오 단계에서 활용할 실도로 데이터의 종류와 분석 방법, 분석 결과의 시나리오 연계 방법을 제시하여 시나리오의 타당성을 확보하는 점에서 차별성이 있다. 두 번째로, 제안한 방법론의 실증을 위해 사례 연구를 제시하고, 시나리오 개발 결과를 구체적으로 나타내고자 한다. 기존 연구에서는 특정 상황에서 최종적으로 개발된 시험유형은 연구 결과로 제시하지 않았다. 본 연구에서는 방법론에 따라 개발된 모든 시나리오에 대 해 정량적 위험도를 분석해 시험유형을 선정하고, 각 매개변수 실험값의 조합과 선정에 활용된 기준값을 구 체적으로 제시한다. 이 과정에서 이해도를 더욱 제고하는 동시에 시나리오 간 연계성을 강조하고, 방법론의 실용성과 적용 가능성을 입증하고자 하였다. 마지막으로, 평가가 필요한 상황 시나리오를 개발하기 위해 텍 스트 데이터 분석 방법으로 TF-IDF 기법과 키워드 네트워크 기법을 적용하고자 한다. 기존 연구에서도 교통 사고 텍스트 데이터를 분석하여 상황 시나리오를 개발해 왔으나, 도출된 주요 키워드 간의 연관관계를 기반 으로 시나리오를 개발하는 연구는 상대적으로 적게 다뤄졌다. 따라서, 키워드 네트워크 기법을 활용해 상호 연관관계가 높은 평가 상황을 도출함으로써 연구 결과의 객관성을 최대한 확보하는 데에 그 차별성이 있다.

Ⅲ. 시나리오 평가 접근법 연구 방법론 수립

자율주행차의 안전성을 확보하기 위한 시나리오 평가 접근법으로는 상황 시나리오, 범위 시나리오, 시험 시나리오, 시험유형 4단계의 시나리오 전개를 위한 구체적인 방법을 정의할 필요가 있다. 이에 앞서, 4단계 시나리오에 대한 정의는 각각 평가가 필요한 교통상황을 자연어로 설명한 시나리오, 상황 시나리오를 평가 하기 위한 설명 요소와 요소별 범위를 제시한 시나리오, 요소별 실험값을 구체화한 시나리오, 시험 시나리오 중에서도 위험도를 기반으로 평가 필요 기준에 해당하는 선별된 시나리오를 의미한다. 본 연구에서는 시나 리오 단계별로 특히, 실도로 데이터를 어떻게 활용 및 분석하는지 제시하고, 이를 기반으로 시나리오의 현실 성을 높여 평가 신뢰도를 확보하고자 하였다.

1. 상황 시나리오 개발 방법

가장 먼저 상황 시나리오에서는 실도로에서 발생한 교통사고 데이터를 분석에 활용하였다. 이를 위해 경 찰청 교통사고 데이터를 확보하고 교통사고 경위를 자세하게 기술한 텍스트를 시나리오화하기 위해 두 가지 텍스트 분석 기법을 적용하였다. 경위 데이터에 대한 텍스트 분석에 앞서 먼저 고속도로 교통사고를 추출한 뒤, 결측 데이터를 제거하고 토큰 형태로 전처리하였다.

첫 번째 텍스트 분석 기법으로는 개별 교통사고 경위에서 주요 단어를 파악하기 위해 단어 빈도-역문서 빈도(term frequency-inverse document frequency, TF-IDF) 기법을 적용하였다. TF-IDF 기법은 한 문서 내 특정 단어의 출현 빈도를 나타내는 TF 값과 여러 문서 내 특정 단어가 출현한 문서의 빈도를 나타내는 IDF 값의 곱으로 구성된다(Lee and Kim, 2009). 즉, 여러 문서군에 나타나는 수많은 단어 중에서도 특정 단어의 중요도 를 통계적 수치로 나타내는 기법으로 요약할 수 있다(Noh, 2024). 따라서, 교통사고 경위 데이터에 나타나는 전체 단어 중 높은 TF-IDF 점수를 가지는 단어를 주요 단어로 산정 가능하다. TF-IDF 점수가 높으면 전체 교통사고 결과에서 중요도가 높은 단어임을 의미하므로 객체별 주행행태를 나타내는 데에 적합하다고 판단 했기 때문이다.

두 번째 텍스트 분석 기법으로는 주요 단어 간의 연관관계를 나타내기 위해 동시출현빈도를 파악하는 키 워드 네트워크 기법을 적용하였다. 키워드 네트워크 기법은 주요 단어를 노드로, 주요 단어 간의 관계를 링 크로 표현하는 분석기법이다(Roh et al, 2021). 따라서, 키워드 네트워크 구현 결과 높은 연관관계를 가지는 주요 단어 세트를 평가가 필요한 교통상황으로 나타내고자 하였다. 단어 간 연관관계가 높은 결과를 활용함 으로써 연구자의 주관 개입을 최소화한 교통상황을 도출하고자 하였다.

결론적으로 경찰청 교통사고 경위 데이터에 대해 TF-IDF 기법과 키워드 네트워크 기법을 적용하여 데이 터 기반의 현실적이고 타당한 평가 필요 교통상황을 도출하는 방법으로 상황 시나리오를 개발하였다. 개발 된 상황 시나리오는 Ko et al.(2022) 및 Ko(2025)에서 정의한 포맷을 활용해 공통 구조로 구축한 후 시나리오 별로 교통사고 데이터 통계 건수를 매칭하였다. 이를 통해 경찰청 교통사고 데이터를 기반으로 시나리오 도 출이 진행됨을 검증하였다.

2. 범위 시나리오 개발 방법

범위 시나리오에는 평가가 필요한 상황 시나리오를 더욱 명확하게 설명하는 데에 필요한 요소를 수립하 고, 요소별 관련 데이터를 분석하였다. 상황 시나리오 설명에 필요한 요소로는 도로구간, 전체 차로수, 차량 별 주행속도, 주행차로, 가속도, 시간대, 날씨 등이 있을 수 있다. 실도로 데이터로는 도로, 차량, 환경 관련 지침과 기존 연구, 주행 데이터 등을 활용하였고, 이를 기반으로 현실적인 교통 상태를 나타내는 데에 집중 하였다. 분석한 결과는 평가 수행에 필요한 실험값을 선택할 수 있도록 Ko(2025)에서 정의한 포맷을 활용해 공통 구조의 범위 형태로 제시하였다. 상황 설명을 위한 범위 시나리오 요소별 범위의 형태는 수치형 데이터 의 경우 통계 분석 및 문헌 고찰을 통해 최소값, 최대값, 증감값을 실수 또는 정수로 제시하였고, 수치형 데 이터가 아닌 비정형 형태로 구성되어 최소값, 최대값, 증감값을 산출할 수 없는 경우에는 관련 문헌 고찰을 통해 요소에 대한 설명을 선택지 형태로 제시하여 범위 시나리오를 개발하였다.

3. 시험 시나리오 개발 방법

시험 시나리오는 범위 시나리오에서 정의한 평가 교통상황별 요소와 그 범위를 기반으로 개발하였다. 이 는 범위 시나리오에서 정의한 요소별 범위에서 모든 조합을 구성하거나, 일부 조합을 샘플링하여 구성한다. 이때, 샘플링은 랜덤하게 추출하거나, 확률분포를 기반으로 높은 확률을 가진 값을 추출하거나, 일정 간격 으로 보간하여 선형적으로 추출하는 등 다양한 방법이 존재한다. 본 연구에서는 교통상황을 구체적으로 설 명하는 데에 필요한 요소 중 너무 많은 시험 시나리오 조합이 선정되지 않도록 결과의 유의성을 해치지 않 는 선에서 모든 조합을 구성하여 시험 시나리오를 개발하고자 하였다. 개발된 시험 시나리오는 시험유형 선정을 위한 시뮬레이션 분석을 위해 시뮬레이션 국제 표준 포맷인 OpenX 포맷을 활용해 공통 구조로 구 축하였다.

4. 시험유형 개발 방법

시험유형을 개발하려면 평가 상황을 고려해 각 시험 시나리오의 위험도를 나타내는 안전성능지표(key performance indicator, KPI)를 마련할 필요가 있다. KPI는 TTC, time-to-maneuver(TTM), TTS, PET, headway 등 이 될 수 있으며 각각의 지표는 다음의 의미를 가진다. 먼저, TTC는 충돌소요시간으로 각 차량이 주행 상태 를 유지할 때 충돌까지 소요되는 최소 시간을 나타낸다(Hayward, 1972). TTM과 TTS는 TTC에서 파생된 개념 으로, TTM은 TTC 내에서 가장 늦은 충돌 회피 기능을 수행할 수 있는 시간을 의미하고(Tamke et al., 2011), TTS는 그 충돌 회피 기능이 조향인 경우로 조향을 시작할 때까지의 시간을 의미한다(Tamke et al., 2011). PET는 주로 교차로에서 위험도를 나타내기 위한 지표로 첫 번째 도로 이용자가 상충구역을 떠난 시점과 두 번째 도로 이용자가 상충구역에 진입한 시점 사이의 시간을 의미한다(Peesapati et al., 2018). Headway는 두 차량 간 상대거리를 나타내는 지표로 두 차량이 동일한 한 지점에 도달한 시점의 차이로 산정된다(Vogel, 2003).

이외에도 다양한 안전성능지표가 존재한다. 따라서, 평가하고자 하는 상황의 목적 및 도로구간에 따른 KPI를 선정한 후에는 기존 연구 고찰이나 관련 데이터 분석 결과를 토대로 위험 기준값을 수립한다. KPI 위 험 기준값에 상응하는 시험 시나리오는 실도로에서 발생 시 교통사고 위험이 크다는 것을 의미한다. 이렇듯 정량적으로 위험 시나리오가 구분되면 자율주행차의 위험 회피 능력 및 비상조치 능력과 같은 차량의 안전 성을 평가하여 미리 조치할 필요가 있다. 따라서, 시험 시나리오별로 미시 교통 시뮬레이션을 수행해 KPI 결 과를 도출하고, 이 중 위험한 시나리오로 나타나는 일부를 최종적인 시험유형으로 선정하여 실용적인 안전 성 평가 설계에 활용하였다.

앞서 시나리오 단계별로 설명한 개발 방법을 상황 시나리오부터 시험유형까지의 종합적으로 나타내면 <Fig. 1>과 같이 요약할 수 있다. <Fig. 1>에서는 3장의 개발 방법과 더불어 4장에서 다룰 사례 연구 결과까 지 간략하게 요약하여 함께 나타내었다.

<Fig. 1>

Scenario Development Flowchart

Ⅳ. 시나리오 평가 접근법 사례 연구 수행

앞선 장에서는 실도로 데이터를 활용한 시나리오 기반 평가 접근 방법을 도출하였다. 본 장에서는 이러한 접근법에 대한 이해도를 제고하고 방법론의 실효성을 검토하고자 고속도로를 대상으로 사례 연구를 수행하 였다. 고속도로는 기하구조적 특성으로 인해 도심도로와 비교하여 주행패턴이 제한적이고, 주변 객체의 유형 역시 제한적이라는 특징이 존재한다. 따라서, 시나리오 분석의 용이성을 확보하고자 공간적 범위를 고속도로 로 수립하였다.

1. 상황 시나리오 개발 사례

1) 데이터 전처리

상황 시나리오에는 2012년부터 2014년까지의 전국 교통사고를 집계한 경찰청 교통사고 개별 데이터를 활 용하였다. 본 연구에서는 3년간 국내에서 발생한 652,195건의 교통사고 데이터 중 ‘교통사고 경위’에 충분한 설명이 부재해 사고 상황을 추정하기 어려우면 결측치로 처리하여 분석에서 제외하였다. 이후, 본 연구의 공 간적 범위에 해당하는 고속도로 데이터를 기본구간, 톨게이트 및 연결로 구간으로 구분하여 추출하였다. 추 출된 총 10,255건의 교통사고 경위 데이터는 자연어 형태로 작성되므로 분석 및 모델 학습을 위해 문장을 명 사 단위로 나누는 토큰화(tokenization) 작업을 수행하고, 유사한 의미를 가지는 단어를 통일하는 등 분석의 정확도를 높이기 위한 전처리 과정을 거쳤다.

2) 텍스트 분석 기법 적용

전처리 된 교통사고 경위 데이터에서 평가 시 의미 있는 상황 시나리오를 개발하기 위해서는 어떤 유형의 교통사고가 발생하는지 파악할 필요가 있다. 이를 위해 먼저 TF-IDF 기법을 적용해 교통사고 경위 데이터에 나타난 모든 단어별 중요도를 나타내는 TF-IDF 점수를 산출하였다. TF-IDF 점수의 산출 방식은 다음 수식 (1)과 같이 나타낼 수 있다(Lee and Kim, 2009). 본 연구에서는 개별 교통사고 경위 데이터를 각각 하나의 문 서로, 전체 교통사고 경위 데이터를 전체 문서 집합으로 간주하여 분석을 수행하였다.

\begin{array}{l} T F - I D F s c o r e = t f_{i, j} \times i d f_{i} \\ t f_{i, j} = \frac{n_{i, j}}{\sum_{k} n_{k, j}}, i d f_{i} = log \frac{|D|}{|\{d_{j} |t_{j} \in d_{j}\}|} \end{array}

(1)

여기서,

tf_i,j: 한 문서 내 특정 단어의 출현 빈도
n_i,j: 문서 d_j에서 단어 t_i의 출현 빈도
$\sum_{k} n_{k, j}$ : 문서 d_j에서 모든 단어의 출현 빈도
idf_i : 여러 문서 내 특정 단어가 출현한 문서의 빈도
|D|: 문서 집합에 포함된 모든 문서의 수
$|\{d_{j} |t_{j} \in d_{j}\}|$ : 단어 t_j를 포함한 문서의 수

도로 구간별 데이터를 구분하여 TF-IDF 점수를 산출한 결과, 높은 점수를 갖는 단어의 예시는 다음 <Table 1>과 같이 나타났다. <Table 1>에서 볼 수 있듯이 고속도로 기본구간과 톨게이트 및 연결로 구간의 주요 단어는 유사하게 나타나는 것을 확인하였으며, 상위 TF-IDF 점수의 10개 단어 외에도 차량의 다양한 주행행태를 파악할 수 있었다.

<Table 1>

Example of the top 10 words by TF-IDF score

Rank	Mainlines		Tollgates and Ramps
Rank	Words	TF-IDF scores	Words	TF-IDF scores
1	Moving	2,209.04	Moving	1,006.44
2	Collision	1,649.72	Collision	717.85
3	Rear-end collision	1,416.34	Rear-end collision	589.05
4	Stopped	1,112.17	Lane change	458.82
5	Lane change	924.64	Stopped	442.63
6	Shoulder	317.65	Tollgate	276.77
7	Braking	286.61	Entering	203.52
8	Guardrail	251.48	Braking	128.27
9	Entering	248.19	Exit point	128.21
10	Departure	210.60	Guardrail	109.90

다음으로 교통사고 경위 데이터에서 나타나는 주요 단어 간 연관관계를 키워드 네트워크 분석으로 파악 하였다. 키워드 네트워크 분석에서는 모든 단어 세트의 조합별 동시출현빈도를 <Table 2>의 예시와 같이 산 출할 수 있다. 이는 개별 교통사고 경위를 각각 하나의 문서로 보았을 때, 특정 단어 세트가 한 문서에서 동 시에 출현한 빈도를 의미한다. 따라서, 단어 세트의 동시출현빈도가 높으면 두 단어 간 연관관계와 교통사고 발생 가능성이 큰 것이므로 평가 필요한 교통상황으로 발전시킬 필요가 있다고 판단하였다. 이에 동시출현 빈도가 높은 단어 세트 중 두 단어가 모두 차량의 주행행태를 나타내는 경우를 상황 시나리오 개발에 활용 하였다.

<Table 2>

Example of the top 14 co-occurring word sets by keyword network

Rank	Mainlines		Tollgates and Ramps
Rank	Word sets	Frequency	Word sets	Frequency
1	Moving - Moving	7,397	Moving - Moving	2,916
2	Stopped - Moving	6,191	Lane change - Moving	2,063
3	Lane change - Moving	4,671	Stopped - Moving	1,932
4	Braking - Moving	1,195	Entering - Moving	842
5	Load - Moving	725	Braking - Moving	506
6	Departure - Moving	664	Departure - Moving	269
7	Wrong way - Moving	577	Wrong way - Moving	258
8	Lane change - Lane change	473	Load - Moving	237
9	Solo driving - Moving	444	Lane change - Lane change	202
10	Rollover - Moving	338	Exiting - Moving	161
11	Falling - Moving	224	Solo driving - Moving	96
12	Run over - Moving	82	Rollover - Moving	87
13	Moving - Reversing	57	Falling - Moving	71
14	Solo driving - Rollover	47	Moving - Reversing	67

3) 상황 시나리오 결과

최종적으로 높은 동시출현빈도를 가지는 단어 세트를 상황 시나리오로 고도화하였다. 이를 위해 두 차량 의 주행행태를 단어 세트의 각 단어로 가정하거나, 두 차량의 위치(동일차로 또는 인접차로) 중 교통사고 발 생 가능성이 존재하는 유형으로 조합하였다. 예를 들어, <Table 2>의 톨게이트 구간 동시출현빈도 14위에 해 당하는 ‘진행(moving)-후진(reversing)’ 단어 세트를 동일차로의 상황 시나리오로 고도화하면 ‘자율주행차가 톨게이트 구간을 진행할 때 동일차로 전방에서 후진하는 자동차 출현’으로 나타내는 형식이다. 상황 시나리 오로 고도화 시 자율주행차는 법규 준수를 원칙으로 한다고 가정하였다. 예를 들어, 자율주행차가 역주행 (wrong way), 차로 이탈(departure), 후진(reversing) 등의 법규 위반을 하여 교통사고로 이어지는 상황은 상황 시나리오 개발 결과에서 제외하였다. 그 이유는 자율주행차의 정상 주행 상황에서 발생할 수 있는 위협에 대 한 안전성을 평가하는 것을 본 연구의 내용적 범위로 삼았기 때문이다. 그 결과, 개발된 상황 시나리오에 대 해서는 교통사고 데이터 통계 분석 결과를 매칭하여 검증하였고, 매칭된 교통사고 데이터 통계 분석 결과가 0건인 시나리오는 최종적으로 결과에서 제외하여 현실적인 사고 발생 가능성을 반영한 시나리오만을 선별하 였다. 결론적으로 상황 시나리오는 고속도로 기본구간에 대해 14건, 톨게이트 구간에 대해 13건, 연결로 구 간에 대해 17건을 도출하였다.

2. 범위 시나리오 개발 사례

1) 범위 시나리오 개발 사례 제시를 위한 상황 시나리오 선정

원칙적으로 개발된 상황 시나리오는 모두 범위 시나리오, 시험 시나리오, 시험유형으로 전개할 필요가 있 고, 범위 시나리오의 경우 교통사고가 발생한 장소의 특성을 고려하여 요소와 요소별 범위를 다르게 지정할 필요가 있다. 고속도로를 예로 들면 기본구간, 톨게이트 구간, 연결로 구간별로 다른 요소와 요소별 범위를 지정하여야 한다. 그러나, 본 연구에서는 개발 사례를 제시하여 방법론의 실효성을 파악하는 것이 주목적이 므로 하나의 상황에 대한 범위 시나리오, 시험 시나리오, 시험유형 전개 사례를 제시하고자 하였다. 따라서, 고속도로에 대해 개발된 44건의 상황 시나리오 중 하나를 선정하기 위한 전문가 설문조사를 수행하였다. 설 문조사는 자율주행 개발 및 평가 연구 경험이 있는 6인의 응답자를 대상으로 진행하였으며, 총 44건의 상황 중 평가 적합도가 가장 높은 3건을 복수 선택하도록 요청하였다. 설문조사 결과, 가장 많은 득표를 받은 연 결로 구간의 ‘합류부 후방에서 진행하고 있는 자동차가 존재할 때 자율주행차의 차로 변경’ 상황이 6인 중 3 인의 선택을 받아 선정되었다. 선정된 상황은 <Fig. 2>와 같이 파란색 차량을 자율주행차, 회색 차량을 그 외 자동차로 나타내었다.

<Fig. 2>

A functional scenario selected for presenting case study

2) 선정된 상황에 대한 범위 시나리오 결과

<Fig. 2>와 같이 선정된 상황 시나리오는 평가를 위해 상황을 자세하게 설명하는 요소와 요소별 범위를 제시할 필요가 있다. 이때, 본 연구에서는 평가의 용이성을 위해 차로변경 상황과 관련 없거나 시뮬레이션 구현 결과에 영향이 없는 요소는 반영하지 않았고, 평가 복잡도를 가장 낮은 형태로 구현하여 방법론의 실효 성을 확인하는 데에 집중하였다.

<Fig. 3>

Time to collision(TTC) overview

따라서, 두 차량은 정속으로 주행한다고 가정하였고, 각 차량의 종방향 속도, 자율주행차의 차로변경 궤적, 차로변경 시작 시 두 차량 간 상대거리만을 범위 시나리오에서 정의하였다. 이때, 자율주행차의 종방향 속도 는 국내 연결로 구간 도로 제한속도를 기준으로 범위를 산정하였고, 그 외 자동차의 종방향 속도는 고속도로 VDS(vehicle detection system) 차로별 통행속도 데이터를 통계분석하여 범위를 산정하였다. 자율주행차의 차 로변경 궤적은 고속도로 연결로 구간을 촬영한 드론 영상 데이터 중 180건의 차로변경을 통계분석하여 평균 차로변경 소요거리(m)를 단일 궤적으로 산정하였다. 마지막으로 차로변경 시작 시 두 차량 간 상대거리는 자 동차로유지시스템 관련 문서인 UN regulation No. 157에서 정의한 선행 차량 주행속도별 최소 추종 안전거리 값에 1.0배, 1.5배, 2.0배, 2.5배, 3.0배를 곱해 범위를 산정하였다(UNECE, 2021). 이는 추종 상황에서의 UN regulation No. 157과 달리 차로변경 상황을 구현하였기 때문에 더 큰 값을 임의로 설정한 결과였다. 최종적으 로 선정된 상황에 대해 개발된 범위 시나리오는 <Table 3>과 같으며, 최소값과 최대값 내에서 실험값의 조합 을 선정하는데 주요 역할을 하는 증감값은 연구 결과의 다양성을 위하여 임의로 설정하였다.

<Table 3>

Result of logical scenario for the selected functional scenario

Scenario parameters	Description	Ranges
Scenario parameters	Description	Minimum value	Maximum value	Incremental value
Longitudinal speed of AV	The range was determined based on the speed limits of ramp section in Korea	30 km/h	80 km/h	10 km/h
Longitudinal speed of other vehicle	The range was determined based on the traffic speed data from expressway VDS	10 km/h	130 km/h	10 km/h
Lane change trajectory of AV	Using drone video data captured over ramp sections, 180 lane change events were analyzed, and the average lane change distance (m) was estimated as a representative single trajectory	A lane change maneuver was defined using a cubic function over a distance of 47.19 meters
Relative distance between two vehicles at the start of lane change	The range varies according to the longitudinal speed of the AV, as derived from UN Regulation No. 157 using scaling factors of 1.0 to 3.0 (see detailed values in this table)	If 30 km/h, 1.30s	3.90 s	0.65 s
		If 40 km/h, 1.40 s	4.20 s	0.70 s
		If 50 km/h, 1.50 s	4.50 s	0.75 s
		If 60 km/h, 1.60 s	4.80 s	0.80 s
		If 70 km/h, 1.70 s	5.10 s	0.85 s
		If 80 km/h, 1.80 s	5.40 s	0.90 s

3. 시험 시나리오 개발 사례

시험 시나리오는 범위 시나리오에서 정의된 요소와 그 범위에서 조합 가능한 시나리오를 도출하여 개발 된다. 본 연구에서는 자율주행차의 안전성 평가를 위한 시나리오를 제시하고자 후행하는 자동차의 속도가 더 높은 경우만을 시험 시나리오에 반영하고자 하였다. 따라서, 두 차량의 속도 조합은 선행하는 자율주행차 의 속도보다 후행하는 자동차의 속도가 더 높은 45개 조합으로 정의하였다. 자율주행차의 차로변경 궤적은 앞서 <Table 3>에서 단일 궤적으로 설정하였으므로 1개의 조합으로 정의되며, 마지막으로 차로변경 시작 시 두 차량 간 상대거리는 선행하는 자율주행차의 속도에 따라 5개의 조합으로 정의된다. 그러므로 본 연구의 사례에서 시험 시나리오는 45×1×5의 조합으로 총 225개의 시험 시나리오를 개발할 수 있었다.

4. 시험유형 개발 사례

1) 안전성능지표 및 기준값 정의

개발된 시험 시나리오 중에서도 특히 위험도가 높으나 교통사고 회피가 가능한 시나리오는 시험유형으로 선정된다. 이를 위해 시험 시나리오별 위험도를 나타내는 안전성능지표와 그 기준값을 정의할 필요가 있다. 본 연구에서는 선정된 상황의 위험도를 평가하기 위한 안전성능지표로 TTC를 선정하였다. TTC는 충돌소요 시간을 의미하는 지표로, 두 차량이 속도와 경로를 유지 시 충돌까지 남은 시간을 의미한다(Hayward, 1972). 차로변경 상황에서는 TTC, 후행 자동차의 감속도, headway 등을 안전성능지표로 활용할 수 있으나(Sun et al., 2019), TTC를 안전성능지표로 선정한 이유는 선행연구 고찰에서 TTC가 가장 널리 활용되어 온 안전성능 지표인 동시에 본 연구에서 활용할 미시 교통 시뮬레이션 플랫폼에서 매 0.01초 단위로 자동 산정할 수 있어 분석의 용이성이 확보되기 때문이었다. TTC는 <Fig. 3> 및 다음 식 (2)를 통해 산정할 수 있다(Das and Maurya, 2019).

T T C = \{\begin{array}{l} \frac{X_{L} (t) - X_{F} (t) - l_{L}}{V_{F} (t) - V_{L} (t)} & , \forall V_{F} (t) > V_{L} (t) \\ \infty & , \forall V_{F} (t) \leq V_{L} (t) \end{array}

(2)

여기서,

X_L (t) : 시각 t에서의 선행 차량 종방향 위치
X_F (t) : 시각 t에서의 후행 차량 종방향 위치
l_F : 선행 차량 길이
V_F (t) : 시각 t에서의 후행 차량 종방향 속도
V_L (t) : 시각 t에서의 선행 차량 종방향 속도

TTC에 대한 위험 기준값은 기존 연구를 고찰한 결과 1.5초 미만인 경우로 수립하였다(Van der Horst and Hogema, 1994;Abdul Majeed and Ewadh, 2019;Jo et al., 2022). 이는 1.5초보다 작으면 해당 교통상황에서 충 돌 위험이 크다는 것을 의미하며, 이러한 위험 속에서 자율주행차의 위험 회피 능력 및 비상조치 능력과 같 은 차량의 안전성을 평가할 필요가 있기 때문이었다.

2) 시뮬레이션 수행을 통한 시험유형 개발 결과

본 연구는 225개의 시험 시나리오 중 시험유형을 선정하기 위해서 MORAI SIM을 활용하여 모든 시험 시 나리오별 TTC를 분석하였다. MORAI SIM은 자율주행 검증을 위한 미시 교통 시뮬레이션 플랫폼으로, 국제 시뮬레이션 표준인 OpenX 형태의 시나리오를 읽고 구현할 수 있는 시뮬레이터이므로 분석에 활용하였다. 시험유형 선정 기준은 개별 시험 시나리오를 시뮬레이션에서 구현하는 동안 충돌이 없이 차로변경을 완수하 며, TTC가 단 한 순간이라도 1.5초 미만 값을 가지는 경우로 수립하였다. 시험 시나리오를 MORAI SIM에 구 현한 예시는 <Fig. 4>와 같이 나타나며, 시뮬레이션이 수행되는 동안 시간적 흐름에 따라 전방에 위치한 자 율주행차는 하늘색 궤적을 따라 차로변경을 수행하고, 후방에 위치한 그 외 자동차는 주황색 궤적을 따라 주 행한다. 이때 두 차량의 종방향 속도, 자율주행차의 차로변경 궤적, 차로변경 시점에서의 두 차량 간 상대거 리 실험값은 앞서 시험 시나리오에서 정의된 조합에 따라 모두 다르게 구현되며, 시뮬레이션 결과로는 0.01 초마다 개별 차량의 유형, 속도, 가속도, 조향각, TTC 등의 정보가 출력된다.

<Fig. 4>

Test case development simulation overview

시뮬레이션 결과, 수립한 시험유형 선정 기준에 충족하는 시험 시나리오는 225건 중 <Fig. 5> 및 <Table 4>와 같이 24건으로 나타났다. <Fig. 5>는 <Table 4>에 제시된 시험유형의 분포를 시각화한 산점도로, 전체 시험공간 내에서 데이터가 균일하게 분포하는 양상을 보인다. 이는 위험 상황이 일부 조건에 국한되지 않고, 다양한 실험값 조합에서 발생할 수 있음을 시사한다. 이러한 특성은 전체 실험 조건을 포괄하는 평가 다양성 이 확보됨을 의미하므로, 단일 조건에 의존하지 않는 실험 설계로 자율주행 안전성 평가의 신뢰성을 제고하 는 가능성을 보여준다.

<Fig. 5>

Scatter plot of test cases for the selected functional scenario

<Table 4>

Result of test cases for the selected functional scenario

Sort	Scenario parameters				KPI
Sort	Longitudinal speed of AV (km/h)	Longitudinal speed of other vehicle (km/h)	Lane change trajectory of AV	Relative distance between two vehicles at the start of lane change (s)	Simulation TTC results (s)
1	30	60	A lane change maneuver was defined using a cubic function over a distance of 47.19 meters	3.90	1.35
2	30	70		3.90	1.02
3	40	60		2.80	1.36
4	40	70		2.80	1.00
5	40	80		3.50	1.28
6	40	100		4.20	1.11
7	50	70		2.25	1.15
8	50	90		3.00	1.13
9	50	100		3.75	1.35
10	50	110		3.75	0.99
11	50	130		4.50	1.11
12	60	80		2.40	1.18
13	60	90		2.40	1.06
14	60	90		3.20	1.46
15	60	100		3.20	1.15
16	60	120		4.00	1.19
17	70	90		2.55	1.29
18	70	110		3.40	1.16
19	70	130		4.25	1.43
20	80	90		2.70	1.43
21	80	100		2.70	1.29
22	80	110		3.60	1.48
23	80	120		3.60	1.21
24	80	130		3.60	0.99

연결로 구간에서 자율주행차 차로변경 상황에 대해 선정된 시험유형을 토대로 얻은 시뮬레이션 분석 결 과는 다음과 같다. 첫째, 차로변경 시에는 UN regulation No. 157의 선행 차량 주행속도별 최소 안전거리 값 보다 더 큰 상대거리가 요구된다. 이때 두 차량의 속도편차가 클수록 더 높은 배수의 최소 안전거리가 필요 하며, 같은 속도편차라면 주행속도가 낮을수록 더 긴 안전거리가 필요하였다. 이는 UN regulation No. 157이 두 차량이 같은 속도로 추종할 때의 최소 안전거리이기 때문으로 사료된다. 그러므로 본 연구에서와 같이 두 차량이 서로 다른 속도로 주행하며 차로변경을 수행하는 경우에는 <Table 4>에서 제시한 것과 같이 추종 상 황보다 1.5배부터 3.0배까지 더 긴 최소 안전거리를 확보할 필요가 있다. 둘째, 차로변경 궤적은 주행속도에 큰 영향을 받는 것으로 나타났다. 본 연구에서는 드론 영상 데이터에서 추출한 연결로 구간에서의 차로변경 180건을 분석하여 단일 궤적을 도출하였다. 이는 주행 속도별로 충분한 차로변경 표본 수를 획득하지 못하 였기 때문이었다. 따라서, 차로변경 데이터를 추가로 확보하여 주행 속도에 따라 다른 차로변경 궤적을 분석 하여 시험유형을 보완할 필요가 있으며, 낮은 주행속도에서는 차로변경에 상당한 시간이 소요되므로 충돌 없이 차로변경을 완수하는 데에 어려움이 있음을 확인할 수 있었다.

결론적으로 4장 2절에서 선정된 특정 상황에 대해 선정된 24건의 시험유형은 시뮬레이션 결과에 따라 실 험 조건을 일부 보완하여 연결로 구간 자율주행차의 차로변경 안전성 평가 기획에 활용 가능하며, 자율주행 차의 주행 안전성을 인증하거나 주행 알고리즘의 개선 필요성을 파악하는 데에 활용 가능하다.

Ⅴ. 결 론

본 연구는 다양한 교통상황에 대해 자율주행차의 안전성을 효율적으로 확보하는 것을 목표로 실도로 데 이터 기반 시나리오 평가 접근법을 도출하고자 하였다. 특히, 4단계의 평가 시나리오에 대해 세부적인 개발 방법을 정의하고, 정의한 개발 방법의 실효성을 파악하고자 하였다. 세부적인 시나리오 개발 방법으로는 상 황 시나리오의 경우 경찰청 교통사고 데이터에 TF-IDF 기법과 키워드 네트워크 기법을 적용하여 주요 단어 간 연관관계가 높은 교통상황을 안전성 평가가 필요한 시나리오로 도출하였고, 범위 시나리오는 관련 지침 과 기존 연구, 주행 데이터 등의 실도로 데이터를 기반으로 평가 상황 설명을 위한 요소와 요소별 범위를 지 정하였다. 시험 시나리오는 범위 시나리오에서 도출한 요소와 그 범위에서 실험값의 조합 통해 도출하였으 며, 최종적으로 시험 시나리오를 모두 시뮬레이션하여 얻은 평가지표 결과를 토대로 시험유형을 도출하는 방법을 수립하였다. 수립한 시나리오 개발 방법에 대한 실효성은 실도로 데이터를 기반으로 시나리오를 개 발하는 사례 연구로 확인할 수 있었다. 제안한 방법론은 실도로 데이터를 기반으로 현실적이고 타당한 평가 시나리오 개발에 적용할 수 있고, 하나의 상황 시나리오가 연계되며 전개된 수많은 시험 시나리오 중 일부를 유의미한 시험유형으로 선정함으로써 평가 효율성 향상에 기여할 수 있었다.

본 연구는 실도로 데이터 기반 시나리오 접근법이 평가의 현실성과 타당성을 높이는 데 기여할 수 있음을 확인하였다. 특히 실도로 교통사고 데이터, 주행속도 정보, 실도로 궤적 데이터 등 다양한 출처의 데이터를 시나리오에 연계함으로써 자율주행차의 위험 상황을 보다 정밀하게 구축할 수 있음을 입증하였다. 이는 기 존 전문가 지식 기반 또는 가상 시나리오에 비교하여 실제 도로 환경에서 발생할 확률이 더 높은 상황을 반 영할 수 있을 것으로 기대된다. 또한, 본 연구는 향후 자율주행차의 안전성 평가 체계 구축에 있어, 실도로 데이터를 활용한 시나리오 기반 검증의 실효성을 높이는 데 중요한 기초 자료로 활용될 수 있을 것으로 기 대된다. 이뿐만 아니라 자율주행차의 안전성 확보에서 더 나아가 차량의 주행 로직 신뢰성을 향상하는 데에 도 기여할 수 있을 것으로 기대된다.

하지만, 본 연구에는 몇 가지 한계가 존재한다. 우선, 시험유형 전개를 위한 상황 시나리오 우선순위 선정 시 수행한 전문가 설문조사에서 평가 적합도만을 고려하였다는 한계가 존재한다. 이는 응답자의 주관성에 의존하는 한계가 있어 정량적인 지표를 함께 고려한 시나리오 선정이 필요하다. 그러므로 향후 설문조사 평 가지표를 확장하여 평가 적합도, 구현 가능성, 사고 건수 감소 효과성, 사고 심각도 감소 효과성 등 정성적, 정량적으로 모두 우수한 시나리오를 높은 전개 우선순위로 선정하는 연구를 수행해 자율주행차 안전성 평가 에 활용할 필요가 있다.

두 번째로, 본 연구는 선정된 하나의 상황 시나리오에 대해서만 시험유형까지 전개한 사례 연구 결과를 제시하였다는 한계가 있다. 원칙적으로는 개발된 모든 상황 시나리오에 대해 범위 시나리오, 시험 시나리오, 시험유형까지 단계적으로 전개하는 것이 바람직하며, 특히 범위 시나리오는 상황이 발생한 공간적 특성을 반영하여 요소 및 요소별 범위를 차별화할 필요가 있다. 본 연구는 제안한 방법론의 실효성을 검토하는 데 목적이 있었기에 하나의 사례를 중심으로 제시하였으나, 향후에는 운영설계영역에 따라 다양한 상황 시나리 오를 범위 시나리오, 시험 시나리오, 시험유형까지 체계적으로 개발 및 제시하여 연구 결과의 이해도와 실무 활용 가능성을 제고할 필요가 있다.

ACKNOWLEDGEMENTS

본 연구는 국토교통부 및 국토교통과학기술진흥원의 연구비지원(RS-2022-00142239)에 의해 수행되었습니 다. 본 논문은 고우리의 2025년도 박사학위논문을 수정·보완하여 작성하였습니다.

Figure

<Fig. 1>.