Ⅰ. 서 론
자율주행기술의 발전은 교통의 안전성, 효율성, 편의성 측면에서 중요한 역할을 할 것으로 기대한다. 이를 실현하기 위해 실제 도로 환경에서 자율주행차를 주행하며 성능을 검증하는 자율주행차 테스트베드를 선정 하여 테스트를 수행하고 있다. 자율주행차 테스트는 여러 나라에서 수행하고 있으며, 미국은 캘리포니아에서 중점적으로 수행되고 중국은 상하이, 영국은 런던과 옥스퍼드셔에서 주로 수행되고 있다. 자율주행차가 자율 주행모드로 주행 중에 예기치 않은 위험 상황이 발생할 수 있으며, 이러한 상황에서는 제어권이 자율주행 시 스템에서 운전자로 전환된다. 특히 도심부 도로는 차량이 정지, 감속, 차로 변경 등 다양한 주행 환경이 발생 할 수 있는 복잡한 환경이다. 이러한 환경 특성으로 인해 자율주행 중 제어권 전환 빈도가 연속류에 비해 높 은 경향을 가진다. 또한 갑작스러운 제어권 전환은 운전자에게 혼란과 스트레스를 유발할 수 있으며, 자율주 행차의 신뢰성을 저하시키고 사고를 발생시킬 수 있다. 따라서 제어권 전환 상황에 대해 효과적으로 관리하 는 것이 자율주행 환경의 안전성 확보를 위해 필수적이다. 도심부 도로에서 제어권 전환의 빈도와 영향을 고 려하였을 때, 제어권 전환 발생 이전의 시간적 범위와 주요 요인을 파악하여 선제적으로 제어권 전환 예방을 할 필요가 있다. 도심부 도로와 같이 복잡한 환경에서 제어권 전환 발생 가능성을 예측하고, 이에 따라 적절 한 대응 방안을 마련하는 것이 중요하다. 제어권 전환 발생 전 적절한 시간적 영향범위를 설정함으로써 자율 주행차의 운전자에게 미칠 수 있는 부담을 최소화 하고 안전성을 극대화할 수 있다. 이에 따라 본 연구의 목 적은 도심부 도로에서 자율주행차의 제어권 전환 발생 가능성을 예측하기 위한 적정 시간적 영향범위인 historical time window를 설정하는 것이다.
본 연구에서는 세종시에서 주행하는 자율주행차의 데이터를 수집하여 제어권 전환 발생 지점을 도출하였 다. 제어권 전환 발생 지점과 제어권 전환 발생 지점과 동일하지만 제어권 전환이 발생하지 않은 데이터를 각 historical time window별 예측 정확도를 비교한다. 제어권 전환 발생 예측을 위해 제어권 전환 발생 이전 3초, 5초, 7초, 9초, 11초의 다양한 historical time window를 설정하였다. 또한 의사결정나무 분석을 통해 제어 권 전환 구간의 예측정확도가 가장 높은 적정 historical time window를 선정하였다. 자율주행차 주행 데이터 기반 평가지표을 의사결정나무 분석 시 입력변수로 사용하였다. 제어권 전환 발생 여부를 나타내는 제어권 전환 발생 데이터와 제어권 전환 미발생 데이터를 출력변수로 적용하여 의사결정나무 모형을 구축하였다. 의사결정나무 분석 결과 실제 제어권 전환 발생 구간을 잘 예측하는 적정 historical time window를 도출하였 다. 본 연구는 도심부 내 자율주행차의 제어권 전환 예측 시 제어권 전환 발생 이전의 시간적 영향범위로 활 용할 수 있을 것으로 기대된다.
본 연구는 실도로 자율주행차 데이터를 활용하여 제어권 전환 지점을 도출하고 제어권 전환 예측에 적정 한 historical time window를 도출하는 것을 목표로 한다. 이와 관련하여 제어권 전환에 영향을 미치는 시간의 임계값 또는 안전한 제어권 전환을 위해 제어권 전환 요청시간을 도출한 연구를 고찰하였으며 고찰한 선행 연구와 본 연구의 차별점을 제시하였다.
먼저, 제어권 전환에 영향을 미치는 시간 임계값에 대한 연구를 고찰하였다. Chen et al.(2024)은 자율주행 시나리오를 설정하고 운전자의 제어권 전환 반응 능력에 대해 정량적인 임계값을 설정하였다. 주행 시뮬레 이션 실험을 통해 실험자를 모집하고 18개의 제어권 전환 이벤트를 설계하여 발생시켜 시나리오를 구성하였 다. 운전자의 성별, 연령, 운전경력 등에 따라 제어권 전환 시간 차이를 분석하였으며 peak over threshold 기 법과 generalized Pareto 분포 모델을 활용하여 운전자 특성별 제어권 전환 시간 임계값을 계산하였다. 그 결 과 임계값은 일반적인 값의 범위로 정의되며, 제어권 전환 시간에 따라 운전자 자격 평가 기준, 자율주행차 사고의 책임 분배 등에 적용하였다. 또한 제어권 전환 요청 후 안전한 제어권 전환이 수행될 때까지의 시간 을 도출한 연구를 고찰하였다. Ayoub et al.(2022)은 XGBoost를 활용하여 제어권 전환 시간을 예측하였으며, SHapley Additive exPlanation (SHAP)을 활용하여 제어권 전환 시간에 영향을 미치는 변수들에 대해 제시하였 습니다. 분석 결과, 연령이 낮은 운전자는 연령이 많은 운전자에 비해 제어권 전환 시간이 짧으며 시각적 제 어권 전환 요청이 있는 경우 비시각적 제어권 요청이 있는 경우에 비해 제어권 전환 시간이 짧은 것으로 도 출되었다. Du et al.(2020)은 운전자의 생리적 데이터와 외부환경 데이터를 활용하여 제어권 전환 요청이 발 생하기 전 제어권 전환 성능을 예측하였다. 시뮬레이션 실험을 통해 시나리오 유형, 교통 밀도, 제어권 전환 요청까지 남은 시간 등 다양한 상황과 정보를 운전자에게 제공하고 제어권 전환을 요청하는 시나리오를 구 성하였다. 해당 실험을 진행하며 운전자의 심박수, 피부 전도 반응 지표, 시선 추적 지표 값을 수집하였다. 분석 결과 랜덤 포레스트 분류기의 제어권 전환 예측 정확도가 가장 높았으며 3초의 historical time window가 최적의 값으로 도출되었다. Gold et al.(2013)은 제어권 전환 요청시간에 대해 5초와 7초를 설정하고 가속페달 을 밟은 정도, 반응시간, 이동 경로에 대해 비교를 수행하였다. 분석 결과, 제어권 전환 요청시간이 7초일 때 안전하게 제어권 전환을 수행할 수 있음을 제시하였다. Mok et al.(2015)은 2초, 5초, 8초 중 최적의 제어권 전환 요청 시간을 도출하는 연구를 수행하였다. 분석 시 활용한 변수는 핸들 조작 각도, 차량의 위치 등을 포함하였다. 그 결과 2~5초 사이에 제어권 전환 최소 필요 시간이 존재하며, 8초가 제어권 전환 요청 시간으 로 적정한 것으로 도출되었다.
기존문헌 고찰 시 제어권 전환 발생 시 운전자에게 제어권 전환을 요청하고 안전한 제어권 전환을 위해 적정한 제어권 전환 요청 시간을 도출하는 연구가 주로 수행되고 있다. 또한 시뮬레이션을 활용하여 제어권 전환을 발생시키고 제어권 전환 발생을 가정하고 연구가 수행되어 실제 자율주행차의 데이터를 활용한 연구 가 부족한 상황이다. 따라서 본 연구는 실제 자율주행차의 데이터를 활용하여 제어권 전환 지점을 도출하고 실제 제어권 전환을 예측할 수 있는 적정한 시간적 영향범위를 도출하였다. 안전한 제어권 전환을 위한 필요 시간이 아닌 제어권 전환 발생을 최소화 하기 위해 제어권 전환 발생 가능성 예측에 활용하는 historical time window를 도출하였다는 점에서 기존 연구와의 차별성을 가진다.
본 연구의 구성은 다음과 같다. 2장에서는 자율주행차 주행데이터 수집 및 가공하고 제어권 전환 예측을 위한 적정 historical time window를 도출하기 위한 방법론을 제시하였다. 3장에서는 의사결정나무 기반 적정 시간적 영향범위 도출 결과를 서술하였다. 마지막으로 4장에서는 본 연구의 결론 및 향후 연구과제를 제시 하였다.
Ⅱ. 방법론
본 연구는 실제 자율주행차 주행데이터 기반 제어권 전환 예측을 위한 적정 시간적 영향범위를 도출하였 으며 연구의 흐름도를 <Fig. 1>에 제시하였다. 먼저, Step 1에서는 세종시에서 주행한 자율주행차 주행데이터 를 수집 및 가공한다. Step 2는 자율주행차 주행데이터 기반 제어권 전환 발생 이벤트를 검토하고 제어권 전 환 발생 전 시간적 영향범위인 historical time window를 설정한다. Step 3에서는 제어권 전환 발생 이벤트의 feature vector인 종방향 및 횡방향 평가지표와 차량간 상호작용 평가지표를 선정하고 산출한다. 마지막으로 Step 4는 의사결정나무 기반 적정 historical time window를 도출하였다. 앞서 선정한 평가지표를 의사결정나 무의 입력변수로 설정하고 제어권 전환 발생 여부를 출력변수로 설정하여 의사결정나무 모형을 구축한다. 구축된 모형을 통해 제어권 전환 발생 여부 분류에 있어 최적의 historical time window를 도출한다.
1. 데이터 수집
본 연구에서는 세종특별자치시에서 주행한 real-world 자율주행차 데이터를 활용하였다. 세종특별자치시 자율주행 빅데이터 관제센터 오픈랩에서 제공하는 자율주행 실차 데이터를 수집하였다. 본 데이터는 세종 테크노 파크 데이터로, 세종특별자치시청 인근 도로를 시계방향으로 순환하는 자율주행차의 데이터이다. 2022년 5월 2일부터 4일, 9일부터 13일까지 총 8일간의 데이터를 분석에 활용하였다. 분석 구간은 총 연장 8.6km이며 편도 2차로부터 4차로 도로가 혼재된 구간이다. 세종특별자치시 자율차 실차 데이터의 경우 수집 일시, 위도 및 경도, 주행모드, 속도 (m/s), 우측 차선과의 거리, 좌측 차선과의 거리 등을 포함하였다. 세종특 별자치시 데이터의 수집항목은 <Table 1>에 제시하였다.
<Table 1>
Description of data
| Division | Item | Description (Unit) |
|---|---|---|
| Vehicle | Timestamp | Epoch time in miliseconds, UTC |
| Autonomous driving mode | 0: Off, 1: On | |
| Wheel speed | Average of 4 wheel speeds | |
| Yaw rate | degree/sec | |
| Emergency lights | 0: Off, 1: On | |
| Wiper status | 0: Off, 1: On | |
| Gear shift status | 0: P, 1: R, 2: N, 3: D | |
| Brake status | 0: Unavailable. 1: Off, 2: On | |
| Speed | m/s | |
| Heading | degree | |
| Location | Longitude | degree |
| Latitude | degree |
2. 제어권 전환 발생 이벤트 검토
제어권 전환은 크게 자율주행모드에서 비자율주행모드로 변경되는 경우와 비자율주행모드에서 자율주행 모드로 변경되는 경우로 구분된다. 본 연구에서는 자율주행차가 자율주행이 어려운 상황에서 자율주행모드 로 주행 중 비자율주행모드로 변경되는 경우, 즉 자율주행차의 제어권이 시스템에서 운전자로 변경되는 경 우를 분석에 활용하였다. 분석 기간 내 총 230건의 제어권 전환 이벤트가 발생하였으며, 어린이보호구역에서 의무적으로 제어권 전환을 수행하는 경우는 분석에서 제외하여 총 54건의 제어권 전환 이벤트 발생 데이터 를 분석에 활용하였다. 총 54건의 제어권 전환 이벤트 발생 데이터 검토 시 직진구간, 신호교차로, 합류 구간 등 다양한 구간에서 제어권 전환이 발생하였다. 특히 제어권 전환의 빈도가 높은 구간이 존재하였으며, 해당 구간을 <Fig. 2>에 제시하였다. 제어권 전환 빈도가 높은 구간은 3지 및 4지 신호교차로이며 4지 신호교차로 우회전 시 4번의 제어권 전환 이벤트, 3지 신호교차로에서 3번의 제어권 전환 이벤트가 발생하였다. 따라서 제어권 전환은 신호교차로에서 우회전 이후 다른 차량과의 합류 또는 차로변경 시 빈도가 높게 발생하는 것 으로 검토되었다.
3. Historical time window 데이터 추출
본 연구에서 historical time window는 자율주행차 제어권 전환 발생 이전 제어권 전환에 영향을 미칠 수 있는 시간적 범위로 정의하였다. Historical time window가 너무 긴 경우 해당 기간동안 정지, 차로변경 등 다 양한 상황으로 인해 복잡성이 증가하여 제어권 전환에 영향을 미치는 정도가 미미할 수 있으며 예측의 정확 도가 감소할 수 있다. 반면 historical time window가 너무 짧은 경우 자율주행차가 제어권 전환이 필요한 상 황을 분석하고 적절한 판단을 결정하는 시간이 불충분하여 예측의 어려움이 존재한다. 따라서 예측의 정확 도를 높이는 적정한 historical time window 설정이 필요하다. 기존 문헌을 참고하여 historical time window를 3 초, 5초, 7초, 9초, 11초로 총 5가지 시나리오를 설정하였다 (Ministry of Land, Infrastructure and Transport, 2024;Park et al., 2023). 5가지 historical time window에 대해 제어권 전환이 발생한 데이터와 제어권 전환이 발생한 지점과 동일한 지점이나 제어권 전환이 발생하지 않고 자율주행모드로 주행한 데이터를 추출하고 각 각 제어권 전환 발생 historical time window 데이터와 제어권 전환 미발생 historical time window 데이터로 정 의하였다. 제어권 전환 발생 및 미발생 historical time window 데이터 기반 제어권 전환 여부를 구분하여 적 정 historical time window를 도출하는데 활용하였다.
4. 제어권 전환 발생 이벤트의 feature vector 선정
적정 historical time window를 도출하기 위해 자율주행차의 종방향 및 횡방향 주행안전성 평가지표, 차량간 상호작용 평가지표 7가지를 feature vector로 선정하였다. 종방향 평가지표로는 속도, 가속도, jerk를 선정하였으 며 횡방향 평가지표로 lane offset과 횡방향 가속도, 상호작용 평가지표는 time-to-collision (TTC)와 deceleration rate to avoid a crash (DRAC)을 선정하였다(Cooper and Ferguson, 1976;Hayward, 1971;Lee and Litkouhi, 2012;Oh et al., 2006). 자율주행차 주행데이터로부터 수집한 속도, 좌측 및 우측 차선과의 거리, 선행차량과의 거리, 선행차량의 속도를 활용하여 7가지 feature vector를 산출하였다. 속도 데이터를 기반으로 가속도와 jerk를 산출하 였으며, 좌측 및 우측 차선과의 거리를 통해 lane offset을 산출하였다. 마지막으로 선행차량과의 거리, 선행차량 의 속도, 주행차량의 속도 등을 통해 TTC와 DRAC을 산출하였다. 선정한 총 7가지 feature vector는 <Table 2>에 제시하였으며, 적정 historical time window를 도출하기 위한 의사결정나무 분석의 input 데이터로 활용하였다. Feature vector의 예시로 자율주행차 주행데이터로부터 수집한 속도 데이터와 좌측 및 우측 차선과 차량의 거리 를 통해 산출한 lane offset의 boxplot을 <Fig. 3>에 제시하였다.
<Table 2>
A list of feature vector
| Feature vector | Description | Formula | |
|---|---|---|---|
| Longitudinal | Speed | Driving speed of driver (km/h) | |
| Acceleration | The rate of change in driving speed per unit time (m/s2) | ||
| Jerk | The rate of change in acceleration per unit time (m/s3) | ||
| Lateral | Lane offset | Distance from the center of the lane (m) | |
| Lateral acceleration | The rate of change per unit time of the velocity acting at right angles to the left and right of the vehicle's direction of movement | ||
| Interactional | Time-to-Collision (TTC) | The time required to rear-end a vehicle if the trailing vehicle is driving faster than the leading vehicle (s) | |
| Deceleration Rate to Avoid a Crash (DRAC) | Deceleration to avoid a collision when a trailing vehicle recognizes a hazard and begins to slow down (m/s2) | ||
5. 적정 historical time window 도출 방법
본 연구에서는 앞선 선정한 feature vector를 활용하여 적정 historical time window를 도출하기 위해 의사결 정나무 분석을 수행하였다. 의사결정나무 분석은 데이터를 특정 기준에 따라 의사결정규칙을 나무구조로 도 표화하여 분류하거나 예측하는 분석방법이다(Drazin and Montag, 2012). 의사결정나무 분석은 직관적으로 이 해하기 쉽고 주요변수와 분리기준을 제시함에 따라 어떤 변수가 가장 중요한 영향을 미치는지 판단하는 경 우에 많이 활용되며 결과해석에 용이하다는 장점이 있다(Park and Lee, 2011). 의사결정나무 분석 시 과적합 을 방지하고 적절한 크기의 나무 선택을 위해서는 최적의 매개변수인 초매개변수 (Hyper parameter)를 활용 해야한다. 분석 시나리오의 예측 성능 비교를 위해 초매개변수를 적용한 의사결정나무 모형의 분류정확도를 활용하여 비교한다. 정보획득량 (Information gain, IG)은 데이터 분류 시 부모 노드와 자식 노드 간의 엔트로 피를 가장 낮게 만드는 독립변수와 기준값을 정량화한 값이다 (Bozorg-Haddad and Zolghadr-Asli, 2022). 정보 획득량은 입력변수별 출력변수를 분류하는데 미치는 영향을 정량화한 값을 의미하며 변수들의 중요도를 판 별할 수 있다. 정보획득량은 0과 1 사이의 값을 가지며 이 값이 클수록 분류에 큰 영향을 미치는 독립변수를 의미한다. 따라서 큰 정보획득량을 가지는 변수가 제어권 전환 발생에 큰 영향을 미치는 변수이다. 정보획득 량이 0이 아닌 평가지표를 제어권 전환 발생 여부의 분류정확도를 높이는 주요 변수로 정의하며 정보획득량 은 Eq. (1)의 산출식을 통해 산출가능하다.
여기서,
본 연구에서는 제어권 전환 발생 이벤트의 7가지 feature vector를 의사결정나무 분석의 입력변수로 설정하 고 제어권 전환 발생 및 미발생 historical time window 데이터 기반 제어권 전환 여부를 출력변수로 설정하였 다. 분석데이터 중 training set과 test set의 비율을 7:3으로 설정하였으며, 과적합을 방지하고 모형의 성능을 높이기 위해 하이퍼 파라미터 튜닝을 수행하여 파라미터 최적화를 수행하였다. 하이퍼 파라미터의 항목과 정의는 <Table 3>에 제시하였다(Breiman et al, 1984).
<Table 3>
Definition of hyper parameter
| Hyperparameter | Accuracy |
|---|---|
| Class weight | Whether to apply the weight of each class |
| Criterion | The function to measure the quality of a split |
| Splitter | The strategy used to choose the split at each node |
| Max depth | The maximum depth of the tree |
| Min samples split | The minimum number of samples required to split an intermediate node |
| Min sample leaf | The minimum number of samples required to be at a leaf node |
| Max features | The number of features to consider when looking for the best split |
Ⅲ. 분석 결과
본 연구에서는 적정 historical time window를 도출하기 위해 설정한 분석 시나리오 5가지의 의사결정나무 분석 결과를 제시하였다. Historical time window가 3초인 경우 하이퍼 파라미터 결과, 노드 분리 기준은 Gini 이며 max depth은 3, min samples split은 3, min samples leaf은 1, max features은 sqrt로 도출되었으며 historical time window별 하이퍼 파라미터 최적화 결과를 <Table 4>에 제시하였다. 또한 historical time window별 최적 화된 모형의 분석 결과 중 historical time window 3초의 confusion matrix와 정보획득량을 <Table 5>에 예시로 제시하였다. Historical time window 3초의 분류 정확도는 62.94%, 재현율은 65.27%, 정밀도는 68.72%로 도출 되었다. 최적화된 모형에 사용된 변수와 정보획득량은 DRAC (0.312), 가속도 (0.269), 속도 (0.245), TTC (0.099), lane offset (0.075)이다. Historical time window가 5초인 경우 분류정확도는 64.04%, 재현율은 70.51%, 정밀도는 69.30%로 도출되었으며, 주요 변수로는 가속도, 속도, TTC, 횡방향 가속도로 총 4개 변수가 도출되 었다. Historical time window가 7초인 경우 분류정확도가 67.50%, 재현율은 65.13%, 정밀도는 75.42%로 제시 되었으며 주요 변수로 속도, 가속도, DRAC, lane offset으로 4개 변수가 도출되었다. Historical time window가 9초인 경우에는 분류정확도가 62.69%, 재현율이 66.11%, 정밀도가 69.78%로 도출되었으며 주요 변수로는 가 속도, DRAC, 속도, TTC, jerk로 총 5가지 변수가 제시되었다. 마지막으로 historical time window 11초의 경우, 분류정확도가 61.57%, 재현율은 62.03%, 정밀도는 69.81%이며 주요 변수로 가속도, DRAC, lane offset, jerk가 도출되었다. Historical time window별 분류정확도와 주요 변수에 대해 종합적으로 <Table 6>에 제시하였다. 분류정확도 비교 결과 historical time window 7초의 경우가 67.50%로 가장 높아 제어권 전환 예측 시 제어권 전환 이전 7초의 데이터를 활용하는 것이 적정한 것으로 제시되었다. 또한 최적의 historical time window인 7 초의 주요 변수인 속도, 가속도, DRAC, lane offset이 제어권 전환 여부를 잘 구분할 수 있다. 속도가 30kph보 다 작으나 lane offset이 0.412보다 큰 경우 제어권 전환이 발생할 가능성이 높은 것으로 해석할 수 있다. Historical time window별 제어권 전환 여부를 잘 구분하는 주요 변수는 다양하며, 이는 제어권 전환 여부 분 류 시 활용하는 time window가 달라 주행 시점별 위험을 인지하고 반응하는 특성의 차이가 발생하기 때문으 로 해석할 수 있다.
<Table 4>
Parameter optimization by historical time window
| Hyper parameter | Historical time window 3s | Historical time window 5s | Historical time window 7s | Historical time window 9s | Historical time window 11s |
|---|---|---|---|---|---|
| Class weight | None | None | None | None | None |
| Criterion | Gini | Entropy | Gini | Gini | Gini |
| Splitter | Best | Best | Best | Best | Best |
| Max depth | 3 | 3 | 3 | 3 | 3 |
| Min samples split | 3 | 8 | 9 | 4 | 2 |
| Min sample leaf | 1 | 1 | 3 | 3 | 3 |
| Max features | Sqrt | Sqrt | Sqrt | Sqrt | Sqrt |
<Table 5>
Example of decision tree results by historical time window
| Historical time window 3 seconds | |||||
|---|---|---|---|---|---|
| Confusion matrix | Information gain | ||||
| - | Prediction | Recall (%) |  |
||
| Normal (0) | Takeover (1) | ||||
| Actual | Normal (0) | 211 | 142 | 65.27 | |
| Takeover (1) | 166 | 312 | |||
| Precision (%) | 68.72 | 62.94 | |||
<Table 6>
Summarization of decision tree results by historical time window
| Scenario | Accuracy | |
|---|---|---|
| Historical time window 3 seconds | 62.94% |  |
| Historical time window 5 seconds | 64.04% | |
| Historical time window 7 seconds | 67.50% | |
| Historical time window 9 seconds | 62.69% | |
| Historical time window 11 seconds | 61.57% | |
앞서 수행한 연구에서 제어권 전환 발생 이벤트 수가 적음으로 인해 분류정확도가 낮아 오버샘플링 후 분석을 수행하였다. 의무적인 제어권 전환 이벤트를 제외하기 전의 건수인 230건으로 오버샘플링하여 데이터셋을 구성 하였다. 오버샘플링하여 의사결정나무 분석을 수행한 결과, historical time window가 3초인 경우의 하이퍼 파라미 터는 노드 분리 기준이 Gini이며 max depth은 10, min samples split은 5, min samples leaf은 1, max features은 sqrt로 도출되었으며 historical time window별 하이퍼 파라미터 최적화 결과를 <Table 7>에 제시하였다. 또한 의사결정나무 최적화 모형 중 historical time window 3초의 confusion matrix와 정보획득량을 <Table 8>에 예시로 제시하였다. Historical time window 3초의 분류 정확도는 82.35%, 재현율은 84.62%, 정밀도는 78.74%로 도출되었 다. 최적화된 모형에 사용된 변수와 정보획득량은 속도 (0.229), 가속도 (0.202), lane offset (0.169), DRAC (0.167), TTC (0.0116), jerk (0.0.067), 횡방향 가속도 (0.049)이다. Historical time window가 5초인 경우 분류정확도는 81.72%, 재현율은 81.68%, 정밀도는 82.05%로 도출되었으며, historical time window가 7초인 경우 분류정확도가 83.27%, 재현율은 83.90%, 정밀도는 82.63%로 제시되었다. Historical time window가 9초인 경우에는 분류정확도가 83.04%, 재현율이 81.35%, 정밀도가 85.25%로 도출되었으며 historical time window 11초의 경우에는 분류정확도가 80.08%, 재현율은 79.09%, 정밀도는 80.98%이다. 모든 시나리오에서 7개의 feature vector가 제어권 전환 발생 여부에 영향을 미치는 것으로 도출되었다. Historical time window별 분류정확도와 분류에 영향을 크게 미치는 상위 3개의 feature vector에 대해 종합적으로 <Table 9>에 제시하였다. 분류정확도 비교 결과 historical time window 7초의 경우가 83.27%로 가장 높아 오버샘플링 수행하기 전과 동일하게 제어권 전환 예측 시 제어권 전환 이전 7초의 데이터를 활용하는 것이 적정한 것으로 제시되었다. 또한 최적의 historical time window인 7초의 상위 3개 feature vector와 정보획득량인 속도 (0.273), DRAC (0.190), lane offset (0.175)이 제어권 전환 여부를 구분하는데 효과적이 며, 본 분석에 활용한 모든 feature vector가 제어권 전환 여부를 구분하는데 활용할 수 있다. 또한 제어권 전환 여부 구분에 가장 큰 영향을 미치는 속도에 대해 실제로 제어권 전환 여부에 따른 차이점에 비교하기 위해 제어권 전환 여부별 속도 히스토그램을 <Fig. 4>에 제시하였다. 제어권 전환 여부별 속도 비교 시 제어권 전환 발생 이전의 속도가 제어권 전환 미발생 시 속도에 비해 높은 속도를 가지는 것으로 도출되었다. 이에 따라 제어권 전환은 사전에 위험상황을 인지하고 수행하는 것이 아닌 돌발상황으로 인해 운전자의 급격한 작업부하가 요구되는 상황, 주행안전성이 크게 저하되는 상황에서 수행되는 것으로 해석할 수 있다. 또한 제어권 전환 발생 및 미발생 이전의 속도가 명확한 차이를 가지는 것을 알 수 있어 제어권 전환 여부를 구분하기에 속도는 적절한 것으로 판단할 수 있다.
<Table 7>
Parameter optimization with oversampling by historical time window
| Hyper parameter | Historical time window 3s | Historical time window 5s | Historical time window 7s | Historical time window 9s | Historical time window 11s |
|---|---|---|---|---|---|
| Class weight | None | None | None | None | None |
| Criterion | Gini | Gini | Gini | Gini | Gini |
| Splitter | Best | Best | Best | Best | Best |
| Max depth | 10 | 10 | 10 | 10 | 3 |
| Min samples split | 5 | 5 | 2 | 3 | 2 |
| Min sample leaf | 1 | 3 | 1 | 3 | 3 |
| Max features | Sqrt | Log2 | Sqrt | Log2 | Sqrt |
<Table 8>
Example of decision tree results with oversampling by historical time window
| Historical time window 3 seconds | |||||
|---|---|---|---|---|---|
| Confusion matrix | Information gain | ||||
| - | Prediction | Recall (%) |  |
||
| Normal (0) | Takeover (1) | ||||
| Actual | Normal (0) | 2083 | 342 | 84.62 | |
| Takeover (1) | 508 | 1882 | |||
| Precision (%) | 78.74 | 82.35 | |||
<Table 9>
Summarization of decision tree results with oversampling by historical time window
| Scenario | Accuracy | Top 3 feature vector |
|---|---|---|
| Historical time window 3 seconds | 82.35% | Speed, Acceleration, Laneoff set |
| Historical time window 5 seconds | 81.72% | Speed, Lane offset, DRAC |
| Historical time window 7 seconds | 83.27% | Speed, DRAC, Lane offset |
| Historical time window 9 seconds | 83.04% | Lane offset, Speed, DRAC |
| Historical time window 11 seconds | 80.08% | Speed, Lane offset, Acceleration |
Ⅳ. 결 론
자율주행기술 발전에 따라 자율주행차 테스트베드를 선정하고 자율주행차 테스트가 수행되고 있다. 자율 주행차는 주행 시 위험상황이 발생하면 제어권을 자율주행 시스템에서 운전자로 전환하는 제어권 전환을 수 행한다. 도심부 도로는 정지, 감속 등 다양한 거동 변화로 인해 제어권 전환이 빈번하게 발생하며, 빈번한 제 어권 전환은 사고를 유발할 수 있다. 이러한 제어권 전환을 최소화하기 위해 자율주행차의 제어권 전환 발생 가능성을 예측할 필요가 있으며, 보다 정확한 제어권 전환 예측을 위해 제어권 전환에 영향을 미치는 시간적 영향범위인 historical time window의 크기에 대해 적정한 수준의 선정이 필요하다. Historical time window가 너무 길면 다양한 주행 상황으로 인해 복잡성이 증가하고, 너무 짧으면 제어권 전환이 필요한 상황을 분석하 고 판단하는 시간이 불충분하여 적정한 historical time window 설정이 필요하다. 따라서 본 연구에서는 실도 로에서 주행한 자율주행차의 데이터를 수집하여 주행모드를 통해 제어권 전환 지점을 도출하였다. 제어권 전환 지점 기준 historical time window를 3초, 5초, 7초, 9초, 11초로 설정하여 제어권 전환 발생 데이터셋을 구성하였다. 또한 제어권 전환이 발생한 지점과 동일한 위치지만 제어권 전환이 발생하지 않은 지점 기준으 로 동일한 크기의 historical time window를 설정하여 제어권 전환 미발생 데이터셋을 구축하였다. 적정 historical time window 도출을 위해 자율주행차의 종방향, 횡방향, 차량간 상호작용 안전성 평가지표 7가지를 제어권 전환 발생 이벤트의 feature vector로 선정하였다. 총 5가지 historical time window 시나리오 중 제어권 전환 예측 정확도를 높이는 적정한 historical time window를 도출하기 위해 의사결정나무 분석을 수행하였다. 앞서 선정한 7가지 feature vector를 의사결정나무의 입력변수로 설정하였으며, 제어권 전환 발생 데이터셋과 미발생 데이터셋을 통한 제어권 전환 발생 여부를 의사결정나무의 출력변수로 적용하였다. 의사결정나무 분 석 결과 7초의 historical time window가 제어권 전환 발생 여부를 잘 예측하는 historical time window이며 속 도, 가속도, DRAC, Lane offset이 주요 변수로 도출되었다. 분류 정확도 향상을 위해 오버샘플링을 통해 데이 터 수 확보 후 의사결정나무 분석을 재수행하였을 때 앞서 제시한 결과와 동일하게 7초의 historical time window가 제어권 전환 발생 여부를 잘 예측하는 최적의 historical time window로 도출되었다. 본 연구는 실제 자율주행차 데이터를 활용하여 제어권 전환 지점과 적정 시간적 영향범위를 도출하여 제어권 전환 발생 여 부를 식별할 수 있었다. 이를 통해 제어권 전환 발생 가능성 예측 시 본 연구의 결과인 historical time window 를 활용할 수 있으며, 예측의 정확성을 높일 수 있을 것으로 기대된다. 또한 최적의 time window로 도출된 7 초간의 데이터 및 본 연구에서 제안한 방법론을 활용하여 제어권 전환 발생 가능성을 예측하고, 제어권 전환 가능성이 예측되면 제어권 전환을 최소화하는 사전 대응 체계 마련 및 자율주행 의사결정 시 제어권 전환 극복 방안 모색에 활용할 수 있을 것으로 기대된다.
본 연구를 발전시키기 위해서는 다음과 같은 추가적인 연구가 필요하다. 첫째, 추가적인 자율주행차 데이 터 수집이 요구된다. 본 연구에서는 수집한 데이터의 한계로 7가지 feature vector를 활용하였으나 추가적인 데이터 수집 시 다양한 평가지표를 제어권 전환 발생 이벤트의 feature vector로 활용할 수 있다. 또한 자율주 행차의 주행데이터로 산출가능한 안전성 평가지표 외 서비스수준, 외부 환경 등 제어권 전환에 영향을 미칠 수 있는 변수를 feature vector로 포함하여 분석할 필요가 있다. 둘째, 다양한 분석 방법론의 적용이 필요하다. 본 연구에서 사용한 의사결정나무 분석 외 랜덤포레스트, XGBoost 등 다양한 방법을 활용할 필요가 있다. 마지막으로, 분석 구간 외 다른 지역의 데이터를 수집할 필요가 있다. 다른 지역의 자율주행차 데이터 수집 및 분석 시, 본 연구 결과의 일반화 가능성이 향상될 수 있다.
