Ⅰ. 서 론

자율주행차(Automated Vehicle, AV) 기술의 발전으로 운전자의 개입없이 주행하는 AV가 개발중에 있으며, 일부 도시에서 현재 시범적으로 운영중에 있다. AV는 사고를 유발하지 않기 위해, 안전한 주행을 시도한다. 일반 운전차량(Manually-driven Vehicle, MV)과 함께 주행하는 AV가 도심부 시설을 통과할 때, 실제로 안전한 지에 대해 검토가 필요하다. AV는 안정적인 조향조작을 수행하도록 설계되었으며, 이에 따라 MV에 비해 더 안전하게 통과할 것으로 예상한다. 국제자동차기술자협회(SAE international)에서는 안전관리 시스템을 개발 하여 AV 개발 및 운영 시 안전한 주행을 유도하였다(Wichner et al., 2024). 반면, 상충을 회피하기 위해 과도 하게 안전한 주행을 시도하여 주행안전성이 악화될 수 있다. 교차로와 버스정류장과 같은 여러 도심부 시설 을 통과할 때, 서로 다른 주행행태를 가진 차량 간 상충이 발생한다. 시범적으로 LV. 4의 AV가 운영 중인 미국 캘리포니아에서는 여러대의 AV가 서로 양보를 시도하다가 교차로에서 정지한 사례가 있다(Hope). 2차 로 도로에서 주정차대에 주차를 시도하던 Waymo 로보택시가 도로변 주정차대에 주차를 시도하는 과정에서 완전히 진입하지 못하고 도로에 정지하면서, 뒤따르던 8대의 로보택시가 도로 위에서 정지하는 상황이 발생 했다(Herger). AV의 안전한 주행행태는 사고를 유발하지 않을 수 있으나, 상충이 발생하는 구간에서 도로 한 가운데에서 정지하게되어 위험한 도로를 만들수도 있다. 따라서 본 연구는 AV가 도심부 시설을 통과할 때 안전하게 주행하는지 판단하기 위하여, 안전성 평가지표를 개발하고 이를 활용하여 안전한 주행이 가능한 구간과 어려운 구간을 판단하고자 한다.

본 연구는 AV가 도심부 도로를 주행하면서, 안전성이 개선되는 구간과 악화되는 구간을 횡방향 주행안전 성 평가지표를 기준으로 찾고자 한다. MV와 달리, AV는 지정된 주행 경로를 일정하게, 일관적으로 통과할 수 있도록 주행알고리즘이 설계되었다. AV는 차선을 유지하고 일정한 조향조작을 수행하여 MV보다 횡방향 안전성이 더 증가할 수 있다. 횡방향 안전성이 증가할수록, 운전자 및 탑승객은 운전 시 안정감, 편안함을 느 낄 수 있다(Yusof et al., 2016;Peter and Iagnemma, 2009). 따라서 본 연구는 횡방향 안전성을 기준으로 일정 한 주행행태를 평가하였다. 본 연구의 활용방안으로, 도심부 시설 별 AV 주행으로 인한 횡방향 안전성 변화 를 분석하고, 개선이 필요한 도심부 시설을 선정하여 적용가능한 대응방안을 제시하였다. AV 주행 시 안전 성 증가 및 감소가 통계적으로 유의한지에 따라, 도심부 시설의 유형을 3가지로 분류하였다. AV 주행 시, 횡 방향 안전성이 낮아지는 구간은 개선이 필요한 도심부 시설로 선정하였으며, 시설의 형태 및 횡방향 안전성 이 낮아지는 원인에 따라 다른 해결방안을 제시하였다. 도로 구조로 인해 횡방향 안전성이 낮아지는 구간은 AV의 안전한 주행을 유도할 수 있는 노면표시와 같은 교통안전시설을 설치할 수 있다. 차량간 상충으로 인 해 횡방향 안전성이 낮아지는 구간은 해당 구간을 통과하는 차량 정보를 제공하여, AV가 해당 구간을 통과 하는 차량들의 주행 경로 및 행태를 예측하여 안전하게 통과할 수 있다. 완전자율주행이 가능한 AV에게 기 반시설 및 차량간 정보를 제공한다면, 센서에서 수집된 정보를 보완할 수 있어 안전하고 교통류 운영성을 향 상시킬 수 있다(Lott et al., 2021;Sung et al., 2013).

Ⅱ. 선행 연구

AV의 주행안전성을 연구한 기존 연구를 바탕으로, 횡방향 안전성을 평가할 수 있는 방법론을 설계하였다. 기존 AV와 관련된 연구에서, 횡방향 안전성을 분석하기 위한 방법론을 제시한 연구와 실주행 데이터를 분 석한 연구를 조사하여 연구방법론에 활용하였다. 기존 횡방향 안전성 평가지표가 대표할 수 있는 특성을 조 사하고, 한계점 및 보완방안을 제시하였다.

1. AV의 횡방향 안전성 평가

AV의 횡방향 안전성을 평가하기 위하여, 횡방향 주행행태와 관련된 선행연구를 조사하였다. Yusof et al.(2016)은 AV 주행 시, 승객의 편안함 정도를 측정하기 위해 횡방향 가속도 기준이 변화하는 AV를 분석하 였다. 해당 연구에서 횡방향 안전성을 분석하기 위해, 곡선주행이 필요한 구간을 선정하였다. Shladover (2005)는 AV 주행을 위한 고속도로 운영전략을 연구하였으며, 곡선구간의 안전성을 평가하기 위한 기준으로 횡방향 가속도를 활용하였다. De Winkel et al.(2023)은 AV 탑승객의 편안함을 평가할 수 있는 지표로 가속도 와 Jerk를 활용하였다. 해당 연구에서는 종방향 및 횡방향으로 평가지표의 단위 증가에 따른 탑승객의 편안 함 평가의 변화를 측정하였다. 횡방향 가속도는 주행 시 차량에 작용하는 힘을 의미할 수 있으며, 과도한 횡 방향 가속도는 탑승객의 주행 시 불편함을 유발한다(Peter and Iagnemma, 2009). 기존 AV의 안전성과 관련된 연구에서, 횡방향 가속도는 주로 탑승객의 안전성 및 편안함을 대표할 수 있는 지표로 활용되었다. 본 연구 는 교통류, 도로구조의 주행안전성을 평가할 수 있는 기준을 찾고자 하며, 황방향 가속도는 본 연구의 평가 기준과 적합하지않음을 확인하였다.

SAE international에서는 가상환경에서 실제 AV의 주행안전성을 분석하기 위한 지표로 Lateral deviation(횡 방향 편차)을 활용하였다(Drechsler et al., 2022). 해당 연구에서 횡방향 편차는 예상궤적에서 횡방향으로 벗어 난 정도를 의미하며, 예상 궤적과 좌·우 회전각의 차이인 Yaw error와 함께 횡방향 안전성을 평가하는 지표 로 활용하였다. Jongen et al.(2017)은 운전자의 음주로 인한 좌우로 흔들리는 주행행태를 분석하기 위해, 횡방 향 위치의 표준편차를 활용하였다. Gemou(2013)은 주행시뮬레이터를 활용하여, 운전자의 횡방향 안전성을 평가하기 위한 지표로 횡방향 편차 지표를 활용하였다. 해당 연구에서 횡방향 편차는 차로 중심으로부터 멀 어진 거리를 의미하며, 데이터의 길이로 인한 오류를 제거하기 위해 횡방향 편차의 평균을 지표로 활용하였 다. Sripada et al.(2021)은 AV의 보행자에게 양보의사를 횡방향 주행행태를 통해 나타내어 어떤 주행행태가 보행자에게 의사전달 및 안전함을 느끼게 하는지 조사하였다. 횡방향 주행행태를 나타내는 지표로, 차선 중 심에서 횡방향으로 움직이는 주행행태를 횡방향 편차로 정의하였다.

그 외 여러 연구에서 차선의 중심, 주행 경로로부터 횡방향으로 움직이는 주행행태를 횡방향 편차로 정의 하였으며, 이를 기준으로 횡방향 안전성을 평가하였다. 이를 참고하여, 본 연구에서는 차선의 좌측 혹은 우 측과 얼마나 가까운지, 차로의 중심으로부터 좌측 혹은 우측으로 멀어진 거리를 의미하는 지표를 횡방향 편 차로 정의하였다. 횡방향 편차는 AV의 센서에서 수집된 차량의 좌측 및 우측 차선까지의 거리 데이터를 활 용하여 도출하였다.

2. AV 실 주행 데이터 분석

실도로를 주행하는 AV는 센서를 통해 도로와 인접한 차량의 정보를 인지한다. 센서를 통해 수집된 정보 를 활용하여, AV의 주행행태를 분석할 수 있다. 조사한 선행연구는 AV에서 집계된 주행궤적 데이터와 센서 데이터를 활용한 연구를 포함한다. Hu et al.(2022)은 AV의 주행행태를 분석하기 위해, Waymo open dataset을 기준으로 체계적으로 처리하는 방법과 차량 추종 행태를 평가할 수 있는 방법론을 제안하였다. 이에 따라 차 량 위치, 속도, 가속도 데이터를 데이터 셋에서 활용하였으며, Jerk를 기준으로 데이터셋의 이상치를 제거하 였다. Jee et al.(2024)는 실도로 자율주행 데이터를 활용하여 교차로 유형 별 MV 대비 AV의 상충률을 비교 하였다. 해당 연구에서는 Waymo open dataset에서 영상 자료를 분석하여 도로 유형을 구분하였으며, AV와 MV간 Time to collision(TTC)를 기준으로 자율주행 보수성 지표를 개발하였다. Hu et al.(2023)은 LV. 4 AV의 실주행 행태와 MV와 비교하여, 주행안전성 개선을 비교하였다. 주행행태에서 도출한 상충지표를 활용하여, 여러 가지 추종상황에 따라 AV가 MV보다 더 안전하게 주행함을 t-test를 통해 통계적으로 검정하였다.

기존 연구에서는 실주행한 AV의 데이터를 활용하여, 분석 목적에 따라 전처리 및 편집하였음을 확인하였 다. 또한 AV와 MV의 평가지표값을 비교하여 AV의 주행안전성 개선효과를 분석하였으며, t-test를 통해 통계 적인 검증을 수행하였다.

3. 선행연구 조사 결과 및 차별점

기존 연구에서, 횡방향 안전성을 평가하기 위한 지표로 횡방향 편차를 활용함을 확인하였다. 여러 연구에 서 횡방향 편차는 차로 중심 혹은 예상궤적에서 횡방향으로 이동한 거리를 의미하며, 본 연구는 이를 차용하 여 차로 중심으로부터 멀어진 거리를 의미하는 횡방향 편차를 분석에 활용하였다. 횡방향 편차의 표준편차 를 활용하여 횡방향 주행 안정성을 평가할 수 있다. 하지만, 횡방향 편차의 표준편차는 데이터의 크기와 상 관성이 있어 비교군 데이터의 크기가 서로 다를 경우 편향이 발생할 수 있다(Östlund et al., 2005;Gemou, 2013). 따라서 본 연구는 주행 안전성의 급격한 변화를 분석할 수 있고, 표준편차로 인한 편향을 줄일 수 있 도록 횡방향 편차 값의 변화를 나타낼 수 있는 Lateral deviation difference(LDD)를 분석에 활용하였다.

Ⅲ. 연구 방법론

본 연구는 AV의 횡방향 안전성을 활용한 주행 안전성 평가방법론을 제안하고자 한다. Step 1에서는 AV에 서 수집된 데이터를 전처리한다. 본 연구는 AV의 센서에서 수집된 데이터를 활용하여 횡방향 안전성을 평 가할 수 있는 횡방향 편차 지표를 생성하였다. 그리고 AV에서 0.1초 단위로 집계된 위도 및 경도 데이터를 활용하여, 통과 도심부 시설 매칭 및 분석데이터를 선정하였다. Step 2에서는 AV가 자율 또는 비자율 모드로 주행하였을 때, 횡방향 안전성이 유의미한 차이가 있었는지 t-test를 통해 검정하였다. Step 3에서는 도로시설 별, 자율주행 및 비자율주행 모드별 횡방향 안전성 분석결과를 Case로 구분하여 개선안을 제시하였다. 본 연 구의 과정을 간략하게 정리한 연구흐름도는 <Fig. 1>에 제시하였다.

<Fig. 1>

Overall research process

1. 실주행 AV 데이터 네트워크

본 연구에서는 세종시 자율주행 빅 데이터 관제센터 오픈랩에서 수집하는 자율주행 실차 데이터를 제공 받아 분석에 활용하였다. 오픈랩에서 제공받은 데이터는 2022년 5월 1일부터 3일, 8일부터 12일까지 8일 동 안 16시 20분 ~ 17시 20분, 20시 20분 ~ 21시 50분까지 주행한 기록이다. AV는 세종특별자치시청 인근 도로 를 시계방향으로 순환하며, 총 연장 8.6km, 편도 2 ~ 4차로(버스정류장은 3차로, 교차로는 4차로)를 주행한다. 수집된 데이터는 자율주행 시범 운영 구간을 하루 5회 통과하며, 통과 시 소요시간은 평균적으로 30분 소요 된다. 자율주행 시범 운영 구간은 신호 교차로, 회전교차로, 신호 및 비신호 횡단보도, 버스정류장, 어린이 보 호구역을 통과한다. 단, 어린이 보호구역에서 AV는 수동으로 운전한다. 실도로 AV 주행데이터를 지도상에 시각화 하였으며, 해당 결과는 <Fig. 2>에 제시하였다.

<Fig. 2>

Description of the collected real-world AV data driving routes and sections

수집된 데이터는 차량데이터, 위치정보, 센서상태, 객체 및 차선 인지데이터를 포함한다. 차량데이터는 자 율주행모드, 휠스피드, 방향지시등과 같은 차량 조작상태를 나타내는 데이터로 구성되어있다. 이 중, 자율주 행모드 데이터는 집계된 시점에서 AV가 자율주행모드(Automated driving mode, AD mode) 또는 비자율주행 모드(Manually-driven mode, MD mode)로 주행하였는지를 나타내는 데이터이다. 본 연구는 자율주행모드 데이 터를 활용하여, D와 MD mode로 도심부 도로시설을 주행할 때 횡방향 안전성의 변화를 분석하였다. 위치정 보 데이터는 집계 시점에서 위도 및 경도, 속도와 같은 정보를 포함한다. 이 중, 위도 및 경도 데이터를 활용 하여 AV가 통과한 도로시설을 매칭하였다. 차선 인지데이터는 차량 좌측 및 우측의 차선과의 공률, 거리, 기 울기 데이터를 포함하며, 이 중에서 차선과의 거리 데이터를 활용하여 횡방향 안전성 평가지표를 도출하였 다. 수집한 데이터 셋은 <Table 1>에 제시하였으며, 분석에 활용하였던 데이터는 Bold체로 표기하였다.

2. 분석 대상구간 설정 및 위치정보 입력

수집된 네트워크 주행 AV데이터에서, 다른 도로시설 영향권이 겹치지 않는 도심부 시설을 분석대상구간 으로 선정하였다. AV가 도로시설별 영향권안으로 진입하였을 때, AV는 해당 도로시설을 통과한다고 정의하 였다. 도로시설별 영향권은 도로설계편람의 도로계획 및 기하구조에서 제시한 정지시거를 기준으로 하였다. 모든 교차로와 횡단보도는 50km/h로 주행시 필요한 정지시거 30m와 정지선 이후 시거 확보를 위해 3초간 주행한 거리 50m를 합하여 총 80m의 영향권으로 설정하였다. 버스정류장은 정류장 내 정차하기 위해 진입 및 진출하는 구간을 영향권으로 설정하였다. MD mode와 AD mode로 주행한 기록을 지도에 시각화한 결과 는 <Fig. 3>에 제시하였다. 분석대상구간은 같은 도로구조 상 주행한 데이터를 비교하기 위해, AD와 MD mode 모두 주행한 도로시설을 기준으로 선정하였다. 따라서, 분석대상구간으로 선정한 도심부 시설은 신호 교차로 우회전 및 직진, 신호 횡단보도, 비신호 횡단보도, 회전교차로, 버스정류장, 평지 및 직선 주행 구간으 로 선정하였다. 도심부 시설 중, 교통섬이 있는 신호교차로 우회전 통과 구간은 MD mode의 주행기록이 없 어 분석에서 제외하였다. 분석대상구간과 교통섬이 있는 신호교차로 우회전 통과구간 등, 도심부 도로시설 위치의 지도 상 시각화는 <Fig. 4>에 제시하였다.

<Fig. 3>

MD & AD mode driving record

<Fig. 4>

Map visualization of urban road facilities locations

3. Lateral deviation difference 지표 생성

본 연구에서 횡방향 편차는 차로 중심으로부터 멀어진 거리(cm)를 나타내며, 양수는 오른쪽, 음수는 왼쪽 으로 치우쳐짐을 나타낸다. 횡방향 편차는 <Fig. 5>와 같이, 차선 인지 데이터 중 laneDistanceLeft와 laneDistanceRight을 활용한다. 차선 인지 데이터는 차량의 측면에 부착된 카메라에서 수집된 영상을 활용하 여, 객체 인식을 통해 수집된 차량의 좌·우측 차선 정보이다. laneDistanceLeft와 laneDistanceRight은 각각 왼쪽 과 오른쪽 차선과의 거리를 의미하며, 횡방향 편차는 laneDistanceLeft와 laneDistanceRight의 차 값으로 도출한 다. 횡방향 편차의 수식은 식 (1) 에 제시하였다.

<Fig. 5>

Lateral deviation

본 연구에서는 횡방향 주행안전성의 급격한 변화를 분석하기 위해, Lateral deviation difference(LDD)를 추 가로 도출하였다. LDD는 이전 time stamp에서 도출한 횡방향 편차와 현 횡방향 편차값의 차이로, LDD가 클 수록 횡방향 주행행태가 더 크게 변화하였음을 의미한다. LDD의 수식은 식 (2)에 제시하였다. 식 (2)에서 t 는 time stamp을 의미하며, 본 연구에서 수집한 데이터는 t가 0.1초 간격으로 수집되었다.

<Fig. 6>는 time stamp의 증가에 따라 집계된 횡방향 편차와 LDD를 프로파일의 형태로 제시하였다. time stamp 31~35에 집계된 횡방향 편차와 LDD와 같이, 횡방향 편차가 급격하게 감소하거나 증가할 때, LDD값이 크게 증가함을 확인할 수 있다. LDD 지표의 특성을 참고하여, 본 연구는 각 도심부 시설을 통과할 때 집계 되는 LDD의 평균을 기준으로 주행 mode별 횡방향 안전성의 변화를 분석하였다.

<Fig. 6>

Lateral deviation & LDD profile with increasing time stamp

Ⅳ. 분석결과

1. LDD 기초 통계 분석

본 연구에서 수집한 AV 주행 데이터는 총 8일치 데이터, 총 394,369개의 데이터셋으로 구성되며 이 중에 서 분석대상구간인 도심부 시설을 통과하는 데이터는 31,059개로 나타났다. 이 중에서 MD mode는 1,796개, AD mode는 29,263개로 집계되었다. 이는 AV 주행 수집 데이터의 특성 상, 주요 도심부 시설 통과 시, AD mode로 주행하는 경우가 더 많기 때문이다. <Table 2>에는 MD와 AD mode로 도로시설 별 집계된 LDD 기초 통계결과를 제시하였다. LDD 평균을 기준으로, MD와 AD mode 모두 신호교차로 우회전 통과 구간에서 횡 방향 안전성이 가장 나쁜 것으로 나타났다. 신호교차로 우회전 구간에서, MD mode의 LDD 평균은 0.18cm, AD mode의 LDD 평균은 0.10cm로 다른 구간에 비해 평균값이 가장 큰 것을 확인하였다. 이는 우회전 구간 통과 시, 조향 조작으로 인해 횡방향 안전성이 다른 구간보다 가장 낮아지기 때문이다. 같은 이유로 다른 구 간보다 조향 조작이 없는 평지 및 직선 주행 구간은 MD와 AD mode 모두 LDD 평균이 가장 낮은 것으로 확 인되었다. 도심부 시설 별 LDD 평균을 비교한 결과는 막대그래프로 <Fig. 7>에 제시하였다.

<Fig. 7>

Mean LDD by urban road facility

2. LDD 가설검정 활용 개선 필요 구간 선정

기초 통계 결과를 활용하여, 본 연구는 LDD 평균값의 차이를 비교하였다. 평균 차이 값은 MD와 AD mode의 차 값을 나타내며, 평균차이가 양수인 구간은 AD mode 주행으로 횡방향 주행안전성이 개선됨을 의미한다. 각 도심부 도로 구간 별, t-test 결과 신호교차로 직진 및 우회전 구간은 유의한 차이가 있음을 확인하였으나, 나머 지 구간은 차이가 없음을 확인하였다. 평균차이 그리고 AD와 MD mode간 가설검정 결과를 기준으로, 분석결 과를 3가지 Case로 구분할 수 있다. Case 1은 AD 주행 개선 및 mode간 유의한 차이가 있는 구간, Case 2는 AD 주행이 개선되었으나, mode간 유의한 차이가 없는 구간, Case 3은 AD 주행이 악화되었으며, mode간 유의 한 차이가 없는 구간이다. 각 도심부 시설 별 t-test결과 및 Case 구분은 <Table 3>에 제시하였다.

Case 1에 해당하는 도로시설은 신호교차로 직진 및 우회전 구간으로 나타났다. 등분산 검정결과, 유의확률 이 0.05보다 낮아 등분산을 가정하지 않는다. t-test 결과 평균 차이가 통계적으로 유의한 것으로 나타났다. 신 호교차로 직진구간은 AD mode로 주행 시, 가장 크게 횡방향 주행안전성이 개선된 구간이다. 직진 통과 시, 차선을 유지하며 안전하게 주행하는 AD 알고리즘으로 인해 안정적으로 주행할 수 있기 때문이다. 신호교차 로 우회전 구간은 회전 구간 통과로 인해 횡방향 안전성이 AD와 MD mode 모두 나빠지나, AD mode 주행 시 횡방향 안전성이 개선됨을 확인하였다.

Case 2에 해당하는 도로는 회전교차로와 신호 횡단보도, 비신호 횡단보도, 평지 및 직선구간으로 나타났 다. Case 2는 AD mode로 주행 시, 횡방향 안전성이 개선되나 통계적으로 유의하지 않은 구간이다. 회전 교차 로는 통과 시 조향 조작이 필요하여 MD와 AD mode 모두 횡방향 안전성이 낮아지는 구간이다. AV 주행 시, 횡방향 안전성의 개선을 목적으로, 해당 구간에 유도선을 설치하고 이를 따라가도록 AD mode를 설정한다면 횡방향 안전성을 향상시킬 수 있다. 신호 횡단보도와 비신호 횡단보도, 평지 및 직선구간은 큰 조향조작 없 이 직선구간을 주행하여 횡방향 안전성이 크게 낮아지지 않는다. 해당 구간은 AD mode로 주행 시 크게 개 선되지 않는 것으로 나타났다.

Case 3에 해당하는 도로시설은 버스정류장으로 나타났다. Case 3는 평균차이가 유의하지 않으며, AD mode 주행으로 인해 개선되지 않은 구간이다. 버스정류장 구간은 정류장에 진입 혹은 진출하는 버스로 인해 상충이 발생한다. 상충을 회피하려하며, 더 안전한 주행을 시도하는 AD mode의 알고리즘으로 인해 해당 구 간의 주행안전성이 더 악화되었다. 따라서, 버스와 상호작용 및 소통할 수 있도록, 버스 정류장에서 개별차 량에게 정보를 제공한다면 횡방향 안전성을 향상시킬 수 있다.

Ⅴ. 결 론

1. 분석결과 요약

본 연구는 MD·AD mode 주행으로 인한 도심부 시설 별 횡방향 주행안전성의 변화를 분석하였다. 횡방향 안전성 평가지표를 활용하여, 안정적인 주행을 시도하는 AD mode의 주행특성을 분석할 수 있다. 같은 도심 부 시설을 기준으로, MD와 AD mode 주행 시 횡방향 주행안전성 평가지표를 비교하였다. 횡방향 주행안전 성 평가지표는 차선과의 거리데이터를 활용하여, 급격한 횡방향 주행변화를 나타내는 LDD를 선정하였다. MD 및 AD mode의 주행 시 통계적으로 유의한 차이가 있음을 확인하기 위해, 각 도심부 시설 별 t-test를 수 행하였다. 도심부 시설 별 MD·AD mode 주행에 대한 t-test 결과를 세가지로 구분하였다. Case 1에 해당하는 구간은 신호교차로 직진 및 우회전 구간으로, AD 주행으로 횡방향 안전성이 개선되며, 통계적으로도 유의한 구간이다. Case 2는 횡방향 안전성이 개선되나 통계적으로 유의하지 않은 구간으로, 도로시설의 개선을 통해 AV의 횡방향 안전성 개선효과를 증가시킬 수 있는 구간이다. 해당 구간 중에서, 회전교차로는 유도선을 설 치하여 AV가 유도선을 따라 주행할 수 있도록 설정한다면 횡방향 안전성을 증가시킬 수 있다. Case 3은 AD 주행 시 횡방향 안전성이 악화되며 평균과의 차이 또한 유의하지 않은 구간이다. Case 3에 해당하는 구간은 버스정류장 통과 구간으로, 상충을 회피하여 안전하게 주행하려는 행태로 인해 주행안전성이 낮은 것으로 나타났다. 해당 구간에서는 버스정류장 내 버스 진입 및 진출, 승하차 예정 승객 등 버스 정류장 정보를 AV 에 제공한다면 AV의 버스정류장 통과 시 주행안전성을 크게 증가시킬 수 있다.

본 연구에서 제시한 LDD를 통해, 도심부 시설의 횡방향 안전성을 평가할 수 있다. 기존 횡방향 지표를 활 용한 주행 안전성 평가 연구에서 제시한 방법론에서는 주로 표준편차를 활용하였으며, 그룹 간 수집 데이터 개수의 차이가 있을경우 편향된 결과가 도출될 수 있다(Ostlund et al., 2005; Gemou, 2013). 본 연구에서는 차 이값으로 제시한 LDD 값을 활용하여 데이터 개수 차로 인한 편향을 줄일 수 있다. 기존 연구에서는 AV로 인한 개선효과 등을 t-test를 활용하여 제시하였다. 본 연구는 제시된 t-test 결과를 근거로, 도심부 시설 별 개 선 우선순위를 Case로 구분하여 제시하였다. LDD분석에 따라 제시된 Case를 기준으로 향후 AV 도입을 대비 하여 도심부 시설 별 개선안을 제시할 수 있다. 그리고 AV 주행으로 인해 개선되는 Case 1 외, Case 2와 3에 해당하는 LDD 평균과 차이가 유의하지 않은 구간을 찾고 해당 구간을 안전하게 통과할 수 있도록 개선안을 우선적으로 도입할 수 있다.

2. 연구 한계점 및 향후 연구

연구의 한계점으로, 분석에 활용하였던 데이터셋으로 인한 오류가 있을 수 있다. 데이터셋에서 MD mode 는 1,796개, AD mode는 29,263개로 집계되었으며, AD mode보다 MD mode가 더 작게 집계되었다. 표준편차 를 활용한 평가지표의 경우, AD mode가 더 안전하게 주행하거나 MD mode가 더 위험하게 주행한 것과 같이 편향된 분석결과가 나타날 수 있다(Östlund et al., 2005;Gemou, 2013). 따라서 본 연구는 표준편차 대신 평균 을 활용한 평가지표를 통해 분석하였으며, 횡방향 안전성의 급격한 변화를 나타내는 LDD를 활용하였다. 본 연구에서는 제한된 기간내 주행한 데이터만 오픈소스로 공유되어 분석에 활용하였으며, 향후 연구에서는 더 많은 데이터를 확보하여, 같은 구간을 주행한 MD mode와 AD mode 데이터 수가 균형이 맞게 수집된다면 편 향을 줄일 수 있을 것으로 판단한다.

본 연구에서는 횡방향 안전성을 평가할 수 있는 지표로 LDD를 제안하였으며, LDD는 횡방향 편차의 급격 한 변화행태를 분석할 수 있다. 본 연구는 AV의 안정적인 주행특성을 분석하기 위해, LDD 단일 지표만을 활용하였다. 그 외 종방향 또는 차량간 상호작용을 나타낼 수 있는 지표를 활용한다면 본 연구에서 제시한 LDD 뿐 만 아니라 다양한 측면에서 주행안전성을 평가하여 평가지표의 유의성을 검증할 수 있다. 본 연구 에서 주행안전성의 개선이 필요하다고 판단한 구간에 대해, 회전교차로에 유도선을 설치하거나, 버스정류장 에서 정보를 제공하는 방법으로 개선안을 제시하였다. AV의 안전한 주행을 도울 수 있는 교통안전시설을 설치한다면 AV의 주행안전성을 향상 시킬 수 있을 것으로 판단하나, 교통량의 증가 혹은 도로 구조 등 여러 요인으로 인해 실제로 개선될 수 있는지에 대한 검증이 부족하다. AV의 교통안전시설에 대한 효과와 관련 된 연구가 아직 부족하기 때문이다. 개선안에 대한 검증 방법으로, 교통안전시설과 관련된 선행연구를 통해 개선효과가 있음을 증명할 수 있다. Wan et al.(2019)는 주행시뮬레이션을 활용하여, 회전교차로에 주행경로 를 나타낼 수 있는 연석표시를 설치하여 주행안전성이 향상됨을 확인하였다. 향후 연구에서는 개선안으로 제시된 교통안전시설에 대하여, 자율차 시범 운영중인 도로에 설치 후 효과를 분석하여 주행안전성 개선을 입증할 수 있다.