Ⅰ. 서 론
전 세계적으로 자율주행 기술 개발과 산업 규모가 급속히 확대됨에 따라, 국내에서도 자율주행 상용화를 위한 특별법 제정 및 규제 완화를 통하여 관련 산업 활성화에 적극적으로 나서고 있다. 이에 따라 실 도로 환경에서의 자율주행차량(Autonomous Vehicle, AV) 운행도 빠르게 증가하고 있으며, 이를 제도적으로 뒷받침 하기 위해『자율주행자동차 상용화 촉진 및 지원에 관한 법률』이 제정되고, 전국 주요 지역을 중심으로 자율 주행자동차 시범운행지구를 지정·운영되고 있다. 도입 초기에는 주로 도심부 도로 위주로 시범운행지구가 고시되었으나, ‘24년부터는 일부 연속류 도로 구간에도 지정되기 시작했으며, ’25년에는 고속도로 44개 노선 전체(5,224km)로 확대되었다(Ministry of Land, Infrastructure and Transport, 2025a). 이러한 실증 대상지가 단속 류에서 연속류 도로로 확장됨에 따라, 연속류 도로 환경에서의 자율주행 기술 및 교통 관리 전략 수립의 중 요성도 함께 중가하고 있다. 연속류 환경은 단속류와 달리 보행자, 신호등 등과의 상호작용을 고려하지 않아 도 되나, 사고 발생 시 고속 주행 환경으로 인해 사고 심각도가 크게 증가할 수 있으므로 자율주행차량의 사 고 예방을 위한 선제적인 운영 전략을 수립할 필요가 있다.
자율주행차량이 실도로 환경에서 안전하고 효율적으로 주행하기 위해서는 교통안전시설의 정보를 적시에 정확하게 인지하는 것이 필수적이며, 이러한 시설들은 도로 특성에 따른 교통 규칙과 법적 요구사항에 대한 정보를 포함하고 있다. 그러나, 기존 교통안전시설은 인간 운전자의 시인성을 기준으로 설계되어 자율주행차 량의 센서나 통신을 기반으로 객체를 인지하는 방식과는 차이가 존재한다(Jang et al., 2023;Kim et al., 2023;Ko et al., 2022). 자율주행차량은 카메라(Camera), 레이더(Radar), 라이다(LiDAR) 등 다양한 센서를 융합해 주 변 객체를 인지하지만, 환경 조건에 따라 인지 성능의 차이가 발생할 수 있다. 또한, 자율주행차량은 HD Map(High Definition Map)을 통해 도로 기하구조 및 교통안전시설 등의 정적 객체 정보를 사전에 확보하고 있으나, 이는 실제 도로 환경과 상이할 수 있어 I2X(Infrastructure to Everything) 통신을 통한 실시간 정보 수 신이 요구된다. 교통안전시설의 정보가 명확히 전달되지 않거나 자율주행차량이 이를 적절한 시점에 인지하 지 못할 경우, 주행 판단 오류로 인해 교통사고 위험이 증가하거나 교통류에 부정적인 영향을 미칠 수 있다. 이에 따라 자율주행차량이 교통안전시설을 인지해야 하는 적절한 시점에 대한 규명이 필요하며, 이는 교통 류 변화와 안전 운행 확보 측면에서도 중요한 의미를 가진다.
이에 본 연구는 연속류 도로 환경에서 적합한 교통안전시설 인지 시점을 규명하고, 이에 기반한 자율주행 차량의 운행 전략을 수립하는 것을 목표로 하였다. 이를 위해, 먼저, 연속류 도로 환경과 관련된 교통안전시 설들을 선별하고, 이 중 주행행태 변화와 관련된 시설들을 분류하였다. 다음으로, 분류된 시설들에 기반하여 차로변경 시나리오(본선 진출로 상황, 차로 축소 상황)와 속도변경 시나리오(제한속도 변경 상황)를 설계하 였으며, 교통 시뮬레이션 환경 내에서 평가 시나리오를 구축하였다. 마지막으로, 평가 시나리오별 교통류 영 향 분석을 통해 연속류 도로 여건에 적합한 교통안전시설 최적의 인지 시점을 도출하였다.
본 연구는 다음과 같이 구성된다. 다음 장에서는 자율주행차량에 관한 기존 문헌을 조사하며, 3장에서는 현행 교통안전시설을 검토하고 연속류 환경에서 주행행태 변화를 유발하는 시설들을 분류한다. 4장에서는 주행행태 변화 유형에 따른 평가 시나리오를 설계하고 시뮬레이션 환경 구축 및 평가지표를 제시한다. 5장 에서는 시나리오별 분석 결과를 설명하고, 마지막 장에서 연구 결과에 대한 논의와 기여를 제시한다.
Ⅱ. 관련 문헌 고찰
1. 자율주행차량의 주행행태 관련 연구
자율주행차량의 초기 보급 단계에서는 일반차량과 혼재된 교통류 환경이 불가피하게 형성되며, 이러한 환 경에서의 거동 특성을 규명하기 위해 다양한 시뮬레이션 기반 연구가 수행되었다. 도심부 환경에서는 실차 시험을 통해 자율주행차량과 선행차량 간의 관계를 차량 추종 모형 기반으로 보정(Calibration)하여 자율주행 차량의 주행행태 파라미터를 제시한 연구들이 보고되었다(Jang et al., 2023;Hu et al., 2023). 그러나, 연속류 환경에서는 실주행 사례와 실측 데이터가 상대적으로 부족하여, 자율주행차량의 주행행태는 일반화된 가정 에 의존하는 실정이다. 구체적으로, Wiedemann 99 차량 추종 모형을 기반으로 한 자율주행 거동은 ATKINS (2016)와 자율주행 적극성(Lee et al., 2018)을 통해 레벨별(Level) 파라미터가 정량화되었으나, Wiedemann 99 는 심리-물리학적(Psycho-Physical) 모형에 기반하고 있어 자율주행차량의 주행특성을 완벽히 모사하기에는 한계가 있었다. 이에 Jo et al.(2022)은 ATKINS(2016)에서 제시한 Level 4 주행행태를 기반으로 속도 유지, 추 종, 차로변경, 합류 상황에 대한 거동 추상화를 통해 속도와 가속도를 제어하여 자율주행차량과 일반차량의 추종 차이를 정량적으로 평가하였다. 그 결과, 자율주행차량이 일반차량보다 안정적인 거동을 보였으며, 통 계적으로 유의한 차이가 있음을 확인하였다. 이후 Jo et al.(2024)는 기존 연구를 확장하여 장애물 회피 거동 추상화를 포함하고, 제어 상황별 주요 기능을 정의하였다. 이 연구는 자율주행차량의 주행 거동이 위험 상황 을 유발하지 않은 상태에서 사전에 정의된 알고리즘에 따라 경로·가속도·조향을 결정하고, 일정한 주행 속도 와 가속도를 유지해야 함을 확인하였다. 한편, IDM(Intelligent Driver Model)은 자율주행차량의 주행 거동을 모사하는 대표적인 차량 추종 모형으로, 선행 차량과의 상대거리와 속도를 기반으로 가속도를 산출한다. 이 런 수학적 구조는 ACC(Adaptive Cruise Control)와 같은 지능형 주행 보조장치의 종 방향 제어 메커니즘과 유 사하며, 자율주행차량의 일관된 종 방향 제어 특성을 재현하는 데 널리 활용되고 있다. 관련하여, 대부분의 선행 연구(Yu et al., 2019;Rahman and Abdel-Aty, 2018;Ko et al., 2021;Sadid and Antoniou, 2023)들은 짧은 차두간격, 빠른 반응시간, 일관된 주행 패턴을 반영하는 파라미터를 설정하여 자율주행차량의 안정적 주행 특성을 구현하는 방향으로 연구를 발전시키고 있다.
2. 자율주행차량의 운영 전략 관련 연구
연속류 환경에서 자율주행차량이 안정적인 주행 흐름을 유지하기 위해서는 상황별 맞춤형 운영 전략이 요구된다. 기존 연구에서는 혼재된 환경에서 일반차량과 자율주행차량의 주행행태 차이로 인한 안전성 문제 를 고려하여, 자율주행차량과 일반차량을 물리적 분리를 위한 전용차로 도입을 논의하였다(Yu et al., 2019;Zhong and Lee, 2019;Hua et al., 2020;Rad et al., 2020;Kim et al., 2023). 이러한 연구들은 자율주행 보급 초 기의 혼재 교통류보다 전용차로 도입 시 교통 효율성 및 안전성이 향상된다는 결과를 제시하였다. 더불어, 합류 지점에서 안전한 차량 병합을 위해 주변 차량과 협력적인 차로변경 전략을 도입한 연구도 진행되었다 (Andreotti and Aramrattana, 2022; Chen and Yang, 2024). 그러나, 기존 연구의 대부분은 교통안전시설을 기반 으로 한 맞춤형 운영 전략에 대한 논의가 부족하였다. 교통안전시설 정보는 인간 운전자에게 시각적·물리적 방식으로 정보를 제공하지만, 자율주행차량이 이를 인지하는 방식은 일반차량과는 근본적인 차이가 있다. 관 련하여, Ko et al.(2022)는 미국자동차공학회(Society of Automotive Engineers, SAE) J2735 표준 메시지셋을 준 용한 한국형 통합 메시지셋을 개발하여 차량이 인지할 수 있는 교통안전정보를 제시했으며, 이후 Jang et al.(2023)은 자율주행차량에 탑재된 온보드 센서(On-board Sensor)의 최대 관측 가능 거리를 가정하여 교통안 전시설 인지 시점별 교통류 영향을 평가했으나, 카메라 화각 제한과 렌즈 왜곡을 반영하지 못하였다. 또한, Kim et al.(2023)은 단속류 도로를 대상으로 교통안전시설 인지 시점별 교통류 영향을 분석했으나, 연속류 도 로의 고속 주행 특성을 고려한 연구는 부족한 실정이다.
3. 기존 연구와의 차별성
기존 선행 연구를 종합적으로 검토한 결과, 크게 두 가지 시사점을 도출할 수 있다. 첫째, 시뮬레이션 기 반으로 자율주행차량의 교통류 영향을 평가하기 위해서는 신뢰성 있는 주행행태 모사가 필수적이다. 이에 본 연구에서는 IDM을 활용하여 실제 ACC 제어 메커니즘과 유사한 종 방향 거동을 반영함으로써 보다 현실 적인 자율주행차량의 주행행태를 구현하였다. 둘째, 기존 연구들은 연속류 환경에서 전용차로 도입이나 협력 적 차로변경과 같은 운영 전략에 집중하였으나, 교통안전시설을 기반으로 한 운영 전략에 대해서는 체계적 인 논의가 부족하였다. 이에 본 연구는 혼재된 연속류 환경에서 자율주행차량이 교통안전시설을 인지하는 시점별로 교통류에 미치는 영향을 정량적으로 분석하고, 최적의 인지 시점을 규명하는데 의의를 두었다. 따 라서, 본 연구는 기존 연구의 한계를 보완하고 자율주행차량의 현실적 주행행태와 연속류의 특성을 종합적 으로 고려한 연속류 내 교통안전시설 기반 운영 전략을 제시한다.
Ⅲ. 연구 대상
1. 연속류 기반 교통안전시설 분류
교통안전시설은 교통사고 예방 및 원활한 소통을 위해 도로 사용자에게 일관성 있고 통일된 방법으로 명 확한 정보를 제공하는 역할을 수행한다(Korean National Police Agency, 2023). 『도로교통법 제3조』에서 교통 안전시설은 크게 신호기와 안전표지로 정의되며, 이들 시설은 설치 목적과 특성에 따라 다양한 규격과 형태 로 운영되고 있다. 특히, 단속류와 연속류 도로 환경은 차량 주행행태, 속도 특성, 도로 기하구조 등에 따라 근본적인 차이가 존재하므로, 이를 명확히 구분할 필요가 있다. 일반적으로 단속류 도로는 차마와 보행자 간 의 원활한 소통을 위하여 신호등, 횡단보도, 보행자 보호 시설 등의 설치가 필수적이지만, 연속류 도로는 차 량 흐름의 연속성과 고속 주행을 지원하기 위한 시설이 중심이 된다. 그러나, 현행 교통안전시설 관련 규정 은 도로 유형에 따른 명확한 구분 없이 포괄적으로 정의되어 있어, 연속류 환경에 특화된 별도의 분류와 기 준 마련이 필요한 실정이다. 따라서, 본 연구에서는 현행 교통안전시설 중에서 연속류 환경에 적합하지 않은 교통신호기를 분석 대상에서 제외하고, 안전표지와 노면표시 중 연속류 도로 환경에 적합한 시설만을 선별 하였다. 구체적으로, 총 138종의 안전표지와 65종의 노면표시 중에서 연속류 도로에 적용 가능한 81종의 안 전표지와 24종의 노면표시를 선별하였으며, 이에 대한 세부 내용은 <Table 1>에 제시하였다(Korean National Police Agency et al., 2016). 분석에서 제외된 시설들은 주로 신호기, 신호 교차로 등 단속류 도로의 특성과 연 관되거나, 교통약자 보호를 위한 시설에 해당된다.
<Table 1>
Traffic safety facilities for uninterrupted traffic flow
* ( ): The unique serial number of the traffic safety sign.
| Types | Traffic safety facilities | Number of the traffic safety signs | |
|---|---|---|---|
| Safety Signs | Warning signs | Entering roadway merge(right)(107), Entering roadway merge(left)(108), Curved road(right)(111), Curved road(left)(112), Double curved road(right and left)(113), Double curved road(left and right)(114), Uphill slope(116), Downhill slope(117), Road narrows(118), Lane reduction (right lane end)(119), Lane reduction(left lane end)(120), Divided highway ahead(122), Median start(123), Median end(124), Slippery when wet(126), Roadside road(127), Rough road(128), Speed hump/ Raised crosswalk/Raised intersection(129), Rockfall road(130), Workzone (135), Gusty winds area(137), Tunnel(138), Bridge(138-2), Wildlife protection(139), Danger(140), Recurring congestion(141) | 26 |
| Regulatory signs | No trucks(203), No vans(204), No two-wheeled vehicles and motorized bicycles(205), No automobiles, two-wheeled vehicles and motorized bicycles(206), No two-wheeled vehicle/Motorized bicycle and personal mobility(206-2), No Cultivators/Tractors and carts(207), Do not enter (211), No left turn(213), Do not pass(217), No stopping and parking(218), No parking(219), Weight limit(220), Height limit(221), Width limit(222), Headway(223), Maximum speed limit(224), Minimum speed limit(225), Slow traffic ahead(226), Yield(228), No vehicles loaded with dangerous goods(231) | 20 | |
| Instructional (Mandatory) signs | Automobile only(301), Straight(305), Right turn(306), Divided highway ahead(312), Classification of traffic by direction(315), Detour(316), Parking lot(319), Bus only lane(330), High-occupancy vehicle lane(331) | 9 | |
| Supplementary signs | Distance Marker/Indicator(401, 402), Zone(403), Date(404), Time Limit/Period(405, 406), Safe Speed Limit(409), Weather-related warning (410), Road surface condition(411), Traffic Regulation(412), Traffic Restriction(413), Vehicle Restriction(414), Traffic Warning(415), Collision Warning(415-2), Supplemetary Plate(416), Start of Zone(417), Within Zone(418), End of Zone(419), Right Direction(420), Left Direction (421), Advance Warning(422), Weight Limit(423), Lane Width(424), Distance to Destination(425), End of Regulation(427), Towing Zone(428) | 26 | |
| Traffic road markings | Median line(501), Line(503), Exclusive lane(504), Shoulder line(505), Do not lane change(507, 508), No parking(515), No stopping and parking(516, 516-2), Speed limit(517), Slow traffic ahead(519), Yield (522), Parking lot(523), Bus stop(523-2), No stop zone(524), Colored road guide line(525-3), Safe zone(531), Direction(537, 538, 540, 541), Lane change(543), Uphill slope(544), Variable lane(-) | 24 | |
2. 연속류 환경에서 교통안전시설 유형별 주행 행동 변화
대부분의 교통안전시설은 차량의 주행 과정에서 종 방향 및 횡 방향의 행동 변화를 유발할 수 있으므로, 시설별로 유발되는 행동 변화를 명확히 구분하여 정의할 필요가 있다. 본 연구에서는 앞서 선별한 연속류 기 반 교통안전시설을 대상으로 검토하여, 연속류 환경에서의 행동 변화를 크게 1) 차로변경, 2）속도변경, 3) 행동 변화 없음의 세 가지 유형으로 분류하였다. 그 결과, 차로변경과 관련된 교통안전시설은 총 42종으로, 주로 차로 감소나 차로변경 지시와 같이 차량의 횡 방향 행동 변화를 유발하는 시설로 나타났다. 속도변경을 유발하는 교통안전시설은 총 31종으로, 제한 속도나 감속 요구와 같이 종 방향 행동 변화를 유발하는 시설이 다. 마지막으로, 행동 변화 없음에 해당되는 교통안전시설은 33종으로 분류되었으며, 차량의 주행 안정성 유 지와 관련된 정보를 제공하나 명확한 행동 변화를 요구하지 않는 시설이다. 분류된 교통안전시설에 대한 상 세한 내용은 <Table 2>을 통해 확인할 수 있다.
<Table 2>
Classification of traffic safety facilities considering the driving characteristics in uninterrupted traffic flow
* ( ): The unique serial number of the traffic safety sign.
| Classification | Traffic safety facilities | Number of Traffic safety signs |
|---|---|---|
| Lane change | Entering roadway merge(right)(107), Entering roadway merge(left)(108), Lane reduction (right lane end)(119), Lane reduction(left lane end)(120), Workzone(135), No trucks(203), No vans(204), No two-wheeled vehicles and motorized bicycles(205), No automobiles, two-wheeled vehicles and motorized bicycles(206), No two-wheeled vehicle/Motorized bicycle and personal mobility(206-2), No Cultivators/Tractors and carts(207), Do not enter(211), No left turn(213), Weight limit(220), Height limit(221), Yield(228), No vehicles loaded with dangerous goods(231), Automobile only(301), Straight(305), Right turn(306), Classification of traffic by direction(315), Detour(316), Bus only lane(330), High-occupancy vehicle lane(331), Vehicle Restriction(414), Traffic Warning(415), Collision Warning (415-2), Right Direction(420), Left Direction(421), Weight Limit(423), Lane Width(424), Distance to Destination(425), End of Regulation(427), Exclusive lane(504), Yield(522), Colored road guide line(525-3), Direction(537, 538, 540, 541), Lane change(543), Variable lane(-) | 42 |
| Speed change | Curved road(right)(111), Curved road(left)(112), Double curved road(right and left)(113), Double curved road(left and right)(114), Uphill slope(116), Downhill slope(117), Road narrows(118), Slippery when wet(126), Roadside road(127), Rough road(128), Speed hump/Raised crosswalk/Raised intersection(129), Gusty winds area(137), Tunnel(138), Bridge(138-2), Wildlife protection(139), Danger(140), Width limit(222), Headway(223), Maximum speed limit(224), Minimum speed limit(225), Slow traffic ahead(226), Safe Speed Limit(409), Weather-related warning(410), Road surface condition(411), Traffic Regulation(412), Traffic Restriction(413), End of Regulation(427), Speed limit(517), Slow traffic ahead(519), Safe zone(531), Uphill slope(544) | 31 |
| No change in driver behavior | Divided highway ahead(122), Median start(123), Median end(124), Rockfall road(130), Recurring congestion(141), Do not pass(217), No stopping and parking(218), No parking(219), Divided highway ahead(312), Parking lot(319), Distance Marker/Indicator (401, 402), Zone(403), Date(404), Time Limit/Period(405, 406), Supplemetary Plate(416), Start of Zone(417), Within Zone(418), End of Zone(419), Advance Warning(422), Towing Zone(428), Median line(501), Line(503), Shoulder line(505), Do not lane change(507, 508), No parking(515), No stopping and parking(516, 516-2), Parking lot(523), Bus stop(523-2), No stop zone(524) | 33 |
Ⅳ. 연구 방법론
1. 평가 시나리오 설계 및 실험 환경 구축
연속류 환경에서 교통안전시설 인지 시점 평가를 위해, 앞서 분류한 행동 변화 유형 중 차로변경과 속도 변경 구간을 대상으로 시나리오를 설계하였으며, 행동 변화 없음에 해당하는 시설은 주행행태에 미치는 영 향이 제한적이므로 본 연구의 분석 범위에서 제외하였다. 차로변경은 주로 진입로 및 진출로, 차로 축소 등 도로의 물리적 구조 변화 지점에서 빈번하게 발생한다. 본 연구에서는 이러한 특성을 고려하여, 본선 진출로 구간과 차로 축소 구간을 대상으로 시나리오를 설계하였다. 본선 진출로 구간은 고속 주행 중인 본선 차량과 진출 차량 간의 상호작용이 집중되는 구간이며, 차로 축소 구간은 본선 차로 수가 줄어드는 구간으로, 두 구 간 모두 조기 인지가 주행 안전성 확보에 핵심적인 역할을 한다. 다음으로, 도로 상에서 속도변경은 주로 비 선형 구간, 낙석 위험지대, 횡풍 취약 지점 등의 주의가 필요한 도로 구간에서 발생하며, 이 외에도 제한속도 하향 구간에서는 의무적인 감속이 요구된다. 특히, 국내 연속류 도로에서는 총 12개의 구간에서 제한속도가 110km/h 또는 100km/h에서 80km/h로 하향 조정되는 구간이 존재한다(Korea Expressway Corporation, 2024). 이 러한 급격한 속도 변화 구간에서는 적시에 감속하지 못할 경우 불안정한 교통류가 발생할 우려가 있어, 해당 구간을 대상으로 시나리오를 설계하였다. 최종적으로 설계된 세 가지 평가 시나리오에 대한 자세한 내용은 <Table 3>에서 제시된다.
<Table 3>
Simulation environment settings for each scenario
| Classification | Factors | Lane change | Speed change | |
|---|---|---|---|---|
| Diverge | Lane drop | Speed limit reduction | ||
| Road condition | Traffic safety facility | Right turn(306) | Lane reduction(right lane end)(119) | Maximum speed limit(224) |
| Number of lane(main lane) | main lane:4 off-ramp: 1 | 4 → 3 | 4 | |
| Traffic condition | Speed limit(km/h) | 110 | 110 | 110 → 80 |
| Location of perception regarding traffic safety sign(m) | -500 ~ -150 (interval 25m) | -600 ~ -200 (interval 25m) | -400 ~ -20 (interval 20m) | |
| Traffic volume(pcphpl) | 1,900 | 1,750 | 2,000 | |
| Ratio(autonomous vehicle: human vehicle) | 50:50 | 50:50 | 50:50 | |
| Simulation condition | Number of random seed | 10 | 10 | 1 |
| Analysis time(sec) | 1,500 (including the warm-up time: 600) | 1,500 (including the warm-up time: 600) | 1,500 (including the warm-up time: 600) | |
| AV condition | Perception error on AV(%) | 0, 20 | 0, 20 | 0, 20 |
본 연구에서는 자율주행차량의 교통안전시설 인지 시점을 도출하기 위해 미시적 교통 시뮬레이션인 PTV VISSIM 2023을 활용했다. 모든 시나리오는 국내 고속도로 환경을 반영하여 제한속도 110km/h 조건 하에 구 성되었으며, 시뮬레이션 초기 설정값 10분을 포함하여 총 25분 동안 시뮬레이션을 진행하였다. 아울러, 자율 주행차량과 일반차량의 혼합 비율은 각각 50%로 설정하였다. 이는 자율주행차량이 일정 수준 보급된 과도기 적 혼합 교통 환경을 가정한 것으로, 양 집단 간 상호작용이 활발히 발생하는 대표적 상황을 반영하기 위함 이다.
1) 본선 진출로 인지 평가 실험
본 실험은 고속도로 본선과 진출로가 연결되는 구간을 대상으로 자율주행차량이 차로변경을 위해 최소한 어느 시점에서 인지가 요구되는지를 평가하도록 설계되었다. 이는 차로변경 관련 교통안전시설 중 우회전 표 지(306)와 같이 특정 방향으로의 차로변경을 지시하거나 유도하는 상황을 대표한다. 평가 대상인 인지 시점은 <Fig. 1>에 제시된 바와 같이, 분기가 시작되는 시점으로부터 150m 이전에서 500m 이전까지 25m 간격으로 변화시켜 실험을 진행하였다. 상세한 실험 조건은 다음과 같다. 먼저, 가상 도로 네트워크는 사전 실험을 통해 인지 시점(최대 500m)부터 차로변경 과정과 이후 교통류 안정화까지 반영할 수 있도록 총 연장 1.9km로 구성 하였으며, 분기 전(Pre-diverge) 1.0km, 분기 구간(Diverge) 0.4km, 분기 후(Post-diverge) 0.5km로 구획하였다. 본 선은 4차로, 진출로는 1차로로 구성하였으며, 평가 대상 구간은 구축된 도로 연장의 일부인 분기 전 100m 지 점에서 분기 후 100m 지점까지 총 600m로 선정하였다. 교통량은 고속도로 기본구간 서비스수준 D를 기준으 로 하여 1,900pcphpl으로 설정하였으며(Ministry of Land, Transport and Maritime Affairs, 2013), 실험의 신뢰성을 높이기 위해 각 시나리오별 10회씩 반복 실험한 결과의 평균값을 분석에 활용하였다.
2) 차로 축소 인지 평가 실험
본 실험은 차로 축소 구간에 대한 인지 시점을 평가하기 위해 설계되었으며, 차로변경 관련 교통안전시설 중 우측차로 없어짐 표지(119)를 적용하여 차로 축소 상황을 직접적으로 모사하였다. 구체적으로, 고속도로 본선에서 차로가 축소되는 지점을 대상으로, 자율주행차량이 불가피하게 차로변경을 수행하는 상황에서 최 소한 어느 시점에서 차로 축소를 인지시켜야 하는지를 규명하고자 하였다. 인지 시점은 차로 축소 지점 기준 200m 이전부터 600m 이전까지 25m 간격으로 설정하였으며, 자세한 실험 환경 및 세부 입력 조건은 <Fig. 2> 에 제시하였다. 먼저, 차로 축소에 따른 인지 시점별 차로변경의 영향과 축소 이후 교통류 변화를 모두 반영 하기 위해, 총 연장 2.5km의 도로를 구축하였으며 전방 1.5 km는 4차로, 이후 1.0km는 3차로 도로로 설계하 였다. 더불어, 평가구간은 차로 축소 이전 700m와 차로 축소 이후 300m로 총 1.0km로 설정하였다. 교통량은 서비스수준 D에 해당하는 1,750pcphpl을 설정하였으며(Ministry of Land, Transport and Maritime Affairs, 2013), 각 시나리오별 총 10회의 반복 실험을 수행한 뒤 결과의 평균값을 분석에 활용하였다.
3) 제한속도 인지 평가 실험
제한속도 인지 시점 실험은 고속도로 본선에서 제한속도가 110km/h에서 80km/h로 하향 조정되는 지점을 대상으로, 자율주행차량이 최소 어느 시점에서 해당 정보를 인지해야 하는지를 규명하기 위해 설계되었다. 이는 앞서 분류한 속도변경 관련 교통안전시설 중 최고속도 제한표지(224)가 유도하는 의무적인 감속 상황 을 반영한다. 평가 대상인 인지 시점은 제한속도 변경 지점 기준 20m 이전부터 400m 이전까지, 20m 간격으 로 설정하였으며, 자율주행차량이 이를 인지할 수 있도록 설계하였다 <Fig. 3 참고>. 실험을 수행하기 위해 설정된 세부 조건은 다음과 같다. 우선, 총 연장 2km인 4차로 도로를 구축하였으며, 중간 지점인 1km 지점에 서 제한속도가 하향 조정되는 상황으로 가정하였다. 교통량은 2,000pcphpl로 설정하였으며, 본 실험에서는 개 별 차량의 반응을 중심으로 분석하기 위해 제한속도 준수율과 위험운전행동 비율을 주요 지표로 활용하였 다. 이에 따라 단일 실험으로도 충분한 표본 수를 확보할 수 있어 각 시나리오별 1회씩 실험을 수행했다.
2. 차량 주행 행태 모형
1) 일반차량 주행 알고리즘
본 연구에서 일반차량의 종 방향 거동은 VISSIM에 내장된 기본 모델인 심리-물리학적(Psycho-Physical) 차 량 추종 모형 Wiedemann 99를 사용하여 재현하였다. 이 모델은 자유 흐름(Free-driving), 접근(Approaching), 추 종(Following), 제동(Braking)의 네 가지 운전 모드를 가정하므로 연속류 도로 환경에서 운전자의 실주행 행태 를 충실히 모사할 수 있다. 아울러, 종 방향 제어는 CC0부터 CC9까지 총 10가지 운전자 변수들을 기반으로 수행되며, 각 변수는 선행 차량과의 상대 거리 및 상대 속도에 따라 운전자의 심리 상태를 반영하였다. 한편, 차량의 횡 방향 제어는 VISSIM에 내장된 Free Lane Selection 행태 모듈을 활용하였다. 이 모듈은 필수 차로 변경(Necessary lane-change)과 임의 차로변경(Discretionary lane-change)으로 구성되며, 전자는 진출로 진입, 차 로 축소 등 구조적으로 필수적인 상황에서, 후자는 추월, 선호 차로 접근 등 운전자의 자발적인 판단에 따라 작동한다. 본 연구에서는 일반차량의 대표적인 주행 특성을 모사하기 위해 기설정된(Default) 파라미터를 채 택하였다. 종 방향 및 횡 방향에 사용된 주요 주행 파라미터는 <Table 4>에 정리하였다.
<Table 4>
Driving behavior parameters for human-driven vehicles
| Control | Model | Parameters | Value | |
|---|---|---|---|---|
| Longitudinal control | Wiedemann 99 model | CC0 | Standstill distance(m) | 1.50 |
| CC1 | Gap time distribution(sec) | 0.90 | ||
| CC2 | ‘Following’ distance oscillation(m) | 4.00 | ||
| CC3 | Threshold for entering‘BrakeBX’ | -8.00 | ||
| CC4 | Negative speed difference | -0.35 | ||
| CC5 | Positive speed difference | 0.35 | ||
| CC6 | Distance impact on oscillation | 11.44 | ||
| CC7 | Oscillation acceleration(m/s2) | 0.25 | ||
| CC8 | Acceleration from standstill(m/s2) | 3.50 | ||
| CC9 | Acceleration at 80km/h(m/s2) | 1.50 | ||
| Lateral control | General behavior (Freelane selection) | Waiting time before diffusion(sec) | 60 | |
| Min, clearance (front/rear) (m) | 0.50 | |||
| Safety distance reduction factor | 0.60 | |||
| Maximum deceleration for cooperative braking(m/s2) | -3.00 | |||
2) 자율주행차량 주행 알고리즘
자율주행차량 주행 알고리즘의 구현을 위해 본 연구에서는 자율주행차량의 종 방향 제어에 널리 사용되 는 IDM을 미시적 교통 시뮬레이션 환경에 구현하였다. 이를 위해, C++로 구현된 IDM 모듈을 Visual Studio 2019에서 Dynamic-link Library(DLL) 형태로 구축하였다. 이후, VISSIM의 외부 운전자 모델(External driver model) 인터페이스를 통해 생성된 DLL을 자율주행차량의 가·감속 제어 로직으로 연동하였다. 해당 주행 거 동은 선행 차량과의 상대 거리(s)와 상대 속도(Δυ)를 입력으로 하여, 차량의 순간 가속도(a)를 다음 식과 같 이 계산한다.
where, where, υ : speed; υ0 : desired speed; amax : maximum acceleration; b : comfortable deceleration; s0 : minimum gap
본 연구에서는 Sadid and Antoniou(2023)에서 제시한 파라미터를 적용하여, 차두시간 0.6초로 설정된 이상 적인 자율주행 행태를 모사하였다. 아울러, 실제 운용 과정에서 보다 보수적인 주행 특성이 나타날 수 있음 을 고려하여, 인지 시점에 따른 영향을 포괄적으로 평가하기 위해 차두시간 1.2초로 설정한 보수적 자율주행 행태(Zhong and Lee, 2019;Zhou et al., 2016)를 추가적으로 모사하였다. 구체적인 파라미터 값은 <Table 5>에 제시하였다. 더불어, 실제 자율주행 시스템 운용 중 발생할 수 있는 객체인지 실패, 통신 지연 및 오류 상황 들을 반영하기 위해 인지 오류율을 0%와 20%로 가정하였으며, 오류 발생 시 해당 차량이 1초 동안 객체를 재인식하지 못하도록 설정하여 실험의 현실성을 강화하였다. 마지막으로, 자율주행차량의 횡 방향 제어는 일 반차량과 동일한 차로변경 로직을 기반으로 구현하였다.
<Table 5>
Driving behavior parameters for Autonomous Vehicles
| Parameters | Values | ||
|---|---|---|---|
| Baseline AVs | Conservative AVs | ||
| amax (m/s2) | Maximum acceleration | 1.4 | 1.4 |
| b(m/s2) | Comfortable deceleration | 2 | 2 |
| υ0 (m/s) | Desired speed | 33.3 | 33.3 |
| T(s) | Desired time headway | 0.6 | 1.2 |
| s0 (m) | Minimum gap | 2 | 2 |
3. 평가지표
1) 차로변경 기반 실험 평가
연속류 환경에서 자율주행차량은 진출로 진입, 차로 축소 등 도로 기하구조로 인해 주변 교통류 상황에 따라 강제적인 차로변경이 수행되어야 하는 상황이 발생할 수 있다. 이러한 상황에서는 주행 안정성이 저하 되고 전체 교통흐름의 효율 또한 감소할 수 있다. 이에 본 연구에서는 이러한 의무적인 차로변경 상황에서 인지 시점에 따른 안전성 및 효율성 저하 정도를 정량적으로 평가하기 위해 Time-to-Collision(TTC)과 공간평 균속도(Space Mean Speed, SMS)를 주요 평가지표로 활용하였다. TTC는 추종 상황에서 후행 차량이 선행 차 량보다 빠르게 접근할 경우의 충돌 가능성을 수치화한 지표로, 해당 시점으로부터 몇 초 뒤에 충돌하는지를 정량적으로 나타내며, 이는 식 (2)와 같이 정의된다. 본 연구에서는 TTC가 1.5초 이하일 경우를 상충 발생으 로 판단하고, 전체 시나리오에서의 상충 발생 횟수를 안전성의 정량적 지표로 사용하였다. 다음으로, SMS는 평가 대상 구간을 통과하는 전체 차량의 속도를 조화 평균으로 산출한 값으로 식 (3)에 의해 정의된다. 본 연 구는 이와 같은 두 평가지표를 기반으로 자율주행차량의 차로변경 인지 시점이 교통류에 미치는 영향을 분 석하였다.
where,
-
Gap : distance between the rear bumper of preceding vehicle and the front bumper of the following vehicle;
-
Vi (t) : speed of following vehicle i at time t;
-
Vi - 1 (t) : speed of following vehicle i- 1 at time t;
-
M : the number of vehicles;
-
N : the total number of time steps
where, n : number of vehicles; L : the section distance; TTi : travel time of vehicle i
2) 속도변경 기반 실험 평가
도로교통법상 모든 차량은 도로의 고유 제한속도를 준수해야 하며, 자율주행차량 역시 예외가 아니다. 따 라서, 제한속도가 하향 조정되는 구간에서는 시의적절한 감속이 이루어져야만 법적 요구사항을 만족할 수 있다. 만약 인지 시점이 늦어 급감속이 불가피해지면 이를 추종하는 차량과의 충돌 위험이 높아지고, 반대로 지나치게 이른 시점에 감속하면 전반적인 교통류의 효율이 저하될 수 있다. 이러한 문제를 고려하여, 본 연 구에서는 제한속도 위반율과 위험운전행동 비율을 평가지표로 도입했다. 제한속도 위반율은 차량이 제한속 도가 변경되는 지점을 통과할 때 변경된 제한속도를 얼마나 위반하는지를 나타내며, 이는 식 (4)와 같이 정 의된다. 또 다른 지표인 위험운전행동 비율은 국내 운수안전종사자의 위험운전행동 평가 기준인 급정지 시 –3.89m/s2 의 감속도를 준용하였다(Ministry of Land, Infrastructure and Transport, 2025b). 이는 감속을 시작하 는 시점으로부터 제한속도가 변경되는 지점을 통과할 때까지 발생한 최소 감속도가 이 기준을 초과하는지를 판단하였으며, 해당 지표는 식 (5)와 같이 정의된다.
where,
-
N : total number of vehicles that pass the speed-limit change point;
-
tc : time when the vehicle passes the speed-limit change point
-
υi (tc) : instantaneous speed of vehicle i at movement it passes the change point;
-
VL : new posted speed limit
where,
-
N : total number of vehicles that pass the speed-limit change point;
-
to : time when deceleration begins;
-
tc : time when the vehicle passes the speed-limit change point;
-
ai (t) : instantaneous acceleration of vehicle i
Ⅴ. 분석 결과
본 분석은 각 평가 시나리오에서 자율주행차량이 교통안전시설을 인지하는 최적의 시점을 규명하기 위해 수행되었다. 이를 위해 두 가지 주행행태를 가진 자율주행차량을 적용하였다. 첫 번째는 선행 차량과 0.6초 의 차두시간을 유지하며 추종하는 이상적인 자율주행차량이며, 두 번째는 1.2초의 차두시간을 유지하는 보수 적인 자율주행차량이다. 아울러, 각 차량 유형별로 인지 오류율 0%와 20% 조건을 가정하여 총 네 가지 조건 의 자율주행차량을 기반으로 실험을 수행했다.
1. 본선 진출로 인지 시점 평가 결과
자율주행차량의 본선 진출로 인지 시점에 따른 분석 결과는 <Fig. 4>에서 제시된다. 분석 결과, 인지 시점 이 전반적인 교통류의 효율성과 안전성에 유의미한 영향을 미치는 것으로 나타났다. 특히, 자율주행차량이 분기 직전에 인지하는 경우 교통 효율성과 안전성이 급격히 저하되었으며, 자율주행차량이 사전에 인지할수 록 두 지표 모두 점진적으로 개선되는 경향이 확인되었다. 이는 자율주행차량이 조기에 인지할수록 기존 주 행 차로에서 분기 차로로의 조기 진출이 가능해져 진출로로 원활한 이동이 가능해졌기 때문이다. 이와 같은 추세는 인지 오류 유무 및 주행행태의 차이와 관계없이 일관되게 관찰되었다.
다만, 인지 오류와 주행행태의 차이에 따른 영향도 다소 존재하였다. 인지 오류가 존재하는 경우, 인지 오 류가 없는 조건에 비해 교통류에 부정적인 영향을 미쳤으며, 보수적인 주행행태가 이상적인 주행행태 대비 교통류의 불안정성이 다소 증가하는 양상을 보였다. 이는 보수적인 자율주행차량이 이상적인 자율주행차량 보다 큰 차두 간격을 유지하여 추종 안전성은 확보되지만, 추월 시도 및 끼어들기 가능성이 높아지면서 전체 안정성에는 부정적인 영향을 준 것으로 해석된다. 그럼에도 불구하고, 모든 실험 조건에서 공통적으로 발견 된 핵심 결과는, 일정 수준 이상의 인지 시점이 확보되면 그 이후로부터는 교통류에 미치는 영향이 미미하다 는 점이다. 이를 근거로, 이상적인 자율주행차량은 분기점 기준 약 400m 이전, 보수적인 자율주행차량은 약 425m 이전부터 인지해야 안전하고 효율적인 교통류를 형성할 수 있음을 확인하였다. 따라서, 이상적 및 보 수적 자율주행차량을 모두 고려한 결과, 최소 425m 이전에는 본선 진출로를 인지할 필요가 있을 것으로 판 단된다.
2. 차로 축소 인지 시점 평가 결과
차로 축소 구간에 대한 자율주행차량의 인지 시점별 분석 결과는 <Fig. 5>를 통해 확인할 수 있다. 분석 결과, 인지 시점은 교통류의 효율성과 안전성에 모두 유의미한 영향을 미치고 있음을 확인하였다. 자율주행 차량이 차로 축소 지점을 더 이른 시점에 인지할수록 교통류의 효율성 및 안전성 관점에서 점진적으로 개선 되었으며, 이는 조기 인지를 통해 사전에 차로변경을 수행함으로써 병목 현상이 완화되고, 그 결과 급격한 차로변경에 따른 혼잡과 충돌 위험이 감소했기 때문으로 판단된다.
모든 실험 조건에서 두 지표 모두 유사한 추세로 개선되었으나, 인지 오류 유무와 자율주행차량의 주행행 태별 교통류에 미치는 영향 정도에는 차이가 있었다. 인지 오류가 존재하는 자율주행차량은 오류가 없는 경 우보다 교통류의 효율성과 안전성에 더 크게 악영향을 미쳤으며, 보수적인 주행행태를 가진 자율주행차량은 이상적인 행태보다 교통류의 효율성과 안전성에 더 부정적인 영향을 미치는 것으로 나타났다. 특히, 인지 오 류의 유무가 차로 축소 구간에서 교통류의 불안정성에 결정적인 영향을 미치는 것으로 확인되었다. 또한, 모 든 실험 조건에서 인지 시점에 따른 지표 변화에 변곡점이 존재하였으며, 해당 지점 이후에는 추가적인 성능 개선이 미비한 것으로 나타났다. 이에 따라, 이상적인 자율주행차량의 경우 차로 축소 지점 기준 최소 525m 이전, 보수적인 자율주행차량은 최소한 550m 이전부터 인지하는 것이 안정적인 교통류를 유지할 수 있음을 확인하였다. 따라서, 이상적 및 보수적 자율주행차량을 모두 고려할 때 최소 550m 이전에는 차로 축소 상황 을 인지하는 것이 효율적이고 안전한 교통 운영 전략으로 제안된다.
3. 제한속도 인지 시점 평가 결과
자율주행차량이 제한속도 변경 지점을 인지하는 시점에 따른 분석 결과는 <Fig. 6>에 제시된다. 분석 결 과, 제한속도 변경 지점을 조기에 인지할수록 제한속도 위반율과 위험운전행동 비율이 점진적으로 감소하는 추세임을 확인했다. 특히, 인지 오류가 존재하는 자율주행차량은 주행행태에 상관없이 제한속도를 위반하거 나 위험운전행동 비율이 유의하게 높게 나타났으며, 이는 부정확한 인지가 급작스러운 감속을 유발하여 불 안정한 교통류 형성에 결정적인 영향을 미쳤음을 시사한다. 한편, 보수적인 주행행태를 가진 자율주행차량은 이상적인 주행에 비해 상대적으로 안정적인 감속을 진행하였으나, 이로 인해 하향된 제한속도를 준수하도록 감속하지 못하는 경우가 크게 증가하였다. 그럼에도 불구하고, 자율주행차량은 모든 조건에서 도로교통법을 준수하고 안전한 감속을 수행할 필요가 있다. 이러한 결과를 종합하면, 이상적인 자율주행차량은 최소 260m 이전, 보수적인 자율주행차량은 최소 340m 이전에는 제한속도 변경 지점을 인지해야 법적 속도 한계를 초과 하지 않으면서 위험운전행동으로 분류되지 않는 안전한 감속이 가능할 것으로 판단된다. 따라서, 두 주행행 태를 모두 고려할 때, 자율주행차량이 최소 340m 이전에 제한속도 하향 지점을 인지할 수 있도록 설계하는 것이 안전한 감속을 확보하기 위한 합리적인 운영 전략으로 사료된다.
Ⅵ. 결 론
본 연구는 연속류 도로 환경에서 자율주행차량이 교통안전시설 정보를 적시에 인지하여 효율적이고 안전 하게 대응할 수 있는 최적의 인지 시점을 규명하는 것을 목적으로 하였다. 이를 위해, 본 연구는 연속류 도 로에서 활용되는 81종의 안전표지와 24종의 노면표시를 선별하고, 주행 행동 변화를 유발하는 상황을 반영 한 평가 시나리오를 설계하였다. 또한, 자율주행차량의 인지 오류 및 주행 특성을 고려한 네 가지 조합을 기 반으로 시뮬레이션을 수행하여, 교통안전시설 인지 시점에 따라 교통류에 미치는 영향을 정량적으로 도출하 여 최적의 운영 전략을 제안하였다.
연구 결과, 자율주행차량이 교통안전시설 직면 시 적절한 시점에서 인지해야 하며, 인지가 지연될 경우 불 안정한 교통류가 형성되거나 충분한 감속거리를 확보하지 못해 급감속이 발생할 수 있음이 확인되었다. 구 체적으로, 차로변경 상황에서는 자율주행차량이 분기점을 향해 진출 시 최소한 425m 이전부터 인지해야 하 며, 차로 축소 시 최소 550m 이전, 속도변경 구간 진입 시 최소 340m 이전부터 인지해야 안전성과 효율성을 확보할 수 있는 것으로 나타났다.
이러한 결과는 자율주행 시장 규모의 확대와 국내 자율주행 실증 사업의 연속류 도로 확장에 따라, 자율 주행차량이 안정적으로 운행할 수 있는 기반을 조성하기 위해 우선적으로 검토될 필요가 있다. 본 연구는 연 속류 환경에서 안전하고 효율적인 자율주행 운영 전략을 마련하기 위해 교통안전시설별 인지 시점이 교통류 에 미치는 영향을 분석하고, 이에 기반하여 최적 인지 시점을 제안하였다. 이는 향후 자율주행차량을 위한 교통안전시설 설치 및 운영 가이드라인 개정 근거로 활용될 수 있으며, 나아가 실도로 환경에서 I2V 메시지 정보 전달 기준 수립을 위한 기초 자료로도 활용될 수 있을 것으로 기대된다.
본 연구의 기여점에도 불구하고 다음과 같은 한계점이 존재한다. 먼저, 본 연구는 주행행태 변화 지점을 교통안전시설이라는 정적 요인만을 고려하여 평가 시나리오를 설계했으나, 실도로 환경에서는 교통혼잡, 돌 발상황, 긴급차량의 진입, 사고 회피 등 다양한 동적 요인들이 발생할 수 있다. 따라서, 향후 연구에서는 자 율주행차량이 이러한 동적 변수를 인지하는 시점에 따른 영향을 심층적으로 분석할 필요가 있다. 또한, 연속 류 환경에서의 실주행 데이터 부족으로 인해, 본 연구에서 적용한 차량 추종 모형의 파라미터가 실주행 행태 를 완벽하게 모사하지 못할 가능성이 있다. 이에 따라 향후 연구에서는 연속류 환경에서 충분한 실주행 데이 터를 확보하고, 이를 기반으로 보다 정밀한 추종 모형 개선이 필요할 것으로 판단된다. 아울러, 본 연구에서 안전성 지표로 활용된 TTC는 등속 주행을 전제로 산출되므로, 실제 가·감속 상황을 충분히 반영하지 못하는 구조적 한계가 존재한다. 따라서, 향후 연구에서는 RCRI(Rear-end Collision Risk Index)와 같이 감속 가능성을 고려하는 지표(Oh et al., 2006)를 함께 검증함으로써 분석 결과의 일반화 가능성을 제고할 필요가 있다.
