Ⅰ. 서 론
자율주행자동차(Autonomous Vehicle, AV)는 사람의 조작이나 개입 없이 스스로 주행이 가능한 자동차로, 최근 다양한 국가 및 산업체에서 상용화를 목표로 한 기술 개발과 실증 테스트가 활발히 이루어지고 있다. 현재 자율주행 시스템은 미국 자동차공학회(SAE)에서 정의한 0~5단계로 분류되며, 자동화 레벨 2(부분 자동 화)부터 레벨 5(완전 자율화)에 이르기까지 단계별로 구분 된다(SAE International, 2021). 최근 미국에서는 구 글의 웨이모(Waymo)가 도심 지역에서 완전 자율주행 기반의 로보택시 서비스를 상용 운영하고 있으며, 테슬 라(Tesla) 또한 자사 차량을 활용한 서비스를 시작하는 등 기술 상용화가 점차 현실화되고 있다(EV Magazine, 2025). 이러한 기술은 단순한 주행 보조 기능을 넘어, 인간의 개입 없이도 안전하고 효율적인 이동에 대한 가 능성을 제시하고 있다.
그러나 자율주행 시스템의 성공적인 상용화를 위해선 안전성과 신뢰성 확보가 중요하다. 이를 위해 실제 도로 환경에서의 테스트를 통한 실질적인 검증이 필수적이다. 실제 도로에서는 예측 불가능한 교통 흐름, 다 양한 주행 조건, 돌발상황 등이 동시에 작용하기 때문에 단순히 실험실이나 제한된 환경에서의 테스트만으 로는 모든 변수를 고려하기 어렵다. 더욱이 현장에서의 AV 상용화를 위해선 수백만 킬로미터에 달하는 주 행 데이터를 축적해야 하며, 이 과정에서 발생하는 막대한 비용과 안전 문제는 연구 진행에 큰 제약으로 작 용하고 있다(Chen et al., 2020). 기존 AV에 대한 실증 테스트는 실제 도로에서 발생하는 복잡하고 다변적인 교통 환경을 충분히 반영하지 못하는 한계가 있다. 실제 도로에서는 무작위적인 주변 차량의 움직임, 다양한 교통 패턴 그리고 예측할 수 없는 돌발상황들이 동시에 발생하며, 이러한 변수들은 자율주행 시스템의 성능 과 안전성에 영향을 미치는 상황으로 고려가 필요하다. 또한, 실제 차량을 이용한 테스트는 비용과 시간의 부담뿐만 아니라, 테스트 수행 시 주변 차량의 위험을 초래할 가능성이 크다. 따라서 실제 도로 주행 시 발 생할 수 있는 사고 위험과 잠재적 위협을 고려할 때, 실증 기반 평가 시 운전자와 주변 상황의 안전을 보장 하는 테스트 환경 확보가 중요한 과제로 부각 된다. 이러한 실제 도로 테스트의 한계를 극복하기 위해 실제 차량과 가상 시뮬레이션 환경을 통합하는 Vehicle-in-the-Loop simulation (VILs) 기술에 주목하고 있다. VILs는 가상환경 속에서 실제 AV를 주행하여 현실에 가까운 교통 상황과 차량 간 상호작용을 재현할 수 있는 테스 트 환경을 제공한다. 이는 주변 환경에 대한 위험 요소를 실제와 유사하게 고려할 수 있으며, 기존의 높은 비용 및 시간적 부담이라는 한계를 극복할 수 있다는 장점을 지닌다. 그러나 기존 VILs 테스트 방안은 주변 차량 주행의 불규칙성과 다수의 차량이 공존하는 복잡한 상황들을 충분히 반영하지 못하는 한계를 지닌다.
이에 본 연구에서는 기존 VILs 테스트 방안의 장점을 계승하면서, AV 주변 교통류의 불규칙한 상황을 정 밀하게 고려할 수 있는 교통류 시뮬레이션을 결합한 새로운 VILs 기반 실증 평가 방안을 제시하고자 한다. 또한 이 방안에 대해 직접 테스트 베드에서 불규칙한 교통 환경 시나리오를 구성하고 실제 AV 테스트를 통 해 실제 AV와 CarMaker의 가상 AV를 결과를 비교하여, 본 연구에서 제시하는 방안의 유효성을 검증하는 것 을 목표로 한다.
본 연구는 다음과 같이 구성된다. 먼저 2장에서는 AV의 실증 테스트 선행연구와 실제 차량과 시뮬레이션 에 대한 선행연구를 검토하고 기존 연구와의 차별성을 제시한다. 3장에서는 실증 테스트를 위한 새로운 VILs를 설명하고 이를 검증하기 위한 테스트 환경과 시나리오를 설명한다. 이후 4장에서는 실제 본 수행 방 법을 토대로 테스트 베드에서 수행한 결과를 제시하고 실제와 가상의 데이터 비교를 수행한다. 5장에서는 본 연구의 방법론과 결과를 요약하고 테스트 과정에서 도출된 한계점을 논의하며, 후속 연구의 방향을 제안 한다.
Ⅱ. 선행연구 고찰
1. 자율주행자동차의 실증 테스트 문헌 검토
자율주행 기술의 발전에 따라 다양한 검증 방식이 제안되고 있으며, 그 중 실증 테스트는 실제 도로 환경 에서 발생 가능한 다양한 교통 상황과 돌발 변수를 직접적으로 평가할 수 있다는 점에서 큰 의의를 갖는다. 그러나 실증 테스트는 현실의 교통 상황과 불확실성을 반영할 수 있다는 장점에도 불구하고, 물리적 공간 확 보, 고비용, 안전 문제 등 다양한 제약 요인 및 한계점이 동시에 존재한다. 관련 연구로 Lee et al.(2023)은 K-city 내 가상 도로 환경을 고도화하여 시나리오 기반 실증 테스트를 수행하고, 자율주행 시스템의 검증 환 경을 구축하였다. 해당 연구는 가상환경을 통해 실증 테스트와 유사한 조건을 제공하였다는 점에서 유의미 하나, 실제 차량과의 물리적 상호작용 없이 시뮬레이션 기반으로만 수행되었기 때문에 차량의 주행 특성이 나 센서 반응 등을 충분히 반영하지 못했다는 한계를 지닌다. Kim et al.(2020)은 자율주행셔틀 실증을 위한 운행설계영역(Operational Design Domain, ODD)을 정의하고, 이를 도시부 도로에 적용하여 실증 가능성을 평 가하였다. 특히 통신 기반 신호제어, 교차로 유형, 차로 수, 불법 주정차, 보호구역 등 다양한 현실적 제약 요 인을 종합적으로 고려하였다는 점에서, 향후 도심부 실도로 기반 실증 테스트의 사전 검토 기준으로 활용 가 능한 유의미한 분석 틀을 제시하였다. 본 연구에서는 실증 테스트를 위한 시나리오 설계 과정에서 이러한 현 실적 제약 요인을 참고하여, 실제 도로 환경에 부합하는 조건들을 시나리오에 반영하고자 하였다. 다만, 정 적 환경 분석에 그쳐 동적 교통류와의 상호작용이나 실시간 대응 능력에 대한 검증은 부족하였다. Kook and Yi.(2023)는 자율주행 시스템이 실도로에서 인간을 대신하여 안전하게 운행되는지 확인하는 것을 목적으로 하며, 기본적으로 기능을 테스트하는 기본시나리오와 위급상황을 가정한 심화 시나리오로 구분하여 실차 기 반의 실증 테스트를 수행하였다. 실도로 주행을 위한 안전성 평가에 대한 시나리오를 제안한 데 의의가 있으 나 테스트 차량과 타켓 차량 단 두 대만을 활용한 테스트라는 점에서 다양한 교통 요소가 고려되지 않았다 는 점에서 한계가 있다.
이처럼 기존 연구들은 실증 테스트의 한계를 인식하고 다양한 대안을 제시하였으나, 실제 차량과 동적 교 통류가 포함된 복합적 환경에서의 체계적 검증 방법론은 여전히 부족한 실정이다. 본 연구는 이러한 한계를 극복하기 위해 실차 기반 VILs 환경에서 불규칙한 교통류와의 실시간 상호작용을 재현할 수 있는 통합 시뮬 레이션 방법론을 제시하고자 한다.
2. Co-simulation 관련 연구사례 고찰
Co-simulation은 자율주행 기술 검증 분야에서 활용되고 있는 방식으로, 서로 다른 시뮬레이션 도구를 연계함 으로써 각각의 장점을 활용할 수 있는 통합 시뮬레이션 방법론이다. 일반적으로 AV의 센서 반응 및 제어 알고리 즘은 동역학 시뮬레이션을 통해 구현되고, 주변 교통 흐름은 교통류 시뮬레이션을 통해 AV와 주변 차량 간의 상호작용을 통합적으로 분석할 수 있는 환경을 구축한다. 이를 통해 다양한 시나리오 생성과 반복 실험이 가능 하고, 물리적 제약과 고비용의 한계를 지닌 실증 테스트의 단점을 부분적으로 보완할 수 있다. 자율주행 구현을 위한 Co-simulation 연구는 각기 다른 소프트웨어를 결합하여 분석 환경을 구축한다. Liao et al.(2022)은 Unity 엔진을 기반으로 구축한 3D 환경과 SUMO 기반 교통 시뮬레이터를 연계한 Co-simulation 구조를 제안하였다. AV의 병합 전략을 게임 이론적으로 분석하고, 주변 차량의 의도와 반응을 반영한 의사결정 체계를 구현하였다 는 점에서 의의가 있으나, 가상환경 내에서만 실험이 이루어져 실제 차량의 센서 반응과 물리적 특성을 충분히 반영하지 못하였다. 또한, Nalic et al.(2019)은 자동화된 시나리오 생성을 통해 다양한 테스트 조건을 구성할 수 있는 Co-simulation 기반 자율주행 검증 체계를 제안하였으며, 차량 역학 시뮬레이터인 IPG CarMaker와 교통 류 시뮬레이션인 VISSIM을 연계하여 구현하였다. Liao et al.(2022)의 연구와 유사하게, 완전 가상환경 내에서의 구현에 머무르며 실제 차량의 물리적 반응, 센서 피드백, 하드웨어 기반 통신 환경에 대한 고려가 부족하다는 점에서 한계를 갖는다. 이와 유사하게, Zofka et al.(2016)은 자율주행 시스템의 고차원 요소를 검증하기 위해 로봇 시뮬레이션인 GAZEBO와 교통류 시뮬레이션 SUMO를 결합하여 테스트 프레임워크를 제안하였으나, 도로 환경을 2D 네트워크로 단순화하여 복잡한 도시 구조, 곡선 구간 등 현실적인 지형 특성을 충분히 반영하지 못하는 한계가 존재한다.
3. VILs 관련 연구사례 고찰
VILs는 AV 기술의 현실성과 안전성을 동시에 확보할 수 있는 검증 방식으로, VILs 기법이 주목받고 있다. VILs는 실제 AV와 가상 시뮬레이션 환경을 실시간으로 연계하여, 현실 도로에서는 구현하기 어려운 복잡하 고 위험한 상황을 재현함과 동시에 차량의 실제 반응 및 동역학적 특성을 정밀하게 분석할 수 있는 통합형 실증 테스트 방식이다. 이는 단순한 SIL(Software-in-the-Loop), HIL(Hardware-in-the-Loop)의 확장이 아닌, 실제 차량이 시뮬레이션 기반의 교통 시나리오와 동기화되어 동적으로 상호작용하는 방식으로, 높은 정밀도와 신 뢰성을 확보할 수 있다.
이러한 장점을 토대로 VILs는 다양한 형태의 자율주행 시스템 검증에 활용되고 있으며, 연구 목적에 따라 실증 환경 구현 방식도 다양하게 제시되고 있다. VILs 기법의 초기 개념을 제시한 Bock et al.(2007)은 운전 시뮬레이터와 실제 차량을 통합한 실증 테스트 방식을 통해 긴급 제동, 충돌 회피 등 시간 민감형 상황의 재 현 가능성을 입증하였다. 센서 모델과 차량 반응의 연동을 통해 현실성 있는 위험 상황 구현을 시도하였으 나, 일부 시나리오(차로 변경)에서는 실제 차량과 가상환경 간의 반응 시간에 차이가 발생하였으며, 시뮬레 이션 결과의 정밀도와 일관성 확보에 어려움이 있었다. Chung et al.(2018)은 ADAS 기능의 개입 여부에 따른 사고 회피 성능을 MILs 및 VILs 환경에서 비교 분석하였고, Solmaz et al.(2020)은 폐쇄 구역 내 저속 주행 상 황을 중심으로 센서 피드백과 Co-simulation 연동을 통해 통합형 테스트 환경을 구현하였다. 이들은 모두 실 제 차량을 활용해 정량적 평가를 수행했다는 점에서 의의가 있으나, 테스트 범위가 특정 시나리오나 저속 조 건에 국한되어 현실 교통의 복잡성과 무작위성을 반영하지 못하였다. 한편, Oh et al.(2024)은 AD-VILS 플랫 폼을 개발하여 가상 시나리오와 실제 차량 간의 데이터 연동 정밀도 및 동기화 신뢰성을 분석하였다. CarMaker 및 Xpack4 등 상용 시뮬레이터를 결합한 자율주행 기능의 종합적인 검증 환경을 구축하였다. 해당 연구는 VILs 시스템 자체의 신뢰성 확보와 플랫폼 고도화 측면에서 의미가 있으나, 정형화된 이벤트 중심 시나리오에 기반하고 있어 비정형적 교통 상황이나 예외적 변수에 대한 대응 측면에서는 일부 보완이 필요 하다. Fayazi et al.(2019)는 VIL 환경을 기반으로 교차로 제어 알고리즘의 효율성과 안전성을 실험적으로 검 증하였다. 실제 AV가 아닌 일반 차량과 가상 드라이버 어시스트 시스템을 활용하였기 때문에, AV 고유의 제어 로직 및 반응 특성이 충분히 반영되지 않았다는 점에서 검증 범위에 일정한 제약이 존재한다. 또한 단 일 차선과 단순 교차로를 가정한 실험 설정은 실제 도심 교통의 복잡성을 반영하는 데 한계가 있었다.
이처럼 VILs 기반 검증 방식은 기존의 가상 테스트에 비해 실제 차량 반응을 반영할 수 있다는 점에서 높 은 정밀성과 적용 가능성을 지니고 있으나, 시나리오 다양성, 속도 범위, 반응 지연 문제 등 기술적 한계도 함께 존재하고 있다.
4. 시사점
종합적으로, 기존의 실증 기반 및 Co-simulation 기반 VILs 연구들은 자율주행 시스템의 기능과 반응성을 실제 또는 유사 환경에서 실시간적이고 정량적으로 평가하였다는 점에서 학술적 의의가 있다. 그러나 분석 결과 몇 가지 공통적인 한계점들이 도출되었다.
첫째, 대부분의 테스트가 자율주행차 단독 또는 소수의 주변 차량을 대상으로 수행되어 고밀도 교통 상황 이나 복잡한 교차로 등 현실 교통 흐름의 복잡성을 충분히 반영하지 못하였다. 특히 교통 환경의 무작위성이 나 비정형적 상황이 제한적으로만 고려되어, 실제 도로에서 발생하는 예측 불가능한 상황들에 대한 검증이 부족하였다.
둘쨰, 기존 연구들은 주로 이상화된 조건에서 테스트를 수행하여 자율주행 시스템의 포괄적 성능 평가에 한계가 있었다. 또한 물리적 테스트 공간의 제약과 시스템 구성의 복잡성으로 인해 반복 실험이 제한되며, 고속 주행이나 극한 조건과 같은 다양한 상황에 대한 검증이 충분하지 못하다는 구조적 한계를 지닌다. 특히 일부 연구에서는 실제 차량과 가상환경 간의 실시간 동기화나 시뮬레이션 정밀도 확보에 기술적 어려움도 보고되었다.
이러한 기존 연구의 한계점들을 토대로, 본 연구에서는 실제 자율주행차와 동적 교통류 시뮬레이션을 실 시간으로 연동하여 불규칙하고 복잡한 교통 환경에서의 체계적 검증이 가능한 VILs 기반 통합 시뮬레이션 환경을 제시하고자 한다. 특히 다양한 교통량 조건과 무작위 시드를 조합한 반복 실험을 통해 교통 환경의 불확실성을 반영하고, 단속류와 연속류 시나리오를 포괄하는 종합적 평가 체계를 구축함으로써 기존 연구의 한계를 극복하고자 한다.
Ⅲ. 방법론
1. Framework
본 연구는 실제 자율주행 환경과 가상 시뮬레이션 환경을 통합한 실증 테스트 방안을 제시하는 것을 목표 로 한다. 실제 차량은 일반 주행 모드와 AV 모드가 혼합된 형태로, 테스트 시 운전자가 수동으로 AV 모드로 전환하여 실제 테스트에서는 AV 상태로 주행하며 테스트 종료 시 AV 모드를 해제하는 형태로 수행되었다.
본 연구의 주요 목적은 실제 자율주행자동차에 가상환경 기반의 불규칙한 주변 교통류를 연동하여 혼합 교통 상황을 구현하고, 다수 차량 환경에서 자율주행자동차의 성능 및 안전성을 평가할 수 있는 VILs 기반 통합 시뮬레이션 방안을 제안하는 데 있다. 연구는 <Fig. 1>과 같이 총 네 단계로 진행되며, 첫 번째 단계에 서는 시뮬레이션과 실제 차량 간의 실시간 연동 방안을 소개한다. 두 번째 단계에서는 연속류와 단속류 상황 을 반영한 이벤트 기반 시나리오를 설계하여 방법론의 유효성을 검증한다. 세 번째 단계에서는 실증 환경과 시뮬레이션 간 테스트 도로를 일치시키고 도로 모델링 작업을 수행한다. 네 번째 단계에서는 VILs 테스트를 실행하고 실차 가상환경에서 수집된 데이터를 비교 분석한다.
2. 실험 환경 설정
본 연구는 실제 주행 환경의 복잡성과 가상 시뮬레이션의 통제 가능성을 결합하기 위해 VILs 방안을 활용 하여 차량의 성능 및 안전성을 평가한다. VILs는 실제 차량과 가상 시뮬레이션 환경을 통합하여 가상환경 속에서 실제 AV가 현실에 가까운 교통 상황과 차량 간 상호작용을 재현할 수 있는 테스트 환경을 제공한다. Host PC에서 구축되는 가상환경은 동역학 시뮬레이션 소프트웨어인 CarMaker와 교통류 시뮬레이션 소프트 웨어인 VISSIM을 결합한 Co-simulation 방식으로 구현된다(Sim et al., 2025). 본 연구의 시뮬레이션 구성 요소 및 연동의 전반적인 구조는 <Fig. 2>에 제시한다.
VILs 환경에서 VISSIM을 통해 생성되는 가상 교통량은 실제 인지 센서를 사용하여 측정할 수 없기에 가 상의 인지 센서가 필요하다. VILs 환경에서 실제 AV와 가상 AV 인지 성능의 동등성을 확보하기 위해, 실제 센서 모델과 가상 센서 모델의 오차를 비교하고 데이터 신뢰성을 검증한 Oh et al.(2024)의 차량 모델을 활용 하였다. 이를 통해 센서 수준의 정합성이 보장된 환경에서 교통류 통합 시뮬레이션을 구현하였다.
CarMaker의 가상 AV는 Simulink를 통해 실제 AV와 동일한 로직을 구현하고 IPG Xpack4 Roadbox 하드웨 어 플랫폼 알고리즘을 실시간으로 실행한다. 본 연구에서 자율주행 알고리즘은 Son et al.(2022)의 자율주행 시스템 알고리즘을 활용하였으며, 사전에 설계된 경로를 따라 주행하도록 설정하였다. 실제 AV의 위치, 속 도, 가속도 등 실시간 주행 정보에 대한 데이터는 CAN (Controller Area Network) 네트워크를 통해 CarMaker 의 가상 AV로 전송되며, 가상 AV는 이를 바탕으로 실제 차량과 동일한 방식으로 가상환경 내에서 주행하게 된다. 동시에, VISSIM에서 생성된 다양한 교통류 데이터는 CarMaker의 가상환경으로 실시간 전송되어, 가상 AV 주변에 혼합 교통류를 구성하며 실제와 유사한 상호작용을 구현함으로써 VILs 환경의 실시간성을 보장 한다. 다만 본 연구에서는 <Fig. 3>과 같이 실제 AV와 가상 AV 간의 실시간성을 확인하였으나, 실제 AV에 대해 모드 전환 후 4초 후 출발하는 로직으로 인해 실시간 결과에 대한 데이터 추출 시 오차가 발생함을 인 지한 후, 테스트를 수행하였다.
3. 시나리오 설정
1) 단속류 시나리오 (감속)
자율주행 시스템의 안전성 및 성능 평가를 위한 평가를 위해 두 가지 주요 시나리오를 설정하였다. 그 중 첫 번째는 단속류 상황에서의 감속 구간 시나리오이다. 단속류 환경은 상대적으로 저속 특성을 가지며, 어린 이 보호구역과 같이 속도 변화에 대한 상황이 자주 발생한다. 이를 위해 <Fig. 4>와 같이 K-city 내 도심부 및 커뮤니티 일부 도로를 모의 환경으로 구축하여 시뮬레이션을 진행하였다. 시나리오에서 설계한 목표 주행 속도를 달성하기 위한 가속구간을 설정하고 K-city 주행 환경의 공간적 제약을 고려하여 주행 거리를 산정하 였다. 시뮬레이션 환경 내에서 시험 자동차는 초기 50km/h의 속도로 주행하며, 특정 지점에 설정된 가상의 어린이 보호구역 진입 신호를 수신하게 된다. 이 가상 신호는 CarMaker 내 UAQ (User Defined Quantity)를 통 해 V2X (Vehicle-to-Everything)와 유사한 형태의 가상 통신을 모사하여 자동차가 새로운 교통 규제를 인지하 는 상황을 구현한다. 신호를 수신한 AV는 해당 이벤트 상황에 따라 30km/h의 속도 제한에 맞춰 주행 속도를 능동적으로 감속해야 한다.
2) 연속류 시나리오 (차로 변경)
두 번째 시나리오는 고속 주행 환경의 연속류 상황에서 AV에 대한 차로 변경 성능을 평가한다. 이 시나리오 는 <Fig. 5>와 같이 AV가 높은 주행 속도에서 주변 자동차를 정확하게 인식하고, 안정적이며 원활하게 차로 변경을 시도할 수 있는지를 파악하기 위해 구성된다. 단속류와 마찬가지로 AV의 목표 주행속도를 위해 가속구 간을 설정하고 K-city 내 공간적 제약을 고려한 주행 거리를 설정하였다. 실차 테스트의 안전성 확보를 위해 시뮬레이션 환경에서는 시나리오 주행 속도를 60km/h로 고정한다. 이는 AEB (Automated Emergency Braking)와 같은 급정지 상황이나 AV에 동승하는 테스트 운전자의 안전을 최우선으로 고려한 설정이다. 시뮬레이션은 특 정 조건 하에 AV가 강제적으로 차로 변경을 수행해야 하는 상황을 구현한다. 예를 들어, 전방 차로에 장애물이 발생하거나 경로상 다음 이동을 위해 반드시 차로 변경이 필요한 상황 등이다. 이때, UAQ를 통해 차로 변경에 필요한 교통 정보나 상황 데이터를 AV에 제공한다. 이 정보를 바탕으로 AV는 지정된 안전 범위 내에서 스스로 최적의 판단을 내리고 차로 변경을 시도하도록 설계된다.
3) 교통류 설정
단일 고정 교통류 조건을 적용하는 기존 방식은 자율주행 시스템 평가에서 주변 교통류의 다양성 및 불확실 성을 충분히 반영하지 못하는 한계가 있다. 이러한 한계를 개선하고 실제 교통 환경의 예측 불가능한 상황을 재현하기 위해 VISSIM 시뮬레이션에서 교통량을 3가지 수준(높음, 보통, 낮음)으로 세분화하여 시나리오 별 교통량을 설정하였다. 단속류는 교통량 2,500대/시, 1,500대/시, 7,00대/시, 연속류는 시간당 교통량 3,000대/시, 2,000대/시, 1,000대/시로 설정하였다. 또한 교통량 수준별로 서로 다른 3가지의 무작위 시드(Random Seed)를 적용하여 초기 교통류 생성에서의 미세한 변화를 반영하였다. 교통류의 기준 주행속도는 단속류50km/h, 연속 류는 70km/h로 설정하여 속도 분포를 형성하였다. 주변 교통류의 차량추종 모델은 VISSIM 시물레이션 내 기본 파라미터 값인 단속류 Wiedmman74, 연속류 Wiedmman99를 적용하였으며, 차량 구성비는 승용차 100%로 설정 하였다. 이를 통해 각 시나리오당 총 9회(3가지 교통량 * 3개 시드)의 테스트를 수행하여 총합 18회의 테스트 결과를 도출하였다.
4. 테스트 도로 환경 구축
본 연구에서는 테스트를 수행하기에 앞서 실증 테스트를 위한 도로 환경을 구축하였다. AV의 자유로운 주행과 더불어 안전성 및 테스트 유연성을 확보하기 위해, 다양한 시나리오 구현 및 검증 가능한 주행 시험 장(Proving Ground, PG) 내에서 환경을 구축하였다. 구체적인 도로 환경은 K-city의 도로 구간을 활용하였으 며 해당 사항은 <Fig. 6>과 같다. 단속류 환경의 경우, K-city 내 도심부와 커뮤니티부 일부를 주행 환경으로 지정하고 해당 도로맵을 추출하여 편도 2차로, 도로폭 3.5m의 약 430m 도로를 구성하였다. 연속류 환경은 자동차 전용도로 일부를 활용하여 편도 3차로, 도로폭 3.5m로 설정된 약 700m 구간의 도로맵을 구축하였다. 이후 실제 환경과 시뮬레이션 환경 간의 일관성을 확보하고자, CarMaker에서 도로 모델링을 수행한 뒤 해당 도로 파일을 VISSIM으로 불러와 두 시뮬레이션의 도로 환경을 동일하게 구축하였다. AV는 CarMaker의 도로 좌표를 Simulink로 불러오며 동일한 환경에 위치하고 있음을 인식한 후 주행하게 된다.
Ⅳ. 분석 결과
1. 시나리오 별 VILs 실증 테스트 결과
시나리오에 대한 실증 테스트를 수행한 결과, 대표적 사례는 <Fig. 7>과 같다. 모든 테스트에서 AV는 시 나리오에서 설계한 대로 가상 신호를 받아 이벤트 상황에 맞춰 주행하는 결과를 보였다. 단속류 시나리오에 서는 30km/h 감속 신호를 받은 AV의 영향으로 후행 차량의 연쇄 반응이 관찰되었다. 50km/h로 진입하던 후 행 차량이 약 150m 인근에서 AV 차량의 주행을 인식하여 30km/h로 함께 변경하면서 정체가 발생함을 알 수 있다. 연속류 시나리오에서는 전방에 정차된 차량에 대한 가상 신호를 받은 AV가 차로 변경을 시도하였으 나, 좌측 차로의 교통량으로 인해 초기 차로변경 시도는 실패하였다. 전방 차량과의 충돌을 방지하고 안전거 리 확보를 위해 60km/h에서 —12.5km/h로 감속한 후 차로변경이 가능한 시점에서 차로 변경을 수행하고 기 존 속도인 60km/h로 속도를 회복하는 주행을 보였다. 이러한 결과는 제안된 VILs 시스템이 복잡한 교통 상 황에서의 AV 의사결정 과정을 실시간으로 재현할 수 있음을 보여준다.
2. 실제 AV와 가상 AV 주행 결과 비교
본 연구에서는 단속류와 연속류 시나리오를 포함하여, 무작위 시드와 교통량을 조합한 9가지 조건에서 실 제 차량과 가상 차량의 속도와 가속도를 비교하였다. 비교 지표로는 평균 절대 오차(MAE), 평균 제곱 오차 (MSE), 제곱근 평균 제곱 오차(RMSE), 결정 계수 R2을 사용했으며, 각각 <Table 1>의 Eq. (1), (2), (3), (4)에 제시된다.
<Table 1>
Validation Metrics
| Metric | Formula |
|---|---|
| MAE (Mean Absolute Error) | |
| MSE (Mean Squared Error) | |
| RMSE (Root Mean Squared Error) | |
| R-Squares | |
| Where, | |
MAE와 RMSE는 평균적인 오차 크기를 나타내며, 특히 RMSE는 큰 편차에 더욱 민감하게 반응한다, R2은 시뮬레이션이 실제 속도 변화의 분산을 얼마나 설명하는지를 나타낸다. 이상적으로는 MAE, RMSE가 작고 R2이 1에 가까울수록 높은 재현율을 의미한다. <Table 2>에 정리된 결과에서 단속류 시나리오 대부분은 MAE 1.3 km/h, RMSE 2.6 km/h 이하의 수준에 R2 0.96 이상의 결과를 보여, 두 데이터가 유사한 형태로 도출 되었음을 나타낸다. 연속류 시나리오에서도 마찬가지로 두 데이터 사이에 낮은 오차의 결과가 나타났다.
<Table 2>
Validation of Real and Virtual Speed Results
| Scenario | Random Seed | Traffic Volume | MAE | MSE | RMSE | R2 |
|---|---|---|---|---|---|---|
| Interrupted Flow | 49 | High | 1.1452 | 2.5968 | 1.6115 | 0.9685 |
| Medium | 1.2876 | 2.8576 | 1.6904 | 0.9658 | ||
| Low | 1.3807 | 6.6176 | 2.5725 | 0.9190 | ||
| 42 | High | 1.1058 | 2.5316 | 1.5911 | 0.9694 | |
| Medium | 1.1111 | 2.4922 | 1.5787 | 0.9699 | ||
| Low | 1.1807 | 2.8297 | 1.6822 | 0.9649 | ||
| 37 | High | 1.1547 | 2.6910 | 1.6404 | 0.9547 | |
| Medium | 1.1112 | 2.6361 | 1.6236 | 0.9641 | ||
| Low | 1.2453 | 2.9655 | 1.7220 | 0.9642 | ||
| Uninterrupted Flow | 49 | High | 1.2783 | 2.4787 | 1.5744 | 0.9874 |
| Medium | 3.7353 | 57.8400 | 7.6053 | 0.6840 | ||
| Low | 2.6019 | 28.7762 | 5.3643 | 0.7653 | ||
| 42 | High | 1.2566 | 2.3905 | 1.5461 | 0.9888 | |
| Medium | 1.3011 | 2.6291 | 1.6215 | 0.9893 | ||
| Low | 1.4155 | 4.4313 | 2.1051 | 0.9653 | ||
| 37 | High | 1.2343 | 2.2335 | 1.4945 | 0.9813 | |
| Medium | 1.1955 | 2.2082 | 1.4860 | 0.9801 | ||
| Low | 1.1285 | 1.9317 | 1.3898 | 0.9848 |
한편, <Table 3>에서 나타난 가속도에 대한 비교 결과는 속도에 비해 다소 상이한 경향을 보였다. 가속도 는 물리적 단위 및 신호 특성상 빠르고 미세한 변동을 포함하고 있기에 속도와 비교했을 때 다른 결과가 나 타났다. 실제로 MAE와 RMSE는 절대적으로 작게 나타났으나, 일부 조건에서 R2 값이 낮거나 음수로 나타나, 가속도 신호의 변동성을 충분히 설명하지 못하는 경우도 있었다. 다만, 무작위 시드 49번의 일부 속도 결과 에서는 R2 값이 0.68, 0.76으로 상대적으로 낮은 값이 보였고 무작위 시드 42번 가속도 결과에서는 R2 값이 -1.62와 같이 낮은 결과를 보였다. 이는 크게 두 가지 원인으로 분석된다. 첫째, <Fig. 7>의 결과와 같이 GPS 측위 오차 및 시뮬레이션 자체의 오류 가능성이다. 본 연구는 GPS 기반 실시간 연동으로 수행되어 주행 중 GPS 신호 불안정이나 VISSIM 시뮬레이션의 네트워크 오류로 인해 실시간 데이터에서 오차가 발생했을 가 능성이 있다. 둘째, 데이터 수집 및 저장 과정에서의 오류이다. 실증 테스트 과정에서 실제 주행 차량의 데이 터 기록 및 저장에 연구자의 직접적인 개입이 필요하여, 이 과정에서 오차가 발생했을 가능성이 존재한다. 이러한 오차 발생 사례는 VILs 시스템 활용 시 고려해야 할 기술적 한계를 시사한다. 따라서 향후 VILs 기반 자율주행 검증에서는 측위 시스템의 정확도 향상, 실시간 통신 안정성 확보, 데이터 수집 과정의 표준화 및 자동화 등을 통해 시스템 신뢰성을 개선할 필요가 있다.
<Table 3>
Validation of Real and Virtual Acceleration Results
| Scenario | Random Seed | Traffic Volume | MAE | MSE | RMSE | R2 |
|---|---|---|---|---|---|---|
| Interrupted Flow | 49 | High | 0.2169 | 0.2747 | 0.0755 | 0.8642 |
| Medium | 0.1973 | 0.2404 | 0.0578 | 0.8958 | ||
| Low | 0.2284 | 0.2840 | 0.0807 | 0.8853 | ||
| 42 | High | 0.3339 | 1.2336 | 1.5218 | -1.6244 | |
| Medium | 0.2167 | 0.2694 | 0.0726 | 0.8726 | ||
| Low | 0.2119 | 0.2580 | 0.0666 | 0.8884 | ||
| 37 | High | 0.3039 | 0.4398 | 0.1934 | 0.7387 | |
| Medium | 0.2398 | 0.3008 | 0.0905 | 0.8522 | ||
| Low | 0.2250 | 0.2738 | 0.0749 | 0.8733 | ||
| Uninterrupted Flow | 49 | High | 0.2626 | 0.3218 | 0.1036 | 0.9392 |
| Medium | 0.4910 | 0.7981 | 0.6369 | 0.4209 | ||
| Low | 0.2219 | 0.2616 | 0.0684 | 0.8815 | ||
| 42 | High | 0.2369 | 0.2733 | 0.0747 | 0.9541 | |
| Medium | 0.2453 | 0.2946 | 0.0868 | 0.9477 | ||
| Low | 0.2556 | 0.3213 | 0.1032 | 0.7588 | ||
| 37 | High | 0.2407 | 0.2830 | 0.0801 | 0.9149 | |
| Medium | 0.2453 | 0.3041 | 0.0925 | 0.8592 | ||
| Low | 0.2182 | 0.2602 | 0.0677 | 0.8217 |
전체적으로 18회 테스트 중 속도 결과의 경우 약 89%에서 R² 0.95 이상을 달성하였고 가속도 결과는 약 83%에서 R² 값이 0.75 이상을 나타내어 제안된 VILs 시스템이 적절한 기술적 보완을 통해 자율주행차 검증 에 효과적으로 활용될 수 있음을 확인하였다.
Ⅴ. 결 론
본 연구는 AV 실증 테스트의 고비용, 안전성 위험, 그리고 무작위적 교통 흐름 등의 현실적 제약을 극복 하고자 하였다. 이를 위해 보다 정밀하고 현실적인 안전성 평가가 가능한 환경을 구축하는 것을 목적으로, 실제 AV와 가상 시뮬레이션 환경을 실시간으로 통합한 VILs 기반 실증 평가 프레임워크를 설계하고 구현하 였다. CarMaker와 VISSIM을 Co-simulation 방식으로 연계하고, 이를 AV와 실시간으로 동기화함으로써, 비정 형적이고 불규칙한 주변 교통류와의 동적 상호작용을 포함한 혼합 교통 상황으로 재현할 수 있는 테스트 환 경을 구축하였다. 단속류(감속) 및 연속류(차로 변경) 대표 시나리오에 대해 다양한 교통량 수준과 무작위 시 드를 조합한 총 18회의 반복 실험을 수행하였다. 각 시나리오의 실증 테스트가 적절히 수행되었는지 확인하 였으며, 실제 AV와 가상 AV 간 속도 값을 MAE, MSE, RMSE, R2 지표를 통해 정량적으로 비교하였다.
시나리오 실증 테스트 결과, 두 가지 시나리오 모두 AV가 설계된 가상 신호에 반응하여 이벤트 상황에 맞춰 주행하고 주변 차량과 성공적으로 상호작용하는 것을 확인하였다. 실제 AV와 가상 AV 간 주행 데이터 비교 검증 결과, 속도 결과는 전체 테스트의 약 89%에서 R2 0.95 이상을 달성하였고 가속도 결과는 약 83% 에서 0.75이상의 결과를 보였다. 속도의 경우 평균 MAE 약 1.44 km/h, RMSE 약 2.22km/h의 낮은 오차를 보 였고 가속도의 경우 MAE 약 0.26 m/s2, RMSE 약 0.20 m/s2 로 제안된 방법론의 높은 정확도를 입증하였다. 다만 일부 테스트에서는 GPS 신호 불안정, 시뮬레이션 연동 지연, 데이터 수집·저장 과정의 불확실성 및 인 적 오차로 인해 설명력이 저하된 사례도 관찰되었다.
본 연구의 학술적 기여는 기존 VILs 테스트 방법론의 한계였던 정적이고 단순한 교통 환경을 극복하고, 동적이고 불규칙한 실제 교통류와의 상호작용을 정밀하게 재현할 수 있는 통합 시뮬레이션 환경을 제시한 데 있다. 이는 자율주행차의 실용적 검증을 위한 새로운 접근 방법으로서 향후 관련 연구의 기반을 제공할 것으로 기대된다. 다만, 본 연구에서 제시한 거시적 교통류 기반 검증이 실효성을 갖기 위해서는 VILs 자체 의 미시적 충실도(fidelity)가 선행적으로 보장되어야 한다. 구체적으로, 실제 AV와 가상 AV 간 센서 인지 성 능, 객체 탐지 정확도, 경로 판단 및 제어 응답의 정합성 등이 먼저 검증되어야만, 본 연구에서 제시한 교통 류 수준의 거시적 분석 결과가 신뢰성을 확보할 수 있다. 이는 VILs 기반 테스트 방법론이 실용화되기 위해 서는 미시적 차량 성능 검증과 거시적 교통류 검증이 통합적으로 수행되어야 함을 의미한다. 본 연구는 후자 에 초점을 두었으나, 향후 연구에서는 센서 및 인지 알고리즘 단위의 미시적 검증과 본 연구의 거시적 검증 을 연계함으로써 VILs의 종합적 신뢰성을 확립할 필요가 있다. 또한 현재 검증은 기본적인 감속 및 차로변 경 시나리오에 국한되어 있어 다양한 교통 환경에 대한 적응성 검증에는 한계가 있다. 향후 연구에서는 신호 교차로, 차로 축소, 긴급차량 대응 등 보다 복잡한 Edge-case 시나리오를 추가함으로써 본 연구의 적용성을 고도화할 수 있을 것으로 판단된다.
