Ⅰ. 서 론

자율주행기술은 교통분야 전반으로 빠르게 확산되고 있으며, 기존의 운송, 이동 서비스뿐만 아니라 다양한 공공·도시 서비스로 적용범위가 확대되고 있다. 최근에는 자율주행차량을 활용한 물류와 시설관리 등 반복적이고 상시적인 운영이 요구되는 서비스에 대한 적용 가능성을 검토하는 연구가 활발히 진행되고 있으며, 단순한 주행성능을 검증하는 것을 넘어서 실제 운영환경에서 활용성 중심의 논의로 확장되고 있다. 현 흐름은 국내에서도 자율주행기술개발혁신사업단을 중심으로 공공서비스, 도시운영, 도로관리 등에 자율주행기술을 적용한 연구과제로 구체화되고 있다. 이는 자율주행기술의 활용범위가 이동수단을 넘어 서비스 운영수단으로 확장되어 활용되는 흐름으로 보여지며, 반복적이고 장시간 수행되고 시간대와 공간적 조건에 따라 변화하는 특성을 공통적으로 가지고 있다. 이를 통해 해당 서비스들은 사전에 정의된 규칙과 알고리즘에 따라 동일한 작업을 지속적으로 수행할 수 있으며, 주·야간을 포함한 연속적인 운영과 광범위한 공간 커버리지를 커버하는 특징을 가지고 있는 것을 확인했다. 이는 자율주행 시스템의 알고리즘 기반 운용방식으로 구현가능하며, 적용할 경우 인력투입에 따른 시간적 제약이나 운영부담을 완화하면서도 제한된 자원을 체계적으로 활용할 수 있는 가능성을 제시하는데 다양한 과제를 통해 가능성을 확인하고 있다. 도로 순찰 서비스는 이런 특징을 가진 서비스유형에 포함되는 대표적인 사례 중 하나이다.

도로관리 및 안전확보를 위한 순찰은 도로 네트워크 전반을 대상으로 지속적인 관찰과 이동이 요구되는 서비스로 사고 및 돌발상황을 조기에 인지하고 대응하기 위한 예방적 관리수단으로 기능하고 있다. 도로에서 발생하는 사고와 돌발상황은 초기 대응여부에 따라 피해규모와 2차사고 발생가능성이 크게 달라지며, 시간대와 교통혼잡도, 기상조건 등 다양한 요인이 복합적으로 작용해 시공간적으로 불균등하게 발생하는 특성을 보인다. 이러한 특성으로 인해 순찰 서비스는 특정 구간이나 시간대에 고정되기보다, 위험특성에 따라 순찰대상이 유동적으로 변화하는 형태로 운영되어야 할 필요가 있다. 국내의 도로순찰은 경찰청과 한국도로공사를 중심으로 제도화된 규칙에 따라 운영되고 있다. 경찰청의 「지역경찰의 조직 및 운영에 관한 규칙」(2022)와 「방범순찰대 운영규칙」(2021), 「기동순찰대 운영규칙 제정안」(2024)과 한국도로공사의 안전순찰업무 규정에서는 순찰대상, 절차, 근무체계 등을 구체적으로 제시하고 있으며, 이를 활용한 기본적인 순찰 운영체계가 마련되어 있다. 하지만 실제 순찰경로는 근무구역이나 지정된 구간을 중심으로 반복운영되는 경향을 보이고 있기 때문에 네트워크 전반을 대상으로 지속적이고 균형적인 순찰을 수행하는 것은 현실적인 제약이 존재한다. 따라서 현재의 도로관리체계를 보완하기 위한 수단으로 고정형 CCTV를 활용한 모니터링이 병행되고 있다. 기존 연구에 따르면 CCTV를 활용할 경우 사고 인지율과 사실확인의 정확도는 향상될 수 있으나(Conche and Tight, 2006;Inusah, 2024), 설치위치나 시야각, 장애물 등의 물리적 제약으로 인해 음영구간이 발생하는 한계가 존재한다(Choi and Lee, 2015;Farkhondeh and Maghrebi, 2025).

순찰 및 모니터링 환경 특성을 고려하여 기존 연구들은 사고 및 돌발과 같은 정보를 활용해 순찰전략이나 경로를 합리적으로 설계하는 방향으로 발전해왔다. 일부 연구에서는 사고의 공간적 분포를 기반으로 순찰 우선지역을 설정하거나, 시간대별 위험 변동성을 반영하여 순찰경로를 재구성하는 접근을 제시하였다. 또한, 신고이력이나 범죄데이터를 활용해 위험발생 가능성을 예측하고 이를 순찰전략에 반영하려는 연구도 수행되었다(Kim et al., 2023;Lee et al., 2024;Ramakrishnan et al., 2024). 자율주행 및 지능형 교통분야에서도 도로구간별로 경로선택의 비용요소를 활용하거나 교통조건과 도로인프라 특성을 고려한 안전중심의 경로탐색연구가 진행되었다(Ryan et al., 2020;Jung et al., 2023;Kim et al., 2025). 하지만 기존 연구들은 주로 개별경로 또는 단일 차량의 이동 효율성이나 주행안전성 향상에 초점을 두어왔다. 순찰대상 구간선정과 반복 순찰을 통해 도로망 관리운영 전략은 제시되어 왔으나, 감시 공백이 발생하는 음영구간을 중심으로 전략을 확장한 사례는 제한적이다. 특히, 자율주행차량을 순찰의 운용수단으로 설정하고, 시간대별 위험특성과 모니터링 공백을 함께 고려하여 순찰경로를 체계적으로 설계한 연구는 충분히 다루어지지 않았다.

본 연구는 기존 도로관리체계의 한계점을 보완하기 위해 자율주행시스템을 탑재한 자율주행 도로관리차량(Autonomous Road Maintenance Vehicle, AMV)을 반복적·상시적 특성을 가지는 순찰서비스의 운용수단으로 설정하고, 네트워크 전반의 사고·돌발상황과 CCTV 음영구간을 통합적으로 고려한 시공간 위험도기반 순찰전략을 제안한다. AMV는 기존 도로관리청에서 운영하는 도로관리 및 단속차량에 자율주행기능을 탑재한 현장대응차량이다. 기존 차량의 업무인 순찰, 단속, 사고 및 공사 현장대응 업무를 수행하면서 차량 센서를 통한 실시간 데이터 수집으로 도로관리를 지원한다. 시간대별 위험특성을 반영하여 우선적으로 순찰이 필요한 링크를 도출하고, 우선순찰링크 기반 네트워크 차원의 순찰 커버리지를 고려하여 AMV의 순찰경로 최적화방법론을 제시함으로써, 자율주행기술을 도로순찰 서비스에서 효율적으로 적용할 수 있는 방안을 제시하는 것을 연구의 목적으로 한다.

Ⅱ. 시공간 위험도 기반의 최적 순찰경로 탐색 방법론

1. 최적 순찰경로 탐색 방법론 개요

도로 사고 및 돌발의 발생은 공간적 특성과 시간적 특성이 복합적으로 작용한 결과로 나타나므로, 이를 분리하여 분석할 경우 위험의 구조적 특성을 충분히 반영하기 어렵다. 이에 본 연구에서는 시공간적 관점을 통합한 최적 순찰경로 탐색 방법론을 제안하였으며, 시공간 위험지표 구축, 우선 순찰링크 선정, 순찰경로 생성, 성능 검증의 4단계로 구성하였다. 먼저 사고 및 돌발자료를 링크단위 시간대별로 정리하여 위험지표를 구축하고, 이를 기반으로 잠재계층분석을 수행하여 시간대별 우선적으로 순찰이 필요한 링크 집합을 도출하였다. 이후 자율주행 도로관리차량의 운행특성과 모니터링 사각지대 해소를 고려한 순찰규칙을 설정하고, 가중치 A*알고리즘을 적용하여 순찰경로를 생성하였다. 마지막으로, 제안된 순찰경로의 효과를 기존 순찰전략과 비교하기 위해 5개의 평가지표를 활용하여 성능을 검증하였다(<Fig. 1>).

<Fig. 1>

Research Flow

본 연구에서 사용한 위험도 변수는 사고율, 돌발율, 그리고 음영링크 여부이다. 변수의 수를 최소화한 이유는 실제 도로관리 현장에서 실무자들이 즉각적으로 적용가능하고 해석이 용이한 구조를 확보하기 위함이다. 즉, 자율주행 도로관리차량의 순찰 의사결정에 직접 활용될 수 있도록, 복잡한 변수보다는 현장에서 직관적으로 이해가능하고 데이터 구축이 용이한 변수중심으로 구성하였다. 사고율과 돌발율은 각각 해당 링크에서 발생한 사고 및 돌발의 빈도를 나타내는 지표로, 도로관리차량의 순찰이 우선적으로 요구되는 위험발생 수준을 반영한다. 또한, 순찰을 통해 가장 높은 효과를 기대할 수 있는 구간은 CCTV 등 기존 모니터링 장비가 설치되어 있지 않은 구간으로 판단하였다. 이러한 구간은 상시 모니터링이 어려워 사고 및 돌발상황에 대한 예방적 대응에 한계가 존재하므로, 자율주행 기능을 탑재한 도로관리 차량을 활용한 순찰의 필요성이 높다. 이에 본 연구에서는 CCTV기반 모니터링 여부를 위험도 변수 중 하나로 선정하였다. 즉, 본 연구의 위험도 변수는 실제 위험발생 수준을 나타내는 사고 및 돌발정보와 기존 모니터링 체계로 대응하기 어려운 사각지대 여부를 함께 반영하도록 구성하였다. 사고율과 돌발율은 각각 링크별 사고건수와 돌발건수를 해당 링크(i)의 길이로 나누어 산정하였다. 또한 음영구간 여부를 반영하기 위해 도로망에 설치된 CCTV위치를 기준으로 모니터링 구간을 산정하였다. 모니터링 구간은 CCTV의 모니터링 반경에 포함되는 구간으로 정의하였으며, 음영구간은 링크 전체 길이에서 모니터링 구간을 제외한 구간으로 산정하였다. 이후 링크 길이 대비 음영구간의 비율을 음영비율(ShadowRatio_i)로 정의하고, 음영비율이 0.5를 초과하는 경우 해당 링크를 음영링크(ShadowIndex(1)), 그렇지 않은 경우 모니터링 링크(ShadowIndex(0))로 구분하였다(식 (1)).

2. 우선 순찰링크 선정을 위한 잠재계층분석

본 연구에서는 자율주행 도로관리차량이 우선적으로 순찰할 링크를 선정하기 위해 잠재계층분석(Latent Class Analysis, 이하 LCA)을 적용하였다. 도로 링크의 순찰 필요성은 사고율 및 돌발율과 같은 시간적 위험요인 뿐만 아니라, CCTV모니터링 사각지대 여부와 같은 공간적 위험요인이 복합적으로 작용한 결과로 나타난다. 즉, 동일한 사고율을 보이는 링크여도 돌발발생 수준이나 모니터링 사각지대 여부에 따라 실제 순찰 필요성은 달라질 수 있으므로, 개별 지표를 독립적으로 해석하기보다 이를 통합적으로 반영한 시공간 위험패턴의 유형화가 필요하다. 이에 본 연구에서는 사고율, 돌발율, 음영링크 여부가 결합된 복합적 위험특성을 잠재적인 위험유형으로 분류하고자 LCA를 활용하였다.

LCA 분석은 관측된 변수들의 응답 패턴을 기반으로 유사한 특성을 가지는 잠재집단을 추정하는 확률모형기반 방법론이다. 군집분석과 마찬가지로 관측대상을 유형화한다는 목적은 유사하나, k-means와 같은 거리 기반 군집분석이 변수간 유사성 또는 거리정보를 중심으로 집단을 구성하는 것과 달리 LCA는 관측된 변수들이 특정 잠재집단으로부터 생성되었다고 가정하고 각 개체가 특정 클래스에 속할 확률을 추정한다는 점에서 차이가 있다. 이러한 특성은 연구에서 사용한 변수와 같이 서로 다른 성격의 위험요인을 단일 지표로 단순통합하기보다는 이들이 결합되어 나타나는 위험패턴 자체를 유형화할 수 있게 하며, 동시에 각 링크가 특정 클래스에 속할 불확실성을 확률적으로 반영할 수 있다는 장점이 있다. 이에 본 연구에서는 LCA를 예측모형으로 활용하기보다는 경로설정을 위한 링크 분류체계 구축과 순찰 우선순위 결정을 위한 도구로 활용하였다. 또한, LCA는 교통안전 분야에서도 다양한 사고특성의 잠재유형을 도출하기 위한 방법으로 활용되어 왔다. 예를 들어, Depaire et al.(2008)은 사고 발생시간, 계절, 차량 유형 등 다양한 사고특성을 기반으로 잠재계층을 도출하여 사고유형을 분류한 바 있다. 본 연구는 이러한 접근을 링크 단위의 시공간 위험패턴 분석에 적용하였다는 점에서 차이가 있다.

LCA는 링크별 사고 및 돌발발생의 시공간적 특성을 반영하기 위해 수행하였다. 시간적 특성은 사고 및 돌발 발생시각을 기준으로 주간(Day), 야간(Night), 출퇴근시간대(Peak)로 구분하여 반영하였으며, 공간적 특성은 CCTV 모니터링 사각지대 여부를 나타내는 음영링크 변수를 통해 반영하였다. 각 시간대별 사고율 및 돌발율과 함께 음영링크 여부를 입력변수로 활용하여, 각 링크의 시공간 위험패턴을 종합적으로 반영할 수 있도록 하였다. 이후 각 시간대에 대해 잠재계층의 수를 달리한 모형을 반복적으로 추정하고 BIC(Bayesian Information Criterion)의 감소추이를 검토하여 최적 클래스 수를 결정하였다. BIC는 모형 적합도와 복잡도를 동시에 고려하는 지표로, 값이 작을수록 적합한 모형으로 해석할 수 있다. 본 연구에서 BIC감소폭이 둔화되는 지점을 최적 클래스 수로 판단하였다(<Fig. 2>). 또한 최종 선정된 모형의 분류 명확성을 확인하기 위해 엔트로피 지수를 함께 검토하였다. 엔트로피는 클래스 분류의 명확성을 나타내는 지표로 0과 1 사이의 값을 가지며 1에 가까울수록 클래스 구분이 명확한 것으로 해석된다(Jedidi et al., 1993).

<Fig. 2>

BIC Equation and BIC-K Graph

잠재계층이 결정된 후에는 각 링크가 특정 클래스에 속할 사후확률을 계산하였다. 링크(i)의 설명변수 집합(x_ij)이 주어졌을 때, 해당 링크가 클래스(k)에 속할 사후확률은 식 (2)와 같이 정의된다. 여기서 π_k는 전체 링크 중 클래스(k)가 차지하는 비중을 의미하는 사전확률이며, P(x_ij|C=k)는 클래스(k)에 속한 링크에서 각 설명변수(x_ij)가 관측될 조건부확률을 의미한다. 식 (2)의 분자에 해당하는 값은 링크(i)의 모든 설명변수 값(x_ij)에 대한 조건부 확률을 변수차원(j)에 대해 곱한 형태로 계산되며, 이를 모든 클래스(l=1,…,K)에 대해 합산한 값을 분모로 사용하여 정규화함으로써 최종 사후확률을 산출하였다. 이를 통해 각 링크가 모든 클래스에 속할 가능성을 확률적으로 비교할 수 있으며, 최종적으로는 가장 높은 사후확률을 갖는 클래스를 해당 링크의 대표유형으로 부여하였다. 해당 과정을 통해 단일 위험요인에 국한되지 않고 사고율, 돌발율, 음영 여부가 복합적으로 결합된 위험패턴을 반영할 수 있다는 점에서 링크별 순찰 필요성을 보다 유연하게 표현할 수 있다.

마지막으로 도출된 잠재계층은 각 시간대별 링크의 순찰 우선순위를 결정하는 기준으로 활용하였다. 즉, 클래스별 사고 및 돌발 발생 수준, 음영 여부 등 위험 특성을 종합적으로 해석하여 상대적으로 순찰 필요성이 높은 계층을 우선순찰 대상 클래스로 정의하였다. 이후 각 링크에 부여된 시간대별 위험 클래스는 순찰경로의 비용함수를 선정하는데 위험도 가중치로 반영되어 핵심 입력값으로 활용된다(<Table 1>).

3. 순찰경로 설정

본 연구에서 시간대별로 변화하는 사고 및 돌발특성과 공간별로 모니터링이 취약한 구간에 대한 특성을 동시에 반영하기 위해서 자율주행 도로관리차량의 순찰경로를 비용 최소화 문제로 정의하였다. 순찰경로는 단순한 최단경로 문제가 아니라 위험도가 높은 구간을 우선적으로 방문하면서도 주어진 순찰시간 내에서 네트워크 전반의 위험구간을 효율적으로 커버하는 구조로 설정하였다. 이를 위해 A*알고리즘을 기반으로 확장된 형태의 경로탐색 방법을 적용하였다.

기존 연구에서도 A*알고리즘은 최단경로 탐색을 위한 기본 구조를 기반으로 동적 교통환경에서의 경로 탐색 및 수요기반 경로 설정 등 다양한 운영조건을 반영한 경로 최적화 문제에 활용되었다(Zhang et al., 2016; Feng et al., 2023;Faradounbeh et al., 2024). 해당 연구들은 주로 이동비용 최소화 관점에서 경로를 최적화하는데 초점을 두고 있었다. 본 연구는 이런 접근을 확장하여 이동비용뿐만 아니라 시공간적 위험도와 모니터링 사각지대 특성을 함께 고려한 순찰목적을 기반으로 비용함수를 구성하였다.

본 연구의 순찰전략은 모니터링 취약구간 해소를 1차 목적으로 설정하였다. 이에 따라 CCTV기반 모니터링 사각지대에 해당하는 음영링크를 최우선 순찰대상으로 설정하였으며, 사고와 돌발이 동시에 발생한 구간, 사고 또는 돌발이 발생한 구간, 그리고 위험요인이 존재하지 않는 구간 순으로 우선순위를 부여하였다. 이러한 우선순위 구조는 비용함수 내에서 우선순위가 높은 링크일수록 낮은 비용이 부여되도록 하였으며, 해당 링크들을 모두 순찰한 후, 모니터링이 가능한 구간(4~6순위)에 대해서도 동일한 기준을 적용하여 위험구간을 단계적으로 확장하도록 구성하였다. 이러한 우선순위 체계는 2-2에서 도출된 시공간 위험 클래스 결과를 기반으로 설정된다. 즉, LCA를 통해 도출된 클래스별 위험 특성에 따라 각 링크의 위험도 계수(k_i)와 우선순위 변수(u_i)가 결정되며, 이는 비용함수를 구성하는 주요 변수로 활용된다.

순찰경로 최적화를 위한 비용함수(V)는 식 (3)과 같이 정의된다. 여기서 V는 순찰차량(s)이 선택한 경로(P_s)상의 모든 링크(i)에 대해 산정되는 총 비용을 의미하며, 이동 효율성, 위험도 반영, 미방문 패널티 및 시간제약 요소를 통합하여 구성된다. 이동비용은 링크의 기본비용(c_i)과 위험도 계수(k_i)를 결합하여 정의되며, 위험도가 높은 링크일수록 낮은 비용이 부여되도록 설계하였다. 또한, 방문 여부를 나타내는 이진변수(visit_i)와 우선순위 변수(u_i)를 통해 아직 방문하지 않은 고위험 링크에 대해 추가적인 비용 감소효과를 부여하였다. 또한, 순찰경로는 사전에 정의된 시간대 내에서 수행되어야 하므로 경로의 실제 소요시간(time(P_s))이 기준시간(B_s)을 초과할 경우 비용이 증가하도록 구성하였고, 시간제약 조건을 비용함수 내에서 직접적으로 반영하였다. 최종적으로 각 구성요소는 가중치 파라미터(λ₁, λ₂)를 통해 조정가능하며, 이는 지역 특성 및 운영 조건에 따라 유연하게 적용될 수 있다. 또한, 본 연구에서는 시간대별 위험도 등급에 따라 위험도 계수(k_i)와 우선순위 변수(u_i)를 차등 적용하였으며, 위험도는 1순위부터 6순위까지 구분하였다. 이때 각 순위별 위험도 보정값은 0.1, 0.2, 0.3, 0.4, 0.5, 0.6으로 설정하였다. 1순위는 음영 및 사고, 돌발이 중첩된 고위험 구간으로 가장 낮은 비용이 부여되며, 6순위로 갈수록 비용이 증가하도록 설정하여 고위험 구간이 우선적으로 선택되도록 하였다. 모든 방문 여부(visit_i)와 시간제약 조건은 모든 순찰차량에 동일하게 적용되어 미방문 위험구간을 우선적으로 순찰하면서도 주어진 순찰 가능시간을 초과하지 않도록 설계하였다.

Ⅲ. 화성시 실증지역 대상 Case study

1. 네트워크 기본 데이터 구축

본 연구에서는 화성시 자율주행 도로관리차량의 실증지역을 대상으로 분석을 진행하였으며, 대상지의 위험도를 분석하기 위하여 사고와 돌발데이터를 사용하였다. 돌발데이터의 수집이 어려워 포트홀 발생 데이터를 내부에서 제공받아 분석을 진행하였으며, 음영링크 구분을 위해 경기 데이터 드림에서 대상지 내의 CCTV 위치와 모니터링 반경을 추출하였다. 링크 목록을 기반으로 사고와 돌발, CCTV위치를 링크에 맵핑하여 활용하였으며, CCTV 데이터를 활용하여 링크별 음영링크 여부를 라벨링하였다. 최종적으로 네트워크의 기본속성(길이(Road Length), 제한속도(Speed Limit)), 음영링크 비율(Shadow_Ratio), 링크별 사고(Accident_count) 및 돌발(Incident_count) 집계 지표 등을 통합테이블에 구축하여 시공간적 분석에 활용될 기초 데이터를 정리하였다(<Table 2>).

2. 우선 순찰링크 선정

우선 순찰링크를 선정하기 위해서 공간·시간적 변수를 활용하여 LCA분석을 진행하고 링크별로 클래스를 선정하였다. 이후 클래스 특징을 활용해 순찰링크를 특정하였고, 3개의 시간대별 최적 클래스 수를 분석한 결과 각 6개의 클래스가 산출되었다. 클래스별로 평균 사고·돌발건수, 음영링크 비율, 해당 클래스에 포함된 링크 수를 <Table 3>과 같이 정리했다. 클래스별로 구분이 명확하게 됐는지를 엔트로피 지수를 통해 확인한 결과, 모두 1에 근접한 값들로 분류가 명확하게 이루어진 것으로 나타났다. 클래스는 크게 음영링크와 모니터링 링크로 구분되었으며, 세부적으로는 사고와 돌발이 함께 발생하거나 돌발 혹은 사고만이 발생한 링크, 모든 사고 및 돌발이 발생하지 않은 링크로 분류된 것으로 확인되었다.

시간대별 분석결과, 전 시간대 모두 전체 링크의 약 85%가 저위험군에 집중되어있는 것으로 분석되었으며, 모니터링이 가능하고 위험도가 낮은 구간으로 현장대응차량을 활용한 필수적으로 별도의 모니터링이 필요하지 않은 것으로 나타났다. 클래스별로 필수적으로 배회가 필요한 링크는 출퇴근(Peak)과 주간(Day)의 경우, 클래스 0만 존재하는 것으로 분석되었다. 전체 링크의 5%에 해당하는 클래스 0은 가장 고위험군에 속하는 링크들로 사고와 돌발이 모두 발생하며, 모니터링이 되고 있지 않아 신속한 사고인지가 어려워 사고 심각도가 높아질 것으로 예상되기 때문이다. 야간(Night)의 경우, 클래스 0과 1이 필수적으로 배회가 필요한 링크로 판단되어지는데, 해당 링크들이 음영링크로 구성되어 있을 뿐 아니라 사고나 돌발이 발생한 링크들이기 때문이다. 하지만 클래스 0과 1은 서로 다른 특성을 가지고 있는데, 클래스 0의 경우 모든 구간이 음영구간으로 구성되어 있지는 않지만, 사고와 돌발이 모두 발생하는 링크만으로 분류되었다. 해당 클래스가 음영과 비음영이 혼합되어 있는 것으로 보아 분류의 기준이 음영여부보다는 사고와 돌발 발생 패턴이 매우 유사한 링크들로 분류된 것을 확인할 수 있었다. 또한, 해당 시간대의 다른 링크들과 비교해보면 사고나 돌발이 따로 발생한 링크 혹은 아예 발생하지 않은 링크로 구분되었는데, 야간 위험군에서 분류된 곳은 실질적인 사고위험성이 잠재되어 있는 곳을 우선적으로 고려하여 분류된 것으로 판단된다. 반면 클래스 1의 경우, 모든 링크가 음영링크로 구성되어 있지만, 돌발만이 발생하여 도로 유지관리 측면에서 대응이 필요한 링크로 판단된다.

나머지 클래스는 모든 시간대에서 동일한 분류패턴을 보였는데, 모두 모니터링이 가능한 링크들로 구성되어 있었다. 출퇴근(Peak)와 주간(Day)의 클래스 1의 경우, 클래스 중 사고와 돌발 발생이 가장 높은 것으로 나타나 사고와 돌발다발 링크들로 해석된다. 클래스 2는 단일 링크로 구성되어 있으나, 평균적으로 11건의 포트홀이 발생한 것으로 분석되었다. 해당 링크는 반복적으로 포트홀이 발생하는 링크로 정체구간이 발생되어 교통류를 교란시킬 수 있기 때문에 향후 사고로 이어질 가능성이 있는 잠재적인 위험구간으로 볼 수 있다. 분석에서도 전 시간대에서 해당 링크를 별도 군집으로 분리시키는 것으로 보아 다른 링크와는 다른 위험요소로 작용되어 분류된 것으로 보인다. 클래스 3은 포트홀이 발생하는 도로 유지관리가 필요한 링크로 구성되어 있으며, 4는 사고가 집중되는 교통안전 중심의 위험링크들로 구분되었다. 이를 통해 위험구간의 유형이 상이함을 보여주고 있으며, 배회전략 구성 시 3에서는 예방적 유지관리 순찰을 목적으로 4에서는 사고 대응 중심으로 순찰할 수 있도로 차별화된 방안이 마련가능하다.

분석결과를 종합한 결과, 현장대응차량의 순찰전략은 시간대별로 위험특성을 반영하여 차별적으로 운영할 필요가 있는 것으로 나타났다. 출퇴근(Peak)과 주간(Day)에는 사고와 포트홀이 동시에 발생하면서 모니터링이 이루어지지 않는 클래스 0이 가장 우선적으로 순찰이 필요한 대상으로 분석되었다. 해당 링크들은 사고 발생 시 신속한 사고인식과 초기 대응이 어렵다는 특성을 가지고 있으므로, 현장대응차량이 음영링크 내에 위험요소를 조기에 발견하고 이를 대응하는 것을 주요 목적으로 순찰할 필요가 있다. 반면 야간(Night)에는 사고와 포트홀이 동시에 발생하는 클래스 0과 포트홀 중심으로 모니터링 사각지대인 클래스 1이 위험한 링크로 분류되었다. 야간에는 운전자의 시인성 저하되어 노면 결함을 사전에 인지하기 어려우므로 포트홀과 같은 도로 결함이 차량 주행안전에 미치는 영향이 상대적으로 커질 수 있기 때문이다. 따라서 야간 순찰에서는 사고 발생여부를 확인하는 역할과 노면 상태를 점검하고 유지관리 수요를 조기에 파악하는 기능을 병행할 필요가 있다. 특히 클래스 0은 사고 위험성이 높은 구간을 우선적으로 순찰하고 클래스 1은 포트홀 발생여부를 확인하기 위한 예방적 순찰대상을 관리하는 방향으로 운영되어야 한다. 또한, 모니터링이 가능한 링크 중에서도 위험유형에 따라 순찰 목적을 차별화할 필요가 있다. 포트홀 중심의 클래스 3은 노면 상태 점검과 유지관리 수요를 조기에 파악하기 위한 예방적 순찰대상이며, 사고 중심의 클래스 4는 사고 발생 가능성이 높은 링크에 대한 집중감시 및 신속 대응을 목적으로 활용될 수 있다. 따라서 현장대응 차량은 단순히 위험도가 높은 링크를 반복적으로 순찰하는 방식이 아니라, 시간대별 위험특성과 유형을 고려하여 음영링크를 감시하고 사고를 대응하며, 도로 유지관리 기능을 함께 수행할 수 있도록 순찰전략을 차별화할 필요가 있다.

3. 자율주행 도로관리차량의 순찰경로 설정

제안된 순찰경로 알고리즘의 효과를 정량적으로 평가하기 위해서, 기존의 순찰경로 전략과 동일한 주간 시간대(09시~17시, 8시간)에 순찰자원을 제약하고 비교·분석하였다. 제안된 순찰경로는 시간대별 클래스를 기반으로 산정된 링크별 위험도와 미방문 링크정보를 반영하여, 순차적으로 우선 순찰링크를 소진하는 방식의 경로를 생성하였다. 이 과정에서 모니터링 사각지대가 우선적으로 포함되도록 설계하였으며, 중복순찰이 과도하게 발생하지 않도록 방문이력에 따른 비용을 조정하였다. 반면 기존 순찰경로 전략은 한국도로공사의 안전순찰 매뉴얼과 인터뷰를 참고하여 사고다발구간 중심의 경험기반으로 주행한다는 가정하에 경로를 설정하였다. 각 시간대의 시나리오 종료시점에서 각 평가지표를 산출하여 두 순찰전략의 성능을 비교·분석하였다. 평가지표는 기존차량 대비 AMV의 자원효율성 분석하기 위하여 인력(Patrol Officer), 시간대(Operating Hours), 차량대수(Number of Vehicles)를 비교하였고, 운영효율성을 비교하기 위하여 순찰커버리지(Total Coverage)와 사고다발구간 커버율(Total Accident Coverage), 총 음영링크 커버율(Total Shadow Coverage), 총 중복 순찰율(Total Overlap Rate), 총 순찰거리(Total Distance)로 비교하였다.

4. 자율주행 도로관리차량의 순찰경로 비교·분석결과

분석결과를 24시간 기준으로 변환하여 두 순찰체계의 자원효율성을 비교하였을 때(<Table 4>), 기존의 유인 순찰체계는 필수적으로 각 차량의 주행인력이 필요하지만, 무인순찰의 경우 자율주행시스템으로 별도의 주행인력을 요구하지 않는다. 또한, 동일한 차량대수를 활용하여 유인순찰은 순찰시간 내 정해진 구간을 일정 횟수이상 순찰하도록 지정하지만, 무인순찰의 경우 충전 이외의 재정비 시간없이 상시 도로를 모니터링하며 대응에 필요한 데이터를 수집할 수 있다.

8시간 동안 운영한 AMV와 기존 순찰체계의 운영효율성을 분석한 결과(<Table 5>), 전체 순찰 커버리지는 기존 순찰경로가 54.5%인 반면, 제안된 AMV 순찰경로는 81.4%로 향상된 것으로 나타나 동일한 순찰자원 조건하에서 보다 넓은 공간을 효율적으로 순찰가능한 것으로 나타났다. 사고다발구간 커버율 또한 기존 전략(69.0%)에 비해 제안된 순찰경로(84.8%)가 약 16% 향상되어 사고발생 가능성이 높은 구간에 대한 집중순찰에 효과가 있는 것으로 분석되었다. 이러한 결과는 제안된 알고리즘이 위험도가 높은 링크를 중심으로 미방문 고위험 구간을 우선적으로 탐색하도록 설계되어 고위험구간에 대한 순찰범위를 효과적으로 확대하였기 때문으로 판단된다. 모니터링 사각지대에 해당하는 음영링크 커버율 역시 기존 전략이 59.6%에 비해 제안된 순찰경로는 99.5%로 나타나 음영구간을 우선적으로 고려한 경로생성전략의 효과가 뚜렷하게 나타난 것으로 분석된다. 반면, 경로의 중첩도는 기존 전략이 87.8%로 나타난 것에 비해 제안된 순찰경로(77.2%)로 감소하여 불필요한 반복 순찰이 완화된 것을 확인되었다. 이는 기존 전략이 정해진 권역 또는 경험적 판단에 기반한 순찰경로를 반복적으로 순환하는 형식인 반면, 제안된 알고리즘은 방문 이력을 지속적으로 반영하여 미방문 링크를 우선 탐색함으로써 순찰 영역의 중복을 최소화하였기 때문으로 해석된다. 총 순찰거리는 제안된 알고리즘의 749.0km로 기존 전략(677.6km)보다 증가한 것으로 나타났다. 이는 전체 순찰 커버리지가 약 27% 향상되고 사고 및 음영구간에 대한 순찰 범위가 확대됨에 따라 보다 많은 링크를 순찰하는 과정에서 발생한 결과로 판단된다. 즉, 순찰거리는 다소 증가하였으나 위험구간에 대한 커버리지 향상 효과가 더욱 크게 나타나 제안된 위험기반 순찰전략의 효율성을 확인할 수 있었다. 이와 같은 결과를 바탕으로 실도로 네트워크에서 도출된 순찰경로를 시각화하여 제안된 순찰전략의 적용성을 확인하였다.

<Table 5>

Day Analysis of Human patrol algorithm and Autonomous Road Management Vehicle patrol algorithm

Human Patrol (Basic A*)					Autonomous Patrol (Weighted A*)
Total coverage (%)	Accident Coverage (%)	Shadow Coverage (%)	Overlap Rate (%)	Total Distance (km)	Total coverage (%)	Accident Coverage (%)	Shadow Coverage (%)	Overlap Rate (%)	Total Distance (km)
54.5	69.0	59.6	87.8	677.6	81.4	84.8	99.5	77.2	749.0

Ⅳ. 결 론

본 연구는 자율주행 도로관리차량(AMV)을 활용하여 시공간 위험도기반 최적 순찰경로를 설정하는 방안을 제시하였다. 기존의 순찰체계와 관련 연구들은 사고와 같은 위험요소를 경로 탐색의 비용변수로 활용하여 주행 효율성과 안전성 향상여부를 평가하였지만, 순찰운영 차원의 모니터링 사각지대와 순찰 커버리지를 관리하는데 한계가 존재하였다. 본 연구에서는 생성된 네트워크를 링크단위로 분석하여 시간대별 위험특성과 모니터링 공백을 반영한 우선 순찰링크를 선정하고, 이를 기반으로 AMV의 순찰경로를 설정하였다. 분석결과, 제안된 순찰경로 알고리즘은 동일한 순찰자원 조건에서 전체 순찰 커버리지와 사고다발구간 및 음영구간 커버율을 효과적으로 향상시키는 것으로 나타났다. 또한, 중복순찰을 감소시켜 순찰자원의 활용 효율을 높였으며, 총 순찰거리는 다소 증가하였으나 위험구간에 대한 순찰 성과의 향상 폭이 더 크게 나타나 제안된 위험기반 순찰전략의 적용 가능성과 효과성을 확인할 수 있었다. 이는 시간대별 위험도와 미방문 링크정보를 반영한 위험도 기반의 비중복 순찰전략이 순찰 효율성과 공간적 대응성을 동시에 개선할 수 있음을 시사한다.

본 연구는 실제 도로 네트워크와 사고 및 포트홀 데이터를 활용하여 분석을 수행하였으나, 돌발상황 데이터를 포트홀 발생정보를 한정하여 적용하였다는 점에서 한계가 존재한다. 실제 도로환경에서는 낙하물, 고장차량, 공사구간, 장애물 발생 등 다양한 유형의 돌발상황이 발생할 수 있으나, 본 연구에서는 데이터 확보의 한계로 인해 이를 충분히 반영하지 못하였다. 따라서 향후 연구에서는 다양한 유형의 돌발상황 데이터를 추가적으로 구축 및 활용하여 위험도 산정 및 순찰전략의 적용성을 검증할 필요가 있다. 또한, 제안된 순찰경로 설정 방법은 실제 운영환경에서의 실증을 수행하지 못하였다는 한계가 있다. 본 연구에서는 실도로 네트워크와 실제 데이터를 기반으로 운영성과를 평가하였으나, 향후 자율주행 현장대응차량을 활용한 실증을 통해 순찰 효율성, 사고 대응성 및 유지관리 효과 등에 대한 추가적인 검증이 필요할 것으로 판단된다. 이 연구는 AMV를 고려한 순찰경로 설정 문제를 시공간의 위험도와 네트워크 커버리지 관점에서 체계화하였다는 점에서, 향후 AMV를 활용한 실시간 위험관리 시스템 개발과 자율주행 기반 도로관리 및 순찰 운영연구에 중요한 역할을 할 것으로 기대된다.