서론
선행연구
1. 시뮬레이션 기반 혼합 교통류 특성 분석
2. 신호교차로 내 AV 도입이 교통 흐름에 미치는 영향
3. 본 연구의 차별성
연구 방법론
1. 데이터 수집 및 네트워크 구축
2. 시뮬레이션 시나리오 설계
3. 시뮬레이션 수행 및 분석
분석 결과
1. 시나리오별 AV 자율주행 수준 및 혼입률에 따른 네트워크 영향 분석
2. 교차로 별 AV 자율주행 수준 및 혼입률에 따른 네트워크 영향 분석
3. 미래 시장점유율에 따른 AV 도입 시나리오의 네트워크 영향 분석
결론
서론
자율주행 차량, AV(Autonomous Vehicle)는 운전자의 직접적인 조작 없이 스스로 주행할 수 있는 자동차를 말한다. 정보통신, 센서, 인공지능 기술이 빠르게 발전하면서 자율주행 기술은 미래 모빌리티의 핵심으로 주목받고 있다. 미국자동차공학회(Society of Autonomotive Engineers, SAE)는 자율주행 기술을 자동화 수준에 따라 Table 1과 같이 6단계(레벨 0-레벨 5)로 구분하고, 일반적으로 레벨 3에서 레벨 5를 AV로 분류한다(National Highway Traffic Safety Administration, 2016). 자율주행 기술은 카메라, 레이더(Radar), 라이다(Lidar) 등의 센서를 이용하여 주변 사물을 인식하고 GPS, 정밀지도 등을 기반으로 차량의 위치를 정확하게 파악하는 인지 기술, 수집된 정보를 바탕으로 주변 교통 상황을 판단하고 돌발상황을 스스로 대처하는 판단 기술, 판단에 따라 조향, 제동 가속 등 구동장치를 제어하여 목적지까지 안전하게 이동시키는 제어 기술로 구성된다(Park, 2022).
AV는 다양한 연구를 통해 도로 안전, 교통용량, 이동성, 환경 및 경제 등 다양한 관점에서 긍정적인 영향을 보여주고 있다(Rana and Hossain, 2021). AV는 교통 혼잡 등 교통 관련 문제를 해결할 수 있는 잠재력을 가지고 있다. AV는 첨단 기술을 활용하여 사람이 운전하는 차량, HDV(Human-Driven Vehicle)보다 정확히 주변 환경을 인지하고 빠르게 판단할 수 있다. 이는 AV가 더 짧은 차간거리(또는 차두시간)의 운행이 가능하다는 것을 의미한다. 특히, 차량 간 차량 V2V(Vehicle to Vehicle) 통신 등의 통신 기술을 보유한 커넥티드 자율주행 차량, CAV(Connected and Autonomous Vehicle)은 소대(Platoon)를 구성하여 하나의 차량처럼 운행할 수 있다(Hurtado-Beltran and Rilett, 2021). 이러한 AV의 기술 발전과 도입은 교통류의 효율성과 교통용량을 증가시킬 수 있다(Park et al., 2021).
그러나, 기술 개발이 빠르게 진행되면서 AV가 시장에 출시됨에 따라 사회적, 법적 규제 문제, 오작동으로 인한 사고, 사이버 보안 등의 안정성 문제 등이 새롭게 대두되고 있으며, 이를 해결하기 위해 많은 노력이 필요할 것으로 예상된다. 따라서 자율주행 수준이 높은 고도의 AV가 상용화되기까지 상당한 시간이 걸릴 것으로 전망된다(Mosquet et al., 2015; Litman, 2020). 상용화가 이루어져도 자동차 시장의 안정화와 제도 마련 등에 많은 시간이 소요되기 때문에 도로의 모든 차량이 자율주행 기술을 탑재하기 전, 즉, AV의 혼입률(Penetration Rate)이 100%에 도달하기 전까지 HDV와 AV가 공존하는 혼합 교통류(Mixed Traffic) 상황이 오랜 기간 유지될 것으로 예측된다. 따라서, 혼합 교통류를 효과적으로 처리하기 위하여 혼합 교통류의 새로운 교통 특성을 이해하는 것이 중요하다.
Table 1.
SAE levels of driving automation
자율주행 기술의 도입과 혼합 교통류에 관련된 연구는 시뮬레이션과 현장 실험을 통해 혼합 교통류의 특성을 중점으로 기존 교통 시스템에 주는 영향을 분석하였다. 선행연구에 따르면 고속도로와 같은 연속류 내 AV의 도입은 교통 흐름을 개선할 수 있으며, 최대 50% 이상 교통용량을 증가시킬 수 있다(Shladover et al., 2012; Park et al., 2015; Friedrich, 2016; Ye and Yamamoto, 2018). 반면 또 다른 연구는 AV의 혼입률이 40%에 도달하기 전까지 AV 도입의 영향이 미미하거나, 네트워크를 더 악화할 수 있다고 밝혔다(Vander Werf et al., 2002). 이전 연구의 대부분은 고속도로와 같은 연속류에 대한 AV 도입의 영향을 분석하였으며, 신호교차로와 같은 복잡한 구조를 가지는 도시 네트워크 내 교통류의 AV 도입을 다룬 연구는 많지 않았다. 자율주행 기술의 최종 목표는 도로 환경이나 범주에 관계 없이 모든 도로에서 AV가 문제 없이 통행하는 것이다. 신호교차로와 같은 단속류에서는 교통 신호와 진・출입로 등의 상이한 교통 환경으로 연속류와 차별화된 교통류 특성과 AV 도입으로 인한 영향을 보일 것이다. 따라서, AV의 도입이 단속류 내 교통 흐름에 미치는 영향을 조사하기 위해 다양한 시나리오를 기반으로 한 연구가 필요하다(Park et al., 2015; Lu et al., 2020).
따라서 본 연구는 신호교차로 내 AV와 HDV로 이루어진 혼합 교통류의 특성을 조사하고 AV 혼입률에 따른 교통 흐름의 변화를 조사하는 데 초점을 맞춘다. 우리는 AV와 CAV 등으로 표현할 수 있는 자동화 기술의 다양한 수준을 고려하여 AV의 도입이 신호교차로에 미치는 영향을 분석한다. 자율주행 수준에 따라 차량의 주행행태에 대한 변수를 제어하고, 신호교차로 내 다양한 시나리오를 구성한다. AV 혼입률을 변경하면서 실제 도로 네트워크 정보 기반의 미시적 교통 시뮬레이션을 수행한다. 네트워크 교통 흐름의 변화를 파악할 수 있는 평균 지체와 통행 시간 등을 계산하여 AV 혼입률에 따른 시나리오별 비교를 통해 AV 또는 CAV의 도입 및 운영이 신호교차로 내 혼합 교통류에 미치는 영향을 도출한다.
선행연구
본 연구에서는 크게 시뮬레이션 기반 혼합 교통류 특성 분석, 신호교차로 내 AV 도입이 교통 흐름에 미치는 영향에 관한 연구를 고찰하였다. 선행연구의 연구분석 방법론, 평가지표 등을 살펴보고 본 연구의 차별성을 제시하였다.
1. 시뮬레이션 기반 혼합 교통류 특성 분석
자율주행 기술의 발전과 더불어 여러 선행연구는 혼합 교통류 내 교통 흐름 특성에 AV가 미치는 영향을 조사하였다. 이들은 AV의 다양한 수준 및 유형을 고려하여 AV의 도입이 혼합 교통류 특성에 어떠한 영향을 미치는지 분석하였다. Al-Turki et al.(2021)은 도로 용량과 교통 안정성 측면에서 자율주행차가 교통 흐름 특성에 미치는 영향을 분석한 다양한 문헌을 검토하였다. 고도의 자율주행 수준의 기술이 아직 개발되지 않아 대부분의 연구는 시뮬레이션을 기반으로 이루어졌다.
ACC(Adaptive Cruise Control)는 온보드 센서를 기반으로 차량이 안전한 추종 거리와 제한 속도를 유지하도록 설계된 시스템이다. Kesting et al.(2010)은 IDM(Intelligent Driver Model)을 기반으로 속도, 가·감속, 차간거리 등과 같은 행동 매개변수를 설정하고, ACC가 장착된 차량이 교통 흐름에 미치는 영향을 분석하였다. 시뮬레이션 결과, ACC 차량의 혼입률이 10% 증가할 때마다 교통용량이 3% 증가함을 도출하였다. Calvert et al.(2017)은 다차로 고속도로 내 ACC 기반 AV의 도입 효과에 대해 시뮬레이션 실험을 수행하였다. 차로 변경도 고려하였으며 병목 현상 심각도와 트럭 점유율이 교통 흐름에 미치는 영향을 추가로 조사하였다. 그 결과. 혼합 교통류에서 낮은 수준의 AV가 초기 혼입 상황에서는 교통 흐름과 도로 용량에 부정적인 영향을 미친다는 것을 발견하였다. 본 연구는 고속도로 내 교통 흐름의 개선은 혼입률이 70% 이상일 때부터 볼 수 있음을 나타내었다.
CACC(Cooperative Adaptive Cruise Control)는 ACC에서 확장된 기술로 선행 차량과의 거리 조정 외에도 V2V(Vehicle to Vehicle) 통신 기술 등으로 더 엄격한 제어가 가능한 AV 또는 CAV의 등장을 앞당겼다. Van Arem et al.(2006)은 CACC 기반 AV가 고속도로의 혼합 교통류 특성에 미치는 영향을 연구하였다. 시뮬레이션 결과, 낮은 교통량에서 CACC 기반 AV의 도입은 큰 효과가 없었으나 차량 유입이 많아지면 CACC 기반 AV의 혼입률 증가에 따라 안정성, 용량 및 속도 증가, 충격파 영향 감소 등 교통 흐름이 개선되었다. Ye and Yamamoto(2018)는 CACC와 군집주행 기술 등으로 일반 차량보다 짧은 차간거리를 가지는 CAV의 도입이 교통 흐름에 미치는 영향을 조사하였다. TSM(Two-state Safe-speed Model)과 CA(Cellular Automation) 모델을 적용하였고, 다양한 CAV 혼입률 아래 2차로 고속도로 시뮬레이션을 수행하였다. CAV 혼입률 30%까지 교통용량이 점진적으로 증가하였고 그 이상의 혼입률에서는 CAV의 성능에 따라 다양한 결과를 보였다. Zhou et al.(2020)은 4차로 고속도로 내 CA 모델링 프레임워크를 제안하여 ACC와 CACC 기반 AV가 혼재된 교통류의 특성을 분석하였다. 시뮬레이션 수치 결과를 통해 CACC 기반 AV 혼입률의 증가는 효과적인 교통 혼잡 완화, 용량과 안정성 향상을 보여주었다.
그 외에도 다양한 시나리오와 혼합 교통류 모델을 통해 AV의 도입에 따른 교통 흐름의 변화를 조사하는 연구가 진행되고 있다(Shladover et al., 2012; Arnaout and Arnaout, 2014; Talebpour and Mahmassani, 2016; Mena-Oreja et al., 2018). 기존 선행연구는 자율주행과 통신 기술의 발전에 따라 새롭게 등장하는 AV 유형에 따른 교통 흐름 영향을 비교 및 분석하였고, 테스트베드 구조와 시뮬레이션 또한 다양하게 적용하였다. 대다수의 연구에서 AV의 도입은 짧은 차간거리로 인해 교통용량을 증가시키고 안정성을 높이는 결과를 보였다. 그러나 이러한 긍정적인 영향은 교통량이 많은 시나리오에서 주로 발견되었고, AV의 혼입률이 특정 비율 이상이어야 교통 흐름이 개선되었다.
2. 신호교차로 내 AV 도입이 교통 흐름에 미치는 영향
효율적인 AV의 도입과 혼합 교통류의 운영 및 제어를 실현하기 위해선 고속도로와 같은 연속류뿐만 아니라 신호교차로가 포함된 복잡한 도시 네트워크의 AV 도입에 관한 연구도 필요하다.
Park et al.(2015)은 AV가 교차로가 포함된 대규모 도시 네트워크 내에서 교통 흐름과 도로 용량에 미치는 영향을 분석하였다. 차량 간 상호 작용, 교통 신호에 의한 구체적인 움직임을 시뮬레이션하기 위해 VISSIM을 사용하였다. 본 연구는 SAE 자율주행 수준 4에 맞춰 AV 관련 변수를 설정하였고 현장 교통 데이터를 수집하여 시뮬레이션을 구축하였다. 실험 결과, AV의 혼입률이 증가할수록 이동 시간과 지연을 줄이고 차량 속도를 증가시켜 교통 흐름 및 용량이 개선되는 것을 알 수 있었다. 또한, 단속류 내 AV의 도입이 기존 교통 상황을 악화시키지 않고 더 많은 교통량을 감당할 수 있음을 수치상으로 제시하여 교통 계획자 및 정책 입안자에게 AV가 고려된 교통 시스템 계획을 제안하였다.
Lu et al.(2020)은 AV의 도입이 도심 네트워크 도로 용량에 미치는 영향을 조사하기 위해 거시적 교통 기본도, MFD(Macroscopic Fundamental Diagram)를 기반의 수학적 모델을 설계하고, 미시적 교통 시뮬레이션으로 검증하였다. 다양한 AV 혼입률을 고려하여 부다페스트의 실제 네트워크 기반 SUMO 시뮬레이션을 수행하였다. 시뮬레이션은 AV 혼입률의 증가가 교통용량의 향상을 불러옴을 명확하게 보여주었다.
Liu and Fan(2021)은 신호교차로에서 CAV의 이동성 및 환경적 영향을 조사하였다. 본 연구는 세 가지 유형의 차량(HDV, AV, CAV)을 고려하고 노스캐롤라이나주의 4차로 신호교차로의 실제 데이터를 기반으로 가상 네트워크를 설계하였다. 미시적 교통 시뮬레이션 소프트웨어인 VISSIM에서 차량별 궤적, 속도 및 가속도를 비교 및 평가하였다. 차량 궤적의 비교는 CAV가 사전에 속도를 조정하여 교차로에서 정지하는 것을 피할 수 있음을 보여주었다. 시뮬레이션을 통해 CAV가 100% 도입되면 기존 일반 차량의 네트워크보다 지연 시간을 약 46%, 이산화탄소 배출량을 약 33% 감소시킬 수 있음을 도출하였다.
3. 본 연구의 차별성
지금까지 통신 및 자율주행 기술의 발전으로 앞당겨진 AV 도입으로 인한 혼합 교통류의 특성과 운영 방안에 관한 연구가 활발히 진행되고 있다. 그러나, 대부분의 연구는 다차로 고속도로 등의 연속류를 기반으로 이루어졌으며, 신호 대기 및 회전 등 차량 간의 상호 작용이 교통 흐름에 큰 영향을 끼치는 도심 내 신호교차로의 AV 도입에 관한 연구는 여전히 미미한 실정이다. 본 연구는 신호교차로가 포함된 복잡한 도시 네트워크에 AV가 도입될 때, 교통 흐름의 효율성과 안정성에 어떤 영향을 끼치는지 조사한다. 선행연구로부터 더 나아가 자율주행 및 통신 기술의 변화에 초점을 맞추어 자율주행 수준이 다른 AV의 도입을 고려하여 다양한 시나리오를 분석한다. 본 연구를 통해 다양한 자율주행 수준의 AV 도입과 운영 방식이 신호교차로 내 혼합 교통류에 미치는 영향을 파악함으로써, 향후 자율주행 기술의 발전에 맞게 혼합 교통류의 효율적인 교통 운영 전략을 수립해야 하는 정책 입안자에게 좋은 이론적 자료를 제시할 수 있다. 본 연구에서 제시한 모델링과 시뮬레이션 결과는 단속류 내 AV 도입이 상용화되기 전 안전하고 효율적인 AV의 도입 및 운영 방법을 미리 제안할 수 있다. 이를 잘 활용한다면 AV 전용차로 등의 인프라와 혼합 교통류의 등장에 필요한 정책 및 법·제도를 사전에 구축할 수 있을 것이다.
연구 방법론
본 연구에서는 정밀한 미시 교통 시뮬레이션 프로그램으로 잘 알려진 PTV VISSIM을 활용하여 신호교차로의 AV 도입에 따른 교통류 변화를 분석하였다. PTV VISSIM은 교통류의 상호작용과 영향을 분석하는데 용이하며, AV 또는 CAV의 시뮬레이션도 지원하여 본 연구에 최적인 시뮬레이션 프로그램으로 선정하였다(PTV Group, 2019). 본 연구는 크게 데이터 수집 및 네트워크 구축, 시뮬레이션 시나리오 설계, 시뮬레이션 수행 및 분석 과정으로 구분되며, 연구의 전체 프레임워크는 Figure 1과 같다.
1. 데이터 수집 및 네트워크 구축
본 연구에서는 대한민국 수원시의 실제 도로 네트워크를 모사하여 시뮬레이션 네트워크를 구축하였다. 연구 대상지는 수원시 팔달구의 정조로를 중심으로 하는 2.4km의 도로 네트워크로, 크고 작은 8개의 신호교차로와 1개의 원형 교차로가 포함된다. 2022년 4월 주중 비디오카메라로 수집한 이미지 데이터를 통해 회전반경, 차로 폭, 횡단보도 위치 등 구체적인 기하학적 구조를 파악하고, 수원시청으로부터 제공받은 신호현시 데이터를 기반으로 실제 도로 네트워크의 신호 주기 및 타이밍을 시뮬레이션 네트워크에 반영하였다. 네트워크 내 지역별 교통류의 특성을 분석하기 위해 9개의 주요 교차로(수성중사거리, 거북시장사거리, 장안문로터리, 장안동길횡단, 장안사거리, 종로미술관삼거리, 종로사거리, 팔달문로터리, 중동사거리)를 노드(Node)로 설정하였다. 수집된 정보를 통해 구축된 시뮬레이션 네트워크는 Figure 2와 같다.
비디오카메라를 통해 구간 및 시간대별 교차로에 진입하는 교통량을 파악하고 수집하였다. 우리는 도로 네트워크의 서비스수준이 LOS C 또는 D로 어느 정도 교통 혼잡이 있는 상황을 재현하고자 평일 저녁 첨두시간대(오후 5-6시)의 교통량 정보를 활용하였다. 승용차, 화물차, 버스의 교통량을 구분하여 수집하고 직진, 좌회전, 우회전 비율을 산출 및 보정하여 시뮬레이션의 입력 교통량 데이터로 활용하였다. Table 2는 실제 교통량 정보 기반의 네트워크의 입력 교통량과 차종별 비율을 나타낸 것이다. 설정한 입력 교통량을 기준으로 시나리오 내 AV 혼입률에 따라 차종별 HDV와 AV로 입력 교통량을 분리하였다.
Table 2.
Input traffic volume and traffic volume ratio by vehicle type (car, truck, bus) in VISSIM simulation
시뮬레이션 상에서 구축된 네트워크가 실제 대상지의 도로 네트워크를 정확하게 반영하려면 네트워크 정산(Calibration) 작업이 필요하다(Yang and Son, 2009). 우리는 시뮬레이션 보정을 위해 GEH (Geoffrey E. Heavers) 통계를 활용하였다. GEH 통계는 시뮬레이션 내 교통량과 실제 관찰된 교통량 간의 절대적 차이와 백분율 차이를 모두 고려하여 수정된 카이 제곱(Chi-square) 통계이다. 이는 시뮬레이션 내 차로별 교통량과 현장의 교통량을 비교하는 데 사용되며, 계산식을 나타내면 Equation 1과 같다.
Table 3.
Calibration process with GEH statistics at 34 traffic collection points
Equation 1에서 M은 시뮬레이션 네트워크에서 얻은 통과 교통량(veh/hr), C는 실제 현장 감지기에서 관측된 교통량(veh/hr)을 나타낸다. GEH 값이 5.0 미만이면 모델의 적합성이 인정되고, 10.0 이상이면 네트워크나 입력 데이터에 문제가 있다고 여겨진다. FHWA(Federal Highway Administration)에 따르면, GEH 값이 5 미만인 지점이 네트워크의 85% 이상이면 시뮬레이션 내 교통 흐름이 실제 현장의 교통 흐름을 정확하게 반영하여 네트워크를 활용하기에 타당하다고 판단한다(Yu and Abdel-Aty, 2014). 구축된 네트워크 내 34개의 주요 교차로 지점에서 시뮬레이션 결과의 교통량과 실제 교통량을 수집 및 비교하여 GEH 통계 분석을 수행하였다. Table 3에 정리된 결과를 통해 GEH 값이 5.0 이하인 지점이 32개, 네트워크의 약 94.1%로 집계됨을 확인하였다. 이를 통해 본 연구에서 구축된 시뮬레이션 네트워크가 신뢰할 수 있는 데이터 기반으로 실제 환경을 잘 반영하였음을 알 수 있다.
2. 시뮬레이션 시나리오 설계
본 연구에서 우리는 주요 비교 대상인 자율주행 수준을 SAE의 자율주행 기술 단계와 VISSIM에서 제공하는 운전행태(Driving Behavior) 변수를 고려하여 ‘Level 3 Cautious’, ‘Level 3 Normal’, ‘Level 4 CAV’로 새롭게 구분하여 정의하였다. 부분적 자동화 기술을 보유한 SAE 레벨 3 AV를 ‘Level 3 Normal’로 정의하였고, 이보다 보수적인 운전행태로 설정한 AV를 ‘Level 3 Cautious’로 정의하였다. ‘Level 4 CAV’는 SAE 레벨 4 AV에서 다른 AV와 통신하여 짧은 차간거리로 주행할 수 있는 CAV의 자율주행 수준을 의미한다. 본 연구의 시뮬레이션 시나리오는 앞서 정의된 자율주행 수준과 AV 혼입률을 고려하여 구분되고 설계되었다. ‘Level 4 CAV’ AV가 혼입되는 경우, 선행 차량을 인지하는 ACC 기술뿐만 아니라 AV 차량 간(V2V) 통신을 하는 CACC 기술 또는 군집주행 기술이 적용된 AV를 고려하므로 Figure 3과 같이 AV와 AV 사이의 차간거리가 HDV를 따라가는 AV의 차간거리보다 더 좁다고 설정하였다. 이는 기존 CAV의 혼합 교통류에 관한 선행연구에서 제시된 차두시간(Headway)의 분포를 통해 타당성이 검증되었다(Li et al., 2020; Zhang et al., 2020; Zhou and Zhu, 2020). 선행연구에서 가정한 혼합 교통류의 차두시간은 Table 4에 정리하였다.
Table 4.
Headway distributions in the reviewed studies
| Studies | Desired headway between two cars (follower - leader) (s) | ||
| CAV - CAV | CAV - HDV | HDV - HDV | |
| Li et al. (2020) | 0.6 | 1.1 | 1.5 |
| Zhang et al. (2020) | 0.85 | 2.0 | 1.52 |
| Zhou and Zhu (2020) | 0.6 | 1.5 | 2.0 |
AV 혼입률이 0%로 도로 위 모든 차량이 HDV인 경우는 자율주행 수준과 관계없이 기준 시나리오로 정의하였다. 우리는 세 가지 자율주행 수준에서 AV 혼입률을 10% 증가시켜 각각 10가지 시나리오를 설계, 다양한 자율주행 수준과 AV 혼입률에 따라 30가지 시나리오를 구성하여 시뮬레이션을 수행하였다. 추가로, 미래 특정 시점에 예측된 자율주행 수준별 시장점유율을 고려하여 다양한 자율주행 수준의 AV가 동시에 혼입된 시나리오를 제시하였다. PwC에서 발표한 리포트에 의하면, 예측된 2025년, 2030년, 2035년의 미래 AV의 시장점유율을 Figure 4와 같이 전망하였다(PricewaterhouseCoopers, 2020). 이 자료를 기반으로 HDV, ‘Level 3 Normal’의 AV, ‘Level 4 CAV’의 AV가 동시에 혼합된 3가지 시나리오를 고려하였다. 2025년 시나리오의 차량별 비율(HDV : ‘Level 3 Normal’ : ‘Level 4 CAV’)은 94:6:0, 2030년 시나리오는 88:10:2, 2035년 시나리오는 84:13:3으로 설정하였다.
VISSIM에서는 교통류를 모형화하기 위해 Wiedemann이 개발한 운전자 행태모형을 사용한다(Wiedemann, 1974; PTV Group, 2018). Wiedemann 모형은 차량 추종(Car-following) 행태에 따라 Wiedemann 74와 Wiedemann 99로 나뉘어 적용되며, 대부분 연구에서 Wiedemann 74는 도시 도로(단속류), Wiedemann 99는 고속도로(연속류)의 네트워크에 활용된다. Wiedemann 99는 차량 추종 관련하여 평균 정지거리와 평균 차간거리를 계산하기 위한 파라미터 2개만 제공되는 Wiedemann 74와는 달리, 정지거리(CC0), 차간시간(CC1), 차량 추종 시작 시점(CC3) 등 다양한 매개변수를 설정하여 차량의 운전행태를 구체적으로 반영할 수 있다(Atkins, 2016; Khashayarfard and Nassiri, 2021). 또한, Wiedemann 74는 위 파라미터를 기반으로, 차량별 안전거리 편차를 고려한 확률적 계산을 수행하고, Wiedemann 99는 모든 차량에 일정한 안전거리(차간거리)를 제공하여, Wiedemann 99가 자율주행 차량의 교통류를 모델링하는 데 적합하다고 판단하였다. 따라서, 본 연구에서는 HDV의 매개변수는 Wiedemann 74를, AV의 매개변수는 Wiedemann 99를 기반으로 설정하였다.
VISSIM은 차량 추종 관련 매개변수 외에도 차로 변경과 같은 측면 이동과 운전자의 기능 등을 설정할 수 있도록 다양한 매개변수를 제공한다. 우리는 혼합 교통류를 준비하는 유럽 프로젝트인 CoEXist 프로젝트에서 제안된 매개변수를 참고하여, 본 연구에서 제시된 시나리오에 맞게 자율주행 수준별 다양한 매개변수를 Table 5와 같이 설정하였다(Sukennik et al., 2018). 자유 흐름속도(Free flow speed)는 HDV와 AV 모두 50km/h로 설정하였다(단, HDV는 10km/h의 속도 편차 분포를 보인다고 가정하였다). HDV는 평균 2.0m의 정지거리(Average standstill distance)를 가지며, 안전거리 관련 파라미터를 일반 차량 특성에 맞게 설정하였다. AV는 정지했을 때의 거리(CC0)를 자율주행 수준이 증가함에 따라 1.5m부터 1.0m까지 설정하였고, 차간시간(CC1)은 1.5초부터 0.6초까지 설정하였다. ‘Level 3 Cautious’ AV인 경우, 차간시간을 HDV보다 더 보수적인 1.5초로 설정하였다. 차로 변경 시에 최대 감속도는 –2.5m/s2부터 –4.0m/s2까지 설정하였다. 다른 차량을 앞지를 때의 최대 감속도는 –3.5m/s2에서 –4.0m/s2로, 다른 차량이 앞에 끼어들 때의 최대 감속도는 –2.5m/s2에서 –4.0m/s2로 설정하였다. 최대 감속도는 단순히 차량 성능을 나타내는 것뿐만 아니라, 최대 감속도가 작을수록 차로 변경 시에 보수적으로 행동한다는 것을 의미한다. 최대 감속도가 작을수록 최소 정지거리가 길어져서 차로 변경을 충족하는 상황이 제한될 수 있다. 협력적 차로 변경은 ‘Level 3 Normal’ AV부터 가능하도록 설정하였다.
Table 5.
Simulation parameters for driving behaviors
3. 시뮬레이션 수행 및 분석
앞서 과정을 통해 설계된 시뮬레이션 시나리오를 동일 조건에서 서로 다른 난수(seed)를 활용하여 30번 수행하였고, 시나리오별 시뮬레이션 결과를 도출 및 정리하였다. 시뮬레이션 수행은 네트워크에 차량이 모두 진입하여 통행하기까지의 준비 시간 10분 이후, 1시간 동안 이루어졌다. 분석 결과로는 본 연구의 혼합 교통류 평가지표로 활용하기 위해 전체 네트워크의 평균 지체시간(Delay), 평균 통행시간, 그리고 평균 통행속도를 계산하였다. 또한, 전체 교통류의 평균값과 함께 HDV 차량과 AV 차량별 평균 결과를 구분하여 도출함으로써 자율주행 수준 또는 차량 종류별 경향성을 종합적으로 분석하였다. 더 나아가, VISSIM 시뮬레이션의 Node Results를 통해 앞서 언급한 교차로 중 주요 교차로인 수성중사거리, 장안문로터리, 종로사거리를 분석하여 교차로 특성과 AV 혼입에 따른 교통 흐름의 영향을 비교하였다. 팔달문로터리는 신호현시와 같은 교통 제어가 없고 편도 3차로로 타 교차로와 비교하여 많은 교통량을 수용할 수 있으며, 시뮬레이션 내에서 지체가 발생하지 않았기 때문에, 분석 대상에서 제외하였다. Node의 네트워크 성능 분석 지표로는 평균 대기행렬 길이(Queue Length), 평균 통과교통량, 평균 지체시간을 산출하였다.
분석 결과
1. 시나리오별 AV 자율주행 수준 및 혼입률에 따른 네트워크 영향 분석
주어진 31개의 시나리오를 통해 제시된 세 가지 AV 자율주행 수준별로 다양한 AV 혼입률에 따른 평균 지체시간, 평균 통행시간, 평균 통행속도를 도출하여 비교 및 분석하였다. 분석 결과를 정리하여 Figure 5와 Table 6으로 나타내었다. 자율주행 수준으로 구분된 시나리오별 전체 차량, HDV 차량, AV 차량의 평균값을 각각 산출하여 서로 다른 선 그래프로 제시하였다. AV 혼입률에 따른 자율주행 수준별 평균 지체시간, 평균 통행시간, 평균 통행속도의 변화를 Figure 5(a), (b), (c)를 통해 관찰하였다. 시나리오 결과의 수치는 Table 6에 정리하였으며, 30회 반복한 결과의 통계적 유의성을 확인하기 위한 유의확률(p-value)과 기준 시나리오의 결과를 기준으로 각 시나리오의 증감률(Change) 또한 함께 나타내었다. 본 연구에서는 시나리오 분석 결과가 통계적으로 유의미한 차이를 보이는지 확인하고자 윌콕슨 부호순위검정을 사용하였다. 기준 시나리오와 AV가 혼입된 시나리오의 차이를 검정하였으며, 거의 모든 결과의 유의확률이 0.05 이하임을 통해 제시한 분석 결과가 통계적으로 유의미하다는 것을 확인하였다.
평균 지체시간은 교차로에 진입하여 신호현시의 통제로 인해 지체된 시간의 평균을 의미하며, 네트워크 내 모든 교차로의 영향을 받는다. 기준 시나리오의 평균 지체시간은 128.81초로 서비스 수준 F 정도의 과도한 지체 상황임을 알 수 있었다. ‘Level 3 Cautious’ AV의 경우, 혼입률이 증가할수록 오히려 평균 지체시간이 증가하였다. 모든 차량이 ‘Level 3 Cautious’ AV로 변경된 경우, 네트워크의 평균 지체시간은 144.85초로 기준 시나리오보다 약 12.5% 증가하였다. 이는 불안정한 자율주행 기술과 보수적인 운전행태를 고려한 AV가 도입되었을 때, 교통 흐름을 저해시킬 수 있는 것으로 해석된다. ‘Level 3 Normal’ AV와 ‘Level 4 CAV’ AV는 혼입률의 증가에 따라 평균 지체시간이 감소하는 것으로 나타났다. 네트워크 내 모든 차량이 ‘Level 3 Normal’ AV로 대체된 경우는 기준 시나리오의 평균 지체시간보다 약 10.6% 감소하였고, ‘Level 4 CAV’ AV로 대체된 경우는 약 29.6% 감소하였다. ‘Level 4 CAV’의 경우, 혼입률이 60%까지는 평균 지체시간이 완만한 감소 폭을 보이다가, 이후 지체시간이 크게 감소하는 모습을 보여주었다. 이는 ‘Level 4 CAV’ AV는 AV 간 통신이 가능하여 짧은 차간 간격으로 주행하는 AV가 증가함에 따라 도시 네트워크에서 교통 흐름이 원활해지기 때문으로 해석된다. 차량별 평균 지체시간의 변화를 관찰한 결과, 전반적으로 모든 차량에서 공통적인 경향으로 평균 지체시간의 감소 또는 증가가 나타남을 알 수 있었다.
평균 통행시간은 차량이 전체 네트워크에 들어오고 나가기까지 통행하며 소요한 시간의 평균을 의미한다. 분석 결과, 자율주행 수준별 평균 통행시간의 변화는 앞서 살펴보았던 평균 지체시간과 매우 유사한 경향성을 가짐을 확인하였다. 기준 시나리오의 평균 통행시간인 229.10초로부터 ‘Level 3 Cautious’ AV는 혼입률이 증가할수록 평균 통행시간이 증가하였고, ‘Level 3 Normal’ AV와 ‘Level 4 CAV’ AV는 반대로 감소하였다. 모든 차량이 AV로 대체된 시나리오에서 ‘Level 3 Cautious’ AV는 약 6.7% 증가, ‘Level 3 Normal’ AV는 약 7.1% 감소, ‘Level 4 CAV’ AV는 약 18.7% 감소하였다. 혼입률에 따른 차량별(HDV 또는 AV) 변화 추이는 전반적으로 비슷하였다. ‘Level 4 CAV’ AV의 경우, 혼입률 70% 이상부터 눈에 띄게 감소하는 특징 또한 평균 지체시간 결과와 비슷하였다. 본 결과를 통해 고도화된 기술이 탑재된 높은 자율주행 수준의 AV 도입이 도심 네트워크의 교통 흐름을 원활하게 하고, 개선 효과를 증대할 수 있음을 알 수 있었다.
기준 시나리오의 평균 통행속도는 19.16km/h로 도심 네트워크 내 차량이 신호 대기 등으로 인해 낮은 속도를 주행하고 있음을 알 수 있었다. 차량별 평균 통행속도의 감소 또는 증가 양상은 동일하다고 판단하였다. ‘Level 3 Cautious’ AV 시나리오의 경우, 혼입률이 증가할수록 평균 통행속도가 감소하여 앞선 결과와 마찬가지로 교통 흐름에 부정적인 영향을 보였다. AV가 100% 혼입된 시나리오의 평균 통행속도는 기준 시나리오보다 약 6.6%가 감소하였다. 반대로, ‘Level 3 Normal’ AV와 ‘Level 4 CAV’ AV는 혼입률의 증가에 따라 평균 통행속도가 증가하는 결과를 보였다. 모든 차량이 ‘Level 3 Normal’ AV인 경우는 평균 통행속도가 약 8.7%, ‘Level 4 CAV’ AV인 경우는 약 24.7% 증가하였다. 이는 높은 자율주행 수준(Level 4 CAV)의 AV 도입이 교통 흐름을 개선할 수 있음을 나타낸다. 네트워크 영향을 보여주는 지표로 평균 통행속도는 평균 지체시간, 평균 통행시간과 완전히 반대된 결과를 보여주었다. 그래프와 증감률 역시 상반되는 결과를 보여주었으나, 자율주행 수준별 네트워크 영향에 대한 경향성은 일치함을 알 수 있었다. 모든 지표를 고려하여 최종적으로, AV의 자율주행 수준이 높아질수록, AV의 혼입률이 증가할수록 AV의 도입이 신호교차로 네트워크에 긍정적인 영향을 미치는 것을 확인하였다.
Table 6.
Average delay for AV level scenarios on different AV penetration rate
|
AV penetration rate [%] | Average delay [s] (p-value*, change**) | ||
| Level 3 Cautious | Level 3 Normal | Level 4 CAV | |
| 0 | 128.81 (0.0, 0.0) | 128.81 (0.0, 0.0) | 128.81 (0.0, 0.0) |
| 10 | 129.47 (0.004, +0.51) | 128.14 (0.003, -0.52) | 128.02 (0.004, -0.61) |
| 20 | 130.12 (0.0, +1.02) | 127.08 (0.0, -1.34) | 126.95 (0.0, -1.44) |
| 30 | 131.01 (0.0, +1.71) | 125.97 (0.0, -2.20) | 125.87 (0.0, -2.28) |
| 40 | 131.80 (0.0, +2.32) | 124.65 (0.0, -3.23) | 124.40 (0.0, -3.42) |
| 50 | 132.82 (0.0, +3.11) | 123.65 (0.0, -4.01) | 122.06 (0.0, -5.24) |
| 60 | 134.67 (0.0, +4.55) | 122.67 (0.0, -4.77) | 119.67 (0.0, -7.10) |
| 70 | 136.42 (0.0, +5.91) | 121.37 (0.0, -5.78) | 116.47 (0.0, -9.58) |
| 80 | 139.12 (0.0, +8.00) | 119.66 (0.0, -7.10) | 109.73 (0.0, -14.81) |
| 90 | 140.67 (0.0, +9.21) | 117.43 (0.0, -8.83) | 100.54 (0.0, -21.95) |
| 100 | 144.85 (0.0, +12.45) | 115.20 (0.0, -10.57) | 90.72 (0.0, -29.57) |
|
AV penetration rate [%] | Average travel time [s] (p-value*, change**) | ||
| Level 3 Cautious | Level 3 Normal | Level 4 CAV | |
| 0 | 229.10 (0.0, 0.0) | 229.10 (0.0, 0.0) | 229.10 (0.0, 0.0) |
| 10 | 229.56 (0.055***, +0.20) | 228.25 (0.007, -0.37) | 228.14 (0.002, -0.42) |
| 20 | 230.06 (0.002, +0.42) | 226.93 (0.0, -0.95) | 226.85 (0.0, -0.98) |
| 30 | 230.80 (0.0, +0.74) | 225.53 (0.0, -1.56) | 225.44 (0.0, -1.60) |
| 40 | 231.39 (0.0, +1.00) | 223.87 (0.0, -2.28) | 223.67 (0.0, -2.37) |
| 50 | 232.31 (0.0, +1.40) | 222.68 (0.0, -2.80) | 221.09 (0.0, -3.50) |
| 60 | 234.05 (0.0, +2.16) | 221.48 (0.0, -3.33) | 218.37 (0.0, -4.68) |
| 70 | 235.76 (0.0, +2.91) | 219.94 (0.0, -4.00) | 214.69 (0.0, -6.29) |
| 80 | 238.47 (0.0, +4.09) | 217.82 (0.0, -4.92) | 207.28 (0.0, -9.52) |
| 90 | 239.78 (0.0, +4.66) | 215.29 (0.0, -6.03) | 197.13 (0.0, -13.96) |
| 100 | 244.36 (0.0, +6.66) | 212.73 (0.0, -7.15) | 186.18 (0.0, -18.73) |
|
AV penetration rate [%] | Average travel speed [km/h] (p-value*, change**) | ||
| Level 3 Cautious | Level 3 Normal | Level 4 CAV | |
| 0 | 19.16 (0.0, 0.0) | 19.16 (0.0, 0.0) | 19.16 (0.0, 0.0) |
| 10 | 19.10 (0.013, -0.31) | 19.24 (0.0, +0.42) | 19.26 (0.0, +0.52) |
| 20 | 19.06 (0.0, -0.52) | 19.36 (0.0, +1.05) | 19.38 (0.0, +1.15) |
| 30 | 18.99 (0.0, -0.89) | 19.49 (0.0, +1.72) | 19.50 (0.0, +1.77) |
| 40 | 18.93 (0.0, -1.20) | 19.64 (0.0, +2.51) | 19.67 (0.0, +2.66) |
| 50 | 18.85 (0.0, -1.62) | 19.76 (0.0, +3.13) | 19.92 (0.0, +3.97) |
| 60 | 18.69 (0.0, -2.45) | 19.88 (0.0, +3.76) | 20.19 (0.0, +5.39) |
| 70 | 18.55 (0.0, -3.18) | 20.05 (0.0, +4.65) | 20.56 (0.0, +7.31) |
| 80 | 18.34 (0.0, -4.28) | 20.25 (0.0, +5.69) | 21.37 (0.0, +11.53) |
| 90 | 18.21 (0.0, -4.96) | 20.53 (0.0, +7.15) | 22.52 (0.0, +17.54) |
| 100 | 17.89 (0.0, -6.63) | 20.82 (0.0, +8.66) | 23.89 (0.0, +24.69) |
2. 교차로 별 AV 자율주행 수준 및 혼입률에 따른 네트워크 영향 분석
본 연구에서는 시나리오별 네트워크 전체의 교통 흐름 변화를 분석할 뿐만 아니라, 주요 교차로를 노드로 설정하여 노드별 AV 도입이 미치는 영향에 대해 비교 및 분석하였다. 연구 대상 교차로로 수성중사거리, 장안문로터리, 중동사거리를 선정하였고, 교차로 내 교통 흐름을 나타낼 수 있는 지표로 평균 대기행렬 길이, 평균 통과교통량, 평균 지체시간을 산출하였다. 시나리오 분석 결과를 지표별로 정리하여 Figure 6으로 도식화하였다.
Figure 6(a)는 교차로 별 자율주행 수준, 혼입률에 따른 평균 대기행렬 길이의 변화를 나타내었다. 그래프 Y축은 120m까지로 설정하였다. 기준 시나리오의 평균 대기행렬 길이는 수성중사거리에서 37.84m, 장안문로터리에서 106.6m, 종로사거리에서 25.7m였다. 모든 교차로에서 ‘Level 3 Cautious’ AV 도입은 미미한 영향을 끼쳤으며, 심지어 대기행렬 길이가 증가하여 교통 흐름이 저해되는 것을 확인하였다. 종로사거리의 경우, ‘Level 3 Cautious’ AV가 100% 도입되었을 때, 평균 대기행렬 길이가 33.08m로 약 28.7% 증가하였다. ‘Level 3 Normal’ AV와 ‘Level 4 CAV’ AV의 도입은 모든 교차로에서 혼입률 증가에 따라 평균 대기행렬 길이가 줄어드는 것을 알 수 있었다. ‘Level 4 CAV’ AV가 100% 도입된 경우, 수성중사거리는 28.19m, 장안문로터리는 59.73m, 종로사거리는 17.69m의 평균 대기행렬 길이를 나타내어 각 25.5%, 43.9%, 31.1%의 감소를 보여주었다. 이를 통해 높은 자율주행 수준의 AV 혼입률 증가는 교차로 내 평균 대기행렬 길이를 감소시킬 수 있으며, 이는 교차로 내 할당된 신호현시에 더 많은 차량이 빠져나갈 수 있음을 시사하였다.
두 번째로 교차로 별 평균 통과교통량을 구하여 교차로 내 AV 도입 효과를 평가하였다. 통과교통량은 시뮬레이션 동안 교차로 노드에 진입하고 진출한 차량 수를 산출한 값으로, 시나리오 결과를 Figure 6(b)에 정리하였다. 모든 교차로의 통과교통량을 잘 비교할 수 있도록 그래프 Y축을 2,400대/시에서 4,000대/시로 설정하였다. 기준 시나리오의 평균 통과교통량은 수성중사거리에서 3,460대/시로 가장 많았고, 장안문로터리에서 2,646대/시, 종로사거리에서 2,634대/시를 기록하였다. ‘Level 3 Cautious’ AV의 도입은 미미한 통과교통량의 감소를 나타내었다. 장안문로터리의 경우, ‘Level 3 Cautious’ AV가 100% 도입하여 통과교통량이 2,552대/시로 약 3.6%가 감소한 것이 확인되었다. ‘Level 3 Normal’ AV과 ‘Level 4 CAV’ AV의 도입은 모든 교차로의 평균 통과교통량을 증가시켰으나 증가 폭은 매우 작은 것으로 분석되었다. 장안문로터리 교차로만 예외적으로 눈에 띄는 변화를 보여주었다. 구체적으로 ‘Level 3 Normal’ AV가 100% 도입 시 기준 시나리오보다 약 3.0% 증가한 2,726대/시, ‘Level 4 CAV’ AV가 100% 도입 시 기준 시나리오보다 약 8.4% 증가한 2,868대/시의 평균 통과교통량을 나타내었다. 본 결과를 통해 자율주행 수준과 혼입률이 증가할수록 교차로 내 처리할 수 있는 교통량이 증가한다는 결과를 알 수 있었다.
마지막으로 교차로별 평균 지체시간을 산출하여 Figure 6(c)로 나타내었다. 그래프의 Y축은 100초까지 설정하여 서로 다룬다. 평균 지체시간은 시뮬레이션 동안의 차량당 제어지체를 종합하여 교차로 전체에 대한 평균지체를 계산하고, 30번의 결과를 평균하여 산출되었다. 기준 시나리오의 평균 지체시간은 수성중사거리 41.53초, 장안문로터리 76.78초, 종로사거리 31.93초를 기록하였다. 이를 통해 기존 시뮬레이션 상에서 수성중사거리와 종로사거리 신호교차로는 서비스수준 C에, 장안문로터리 신호교차로는 서비스수준 E에 해당함을 알 수 있었다. ‘Level 3 Cautious’ AV의 도입은 모든 교차로에서 평균 지체시간을 오히려 증가시켜 교통 흐름을 저해하는 것으로 분석되었다. ‘Level 3 Normal’ AV의 도입은 혼입률이 증가할수록 점진적인 평균 지체시간의 감소를 나타내었고, ‘Level 4 CAV’ AV의 도입은 더욱 효과적으로 평균 지체시간을 감소시켰다. 최종적으로 높은 자율주행 수준의 AV가 신호교차로 내 많이 혼입할수록 교통 혼잡을 줄이고 교통 흐름에 긍정적인 영향을 미친다는 결과를 도출하였다.
지금까지 다양한 AV 혼입 시나리오 기반 교차로 별 여러 네트워크 성능 지표를 분석하였다. 공통으로 ‘Level 4 CAV’ AV와 같은 높은 수준의 자율주행 및 통신 기술이 탑재된 AV의 도입이 교차로의 교통 흐름에 좋은 영향을 끼친다는 것을 알 수 있었다. 높은 자율주행 수준의 AV 도입은 신호교차로에서 처리할 수 있는 교통량을 높이고 차량간 대기행렬 길이와 지체시간을 줄이는 결과를 보여주었다. 네트워크 성능 지표의 변화량을 교차로 별로 비교하면 장안문로터리 교차로가 큰 변화폭을 보였는데, 이는 다른 두 교차로보다 교통 흐름이 불안정하고 혼잡한 상태인 교차로인 것이 원인으로 파악된다. 이를 통해 진·출입하는 교통량, 신호현시 등 각 교차로의 특성에 따라 AV의 도입이 주는 영향의 민감도가 다르고 자율주행 수준과 혼입률에 따라 네트워크의 교통 흐름이 다양하게 변화됨을 알 수 있었다. 또한, 서비스수준이 높고 혼잡한 상황의 교차로에서 자율주행 수준 및 혼입률에 따른 AV의 도입이 교통 흐름 완화에 큰 영향을 미치는 것으로 전망된다.
3. 미래 시장점유율에 따른 AV 도입 시나리오의 네트워크 영향 분석
앞서 제시한 다양한 AV의 자율주행 수준과 혼입률에 따른 시나리오 분석과 더불어 우리는 미래의 AV 시장점유율을 기준으로 여러 자율주행 수준의 AV가 동시에 혼합된 시나리오 분석을 진행하였다. 2020년은 모든 차량이 HDV인 기준 시나리오로 가정하였고, Figure 4의 비율로 세 종류(HDV, ‘Level 3 Normal’ AV, ‘Level 4 CAV’ AV)의 차량이 혼입된 시나리오를 고려하였다. 네트워크 성능 지표로는 본 연구에서 살펴보았던 평균 지체시간, 평균 통행시간, 평균 통행속도를 활용하였다.
시뮬레이션 결과를 정리하면 Figure 7과 Table 7과 같다. Figure 7은 이전에 분석한 시나리오와 동일한 Y축 범위로 나타내었으며, HDV와 AV의 평균값을 구분하여 막대그래프로 도식화하였다. Table 7을 통해 미래 시장점유율에 따른 네트워크 영향을 나타내는 지표의 값과 2020년 기준 시나리오와의 증감률을 함께 나타내었다. 분석 결과, 예측된 시장점유율이 낮아 큰 차이는 보이지 않으나 점진적으로 네트워크의 교통 흐름이 좋아지는 것을 확인하였다. HDV의 평균값과 AV의 평균값 차이는 매우 작아 종합적인 결과임을 확인하였다. 구체적으로 2035년 기준, ‘Level 3 Normal’ AV가 전체의 13%, ‘Level 4 CAV’ AV가 전체의 3% 도입된 시나리오는 2020년 기준 시나리오로부터 평균 지체시간은 약 1.1% 감소, 평균 통행시간은 약 0.8% 감소, 평균 통행속도는 약 0.8% 증가라는 결과를 보여주었다. 문헌 검토를 통해 제시된 시나리오의 AV 도입 효과는 미미하지만, 네트워크 성능 향상의 가능성을 충분히 보여주고 있어 향후 정책입안자 또는 AV 이용자에게 교통 네트워크의 AV 도입에 대한 긍정적인 인식을 제공할 것이다.
Table 7.
Impacts of the introduction of AVs for future AV market penetration scenarios (2020, 2025, 2030, 2035)
결론
본 연구에서 우리는 다양한 신호교차로가 포함된 도시 네트워크 내 AV와 HDV의 혼합 교통류의 특성을 파악하기 위해 AV의 자율주행 수준과 혼입률이 네트워크 교통 흐름에 미치는 영향을 분석하였다. AV의 자동화 기술 수준을 고려하여 ‘Level 3 Cautious’, ‘Level 3 Normal’, ‘Level 4 CAV’, 이렇게 세 가지 자율주행 수준을 구분하고 다양한 AV 혼입률을 고려하여 시뮬레이션 시나리오를 설계하였다. 미시적 교통 시뮬레이션을 수행하여 분석 결과로 시나리오별 평균 지체시간, 통행시간, 통행속도를 도출하였다. 또한, 교차로 별로 평균 대기행렬길이, 통과교통량과 지체시간을 측정하여 다양한 교차로 특성이 고려된 AV의 도입 효과를 분석하였다. 마지막으로 미래 예측된 AV의 시장점유율에 근거하여 HDV와 ‘Level 3 Cautious’ AV, ‘Level 4 CAV’ AV가 동시에 혼입된 세 가지 시나리오를 비교하였다. 분석 결과, ‘Level 3 Cautious’ AV의 도입은 평균 지체시간과 통행시간의 증가, 통행속도의 감소 등을 통해 기존 네트워크에 부정적인 영향을 끼친다는 것을 알 수 있었다. ‘Level 4 CAV’ AV의 도입은 CAV 기술이 반영되어 혼입률이 증가할수록 교통 흐름이 안정적이고 효율적으로 개선되는 결과를 보였다. 교차로 별 시나리오 분석 결과를 통해 교차로 특성에 따라 AV 도입이 주는 영향의 민감도가 다르다는 것을 확인하였고, 교통 혼잡이 심한 교차로일수록 자율주행 수준 및 혼입률의 증가가 큰 영향을 끼친다는 것을 파악하였다. 미래 AV 시장점유율 기반 시나리오를 통해 기술의 발전으로 높은 자율주행 수준의 AV 도입이 앞당겨진다면 더욱 빠르게 안정적이고 효율적인 혼합 교통 시스템을 구축할 수 있을 것으로 전망한다. 본 연구는 다양한 자율주행 수준의 AV 도입 효과를 제시함으로써 자율주행 기술 발전에 맞춰 등장하게 될 혼합 교통류의 교통 흐름 변화를 선구적으로 관찰하였다. 이를 통해 신호교차로 네트워크의 혼합 교통류를 최적으로 운영하기 위해 더 높은 자율주행 기술을 탑재한 AV를 도입하는 것을 제안한다.
본 연구의 한계를 극복하기 위한 향후 연구로는 다음과 같다. 첫 번째, 본 연구에서는 미래 시장점유율에 근거한 다양한 자율주행 수준의 AV가 혼재하는 시나리오를 고려하였지만, 시나리오 내 AV 혼입률이 낮아 네트워크 영향을 파악하기 어려웠다. 따라서, 향후 연구로 AV의 기술과 시장이 충분히 발전하여 AV가 상용화된 네트워크를 가정하고, 더욱 다양한 자율주행 수준의 AV가 혼입된 시나리오를 설계하여 시뮬레이션 연구를 진행할 수 있다. 두 번째, 본 연구에서 활용한 AV 관련 매개변수의 불확실성을 보완할 필요가 있다. 우리는 유럽의 혼합 교통류 프로젝트의 결과를 연구에 적용하였지만, 선행연구마다 시뮬레이션 매개변수를 다양하게 제시하고 있다. 향후 연구로서 국내 자율주행차량 및 인프라 기술의 실증 연구 결과를 수집하여 국내 자율주행 수준에 맞는 새로운 자율주행 매개변수를 설정할 수 있다. 세 번째, 본 연구는 대한민국 수원시의 도로 네트워크를 구축하여 시뮬레이션을 수행하였으나, 제시된 네트워크가 반경 2.3km로 규모가 작고 세로축의 통행이 주축이 되어 분석의 경향성에 영향을 끼쳤을 가능성이 있다. 향후 연구로 더 넓은 도로 네트워크로 확장하여 다양한 교차로(비신호교차로, 로터리 등), 신호현시, 속도 제한 구역(어린이 보호구역 등)을 고려한 구체적인 도시 네트워크 혼합 교통류 연구를 진행할 예정이다.
