서론
선행연구 검토
1. 자율주행 공개 데이터셋
2. 주행환경 복잡도(DEC) 및 운행설계영역(ODD)
분석 데이터 및 방법론
1. 분석 대상 데이터셋
2. 주행환경 복잡도(DEC) 지표 체계
3. 분석 절차
분석 결과
1. 프레임당 객체 수(OPF) 순위 및 통계 검정
2. 주행환경 복잡도 지표(TCE･CCI･VRU%) 비교
3. ISO 34503 운행설계영역(ODD) 조건별 분석
4. 충돌까지의 시간(TTC)･충돌회피 감속도(DRAC) 실측 결과
결론
서론
자율주행 시스템(Automated Driving System, ADS)의 안전성은 얼마나 다양하고 복잡한 주행환경을 경험하고 실증하였는가에 따라 고도화될 수 있다. 주행 중인 자율주행차(ego vehicle) 주변의 객체 수･교통수단 구성･취약 도로 이용자(Vulnerable Road User, VRU) 출현 빈도가 인지･판단･제어의 난이도를 결정하므로, 운행설계영역(Operational Design Domain, ODD) 확장을 위해서는 이러한 주행환경 복잡도를 정량적으로 평가하는 것이 필요하다.
기존 자율주행 공개 데이터셋 연구는 객체 탐지･추적 알고리즘의 학습 위주로 집중되어 왔으며(Sun et al., 2020; Caesar et al., 2020; Mao et al., 2021), 각 데이터셋이 수집된 주행환경의 복잡도를 비교하는 연구는 시도되지 않았다. 이와 관련하여 미국･중국･싱가포르 등 해외에서 수집된 데이터셋과 국내 데이터셋 간 주행환경 복잡도 수준 차이를 실증적으로 파악한 연구는 부재한 실정이다. 우리나라에서 자율주행 시범 운행이 확대되고 있으나, 국내에서 수집된 자율주행 데이터가 반영하는 주행환경 복잡도가 해외 데이터셋 대비 어떤 수준인지, 특히 국내 자율주행 시스템이 보행자･이륜차 등 취약 도로 이용자(Vulnerable Road User, VRU)가 혼재하는 복잡한 환경에서 실제로 운행되고 있는지에 대한 실증적 근거는 마련되어 있지 않다.
본 연구에서 주행환경 복잡도(Driving Environment Complexity, DEC)는 특정 시점에 ADS가 마주하는 교통 참여자(차량･보행자･자전거･이륜차)의 밀도, 유형 구성의 다양성, VRU의 노출 수준을 종합적으로 정량화한 것으로 정의한다. 이는 ADS가 처리해야 할 주행환경의 구조적 복잡성을 측정하는 개념이다.
본 연구의 목적은 다음의 세 가지이다. 첫째, 공개 자율주행 데이터셋 기반 주행환경 복잡도(DEC) 지표 체계인 프레임당 객체 수(Objects Per Frame, OPF)･교통 참여자 구성 다양성(Traffic Composition Entropy, TCE)･복합복잡도지수(Composite Complexity Index, CCI)･취약 도로 이용자 비율(Vulnerable Road User ratio, VRU%)을 설계하고 6개 데이터셋에 적용한다. 둘째, ISO 34503:2023 운행설계영역(Operational Design Domain, ODD) 분류체계(Scenery･Environmental･Dynamic)를 적용하여 도로 유형･시간대별 복잡도 변화를 실증 분석하고, AI Hub(KR) 메타데이터를 활용하여 날씨 조건별 복잡도 경향을 검토한다. 셋째, 대리안전지표(Surrogate Safety Measures, SSM)를 실측하여 국내 자율주행 ODD 확장을 위한 정책 시사점을 도출한다. 대리안전지표(SSM)란 실제 충돌 사고 데이터 없이 교통 궤적 데이터만으로 충돌 위험을 정량화하는 지표군이다. 본 연구에서는 충돌까지의 시간(Time-To-Collision, TTC)과 충돌회피 감속도(Deceleration Rate to Avoid Crash, DRAC)를 핵심 지표로 활용한다. 충돌까지의 시간(TTC(단위: second))은 두 객체가 현재 속도를 유지할 경우 충돌까지 남은 시간으로, 값이 작을수록 즉각적인 회피 판단이 필요한 상황을 의미한다. 충돌회피 감속도(DRAC(단위: m/s2))는 충돌을 피하기 위해 필요한 최소 감속도로, 값이 클수록 급제동이 필요한 위급 상황을 나타낸다.
본 연구는 기존 연구와 세 가지 측면에서 차별화된다. 첫째, 기존 연구가 단일 또는 2개 데이터셋을 대상으로 알고리즘 학습에 집중한 반면, 본 연구는 6개 데이터셋을 동시에 비교한다. 둘째, 기존 복잡도 연구(Yu et al., 2021; Huang et al., 2024)가 단일 데이터셋 엔트로피 분석에 한정된 반면, 본 연구는 앞서 언급한 4개 지표를 적용하여 주행환경을 비교한다. 셋째, 본 연구는 ISO 34503:2023 분류체계에 기반한 정량적 ODD 연계와 실측 데이터셋 기반 충돌까지의 시간(Time-To-Collision, TTC)･충돌회피 감속도(Deceleration Rate to Avoid Crash, DRAC) 분석을 수행한다.
선행연구 검토
1. 자율주행 공개 데이터셋
웨이모 공개 데이터셋(Waymo Open Dataset, Sun et al., 2020)은 웨이모사(Waymo LLC, Google 계열)가 미국 피닉스･샌프란시스코･마운틴뷰 도심에서 수집한 대규모 3D 어노테이션 데이터셋으로, 탐지된 각 교통 참여자의 속도(vx, vy: x･y축 방향 속도 성분) 정보를 제공한다. 뉴씬즈(nuScenes (Caesar et al., 2020))는 모셔널(Motional (Aptiv･현대자동차 합작))이 싱가포르와 보스턴에서 수집한 데이터이며 23개의 클래스와 속도정보가 있다. 본 연구에서는 싱가포르 데이터만 활용하였다. ONCE(Mao et al., 2021)는 중국 연구 컨소시엄이 중국 도시에서 수집한 100만 씬 규모 데이터셋을 의미하며 명칭 자체가 규모(One Million Scenes)를 뜻한다.
국내 데이터는 3개를 수집, 분석하였는데 한국지능정보사회진흥원(NIA, 2022)이 AI Hub(KR)를 통해 세종･대구･울산 도심에서 수집한 ‘승용 자율주행차 주간 도심 도로 데이터’를 이용하였다. 그리고 경기도 공공데이터포털(Gyeonggi Data Dream, 2025)(data.gg.go.kr)은 판교 일대에서 128채널 LiDAR(Light Detection and Ranging)로 수집한 3D 어노테이션 데이터(GGData(KR))를 공개하고 있다. 42dot(KR)(42dot Inc., 2022)은 국내 다양한 도심 도로 환경에서 카메라 3대로 수집한 연속 주행 데이터셋으로, 2D 어노테이션과 객체 고유번호(Track ID)를 포함한다.
이들 6개 데이터셋은 센서 종류(LiDAR 3D･카메라 2D), 초당 프레임 수(Frames Per Second, FPS), 수집 국가, 어노테이션 클래스 체계 등에서 이질성이 존재할 수 있다. 본 연구는 이러한 데이터셋 간 이질성 유형을 먼저 파악하고, 주행환경 복잡도(Driving Environment Complexity, DEC) 지표별로 비교 가능한 데이터셋을 중심으로 비교를 수행한다.
2. 주행환경 복잡도(DEC) 및 운행설계영역(ODD)
주행환경 복잡도(Driving Environment Complexity, DEC)를 정량화한 선행연구는 많지 않으나 대표적으로 다음 사례를 들 수 있다. Yu et al.(2021)은 자율주행차 안전성을 테스트하려면 복잡한 시나리오를 선별해야 하는데 기존에는 어떤 시나리오가 복잡한지를 객관적으로 판단할 방법이 없었다는 문제의식에서 출발하였다. 이를 위해 주변 차량의 수･유형 구성･상호 간섭 관계를 Shannon 엔트로피로 수치화하여 주행환경 복잡도(DEC)를 정량적으로 표현하는 프레임워크를 제안하였다. 상하이 현장 운행 데이터(Field Operational Test, FOT)에 적용한 결과, 시나리오 유형에 따른 복잡도 차이를 확인하였으며 모델 산출값과 운전자 주관적 판단 간 높은 일치성을 검증하였다. Huang et al.(2024)은 도로 구조(차로 수･교차로 형태 등)와 차량 밀도･속도 분산 등 교통 요소를 엔트로피로 통합하여 주행환경 복잡도를 다차원으로 정량화하는 모델을 제안하였다. 미국 고속도로 데이터(NGSim)에 적용한 결과, 기존 방법으로는 같은 등급으로 분류되던 차량추종 시나리오(복잡도 1.51)와 끼어들기 시나리오(복잡도 2.43)를 수치로 명확히 구분하는 데 성공하였다. 본 연구의 교통 참여자 구성 다양성(TCE) 지표는 Shannon 엔트로피를 교통 참여자 유형 구성에 적용한다는 점에서 Huang et al.(2024)과 수학적 기반을 공유하나, 6개 국제 데이터셋 간 교통 구성 다양성 비교로 적용 범위를 확장하였다는 점에서 차별화된다.
대리안전지표(Surrogate Safety Measures, SSM) 분야에서 Arun et al.(2021)은 충돌까지의 시간(Time-To-Collision, TTC)･충돌회피 감속도(Deceleration Rate to Avoid Crash, DRAC) 등 대리안전지표를 체계적으로 분류하였으며, Minderhoud and Bovy(2001)는 위험노출시간(Time Exposed to TTC, TET)･위험적분시간(Time Integrated TTC, TIT) 개념을 제안한 바 있다. 최근 Das et al.(2023)은 자율주행차･커넥티드차를 포함한 혼합교통 환경에서 대리안전지표(SSM)의 개발･적용 현황과 한계를 체계적으로 검토한 바 있다. 본 연구는 이러한 SSM 체계를 실측 데이터셋에 적용하여 운행설계영역(Operational Design Domain, ODD) 확장을 위한 정량적 안전 지표를 도출한다.
ISO 34503:2023(ISO, 2023)은 자율주행 시스템(ADS)의 운행설계영역(ODD) 정의를 위한 운행 조건 분류체계를 규정하는 국제 표준으로, 세 가지 축으로 구성된다. 첫째, 배경 요소(Scenery, Clause 9)는 도로 구조･차로 수･교차로 형태 등 물리적으로 고정된 정적 환경이다. 둘째, 환경 조건(Environmental, Clause 10)은 강우･강설 등 기상 조건과 주간･박명･야간 등 조도 조건처럼 시간에 따라 변화하는 가변적 외부 환경이다. 셋째, 동적 요소(Dynamic, Clause 11)는 차량･보행자･이륜차 등 이동하는 교통 참여자로, 이들의 밀도･유형 구성･속도가 자율주행 시스템(ADS)의 인지･판단 난이도를 직접 결정한다. 이처럼 ISO 34503:2023의 3대 축은 본 연구의 분석 체계를 구성하는 핵심 분류 기준으로, 기존 단일 축 연구와의 차별점이 된다.
분석 데이터 및 방법론
1. 분석 대상 데이터셋
본 연구는 6개 공개 자율주행 데이터셋을 분석 대상으로 한다(Table 1). 자율주행 데이터셋에서 프레임(frame)이란 LiDAR(Light Detection and Ranging) 센서가 1회 회전하거나 카메라가 1회 촬영하여 수집한 단일 시점의 센서 데이터를 의미하며, 씬(scene)이란 연속된 프레임의 집합으로 하나의 주행 에피소드를 구성하는 단위다. 어노테이션(annotation)이란 각 프레임에서 탐지된 객체에 3D 바운딩 박스(직육면체 좌표)와 클래스 레이블을 부여한 정답 데이터를 의미한다. 본 연구는 원시 LiDAR 포인트 클라우드가 아닌 검수 완료된 어노테이션 파일을 직접 파싱하여 프레임 수준의 객체 정보를 추출한다.
Table 1.
Overview of six datasets
총 분석 대상은 약 61,543프레임, 약 116만 개 객체이다. Waymo(US)는 64채널 LiDAR 5대의 멀티센서 구성으로 가장 많은 객체(287,353개)를 탐지하였으며, 속도(velocity) 컬럼을 포함하고 있어 충돌까지의 시간(Time-To-Collision, TTC)을 직접 계산할 수 있다. ONCE(CN)는 40채널 LiDAR로 수집한 중국 도시 기반 데이터셋으로, 공개 어노테이션이 제공되는 학습･검증 데이터(10씬, 8,282프레임)를 분석에 활용하였다. 42dot(KR)은 유일한 카메라 기반 데이터셋(2D)으로 거리 측정이 불가하여 LiDAR 기반 5개 데이터셋과 절대적인 수치 비교는 어렵다. 그러나 거리 정보 없이도 산출 가능한 취약 도로 이용자 비율(Vulnerable Road User ratio, VRU%)과 교통 참여자 구성 다양성(Traffic Composition Entropy, TCE)을 통해 국내 도심 도로의 교통 환경 경향을 파악할 수 있다고 보고 분석 대상에 포함하였다. nuScenes(SG)는 초당 2프레임(Frames Per Second, FPS=2)으로 수집되어 타 데이터셋(10Hz) 대비 프레임 간격이 5배 길며, 383씬･씬당 40프레임의 연속 주행 구성으로 씬 단위 통계적 안정성이 높다. 보행자를 성인･어린이･휠체어 이용자 등 7종으로 세분화하고 있으며, 본 연구에서는 싱가포르 수집분(383씬)만 분석에 활용하였다. GGData(KR)는 128채널 LiDAR(탐지반경 260m)로 수집하였으며, 판교제로시티 전용구역을 운행한 자율주행셔틀(제로셔틀, 2,968프레임)과 동일 구역에서 데이터 수집을 목적으로 운행한 일반 차량(데이터취득차량, 16,400프레임)을 합산하였다. AI Hub(KR)는 씬당 4.8프레임의 시나리오 클립 방식으로 구성되어 있다. 시나리오 클립 방식이란 특정 교통 상황을 짧게 편집한 구간만 수집하는 방식으로, 연속 주행 중 발생하는 교통 참여자의 밀도 변화나 복잡도의 시간적 흐름을 포착하는 데 한계가 있다. 그러나 6개 데이터셋 중 날씨(weather)･도로 유형(road_type) 메타데이터를 보유한 유일한 데이터셋으로서, ISO 34503:2023 환경조건(Environmental)･배경 요소(Scenery) 분석이 가능하다는 점에서 분석 대상에 포함하였다.
6개 데이터셋은 초당 프레임 수(Frames Per Second, FPS)･센서 종류･수집 방식･클래스 체계가 상이하여 완전한 동질 비교는 구조적으로 어렵다. 따라서 본 연구는 이질성을 다음과 같이 처리하였다. 프레임당 객체 수(Objects Per Frame, OPF)와 복합복잡도지수(Composite Complexity Index, CCI)는 FPS･센서 종류의 영향을 받으므로 동일 조건(10Hz, LiDAR 3D) 데이터셋인 Waymo(US)･ONCE(CN)･GGData(KR)･AI Hub(KR)를 비교하며, nuScenes (SG)･42dot(KR)은 참고로 제시한다. 반면 취약 도로 이용자 비율(Vulnerable Road User ratio, VRU%)과 교통 참여자 구성 다양성(Traffic Composition Entropy, TCE)은 프레임 내 비율 기반 지표로 초당 프레임 수(FPS)･센서 종류의 영향을 받지 않아 6개 데이터셋 모두를 비교한다.
2. 주행환경 복잡도(DEC) 지표 체계
본 연구의 주행환경 복잡도(Driving Environment Complexity, DEC) 지표 체계는 4개 프레임 기준 지표로 구성하였다.
프레임당 객체 수(Objects Per Frame, OPF)는 자율주행차(ego vehicle) 기준으로 한 프레임(10Hz 기준 0.1초 간격)당 탐지된 평균 객체 수(단위: objects/frame)이다. 이 값은 특정 순간에 자율주행차 주변에 동시에 존재하는 교통 참여자의 수를 나타낸다. 프레임당 객체 수(OPF)가 48이면 주변에 차량･보행자･자전거 등 48개 객체가 동시에 존재하는 환경이고, 3이면 주변이 한산한 환경임을 의미한다. 프레임당 객체 수(OPF) 산출은 각 데이터셋의 실제 탐지 범위 전체를 대상으로 하였다. 만약 특정 거리 이내로 분석 범위를 제한할 경우, 고사양 멀티센서 구성인 Waymo(US)(64ch×5)는 센서 중첩 구역에서 씬마다 탐지 객체 수가 불규칙하게 달라져 오히려 통계적 안정성이 떨어질 수 있기 때문이다. 본 연구에 활용된 프레임당 객체 수(OPF)의 직접 비교 대상 4개 LiDAR 데이터셋의 최대 탐지 범위는 Waymo(US) 75m(Sun et al., 2020), ONCE(CN) 약 75m(Mao et al., 2021), AI Hub(KR) 200m 이상(NIA, 2022), GGData(KR) 260m(Gyeonggi Data Dream, 2025)이며, 각 데이터셋의 어노테이션은 해당 탐지 범위 내에서 수행되었다. 다만 50m는 프레임당 객체 수(OPF) 산출 기준이 아닌 비교 참조 기준으로만 활용하였다. 50m는 이 중 탐지 범위가 가장 제한적인 Waymo(US)･ONCE(CN)의 공통 하한으로, 모든 데이터셋에 적용 가능한 보수적 비교 참조 기준으로 설정하였다.
교통 참여자 구성 다양성(Traffic Composition Entropy, TCE)은 한 프레임 내 교통 참여자 유형별 비율의 Shannon 엔트로피(Shannon, 1948) 평균(단위: bit)이다. 이 값은 주변 객체가 얼마나 다양한 유형으로 혼재하는지를 나타낸다. 4개 클래스(차량･보행자･자전거･오토바이)가 동등한 비율로 혼재하면 Shannon 엔트로피식에 의해 log2(4) = 2.0bit로 최대 2.0bit, 차량만 존재하면 0bit이다.
복합복잡도지수(Composite Complexity Index, CCI)는 프레임당 객체 수(Objects Per Frame, OPF)×교통 참여자 구성 다양성(Traffic Composition Entropy, TCE)(단위: objects‧bit/frame)으로, 주변에 객체가 많으면서 동시에 유형도 다양할 때만 높은 값을 가지는 종합 지표이다. 차량만 가득한 환경은 프레임당 객체 수(OPF)가 높아도 교통 참여자 구성 다양성(TCE)이 0에 근접하여 복합복잡도지수(CCI)가 낮고, 교통 참여자 유형은 다양하지만 객체 수가 적은 환경은 교통 참여자 구성 다양성(TCE)이 높아도 프레임당 객체 수(OPF)가 낮아 복합복잡도지수(CCI)가 낮다.
취약 도로 이용자 비율(Vulnerable Road User ratio, VRU%)은 한 프레임 내 전체 객체 중 보행자･자전거･오토바이 등 취약 도로 이용자(Vulnerable Road User, VRU)가 차지하는 비율(단위: %)이다. 취약 도로 이용자 비율(VRU%)이 46.8%이면 탐지된 객체의 약 절반이 보행자･이륜차임을 의미하며 EU 일반안전규정(2019/2144) (European Parliament and Council, 2019)의 취약 도로 이용자(VRU) 정의에 기반하여 측정한다.
이상 4개 지표는 모두 ISO 34503:2023의 동적 요소(Dynamic) 축을 정량화하는 것을 핵심으로 설계되었으며, 각각 밀도･다양성･복합복잡도･취약성의 네 가지 독립적 복잡도 차원을 측정한다.
3. 분석 절차
분석 단계는 5단계로 진행하였다. 첫째, 데이터 파싱 및 프레임･씬을 추출하였다. 6개 데이터셋은 파일 형식이 모두 달라 각각 전용 Python 파싱 스크립트를 작성하였다. 씬 구분 방식도 데이터셋마다 달랐다. Waymo(US)･ONCE(CN)･nuScenes(SG)･AI Hub(KR)는 데이터셋 내 씬 구분을 그대로 활용하였고, GGData(KR)는 씬 구분이 없는 단일 주행 기록이므로 부트스트랩 통계 검정을 위해 200프레임(약 20초) 단위로 분할하였다. 데이터셋 간 씬당 프레임 수가 크게 상이하므로(Table 1 참조), 씬 단위보다 프레임당 객체 수(Objects Per Frame, OPF)를 기준으로 비교하는 것이 더 적합하다.
둘째, 전처리 및 필터링을 수행하였다. 객체까지의 거리는 3D 좌표에서 d=√(x2+y2)로 산출하였다. 교통 참여자 클래스는 차량･보행자･자전거･오토바이의 4개로 통일하였으며, 오토바이를 자전거와 별도 분류하지 않는 Waymo (US)･ONCE(CN)･42dot(KR)은 자전거 항목으로 통합하였다. ONCE(CN)는 정답이 공개된 학습･검증 데이터만 사용하였다. 객체가 없는 빈 프레임은 프레임당 객체 수(OPF) 과소 추정을 방지하기 위해 제외하였으며, 42dot(KR)은 카메라 3대가 동일 객체를 중복 기록하므로 객체 고유번호(Track ID) 기준으로 중복을 제거하여 실제 객체 수를 산출하였다.
셋째, 주행환경 복잡도(DEC) 지표를 산출하였다. 전처리된 데이터에서 4개 지표를 방법론 2절의 정의에 따라 산출하였다.
넷째, 프레임당 객체 수(OPF)의 통계적 신뢰도를 검증하기 위해 씬 단위 부트스트랩(Efron and Tibshirani, 1993)을 적용하였다. 각 데이터셋의 씬별 프레임당 객체 수(OPF)를 10,000회 반복 추출하여 95% 신뢰구간(Confidence Interval, CI)을 산출하고, CI가 겹치지 않으면 데이터셋 간 복잡도 차이가 통계적으로 유의미하다고 판단하였다. 변동계수(Coefficient of Variation, CV)는 씬 간 OPF 편차를 평균 대비 비율로 나타낸 값으로, 20% 미만이면 안정, 20~40%이면 주의, 40% 초과이면 불안정으로 분류하였다.
마지막으로 충돌까지의 시간(Time-To-Collision, TTC)과 충돌회피 감속도(Deceleration Rate to Avoid Crash, DRAC)를 산출하였다. TTC 계산은 속도(velocity) 컬럼을 보유한 Waymo(US)･nuScenes(SG) 2개 데이터셋에 한정하였다. 자율주행차 기준 상대 속도 벡터로 접근 속도(closing speed)를 계산하여 양수인 접근 중 객체만 분석 대상에 포함하였으며, 접근 속도 0.1m/s 이하의 정지 객체와 TTC 60초 초과의 극단값은 제외하였다. DRAC는 Δv2/(2×d)로 산출하며, 일반 승용차의 최대 제동력 기준인 3.35m/s2(Arun et al., 2021)를 초과하면 위험 상황으로 판정하였다. TTC 위험률은 접근 중에 있는 객체 중 TTC 3초 이내 충돌 가능한 비율로(Arun et al., 2021), 이 값이 높을수록 즉각적인 회피 판단이 빈번히 요구되는 환경임을 의미한다.
분석 결과
1. 프레임당 객체 수(OPF) 순위 및 통계 검정
동일 조건(10Hz, LiDAR 3D) 데이터셋인 Waymo(US)･ONCE(CN)･GGData(KR)･AI Hub(KR)의 프레임당 객체 수(Objects Per Frame, OPF) 순위와 부트스트랩(n=10,000) 95% 신뢰구간(Confidence Interval, CI) 및 변동계수(Coefficient of Variation, CV)는 Table 2와 같다. nuScenes(SG)와 42dot(KR)은 수집 조건이 상이하여 직접 비교에서 제외하였으며, 해당 데이터셋의 OPF 수치는 각주에 참고로 제시한다.
Table 2.
OPF ranking and bootstrap results (direct comparison group)
note: Bootstrap resampling n=10,000; ranks reflect the direct comparison group (10Hz, LiDAR 3D) only. CV: <20% stable, 20–40% caution, >40% unstable. Waymo (US): multi-LiDAR configuration (64ch×5) may upward-bias OPF. †AI Hub (KR): scenario-clip sampling may downward-bias OPF. Reference (excluded from direct comparison): nuScenes (SG) OPF=17.06 (2Hz sampling; likely underestimated), 42dot (KR) OPF=23.59 (camera 2D; distance unmeasurable).
Table 2에서 Waymo(US)(48.26)와 AI Hub(KR)(3.34) 간 약 14.4배 격차가 확인된다. 이 격차에는 Waymo (US)의 64ch×5 멀티 LiDAR 구성에 따른 상향 편향과 AI Hub(KR)의 시나리오 클립 방식에 따른 하향 편향이 일부 반영되어 있어 절대값 직접 비교에는 한계가 있다. 그러나 초당 프레임 수(FPS)･센서 종류를 통제한 이후에도 해외 데이터셋(Waymo(US)･ONCE(CN))이 국내 데이터셋(GGData(KR)･AI Hub(KR))을 크게 상회하고 있어, 잔존하는 편향만으로는 설명되지 않는 실질적인 교통 밀도 차이가 존재함을 시사한다. GGData(KR)(12.77)는 CV= 5.4%로 그룹 내 3위이며 씬 간 변동이 안정적이다. AI Hub(KR)(3.34)는 그룹 내 최하위이며 CV=1.5%로 매우 안정적이나, 시나리오 클립 방식은 특정 교통 상황을 짧게 편집한 구간만 수집하는 방식으로 씬당 4.8프레임(약 0.5초)에 그쳐 실제 도심 주행환경 복잡도(Driving Environment Complexity, DEC)보다 과소 추정되었을 가능성이 있으나, 6개 데이터셋 중 날씨･도로 유형 메타데이터를 보유한 유일한 국내 데이터셋으로서 분석 대상에 포함하였다.
통계 검정 결과(Table 2), Waymo(US)의 CI [34.88, 63.04]와 ONCE(CN) CI [23.98, 35.81] 간 소폭 신뢰구간(Confidence Interval, CI) 중첩(2.4%)을 제외하면, 나머지 모든 인접 순위 간 95% CI는 서로 중첩되지 않아 통계적 유의차가 확인되었다.
2. 주행환경 복잡도 지표(TCE･CCI･VRU%) 비교
6개 데이터셋의 교통 참여자 구성 다양성(Traffic Composition Entropy, TCE)･복합복잡도지수(Composite Complexity Index, CCI)･취약 도로 이용자 비율(Vulnerable Road User ratio, VRU%) 비교는 Table 3과 같다. TCE와 VRU%는 초당 프레임 수(Frames Per Second, FPS)･센서 종류의 영향을 받지 않는 비율 기반 지표로 6개 전체를 비교하며, CCI는 프레임당 객체 수(Objects Per Frame, OPF)에 의존하므로 동일 조건(10Hz, LiDAR 3D) 4개 데이터셋만 직접 비교한다.
Table 3에서 CCI를 살펴보면, GGData(KR)는 AI Hub(KR)보다 OPF가 3.8배 높아(12.77 vs. 3.34) 밀도 측면에서 우위에 있으나, 차량 98%(TCE=0.039)의 단조로운 구성으로 CCI는 0.44에 그쳐 직접 비교 그룹 내 최하위를 기록하였다. 반면 AI Hub(KR)는 보행자･자전거･오토바이가 혼재하는 다양한 구성(TCE=0.580)으로 CCI=1.94를 기록하여 OPF 순위(4위)에서 CCI 순위(3위)로 역전하였다. 이는 GGData(KR)의 수집 환경인 판교 자율주행 전용구역이 객체 수 자체는 적지 않으나 대부분이 차량이어서, 일반 도심 대비 자율주행 시스템(Automated Driving System, ADS)의 인식 난이도가 낮음을 의미한다. ONCE(CN)는 TCE가 1.196으로 6개 데이터셋 중 최고를 기록하였는데, 이는 취약 도로 이용자 비율(VRU%)이 35.6%로 차량･보행자･자전거가 고르게 혼재하기 때문이다. 오토바이를 별도 클래스로 분리하지 않았음을 감안하면 실제 TCE･CCI는 산출값보다 높을 수 있다.
Table 3.
Comparison of OPF, TCE, CCI, and VRU%
note: OPF and CCI are presented only for the direct comparison group (10Hz, LiDAR 3D). nuScenes (SG) is excluded due to 2Hz sampling rate; 42dot (KR) is excluded due to camera-based 2D annotation (distance unmeasurable). TCE and VRU% are ratio-based indicators independent of FPS and sensor type, and are therefore compared across all six datasets. †ONCE (CN): motorcycle label not separately classified; TCE and CCI may be underestimated. GGData (KR): TCE and CCI are computed from the Zero-Shuttle subset (2,968 frames; OPF 11.37), whereas OPF in this table is based on the combined 19,368 frames.
VRU%는 nuScenes(SG)(46.8%)와 Waymo(US)(46.4%)가 최고로, 보행자･이륜차가 차량과 거의 동등한 비율로 혼재하는 도심 환경을 반영한다. ONCE(CN)(35.6%)･42dot(KR)(30.2%)･AI Hub(KR)(27.3%)가 중간 수준이며, GGData(KR)는 2.0%에 불과하여 최고값인 nuScenes(SG)(46.8%)보다 약 45%p 낮은 수준이다. 이는 판교 자율주행 구역에서 자율주행차와 보행자･이륜차 간 혼합교통이 거의 발생하지 않음을 의미하며, 경기도 운행설계영역(Operational Design Domain, ODD) 확장 시 취약 도로 이용자(Vulnerable Road User, VRU) 혼합 구간에 대한 추가 실증이 필요함을 시사한다.
3. ISO 34503 운행설계영역(ODD) 조건별 분석
ISO 34503:2023 운행설계영역(Operational Design Domain, ODD) 분류체계에 따른 도로 유형･시간대･날씨 조건별 분석 결과를 제시한다. 도로 유형(Scenery) 분석은 실측 메타데이터를 보유한 nuScenes(SG)와 AI Hub(KR)를 대상으로, 시간대(Environmental) 분석은 시간 컬럼을 보유한 nuScenes(SG)를 대상으로, 날씨(Environmental) 분석은 날씨 컬럼을 보유한 AI Hub(KR)를 대상으로 수행하였으며, 분석 결과는 Table 4와 같다.
첫째, 도로 유형 분석에서 nuScenes(SG)는 원노스(One-North)･퀸스타운(Queenstown)･홀란드빌리지(Holland Village)의 3개 구역이 각각 독립적으로 수집된 데이터로, 구역별 도로 환경이 서로 다르다. AI Hub(KR)는 도심 3차로 이상･도심 2차로 이하･자동차전용도로의 3개 도로 유형별로 수집되었다. 분석 결과, 도로 유형과 프레임당 객체 수(Objects Per Frame, OPF)의 관계는 단순한 비례 관계와 달랐다. nuScenes(SG)에서 연구단지 내부 이면도로인 원노스(One-North)(OPF=20.61, 취약 도로 이용자 비율(Vulnerable Road User ratio, VRU%)=46.8%)가 도심 간선도로인 퀸스타운(Queenstown)(OPF=15.05, VRU%=39.7%)보다 OPF가 37% 높았으며, AI Hub(KR)에서도 이면도로의 VRU%(21.4%)가 간선도로(17.4%)를 상회하는 현상이 확인되었다. 이는 생활도로･이면도로의 좁은 도로에서 차량과 보행자･이륜차의 동선이 혼재하기 때문이다. 도로 위계가 낮을수록 VRU의 비정형 이동(무단횡단･역주행 이륜차 등)이 증가하고 자율주행 시스템(Automated Driving System, ADS)의 예측 불가능한 상황 대응 빈도가 높아져, 도로 등급보다 VRU 노출 수준이 주행환경 복잡도(Driving Environment Complexity, DEC)를 더 강하게 결정하는 요인으로 작용한다.
Table 4.
ISO 34503 ODD Condition analysis: road type, time-of-day, and weather
note: Road type labels follow ISO 34503 Scenery classification. Time-of-Day follows ISO 34503 Clause 10.4 (Illumination). Weather follows ISO 34503 precipitation categories. nuScenes (SG) provides time-of-day data; AI Hub (KR) provides weather and road type metadata. % of dataset indicates the proportion of scenes (Road Type) or frames (Time-of-Day, Weather) within each dataset. ※ Road type classifications for both nuScenes (SG) and AI Hub (KR) are researcher-assigned mappings to ISO 34503 Clause 9.3.2 definitions, and may not correspond exactly to official ISO 34503 categories.
둘째, 시간대 분석은 nuScenes(SG) 전체 데이터를 시간대 기준으로 주간･박명･야간으로 분류한 결과이다. 단, 3개 구역의 시간대별 수집 비율이 상이하여(원노스 야간 49.1%, 홀란드빌리지 주간 100%) 시간대 효과만을 독립적으로 해석하는 데 한계가 있으므로 절대값보다 상대적 경향 파악에 의미를 두어야 한다. 분석 결과, 프레임당 객체 수(OPF)는 박명(28.3)에서 가장 높아 출퇴근 차량 혼잡을 반영하는 반면, VRU%는 야간(51.5%)이 가장 높아 차량 감소 이후 보행자･이륜차 비율이 상대적으로 증가함을 나타낸다. 박명은 처리해야 할 객체 수가 가장 많아 인지 부하가 집중되는 시간대이며, 야간은 객체 수는 적더라도 조도 저하 환경에서 취약 도로 이용자(VRU) 탐지 난이도가 높아지는 시간대로, 자율주행 시스템(ADS)은 시간대별로 인지 부하와 취약 도로 이용자(VRU) 탐지라는 서로 다른 과제에 동시에 대응할 필요가 있다.
셋째, 날씨 분석은 AI Hub(KR) 전체 데이터를 날씨 컬럼 기준으로 분류한 결과이다. AI Hub(KR)는 주간 위주로 수집되어 야간 날씨 효과는 분석할 수 없으며, 세종･대구･울산 3개 도시가 혼합되어 있어 절대값보다 조건 간 상대적 변화에 주목해야 한다. 분석 결과, 날씨별 프레임당 객체 수(OPF) 차이는 최대 5% 수준으로 제한적이었다. 그러나 도로 유형과 날씨를 교차 분석한 결과, 이면도로(도심 2차로 이하)에서 맑은 날 취약 도로 이용자 비율은 10.9%에서 흐린 날 26.2%로 2.4배 급증하여, 날씨 단독 효과는 작더라도 특정 도로 유형과 중첩될 경우 VRU 노출이 크게 증폭될 수 있음을 확인하였다. 이는 운행설계영역(ODD) 설정 시 날씨를 단독 조건이 아닌 도로 유형과의 복합 조건으로 고려해야 함을 시사한다.
4. 충돌까지의 시간(TTC)･충돌회피 감속도(DRAC) 실측 결과
6개 데이터셋 중 충돌까지의 시간(Time-To-Collision, TTC)을 직접 계산할 수 있는 것은 속도 정보(velocity)를 제공하는 Waymo(US)와 nuScenes(SG) 2개뿐이다. AI Hub(KR)･GGData(KR)는 객체 고유번호(Track ID) 기반 추정이 가능하나 정밀도가 낮아 참고 수준에 그치며, ONCE(CN)는 객체 고유번호(Track ID) 자체가 없어 속도 추정이 불가하고, 42dot(KR)은 카메라 기반 2D 어노테이션으로 거리 측정이 원천적으로 불가하다. 보행자 유형별(성인･어린이･휠체어 등) 세분화 TTC 분석은 nuScenes(SG)만 가능하다. 이는 데이터 수집 단계에서 속도 정보를 설계에 포함하는 것이 대리안전지표(Surrogate Safety Measures, SSM) 분석의 전제 조건임을 보여준다. Waymo(US)와 nuScenes(SG)의 TTC･충돌회피 감속도(Deceleration Rate to Avoid Crash, DRAC) 주요 지표 비교는 Table 5와 같다.
Table 5.
Key metrics comparison of Time-To-Collision (TTC) and Deceleration Rate to Avoid Crash (DRAC): Waymo (US) vs. nuScenes (SG)
가장 주목할 결과는 프레임당 객체 수(Objects Per Frame, OPF)가 높은 데이터셋에서 오히려 충돌까지의 시간(TTC) 위험률이 낮게 나타났다는 점이다(Table 5). Waymo(US)의 프레임당 객체 수(OPF)가 nuScenes(SG)의 2.8배임에도 충돌까지의 시간(Time-To-Collision, TTC) 위험률은 nuScenes(SG)(14.32%)의 약 4분의 1(3.46%)에 불과하며, 취약 도로 이용자(Vulnerable Road User, VRU) 대상 TTC 위험률은 nuScenes(SG)가 Waymo(US)의 9.7배에 달한다. Waymo(US)는 높은 OPF(48.26)를 보였으나, 차량 간 속도 차이가 작은 균질한 교통류 특성으로 인해 상대속도(closing speed)가 낮고, 접근 객체의 비율도 12.4%에 그쳐 TTC 위험률 역시 낮게 나타났다. 반면 nuScenes(SG)는 저밀도(OPF=17.06)이나 보행자･이륜차가 혼재하는 비균질 교통류로 주행 자유도가 높아 다양한 방향에서의 비정형 근접 접근이 빈번하게 발생하며(접근 비율 20.5%), TTC 위험률이 14.32%로 Waymo(US)의 4.1배에 달한다. 즉 프레임당 객체 수(OPF)가 높다고 해서 충돌 위험이 높아지는 것은 아니며, 고밀도 구간의 균질 교통류가 상대속도를 낮추고, 취약 도로 이용자(VRU) 혼재에 따른 비정형 근접 접근이 충돌 위험을 높이는 구조임을 본 연구의 실측 수치(Waymo(US)의 접근 비율 12.4% vs nuScenes(SG) 20.5%, TTC 위험률 3.46% vs 14.32%)가 보여준다. 이 결과는 3절 시간대별 분석에서 확인된 바와 일관되게, OPF와 충돌 위험이 서로 독립적인 차원임을 실증한다.
결론
본 연구는 6개 공개 자율주행 데이터셋의 어노테이션을 직접 파싱하여 주행환경 복잡도(Driving Environment Complexity, DEC) 지표 체계인 프레임당 객체 수(Objects Per Frame, OPF)･교통 참여자 구성 다양성(Traffic Composition Entropy, TCE)･복합복잡도지수(Composite Complexity Index, CCI)･취약 도로 이용자 비율(Vulnerable Road User ratio, VRU%)을 설계하고 비교 분석하였다.
주요 발견은 네 가지이다. 첫째, 동일 조건(10Hz, LiDAR 3D) 그룹 내 프레임당 객체 수(OPF) 순위는 Waymo (US)(48.26) > ONCE(CN)(29.16) > GGData(KR)(12.77) > AI Hub(KR)(3.34) 순으로 Waymo(US)와 ONCE(CN) 간 신뢰구간의 소폭 중첩을 제외하면 통계적으로 유의하게 확인되었으며, 해외 데이터셋이 국내 대비 전반적으로 높은 값을 보였다. 이는 센싱 기술의 격차가 아니라 복잡한 혼합교통 환경에서의 실주행 경험 차이를 의미한다. 국내 자율주행 데이터셋(GGData(KR)･AI Hub(KR))의 낮은 주행환경 복잡도는 차량 통행 위주의 통제된 환경에서 주로 실증이 이루어져 온 결과로, 보행자･이륜차 등 취약 도로 이용자(Vulnerable Road User, VRU)가 혼재하는 일반 도심 환경에서의 실주행 데이터가 절대적으로 부족한 상황을 반영한다. 취약 도로 이용자 비율(VRU%) 분석 결과, GGData(KR)는 2.0%에 불과하였다. 이는 국내 자율주행 실증 환경이 실제 도심의 교통환경 복잡도를 충분히 반영하지 못하고 있음을 시사한다. 둘째, 복합복잡도지수(CCI) 분석 결과에서 GGData(KR)와 AI Hub(KR)의 순위가 바뀌어 객체 수가 많더라도 차량 위주의 단조로운 구성은 복잡도가 낮고 교통 참여자 구성이 다양하면 복잡도가 높아질 수 있음을 실증하였다. 셋째, 취약 도로 이용자(VRU) 노출 수준이 도로 유형보다 주행환경 복잡도(DEC)를 더 강하게 결정하는 요인임이 확인되었다. 넷째, 프레임당 객체 수(OPF)와 충돌까지의 시간(Time-To-Collision, TTC) 위험률 분석에서는 Waymo(US)의 프레임당 객체 수(OPF)가 nuScenes(SG)의 2.8배임에도 TTC 위험률은 nuScenes(SG)가 4.1배 높아, 교통 구성의 질적 특성이 실제 충돌 위험을 결정하는 핵심 요인임을 보여준다.
정책적으로는 세 가지를 제언한다. 첫째, 자율주행 시스템(Automated Driving System, ADS)의 운행설계영역(Operational Design Domain, ODD) 확장 기준을 도로 등급 단독이 아닌 취약 도로 이용자 비율(VRU%)･프레임당 객체 수(OPF)･속도 유형의 복합 기준으로 설정해야 하며, 현재 우리나라 대부분 실증구간과 같은 단조로운 주행 환경을 취약 도로 이용자(VRU) 혼합 구간이나 생활도로로 단계적으로 확대하는 안전정책을 포함한 로드맵이 필요하다. 둘째, 자율주행 데이터 수집 시 속도 정보･날씨･시간대 메타데이터를 필수 항목으로 포함하여 대리안전지표(Surrogate Safety Measures, SSM) 분석 기반을 확보해야 한다. 셋째, 프레임당 객체 수(OPF)로 대표되는 인지 부하와 TTC 위험률로 대표되는 충돌 위험을 시간대별･구역별로 분리하여 평가하는 체계를 국내 자율주행 안전성 평가 기준에 반영해야 한다.
본 연구는 센서 사양･수집 방식･레이블 체계가 상이한 6개 데이터셋을 비교하였으나, 동일 조건 데이터셋 간 직접 비교･4개 클래스 통일･프레임 기준 지표 산출을 통해 이질성을 통제하였다. 결과는 절대적 수치보다 데이터셋 간 구조적 차이와 환경 유형 분류로 해석되어야 하며, 향후 국내 데이터셋에 속도･메타데이터 보완과 연속 주행 방식 개선이 이루어지면 TTC･충돌회피 감속도(Deceleration Rate to Avoid Crash, DRAC) 분석을 추가할 수 있을 것이다.
