서론

자율협력주행은 도로 인프라의 첨단화와 교통류 성능을 최적화할 수 있는 교통안전관리 전략이 적용되었을 때 효과가 극대화될 수 있다. 자율차는 악천후 시 센서 기능 저하, 원거리 및 사각지대 검지에 대한 한계가 꾸준히 제기되고 있으며 차량 스스로 해결하기 어려운 상황에 직면하면 자율차는 정상적인 주행이 불가능할 것이다. 또한 서로 다른 주행행태를 보이는 자율차와 비자율차가 혼재된 교통류 환경에서 차량 간 상충발생 빈도가 증가하여 불안정한 교통흐름이 유발될 것으로 예상된다(Aramrattana et al., 2017; Lee et al., 2018). 이에 따라 자율차(autonomous vehicle, AV) 및 자율협력차(connected autonomous vehicle, CAV)를 대상으로 차로관리전략의 필요성이 대두되고 있다(Rahman and Abdel-Aty, 2018). Zhong et al.(2017)은 자율협력주행 환경 기반의 3가지 차로관리전략을 제시하였으며 각 전략에 대해 이동성 분석을 수행하였다. 제안된 전략은 혼용차로, restricted CAV lane, dedicated CAV lane이다. 추가적으로, unmanaged lane과 dedicated CAV lane with access control에 대하여 차로별 다양한 교통관리전략을 적용함으로써 안전성, 이동성, 환경성 측면의 성능을 분석한 연구가 수행되었다(Zhong and Lee, 2019). 한편, CAV의 사고발생 개연성 감소를 목적으로 하는 위험도 기반 속도제어 전략을 개발한 연구가 보고되었다(Park and Oh, 2019). 개별 CAV를 대상으로 상호작용 관계를 맺는 차량들을 정의하고 위험도를 판단하였으며, 사고개연성을 최소화하는 지점으로 차량의 속도를 제어하였다. Lee et al.(2019)은 혼재교통류 성능의 최적화를 위하여 적정 자율주행강도(automated driving aggressiveness, ADA)를 도출하는 전략을 개발하였다. ADA는 자율차의 주행 적극성을 나타내는 수준으로 거동 결정을 위한 속도, 가속도, 차간간격 관련 파라미터 값으로 조정된다.

혼재교통류 환경에서의 교통관리전략을 제안한 기존 연구에서는 자율주행 전용차로 및 자율차 속도제어 방안 적용에 따른 효과분석을 수행하였다. 협력주행 환경에서의 실시간 교통정보 제공은 위험상황 대응 및 사고예방 측면에서 효과적이라고 할 수 있다(Hossain et al., 2019; Jiang et al., 2020; Jo et al., 2022a; Ko et al., 2022). 그러나 교통사고를 혁신적으로 예방하기 위한 선제적 교통관리전략 관점에서의 능동적인 대응책 개발은 미흡한 상황이다. 커넥티드 환경에서 안전한 도로주행을 위한 자율차 거동제어 및 비자율차 의사결정을 지원하는 새로운 교통정보 컨텐츠 개발이 요구된다. 이 때, 자율차와 비자율차의 안전하고 원활한 사고회피 행동을 유도하기 위해서는 선제적인 차로변경지원 정보 제공 전략이 수립되어야 한다. 따라서 본 연구의 목적은 커넥티드 환경에서 자율 및 비자율차 차량이 혼재된 교통류 관리를 위한 인프라 협력형 선제적 차로변경지원 정보 제공 전략을 개발하고 평가하는 것이다. 본 연구에서 제안한 전략의 적용 대상은 vehicle-to-everything(V2X) 무선통신의 지원을 받는 CAV와 일반협력차(connected human driven vehicle, CHV)이다. 우선, 인프라 협력형 선제적 차로변경지원 정보 제공을 위한 프레임워크를 개발하였다. 개발된 프레임워크를 평가하기 위하여 주행 및 교통 시뮬레이션 연계 기반의 방법론을 구축하였다. 주행 시뮬레이션은 자율차를 추종하는 비자율차의 주행행태를 분석하는데 활용되었다. 주행 시뮬레이션 실험으로부터 도출된 비자율차의 추종모형을 교통 시뮬레이션에 반영함으로써 혼재교통류 환경을 구현하였다. 교통 시뮬레이션 기반의 혼재교통류 성능 분석 결과를 토대로 이동성이 저하되는 교통조건을 대상으로 차로변경지원 전략을 적용하였다. 이를 위하여 차로변경 순번결정 알고리즘, gap acceptance 확인 알고리즘, 상충여부 판단 알고리즘을 개발하였다. 최종적으로 인프라 협력형 선제적 차로변경지원 전략 도입에 따른 혼재교통류의 성능 평가 결과를 제시하였다.

혼재교통류의 성능을 평가하기 위해서는 자율 및 비자율 차량추종 상황에서의 주행행태를 분석하는 것이 중요 이슈이다. 기존 연구에서는 주로 교통 시뮬레이션을 이용하여 자율차 혼입률(market penetration rate, MPR) 변화에 따른 교통류 성능분석을 수행하였다(Aria et al., 2016; Arvin et al., 2020; Hu et al., 2021; Lee et al., 2019; Lu et al., 2020). 기존 연구는 자율차 거동 제어에 초점을 두었으며, 혼재교통류 환경에서의 비자율차 거동을 구현하기 위한 노력은 미흡한 실정이다. 본 연구에서 제안한 인프라 협력형 차로변경지원 전략의 효과를 평가하기에 앞서 자율차와 비자율차 간의 상호작용 특성이 반영된 차량 거동을 교통 시뮬레이션에 구현하여야 한다. 이를 위하여 다수의 주행 시뮬레이션이 실시간으로 연동된 multi-agent driving simulation(MADS)을 통해 혼재교통류 환경에서의 비자율차 주행특성 분석을 수행하였다. MADS로부터 도출된 자율차를 추종하는 비자율차의 주행행태는 intelligent-driver model(IDM)의 파라미터를 조정하는데 활용되었다. 본 연구는 혼재교통류 환경에서의 비자율차 거동을 모사하고, 주행 및 교통 시뮬레이션 연계 기반의 교통관리전략 도입에 따른 혼재교통류 성능을 평가하였다는 점에서 기존 연구와 차별화 된다.

본 연구의 구성은 다음과 같다. 2장에서는 주행 및 교통 시뮬레이션 연계 기반의 혼재교통류 성능평가 기법을 제시하였다. 3장에서는 MADS 기반 차량 간 상호작용 분석을 통한 자율-비자율 차량추종모형을 도출하였다. 4장에서는 3장에서 도출된 차량추종모형을 교통 시뮬레이션 반영하여 혼재교통류 환경을 모사하였다. 또한 혼재교통류 환경에서 교통류의 성능이 저하되는 조건을 식별하고, 선제적 차로변경지원 전략의 효과를 평가하였다. 마지막 장에서는 본 연구의 결과를 요약하고, 연구의 활용방안 및 향후 연구과제에 대해 서술하였다.

인프라 협력형 선제적 차로변경지원 정보 제공 전략(PLEASANT)

선제적 교통관리전략은 교통사고 예방을 목적으로 사고발생 이전에 안전성 분석을 통해 능동적인 교통정보를 제공하는 기술이다. 선제적 교통관리전략 중 하나인 인프라 협력형 선제적 차로변경지원 정보 제공 전략(Proactive Lane-changE Assistant Strategy for Automated iNnovative Transportation, PLEASANT)의 프레임워크는 Figure 1에 제시하였다. PLEASANT는 차량 내 장착된 단말기(on-board unit, OBU)와 도로변에 위치한 노변기지국(roadside unit, RSU)으로부터 CAV와 CHV에게 각각 거동제어 지원정보와 의사결정 지원정보를 선제적으로 제공할 수 있는 혼재교통류 관리전략이다. 본 연구에서 제안한 전략이 실도로에 적용되기 위한 구성요소는 OBU, RSU, human-machine interface(HMI)와 자율차 거동제어 로직을 포함하는 controller이다. OBU는 개별차량의 주행정보를 수집하여 실시간으로 주행안전성을 진단한다. 개별차량 단위의 주행안전성 진단 정보는 통신모듈을 기반으로 vehicle-to-infrastructure(V2I) 무선통신이 가능한 인접 RSU에게 송신된다. OBU와 RSU를 통해 위험상황이 검지될 경우에는 경고정보를 생성하고, 해당 CHV 내 HMI를 통해 의사결정 지원정보 메시지를 표출한다. 경고정보를 제공받은 CAV는 거동제어 로직 내 차로변경 알고리즘이 작동한다. 경고정보를 제공받은 차량은 V2X 통신이 가능한 인접차량 및 RSU와 정보를 공유한다.

Figure 1.

Overall framework for PLEASANT

PLEASANT의 첫 번째 단계에서는 개별차량의 주행안전성을 실시간으로 진단한다. 개별차량 내 장착된 OBU로부터 주행정보를 수집하고 가공함과 동시에 사고개연성을 추정 및 예측한다. 두 번째 단계에서 OBU와 RSU를 통해 사고 및 위험이벤트를 검지하고 판단한다. 사고발생 여부가 확인되면 자율차 및 비자율차의 차로변경지원을 위한 거동제어 및 의사결정 지원정보를 생성한다. 세 번째 단계에서는 OBU와 RSU의 통신모듈을 기반으로 주행안전성이 저하되는 자율차 및 비자율차에게 정보를 제공한다. 여기서 정보를 제공받는 자율차 및 비자율차는 V2X 통신이 가능한 CAV와 CHV를 의미한다. 네 번째 단계에서는 교통정보를 제공받은 차량이 V2V 통신이 가능한 인접차량과 정보를 공유한다. 마지막 단계에서 교통정보를 순응한 CAV 및 CHV는 전방의 사고를 회피하기 위하여 사전 차로변경을 시도한다.

1. 정보제공에 따른 차종별 거동변화 메커니즘

커넥티드 기반 혼재교통류 환경에서는 V2X 무선통신 지원여부 및 차량 제어 주체에 따라 Figure 2와 같이 4가지의 차종 human driven vehicle(HDV), CHV, AV, CAV로 구분된다. V2X 통신의 지원을 받지 않는 HDV와 AV는 각각 운전자 또는 센서의 인지, 반응, 판단하에 차량의 거동이 제어된다. 반면에 CHV와 CAV는 V2X 통신을 기반으로 운전자 의사결정 및 차량 거동제어 지원정보를 제공받음으로서 차량의 거동이 결정된다. CAV와 CHV는 차량단말기 및 노변기지국으로부터 독립적인 교통정보를 제공받고 인접차량과 통신모듈을 기반으로 교통정보를 공유한다. 실제 CAV는 차량과 연결된 다양한 기술 요소를 통해 거동이 제어되는 특성(controlled by machine)을 가지고 있기 때문에 본 연구에서는 거동제어 지원정보를 제공받는 CAV의 순응률은 제어 가능하다고 가정하였다. 반면에 CHV의 제어주체는 사람으로 운전자의 인지‧판단하에 차량을 조작하는 특성(controlled by human driver)을 가지고 있기 때문에 CHV의 순응률은 제어 불가하다고 가정하였다.

Figure 2.

Vehicle types in connected environments

본 연구에서는 미시교통시뮬레이션인 VISSIM을 이용하여 COM-Interface의 기반의 차로변경지원 정보 제공에 따른 CAV 및 CHV의 거동을 구현하고자 하였다. 정보를 제공받은 CAV의 순응률은 100%로 가정하였으며, 정보를 제공받은 시점 및 위치에서 차로변경을 시도하게 된다. 반면에 CHV의 교통정보 순응률은 60%로 가정하였으며(Korea Expressway Corporation, 2021a), 정보에 순응한 차량만 차로변경을 시도한다. 이때 교통정보를 순응한 CHV의 경우 VISSIM 내 driving behavior parameter 중 전방인지거리와 관련된 look ahead distance를 조정하였다. 교통정보 제공 전 look ahead distance의 기본값(default)은 250m이며 교통정보 제공 후 선제적 차로변경을 유도하기 위하여 2,000m로 설정하였다. 이는 I2V 기반 전방사고발생 정보 제공 시 교통정보 제공 범위 값을 참고하여 적용되었다(Korea Expressway Corporation, 2021b). 이에 따라 Figure 3과 같이 정보를 순응한 CAV와 CHV는 선제적 차로변경을 수행하나 정보를 순응하지 않은 CHV의 경우는 사고발생 위치에 근접하여 급격한 속도변화의 특징이 나타난다.

Figure 3.

Mechanism of changes in the maneuver of CAV and CHV with/without traffic information

2. CAV 차로변경지원 알고리즘

본 연구에서 제안한 PLEASANT는 자율협력주행 시대 교통안전 및 운영관리를 위한 새로운 교통관리전략이라고 할 수 있다. 제안된 전략이 적용되었을 때의 CAV 거동을 구현하기 위한 차로변경 알고리즘을 개발하였다. 교통정보를 제공받은 CAV가 모두 동일한 시점에서 동시에 차로변경을 수행하고자 할 경우 교통류 성능이 저하될 우려가 있다. 따라서 CAV의 안전하고 원활한 차로변경을 지원하기 위한 알고리즘 개발이 필요하다. CAV 차로변경 알고리즘은 Figure 4와 같이 3가지의 세부 알고리즘으로 구성되어 있으며 각각 차로변경 순번결정 알고리즘, gap acceptance 확인 알고리즘, 상충여부 판단 알고리즘이다. 본 연구에서는 자율주행 기술 단계 중 Level 4에 해당하는 자율차의 거동을 구현하기 위하여 기존 문헌에서 보고된 Level 4 자율주행 행태관련 파라미터 값을 활용하였다(Atkins, 2016). CAV 차로변경 알고리즘에서 사용된 변수 및 변수 정의는 Table 1에 제시하였다.

Figure 4.

Lane change assistant algorithms for CAVs

CAV의 차로변경 순번결정 알고리즘은 Figure 4(b)에 제시하였으며 개별 CAV 단위로 교통정보 제공 범위 내 주체차량이 몇 번째 차량인지 확인하는 과정이다. 사고발생 위치(PCAC)로부터 교통정보 제공 범위(L) 내 존재하는 CAV의 위치(PnCAV)를 확인한다. 이후 사고발생 위치와 개별 CAV 간의 이격거리(SACCAVn)를 산출한다. 산출된 이격거리 셋으로부터 사고발생 위치에서 가장 가까운 CAV에게 우선적으로 차로변경 순번(NOnCAV)이 부여된다. 두 번째 세부 알고리즘인 gap acceptance 확인 알고리즘은 개별 CAV와 목표차로 내 존재하는 선‧후행차량 간의 차두시간을 파악하는 과정으로 Figure 4(c)에 제시하였다. 앞서 차로변경 순번결정 알고리즘에서 도출된 개별 CAV 단위의 순번 순으로 목표차로(TL) 내 존재하는 선‧후행차량과의 차두시간(HLeadCAVn, HLagCAVn)을 확인한다. 여기서 목표차로는 차로변경을 완료하고자 하는 차로로 인접한 1개의 차로만을 설정한다. 개별 CAV 단위로 목표 차로 내 선‧후행차량과의 차두시간이 2.4초보다 클 경우 차로변경 순번(NOnCAV)이 결정된다. 본 연구에서 설정한 gap acceptance의 임계값은 VISSIM 내 Level 4 자율주행차량의 차로변경 시 최소 차두시간 값을 참고하여 설정하였다(Atkins, 2016). 만약 임의의 자율차가 gap acceptance에 대한 조건을 만족하지 못할 경우 차로변경 순번은 초기화되며 다음 time step에서 차로변경 순번을 재결정한다. 마지막 세부 알고리즘은 상충여부 판단으로 Figure 4(d)에 제시된 바와 같이 CAV가 차로변경을 완료하는 예상 위치로부터 선‧후행차량과의 충돌예상시간(time-to-collision, TTC)을 산출하는 과정이다. 차로변경을 완료하는 예상 위치는 현재 위치로부터 현재 속도를 유지하며 4초 동안 주행한 거리로 도출하였다. 차로변경 소요시간인 4초는 PTV Group(2021) VISSIM Manual에서 제시하는 기본값을 이용하였다. TTC는 두 차량이 현재 주행상태와 같은 방향 및 속도로 주행할 경우 충돌이 발생하기까지 남은 잔여시간으로 1.5초 미만일 경우 심각한 상충이 발생한 것으로 판단할 수 있다(Morando et al., 2018; Papadoulis et al., 2019; Virdi et al., 2019). 본 연구에서는 TTC 1.5초를 기준으로 상충여부를 판단하였으며 상충이 아닐 경우 차로변경을 수행한다. 제안된 알고리즘은 VISSIM COM-Interface에 적용되어 매 time step 마다 를 통해 개별 자율차의 거동을 제어하였다.

PLEASANT 평가 방법론

본 연구에서는 주행 및 교통 시뮬레이션 연계 기반의 차량 간 상호작용이 고려된 혼재교통류 환경을 구현하였다. 커넥티드 환경에서 돌발상황 발생 시 PLEASANT 적용에 따른 교통류 성능평가 방법론은 Figure 5에 제시하였다. Stage 1에서는 자율차 거동 제어 알고리즘을 개발하는 단계로 자율차 거동의 요구사항 정립, 자율주행 기능 선정, 각 기능별 로직을 작성하는 과정을 포함한다. Stage 2는 MADS을 이용하여 자율차를 추종하는 비자율차의 주행특성을 분석하는 단계이다. Stage 3에서는 교통 시뮬레이션(traffic simulation, TS) 기반 PLEASANT 적용 여부에 따른 교통류의 성능을 분석한다. PLEASANT의 효과를 평가하기 위하여 교통관리전략 수립 시 주요 목적으로 사용되는 퍼포먼스인 이동성과 안전성을 분석하였다.

Figure 5.

Methodology of PLEASANT effectiveness evaluation

1. 시뮬레이션 기반 AV 거동 구현

실제 자율차는 다양한 센서와 통신기능을 통해 상황을 인지하고 판단하는 과정을 거치게 된다. 그러나 실제 자율차의 정확한 거동과 차량 제어를 위한 기술 및 전략은 알 수 없기 때문에 자율차 거동을 추상화하고자 한다. 본 연구에서는 속도유지, 차량추종, 장애물 회피에 대한 자율주행 시스템이 구동되었을 때의 자율차의 거동을 추상화하기 위하여 시뮬레이션의 툴(tool) 기반 거동 구현 로직을 작성하였다. 자율차는 비자율차 운전자와는 달리 동일한 조건에서는 항상 일정한 주행행태를 보이는 deterministic한 주행특성을 가진다(Wang et al., 2021; Zhang et al., 2019). 본 연구에서 시뮬레이션으로 구현된 자율차는 제한속도를 준수하며, 본선 합류 및 분류 구간을 제외하고 현재의 차로를 유지하며 주행하는 deterministic 요구사항이 반영된 로직을 개발하였다. 또한 자율차는 주변차량의 cut-in/out 등을 제외하고 스스로 위험상황 발생이 불가하다는 safety 특성을 보인다. Safety 요구사항을 만족시키기 위하여 자율차는 매 time step별 선행차량의 존재 여부를 확인하고, 선행차량의 속도를 초과하지 않는 범위 내에서 주행한다. 특히 자율차가 장애물 회피 시 목표차로 내 존재하는 선‧후행차량과의 안전거리를 확보하도록 로직을 작성하였다. 마지막으로 자율차의 종‧횡방향 제어 기능은 차량의 속도 및 가감속도를 일정하게 유지하기 때문에 smoothness한 주행특성을 보인다(Paden et al., 2016; Lee and Litkouhi, 2012). 자율차는 차량추종 시 사전에 정의된 가‧감속도 내에서 일정한 속도를 유지하며, 외부 자극(끼어들기, 낙하물 등)을 제외하고 급격한 가‧감속을 수행하지 않도록 거동이 제어된다. 앞서 언급한 세 가지 자율차 거동의 요구사항이 만족된 자율주행 기능에 대한 알고리즘은 Table 2와 같다. 자율차의 거동은 시뮬레이션 분석시간 T 동안 0.1초 단위로 제어된다. 자율차 거동 제어를 위한 파라미터 값은 자율차 거동 제어를 위한 알고리즘은 기존 문헌에서 보고된 로직을 참고하였다(Jo et al., 2022b; Jung et al., 2023). 본 연구에서 구현한 Level 4 자율차는 속도 유지 기능을 수행하기 위하여 속도 80km/h를 기준으로 가‧감속도 값을 제한하였다. 자율차의 속도가 80km/h를 도달하였을 경우에는 가‧감속도를 1.8m/s²으로 설정하였으며, 속도가 80km/h 미만일 경우에는 초당 3.6m/s²씩 가속하도록 조정하였다(Atkins, 2016). 제안된 자율차 거동 제어 알고리즘은 주행 시뮬레이션 소프트웨어인 SCANeR의 script editor module과 교통 시뮬레이션인 VISSIM의 COM-Interface에 적용되었다. Script editor module과 COM-Interface는 개별차량 단위의 속도, 가속도, 차두거리 등을 조정할 수 있는 함수 리스트를 제공함에 따라 종‧횡방향 거동 제어가 가능하다.

2. MADS 기반 비자율차 주행행태 분석

MADS는 혼재교통류 환경에서 자율차를 추종하는 비자율차의 주행행태 분석을 목적으로 활용되었다. MADS 실험환경은 Figure 6과 같다. Figure 6(a)는 자율-비자율 차량추종 상황으로, 좌측의 주행 시뮬레이터는 사전에 정의된 거동 제어 로직에 따라 주행하는 자율차이다. 자율차의 탑승자는 핸들, 엑셀, 브레이크 등을 조작하지 않는다. 한편 비자율-비자율 차량추종 상황을 나타내는 Figure 6(b)는 두 대의 주행 시뮬레이터 모두 운전자의 조작이 요구된다. MADS로부터 수집된 비자율차의 주행정보를 이용하여 종방향 가속도 조정을 위한 차량추종 모형으로 IDM을 이용하였다. IDM은 선‧후행차량의 주행행태를 기반으로 후행차량의 종방향 제어를 위한 미시적 차량 추종 모형이다(Treiber et al., 2000). IDM은 시뮬레이션에 적용되어 다양한 혼재교통류 조건에서의 이동성 및 안전성 분석이 수행되었다(Zhou et al., 2017; Ko et al., 2021; Lee et al., 2022). 또한, IDM은 기존의 다양한 차량추종 모형인 Gazis-Herman-Rothery model, Gipps model, Full velocity difference model, Wiedemann model 보다 종방향 주행행태를 모사하는데 가장 효과적인 것으로 보고되었다(Zhu et al., 2018). IDM은 개별차량의 종방향 거동을 구현하는데 효과적인 기법으로, 본 연구에서는 자율차를 추종하는 비자율차의 거동 제어를 위하여 IDM을 활용하였다. IDM은 후행차량의 속도와 선행차량과의 이격거리 및 상대속도에 대한 함수를 통해 차량 추종을 위한 종방향 가속도를 도출하는 모델로 Equation 1과 같다. 일반차량의 종방향 제어를 위한 IDM 파라미터는 Table 3에 제시하였다(Treiber et al., 2000).

Figure 6.

MADS experiments

자율차를 추종하는 비자율차의 IDM을 도출하기 위하여 MADS로부터 AV-HDV pair와 HDV-HDV pair에서의 후행 비자율차 주행정보를 수집하였다. 후행 비자율차의 주행정보는 운전자별로 집계하여 평균 차두시간, 최대 가속도, 평균 감속도를 산출하였다. 산출된 평균 차두시간, 최대 감속도, 평균 감속도에 대한 상대변화량을 도출한 후 기존에 제시된 typical value에 적용함으로써 자율차를 추종하는 비자율차의 IDM 파라미터를 수정하였다. 선행차량이 HDV인 경우보다 AV인 경우 후행 비자율차의 평균 차두시간은 13.9% 증가한 것으로 분석되었다. 반면에 최대 가속도와 평균 감속도는 각각 44.45%, 4.89% 감소한 것으로 도출되었다. 평균 차두시간, 최대 가속도, 평균 감속도에 대한 상대 변화량을 기존의 IDM 파라미터(typical value)에 적용한 결과는 Table 4에 제시하였다.

3. TS 기반 PLEASANT 효과 평가

1) 분석 시나리오 설정

본 연구에서는 PLEASANT 적용 여부에 따른 혼재교통류 성능을 평가하기 위하여 고속도로 기본 구간을 대상으로 가상의 네트워크를 구축하였다. 분석 네트워크는 직선 및 평지로 구성된 편도 3차로이며, 구간 길이는 5km로 설정하였다. 다양한 교통상황에 대한 혼재교통류 성능분석을 위하여 사고가 발생한 차로차단 상황을 구현하였다. 사고발생으로 인한 차로차단 위치는 분석구간 시작점으로부터 3-4km 구간으로 설정하였다. 이때, 최우측 한 개의 차로에 대해 교통사고로 인한 차로 통제 상황을 구현하였다. 차로 통제는 VISSIM의 신호기를 이용하여 사고구간의 시점과 종점 사이에 red time을 부여함으로써 총 30분(T)의 분석 시간 중 15분 동안 사고가 발생한 것으로 가정하였다. 본 연구에서 설정한 분석 네트워크 및 사고 시나리오는 Figure 7에 제시하였다.

Figure 7.

Simulation scenario for network and case with crash effect

분석대상 구간의 교통량은 4,500대/시로 설정하였으며 서비스수준 C에 해당한다. 서비스수준은 교통정체, 안정성, 통행자유도 등 도로의 운행상태를 정량적으로 나타내는 개념이다(Transportation Research Board, 2000). 서비스수준 A와 B는 통행자유도에 제한받지 않는 상황으로 교통혼잡에 민감하지 않다는 특성을 보인다. 이에 근거하여, 시뮬레이션 수행 시 교통량을 낮은 서비스수준으로 설정한 경우에는 교통사고와 같은 위험 이벤트가 발생할지라도 이동성 및 안전성 변화패턴을 관찰하기 어려울 수 있다. 따라서 본 연구에서는 시뮬레이션을 기반으로 혼재교통류 환경에서 사고 발생 시 이동성 및 안전성을 분석하기 위하여 서비스수준을 C로 설정하였다. 자율차 MPR 변화에 따른 혼재교통류 성능평가를 위하여 분석 시나리오 중 자율차 MPR은 0%에서 100% 까지 10%씩 증가하는 것으로 설정하였다. 동일 시나리오는 random seed를 다르게 적용하여 각각 10회의 시뮬레이션을 수행하였다. 시뮬레이션 시간은 총 2,200초로 warm-up time 400초를 제외하면 분석 시간은 1,800초이다. Warm-up time은 분석 네트워크에 교통량이 고르게 분포된 이후에 분석을 수행하기 위하여 설정하였다.

2) PLEASANT 미적용 시 혼재교통류 성능 분석

PLEASANT 적용 여부에 따른 혼재교통류의 이동성과 안전성을 평가하기 위하여 통과교통량과 crash risk index (CPI)를 분석하였다. 기존 연구에서 교통 시뮬레이션을 활용하여 혼재교통류 환경에서 이동성을 평가하기 위한 지표로 통과교통량을 활용하였으며(Jo et al., 2018; Jo et al., 2019), 차량 간 상호작용 기반 안전성을 평가하기 위한 지표로 CPI가 보고되었다(Abdulghani and Lee, 2022; Park et al., 2019; Jo et al., 2021). CPI는 차량추종 상황에서 후행차량이 사고를 회피하기 위해 요구되는 차량의 감속률 함수로 정의되며, CPI가 높을수록 사고개연성이 증가함을 의미한다(Cunto and Saccomanno, 2008). PLEASANT 미적용 시 자율차 MPR 변화에 따른 혼재교통류 성능분석 결과는 Figure 8에 제시하였다. 자율차 MPR 0%와 100%에 대한 통과교통량은 각각 2,885대/시, 4,229대/시로 분석되어 1.47배(46.59%)의 이동성 증대효과가 있는 것으로 분석되었다. 그러나 자율차 MPR이 10%에서 50%인 경우 통과교통량이 자율차 MPR 0% 대비 감소한 것으로 도출되었다. 서로 다른 주행특성을 보이는 자율차와 비자율차 간의 상호작용에 따라 이동성이 저하된 것으로 해석된다. 앞서, 주행 시뮬레이션을 이용하여 AV-HDV pair에서의 headway 분석 결과를 토대로 차두시간 증가에 따라 통과교통량이 감소한 것으로 해석할 수 있다. 자율차 MPR 10%에서 50%인 혼재교통류 조건에서의 이동성 증진을 가능하게 하는 교통관리전략 도입이 요구되는 바이다. 한편, 자율차 MPR이 증가할수록 CPI는 감소하는 것으로 분석되었다. 자율차 MPR 0% 대비 100%인 경우 CPI 감소율이 68.85%로 도출되었다. 본 연구에서 가정한 요구사항인 safety, smoothness, deterministic이 반영된 자율차의 거동 특성으로 인해 MPR이 증가할수록 안전성이 증대된 것으로 해석된다. 특히, 시뮬레이션으로 구현된 자율차는 선행차량과의 속도차이를 최소로하며 적정 가‧감속도를 유지하며 주행하는 특성으로 안전성 증대 효과에 기여한 것으로 판단된다.

Figure 8.

Results of mixed traffic performance without PLEASANT

3) PLEASANT 적용 시 혼재교통류 성능 분석

자율차 MPR이 10%에서 50% 사이인 혼재교통류 조건에서 이동성이 저하되는 것으로 도출되었다. 해당 교통 조건에서 PLEASANT 기반 교통정보 제공 유(with)‧무(without)에 따른 교통류 성능분석 결과는 Figure 9에 제시하였다. 분석 결과, 자율차 MPR이 10%에서 50%인 상황에서 PLEASANT 도입 시 이동성이 증대된 것으로 분석되었다. 자율차 MPR 10%인 상황에서 교통정보 제공 유‧무에 대한 통과교통량은 각각 3,449대/시, 2,508대/시로 도출되었다. 이에 따라 교통정보 제공 without 대비 with인 경우 통과교통량 증가율은 37.52%로 분석되었다. 자율차 MPR이 50%인 혼재교통류 환경에서 교통정보 제공 유‧무에 대한 통과교통량은 각각 4,545대/시, 2,603대/시로 분석되어 74.61%의 이동성 증대 효과가 있는 것으로 나타났다. 자율차 MPR이 높아질수록 통과교통량이 증가하는 것으로 분석되었다. 교통정보를 100% 순응하는 CAV의 비율이 높아지기 때문에 본 연구에서 개발한 PLEASANT의 효과가 증대된 것으로 판단된다. 또한 자율차 MPR이 10%에서 50%인 상황에서 교통정보 제공 시 CPI가 감소하여 안전성이 증대되는 것으로 도출되었다. 자율차 MPR이 50%인 상황에서 교통정보 제공 유‧무에 대한 CPI는 각각 2.87E-04, 3.64E-04로 분석되었다. 교통정보 제공 without 대비 with인 경우 CPI 감소율은 21.15%로 산출되었다. 자율차의 혼입률이 낮은 상황(MPR 10%)에서도 교통정보 제공 시 CPI는 27.7% 감소하는 것으로 나타났다. 분석 결과는 사고 및 위험상황 발생 시 자율차는 목표차로 내 존재하는 선‧후행차량과의 상충을 확인하며 차로를 변경하기 때문에 안전성 증진에 효과가 있는 것으로 판단된다. PLEASANT는 자율협력주행 시대 새로운 패러다임의 선제적 교통관리전략으로써 활용 가능할 것으로 기대된다.

Figure 9.

Results of PLEASANT effectiveness

4) 차로변경 위치 비교

PLEASANT 적용 여부에 따른 차로변경 위치를 비교하기 위하여 lane change location(LCL) 지표를 활용하였다(Ko et al., 2022). LCL은 차로변경 지점으로부터 사고발생 위치까지의 거리로 정의하였다. LCL이 증가할수록 보다 선제적으로 차로변경을 수행하였음을 의미한다. 교통정보 제공 유‧무에 따른 LCL의 분포 비교 결과는 Figure 10에 제시하였다. 교통정보 제공 시 LCL의 평균은 1,666.57m로 분석되었다. 반면에 교통정보를 제공하지 않은 경우, LCL의 평균은 89.44m로 도출되어, 교통정보 제공 without 대비 with인 경우 약 1,577m 전에 차로변경을 수행한 것으로 나타났다. 또한 정보제공 유‧무에 대한 LCL의 표준편차는 각각 610.10m, 15.56m로 분석되었다. 교통정보 제공 without인 경우에는 사고발생 지점에 근접하여 강제적 차로변경을 수행하여야 하는 상황이 발생하며, with인 경우에는 차로변경 순번에 따라 상충여부를 판단하며 차로변경을 수행한 것으로 해석된다.

본 연구의 분석 결과는 선제적 교통정보 제공은 사전 차로변경을 유도함으로써 차로변경 위치가 집중되지 않아 이동성 증대에 긍정적인 영향을 미친 것으로 해석된다. 또한 본 연구에서는 선제적 차로변경지원 정보를 제공받은 경우 사고발생 지점으로부터 먼 위치에서 사전에 적절한 회피행동을 수행한 것으로 도출되었다. 이는 PLEASANT가 추구하는 교통사고 예방 측면의 사전 정보제공에 대해 사전 회피행동을 수행하였다는 점에서 의의가 있다. 특히 협력주행 환경에서 도로 인프라를 통한 정보제공은 자율차와 비자율차의 운전자에게 가용한 차로변경 수행 시간을 충분히 제공하여 극심한 혼잡상황을 예방할 수 있을 것으로 기대된다.

Figure 10.

Comparison of LCL distribution with/without information provision

결론 및 향후 연구과제

커넥티드 환경에서의 사고 예방과 정체 감소를 위한 교통안전관리 전략을 개발 및 평가하는 다양한 연구가 시뮬레이션을 기반으로 수행되고 있다. 자율협력주행은 개별 자율차 뿐만 아니라 도로 인프라의 첨단화와 교통류 성능을 최적화할 수 있는 교통관리전략이 적용되었을 때 효과가 극대화될 수 있다. 교통사고를 혁신적으로 예방하기 위한 선제적 교통관리전략 관점에서의 능동적인 대응책 개발이 요구되는 바이다. 이에 따라 본 연구에서는 커넥티드 환경 혼재교통류 관리를 위한 인프라 협력형 선제적 차로변경지원 정보 제공 전략을 개발하고 평가하였다는 점에서 의의가 있다.

본 연구는 주행 및 교통 시뮬레이션을 연계하여 선제적 교통관리전략 도입에 따른 교통류의 성능을 분석하였다. MADS는 차량 간 상호작용 단위 안전성 분석을 통한 자율차를 추종하는 비자율차의 주행특성 도출을 목적으로 사용되었다. MADS로부터 도출된 비자율차 추종행태는 교통 시뮬레이션에 적용되어 혼재교통류 환경에서의 비자율차 주행행태를 모사하였다. 교통 시뮬레이션은 교통정보를 제공 받는 CAV와 CHV 거동을 구현함으로써 본 연구에서 개발한 PLEASANT의 효과평가를 목적으로 활용되었다. PLEASANT 적용 시 자율차 MPR이 50%인 혼재교통류 환경에서 통과교통량은 74.61% 증가하고, CPI는 21.15% 감소하는 것으로 도출되었다. 또한 교통정보 제공 여부에 따른 차로변경 위치를 비교한 결과, 정보제공 without 대비 with인 경우 약 1,577m 전에 차로변경을 수행한 것으로 분석되었다. 분석 결과는 선제적 차로변경지원 정보를 제공받을 경우 사고발생 지점으로부터 먼 위치에서 사전에 적절한 회피행동을 수행한 것으로 해석된다. 이에 따라 본 연구에서 제시한 PLEASANT는 사고대응 및 예방을 목적으로 하는 교통류 이동성 및 안전성 증진을 위한 교통관리전략 수립에 기여할 것으로 판단된다.

본 연구에서 제시한 인프라 협력형 선제적 차로변경지원 정보 제공 전략의 고도화를 위해서는 다음과 같은 추가적인 연구가 필요하다. 첫째, 본 연구는 인프라 협력 환경에서 선제적 차로변경지원 전략을 설계하는 것에 초점을 두어 연구를 진행하였으나, 혼재교통류 성능 최적화를 위해서는 다양한 차종을 위한 교통관리전략이 수립되어야 한다. 이를 위하여 HDV, CHV, AV, CAV의 주행행태 및 거동 특성을 모사하여 시뮬레이션에 반영할 필요가 있다. 시뮬레이션을 활용하여 보다 현실적인 차량추종 상황을 구현하기 위해서는 enhanced IDM과 같은 차량추종모형의 고도화가 요구된다. 또한 군집주행과 같은 협력주행 특성을 보이는 차량을 구현하기 위한 군집크기, 군집내 간격, 군집간 간격 등 군집주행 파라미터를 설정하고, 효과적인 협력주행을 위한 교통관리전략을 수립할 필요가 있다. 둘째, variable message sign(VMS) 기반 속도관리와 같은 기존 교통관리전략과 인프라 협력 기반 정보 제공과 같은 선제적 교통관리전략 적용에 따른 운전자의 순응률이 고려되어야 한다. 이를 위하여, 교통상황에 따른 비자율차 운전자의 순응률을 검토하고 다양한 조건에서의 교통류 성능 분석을 통한 교통안전관리 전략을 평가하는 연구가 지속적으로 수행되어야 한다. 셋째, 첨단화된 도로 인프라 지원기술을 지원하는 실도로를 대상으로 선제적 교통관리전략 도입에 따른 혼재교통류 성능 평가가 요구된다. 향후 시뮬레이션을 기반으로 실도로 구간의 교통류 성능 분석 결과는 자율차 도입을 위한 근거자료로 활용 가능할 것으로 기대된다. 향후 자율협력주행 시대 다양한 반응행태를 보이는 혼재교통류 상황에서 교통류 성능 최적화를 위한 교통안전관리 전략을 수립하고 실질적으로 적용가능한 결과 도출을 위한 다각적인 노력이 필요할 것이다.