Earticle

고령 화물차 운전자의 고속도로 사고 위험 요인을 정량적으로 분석하기 위해 베이지안 다 수준 혼합효과 로짓모형을 적용하였다. 기존 연구들이 일반 승용차 운전자 중심이었던 것과 달리, 본 연구는 직업 운전자인 고령 화물차 운전자의 사고영향요인을 규명하는 데에 초점을 맞췄다. 분석 결과, 고령 화물차 운전자들은 톨 게이트 요금소 구간에서의 감속·가속, 피로 및 졸음 상태에서 사고 발생 확률이 높았으며 본선 주행, 야간 운전, 과속 환경에서는 상대적으로 낮은 사고 위험을 보였다. 또한, 도로 노선별 이질성이 사고 확률에 유의미한 영향을 미치며, 베이지안 다수준 모형이 기존 로짓 모형보다 높은 예측 정확도를 보이는 것으로 나타났다. 본 연구는 직업적 고령 운전자의 사고 메커니즘을 규명하고, 도로 환경 및 운전자 상태를 반영한 맞춤형 안전 대책 필요성을 강조하였다. 향후에는 차량 동역학 및 운전자 생리·심리적 요인을 통합한 연구가 요구된다.

This study applied a Bayesian Multilevel Mixed-Effect Logit Model to quantitatively analyze the risk factors influencing highway accidents involving elderly truck drivers. Unlike previous studies that primarily focused on elderly passenger car drivers, this research investigates the accident risk factors affecting elderly professional truck drivers. The analysis revealed that elderly truck drivers exhibited a higher likelihood of accidents in toll gate areas due to deceleration and acceleration, fatigue, and drowsiness. In contrast, they showed a lower accident risk on mainline highways, during nighttime driving, and in high-speed conditions. Additionally, the heterogeneity among highway routes significantly influenced accident probability, and the Bayesian multilevel model demonstrated superior predictive accuracy compared to traditional logit models. This study provides insights into the accident mechanisms of elderly professional drivers and highlights the necessity of customized traffic safety measures considering road environments and driver conditions. Future research should integrate vehicle dynamics and physiological and psychological factors to enhance accident prediction and prevention strategies.

국내 수송부문 온실가스 배출량은 현재 행정구역별 차량 등록지 기반의 집계적 수준에서 산정되고 있으며, 배출량 산정에 중요한 차종·유종·규모별 세부 구분 또한 전국 단위에서 제한 적으로만 추정되고 있다. 본 연구는 이러한 한계를 보완하기 위해, 등록지 기반 통계를 차량 이동데이터(내비게이션·DTG) 기반의 도로 단위 배출량으로 세분화하는 과정에서 필요한 세부 차종 추정 모형을 최적화 기법과 결합하여 제시하였다. 제안된 모형은 관측 지점의 경우 관측 교통량을, 미관측 지점은 추정 교통량을 활용하여 차종별 교통량을 산정하도록 설계하였다. 또 한 DTG와 내비게이션 궤적 데이터를 활용하여, 차종별 목표 교통량을 만족시키는 동시에 실 제 주행 패턴을 보존할 수 있도록 궤적 가중치를 최적화하였다. 최종적으로 산출된 교통량은 차량 등록지 기반 주행거리(VKT) 통계를 바탕으로 차종·유종·규모별로 분배되었으며, 이를 통 해 링크 단위의 세부 차종의 교통량까지 추정하였다. 모형 검증 결과, 모든 분석 단위에서 교통 량의 과소추정 경향이 공통적으로 나타났으며, 하위 도로망과 일부 지역에서는 상대 오차가 크게 관찰되었다. 그러나 전체적으로 오차 수준은 지역별 6~16%, 도로 등급별 5~21% 범위로 낮게 유지되어, 제안된 방법론이 다양한 분석 단위에서 준수한 성능과 실용성을 확보했음을 확인할 수 있었다. 본 연구는 실제 차량 주행 궤적 데이터와 최적화 기법을 결합하여 링크 단 위의 차종·유종·규모별 세분화된 교통량 자료를 구축하였으며, 이는 정밀한 최신 배출량 산정 모형의 핵심 입력자료로 활용될 수 있기에 향후 국내 산정체계의 정밀도와 정책 활용성을 높 이는 데 기여할 수 있다.

Greenhouse gas (GHG) emissions from the transportation sector in Korea are currently estimated at an aggregate level, based on vehicle registrations by administrative regions. The sub-classification of detailed vehicle attributes(such as vehicle type, fuel type, and size), which are critical for accurate emission estimation, is also restricted to limited nationwide statistics. To address these limitations, this study proposes a vehicle-type estimation model that integrates optimization techniques with vehicle trajectory data (navigation and DTG), enabling the disaggregation of registration-based statistics into road-level emission inventories. The proposed model estimates traffic volumes by vehicle type using observed counts at monitoring sites and estimated counts at unobserved locations. In addition, digital tachograph (DTG) and navigation trajectory data are utilized to optimize trajectory weights such that vehicle-type-specific target volumes are satisfied while preserving actual driving routes. The resulting traffic volumes are then distributed by vehicle subclass(vehicle type, fuel type, and size) in accordance with vehicle kilometers traveled (VKT) statistics derived from vehicle registration data, allowing the estimation of detailed traffic volumes at the road-link level. Model validation revealed a general tendency to underestimate traffic volumes, with relatively higher errors observed for lower-level road networks and some regions. Nevertheless, overall error levels remained relatively low—ranging from 6–16% by region and 5–21% by road class—demonstrating the robust performance and practical applicability of the proposed methodology across various analytical units. By combining real vehicle trajectory data with optimization techniques, this study establishes disaggregated traffic datasets at the link level by vehicle subclass. These datasets can serve as essential inputs for advanced, high-resolution emission estimation models, thereby enhancing the accuracy of the national GHG inventory system and improving its policy relevance.

본 연구는 도로용량편람에서 제시된 보행자도로의 용량 기준과 서비스수준 평가 방식이 실 제 보행환경과 보행자의 체감 혼잡도를 충분히 반영하지 못한다는 한계를 지적하고, 이를 개 선하기 위한 정량적·행태적 분석을 수행하였다. 특히 보행자의 심리적 거리 유지 특성을 고려 하여 실내·외 유형별 방해폭원을 정량화하고, 이를 유효보도폭 산정에 반영함으로써 보다 현 실적인 평가 기준을 제안하였다. 또한, 실측된 보행밀도와 보행교통류율 데이터를 바탕으로 회 귀모형을 구축하고, 이를 통해 기존보다 균형 잡힌 분포를 갖는 새로운 서비스수준 기준값을 도출하였다. 본 연구는 보행자 중심의 정교한 평가체계 마련과 더불어, 실제 보행 행태를 반영 한 설계 및 정책 수립의 방향을 제시하였다는 점에서 의의가 있다.

This study examined the limitations of the pedestrian walkway capacity and level of service (LOS) standards presented in the Highway Capacity Manual(2013), which tend to underrepresent the actual pedestrian environments. Based on field-observed data, the study quantified the shy distances that reflect the pedestrians’ psychological and behavioral tendencies and applied them to calculate the effective walkway width. Using this approach, the relationship between the pedestrian density and flow rate was analyzed, and a new set of LOS thresholds was proposed to reflect the real-world pedestrian flow characteristics. These findings highlight the feasibility of establishing a more precise, pedestrian-centered evaluation framework.

교통안전 분야는 명확한 판단 근거와 실제 사례를 기반으로 정책이 수립되고 시행되는 특 성이 있다. 그렇기에 범용 대규모 언어모델(large language model, LLM)을 활용하는 데는 한계 가 존재한다. 따라서, 본 연구는 교통안전 분야에 특화된 LLM의 구축 가능성과 활용성을 실증 적으로 검토하고, 이를 위한 체계적인 개발 프로세스를 제시하고자 한다. 이에 따라 본 연구에 서는 교통사고 유형과 관련 정보를 기반으로 교통안전대응책을 제시할 수 있도록 파인튜닝 (fine-tuning)과 검색 증강 생성(retrieval-augmented generation) 기법을 적용한 소규모 언어모델 (small language model, SLM)을 개발하고, 실제 개선사업 사례를 통해 모델의 응답을 정성적으 로 평가하였다. 이 과정에서 학습 데이터의 구조화, 다차원적 맥락 정보의 반영, 그리고 정교한 평가체계의 필요성이 핵심 고려사항으로 도출되었으며, 본 연구는 교통안전 분야의 특성과 실무 환경을 반영한 SLM 구축의 방향성과 기반을 마련했다는 점에서 학술적·실무적 의의가 있다.

The field of traffic safety requires policies to be established and implemented based on clear evidence and real-world cases, which limits the applicability of general-purpose large language models (LLMs). This study investigates the feasibility and applicability of domain-specific LLMs for traffic safety and proposes a systematic development process. To this end, a small language model (SLM) was developed using fine-tuning and retrieval-augmented generation (RAG) techniques to generate countermeasures based on traffic accident types and related information. The model’s responses were qualitatively evaluated through actual improvement project cases. Key considerations derived from this process include the structuring of training data, incorporation of multidimensional contextual information, and establishment of a rigorous evaluation framework. This study provides both academic and practical implications by presenting the direction and foundation for developing traffic safety domain-specific SLMs.

본 연구는 에코드라이빙 확산을 통한 연료 절감과 온실가스 저감을 목표로 스마트크루즈컨 트롤(Smart Cruise Control, SCC) 모드가 차량의 연비 및 배출 특성에 미치는 영향을 실증적으로 규명하였다. 주행실험은 연속류 도로인 대구외곽순환고속도로과 단속류 도로인 국도 25호선 에서 수행되었으며 소형·중형·대형 가솔린 차량을 대상으로 SCC 모드와 Human Driving을 비 교하였다. 주행 데이터는 차량 스캐너를 통해 실시간 수집하였고, 대응표본 t-검정과 Wilcoxon 검정을 통해 통계적 유의성을 평가하였다. 분석 결과, 중형 및 대형 차량에서 그리고 60km/h 및 80km/h 조건에서 SCC 모드의 연비 향상이 유의하게 나타났으며, 신호 간섭이 적은 연속류 도로에서 그 효과가 더욱 두드러졌다. 배기가스의 경우 소형과 대형 차량에서 SCC 모드 주행 시 전반적으로 감소 경향을 보였다. 이러한 결과는 SCC 시스템이 실제 도로 환경에서 연료 효율과 환경적 성과를 동시에 달성할 수 있음을 보여주며, 탄소중립 및 지속가능 교통정책 수 립을 위한 기초적 근거를 제공하는데 기여할 수 있다.

This study examined the impact of smart cruise control (SCC) mode on the fuel efficiency and emission characteristics of vehicles, aiming to reduce fuel consumption and greenhouse gas emissions through the diffusion of eco-driving practices. The driving experiment was conducted on the Daeguoegwaksunhwan Expressway, a continuous-flow road, and National Route 25, an intermittentflow road, and compared the SCC mode with the general driving for small, medium, and large gasoline vehicles. Driving data were collected in real-time through a vehicle scanner, and the statistical significance was evaluated using a corresponding sample t-test and Wilcoxon test. The analysis showed that the improvement in fuel efficiency in SCC mode was significant for medium and large vehicles, particularly under 60 km/h and 80 km/h conditions. The effect was more pronounced on continuous roads with low signal interference. In the case of exhaust gas, the overall trend was reduced when driving in SCC mode in small and large vehicles. The results show that the SCC system can simultaneously achieve fuel efficiency and environmental performance in a real road environment.

본 연구는 강우 조건에서 발생하는 사망교통사고의 공간적 특성을 분석하고 기존 사고다발 지점과의 관계를 규명하였다. 이를 위해 2012년부터 2023년까지의 교통사고분석시스템(TAAS) 사망사고 데이터와 기상청 AWS 강우 데이터를 결합하여 강우 관련 사망사고를 정의하고, 커 널밀도추정(KDE) 기법과 QGIS 기반 공간 중첩 분석을 수행하였다. 분석 결과, 강우 사망사고 는 전체의 약 1.8%(794건)로 나타났으며, 이 중 73%는 기존 사고다발지점과 중첩되었으나 27% 는 독립적으로 발생하였다. 특히 지방부 국도 및 고속도로에서 독립적 강우사고지점 비율이 높아, 강우가 기존 사고패턴과 다른 위험요인을 형성함을 확인하였다. KDE 분석에서는 일부 지역에서 2건/km² 이상의 고밀도 구간이 나타나 국지적 취약성을 시사하였다. 이러한 결과는 현행 사고다발지점 지정 체계가 기상 조건을 충분히 반영하지 못함을 보여주며, 강우 취약지 점에 대한 별도 관리 필요성을 강조한다. 정책적 시사점으로는 강우 시 가변속도제, 배수시설 개선, 기상연계 실시간 위험예측 시스템 구축 등이 제안되며, 이는 지능형교통체계(ITS) 및 자 율주행차 안전성 강화에도 기여할 수 있다.

This study investigates the spatial characteristics of fatal traffic accidents under rainfall conditions and their relationship with conventional accident-prone areas. Using fatal accident data from the Traffic Accident Analysis System (TAAS) for 2012–2023 combined with precipitation data from the Korea Meteorological Administration’s Automated Weather Stations (AWS), rain-related fatal accidents were identified through spatial matching and rainfall thresholds. Kernel Density Estimation (KDE) was applied to detect high-density clusters, and QGIS-based overlay analysis examined overlaps with existing accident-prone zones. Results show that rain-related fatal accidents accounted for 1.8% (794 cases) of all fatal accidents, with 73% overlapping existing hotspots and 27% occurring independently, particularly on rural highways and national roads. KDE analysis revealed significant spatial heterogeneity, with a small proportion of cells exceeding 2 cases/km², indicating localized vulnerability. These findings suggest that rainfall introduces unique risk factors not fully captured by current hotspot identification methods. The study emphasizes the need for a complementary risk management framework that incorporates weather-specific hazards, recommending measures such as adaptive speed control, drainage improvements, and real-time hazard prediction systems linked to weather forecasts. By integrating meteorological factors into traffic safety strategies, this research provides empirical evidence to enhance Intelligent Transport Systems (ITS) and supports the development of autonomous vehicle safety under adverse weather conditions.

본 연구는 자율주행기술개발혁신사업의 성과와 국내 기술수준을 국제적으로 비교·분석하 여 향후 발전방향을 모색하는 것을 목적으로 한다. 연구 대상 국가는 미국, 유럽, 일본, 중국, 한국 등 5개국이다. 국가 간 기술 수준과 격차를 논문 및 특허 경쟁력으로 정량 분석하고, 전문 가 의견으로 정성분석하였다. 정량적 분석은 30대 중점기술 기반으로 도출된 총 149개의 세부 키워드를 참조하였다. 최근 10년간 게재된 논문과 등록 특허의 활동도와 영향력을 측정하여 국가별 연구 성과를 비교하였다. 정성적 분석에서는 자율주행 분야 전문가를 대상으로 한 델 파이 조사 방식을 적용하여 기술 중요도, 성숙도, 개발 역량 등을 반영하였다. 분석 결과, 미국 이 가장 높은 기술경쟁력을 보였으며 한국은 종합 4위로, 미국 대비 약 89.2%의 수준에 머무르 는 것으로 나타났다. 특히 논문과 특허 경쟁력에서 모두 선진국과 격차가 확인되었으며, 이는 한국이 글로벌 경쟁력을 확보하기 위해 체계적인 기술평가 기준을 유지하고 중점 분야 연구를 강화할 필요가 있음을 시사한다.

This study evaluated the outcomes of the Autonomous Driving Technology Development Innovation Project and explored future directions for Korea by conducting an international comparative analysis of technological levels. The analysis covered five countries (the United States, Europe, Japan, China, and Korea) using bibliometric and patent-based indicators together with expert surveys to assess the competitiveness and technological gaps. For quantitative analysis, 149 detailed keywords were derived from 30 core technologies, and the publication activity, citation impact, patent filings, and registrations over the past ten years were examined to compare the national research performance. For the qualitative analysis, a Delphi survey of autonomous driving experts was conducted to reflect the importance, maturity, and development capacity of each technology area. The results suggest that the United States had the highest level of technological competitiveness, while Korea ranked fourth overall, corresponding to approximately 89.2% of the U.S. level. The patent and publication competitiveness in Korea remains behind that of advanced economies, highlighting significant disparities. These findings suggest that Korea must strengthen the systematic evaluation frameworks and prioritize continuous R&D in key technological domains to enhance global competitiveness in the autonomous driving sector.

최근 자율주행자동차 도입이 교통체계에 미치는 영향에 대한 관심이 높아지고 있으며, 이에 따른 도로 용량 변화에 대한 정량적 분석의 필요성이 증대되고 있다. 본 연구는 단속류를 대상 으로 자율주행자동차 혼입 비율 변화가 도로 용량에 미치는 영향을 분석하고, 포화교통류율 보정계수 산출 방법론을 제시하였다. 미시적 시뮬레이터인 VISSIM을 활용하여 교차로 접근로 에서 차두시간 및 포화차두시간을 단계별로 분석하고, 이를 기반으로 포화교통류율의 변화를 파악하였다. 자율주행자동차 혼입 비율 증가에 따라 포화차두시간은 감소하고 포화교통류율 은 증가하는 경향을 확인하였다. 본 연구 결과는 자율주행자동차 도입 초기 단계에서 신호교 차로 용량 변화 예측과 교통 운영 전략 수립에 유용한 기초자료로 활용될 수 있을 것으로 판단 된다. 다만, 본 연구는 시뮬레이션 기반 분석으로 실제 도로 환경과 차이가 있으며, 다양한 차 종을 고려하지 못한 한계가 있다. 향후 연구에서는 다양한 차종과 동적 신호 운영, 다양한 교차 로 유형을 반영한 보다 정교한 분석이 필요하다.

Recently, the impacts of Autonomous Vehicle(AV) adoption on traffic systems have attracted growing interest, reflecting the growing beed for quantitative analysis of roadway capacity changes. This study analyzed how changes in AV penetration rates affect capacity at signalized intersections under interrupted flow conditions. It also proposed a methodology for deriving adjustment factors for the saturation flow rate. Using the microscopic traffic simulator VISSIM, vehicle headways and saturation flow rates were examined across different AV penetration scenarios. The results showed that higher AV penetration rates led to shorter saturation headways and higher saturation flow rates. These findings provide useful insights for forecasting roadway capacity and developing traffic operation strategies during the early stages of AV deployment. Nevertheless, the simulation-based nature of this study and its focus on passenger vehicles pose limitations. Future research should therefore consider a wider range of vehicle types, dynamic signal operations, and various intersection designs to enhance applicability.

자율주행차(Automated Vehicle, AV)는 주변의 객체와 안전하게 상호작용하면서 주행하도록 설계되었으나, 센서의 성능, 돌발상황에 대한 주행알고리즘의 대응 능력, 도로기하구조 및 시 설, 교통상황, 기상조건 등에 영향을 받아 불안전하게 주행할 수 있다. AV의 안전한 주행을 분석하기 위해, 본 연구는 횡방향 안전성을 평가할 수 있는 지표로 Lateral deviation difference LDD)를 제안하였다. AV가 자율주행 모드(AD mode) 또는 일반 운전자 주행 모드(MD mode)로 도심부 시설을 통과하였을 때 LDD를 비교하고, 통계적 검정을 수행하였다. 분석결과를 3 가지 case로 정리하였다. Case 1은 AD mode일 때 통계적으로 유의미한 주행안전성이 관찰되는 구 간, Case 2는 주행안전성이 개선되나 통계적으로 유의하지 않은 구간, Case 3은 주행안전성이 악화되며 통계적으로도 유의하지 않은 구간이다. Case 2와 3에 해당되는 구간은 각각 회전교차 로와 버스정류장 통과 구간이며, AV의 주행안전성 향상을 위한 대응방안을 제안하였다. 본 연 구에서 제안한 횡방향 안전성 평가 지표와 방법론은 향후 AV 도입을 대비한 주행안전성 개선 필요구간을 찾는 데 활용할 수 있다.

Automated Vehicles (AVs) are designed to interact safely with surrounding objects; however, their responses can be adversely affected by factors such as sensor performance, the responsiveness of driving algorithms to unexpected situations, roadway geometry and facilities, traffic conditions, and weather conditions. To evaluate the lateral driving safety of AVs, this study introduces an assessment metric referred to as the lateral deviation difference (LDD). LDD values in autonomous driving and manual driving modes (AD and MD modes, respectively) were determined when AVs traversed various urban infrastructure sections and compared. Results were classified into three categories: (1) sections where AD mode was significantly safer; (2) sections where AD and MD modes were non-significantly different; and (3) sections where MD mode was significantly better. Cases 2 and 3 corresponded to roundabouts and bus stop zones, respectively, for which countermeasures to enhance AV driving safety are proposed. The proposed LDD metric and evaluation methodology offer a means of identifying road segments that require targeted safety improvements in preparation for the widespread deployment of AVs.

본 연구는 연속류 도로 환경에서 자율주행차량이 교통안전시설을 인지해야 하는 적정 시점 을 규명하는 것을 목적으로 하였다. 이를 위해, 연속류 환경에서 활용되는 교통안전시설을 검 토하여 총 105종의 시설을 평가 대상으로 선정했다. 선정된 시설을 토대로, 본선 진출로, 차로 축소, 제한속도 하향 등 주요 도로 변화 상황을 반영한 평가 시나리오를 설계하였으며, 교통 시뮬레이션과 외부 운전자 모듈 API를 연동하여 자율주행차량의 가·감속 제어가 가능하도록 구현하였다. 분석 결과, 자율주행차량이 적시에 교통안전시설을 인지하지 못할 경우, 불안정한 교통류가 형성되거나 안전 운행을 위한 법적 기준을 충족하지 못하는 상황이 발생하는 것으로 나타났다. 이에 따라 적절한 인지 시점은 단순히 최소 안전 거리를 확보하는 수준을 넘어, 본선 진출로의 경우 425m, 차로 축소는 550m, 제한속도 하향은 340m 이전과 같이 도로 상황별로 충분한 여유 거리를 확보해야 함을 확인하였다. 본 연구에서 도출된 교통안전시설의 최적 인 지 시점은 향후 자율주행차량을 위한 교통안전시설 설치 기준 개정의 근거로 활용될 수 있으 며, 나아가 I2X 통신 기반 메시지 전송 기준 수립을 위한 가이드라인 마련에도 기여할 수 있을 것으로 기대된다.

This study examined the optimal perception location of traffic safety facilities by autonomous vehicles in uninterrupted traffic flow environments. We reviewed all traffic safety facilities commonly used in such environments and selected 105 facilities for evaluation. Based on these selections, simulation scenarios were designed reflecting key roadway transitions, namely diverges, lane drops, and speed-limit reductions. A microscopic traffic simulator was then integrated with an external driver-module API to enable acceleration and deceleration control of the autonomous vehicle. These results show that delayed perception of safety facilities can lead to unstable traffic flow and violations of legally mandated safety criteria. Therefore, perception must occur not only at a minimum safe distance but also at scenario-specific thresholds―approximately 425 m before a diverge, 550 m before a lane drop, and 340 m before a speed-limit reduction―to ensure stable and safe operations. The optimal perception locations identified in this study can provide a foundation for revising installation guidelines for traffic safety facilities for autonomous vehicles and establishing I2X communication message-timing standards.

본 연구는 자율주행차의 안전성을 확보하기 위해 실시간으로 이상상태를 분류하는 LSTM 모델을 제안한다. 자율주행차 제어권 전환 보고서를 분석하여 6개의 이상상태를 정의하고, 이 를 기반으로 실주행 데이터를 수집하였다. 이후, 상관분석과 다중공선성 분석을 통해 7개의 데 이터셋을 구축했으며, 다양한 학습 변수를 조합하여 LSTM 모델의 학습을 수행했다. 그 결과, 인간 운전자의 최소 반응 시간인 0.39초 이내에서 96.69%의 분류 정확도를 도출했다. 본 연구 는 실주행 데이터를 기반으로 분류 정확도와 분류 속도를 동시에 확보한 점에서 의의가 있으 며, 향후 외부 데이터의 추가와 이상상태 유스케이스의 확장을 통해 자율주행 시스템의 안전 성을 확보하는 데 기여할 수 있다.

This paper proposes an LSTM-based model for real-time classification of abnormal cases in autonomous vehicles to enhance driving safety. We defined six representative abnormal cases by analyzing DMV disengagement reports and collected corresponding real-world driving data. We then constructed seven datasets through correlation and multicollinearity analysis, and trained the LSTM model using various combinations of hyper parameters. As a result, our model achieved a classification accuracy of 96.69% within 0.39 seconds, which aligns with the minimum human driver reaction time. This study is meaningful in that it demonstrates both high classification accuracy and fast inference time using real driving data. We expect that our approach will contribute to enhancing the safety of autonomous driving systems by integrating external data and expanding the range of abnormal case types.

자율주행 시스템을 비롯한 지능형 교통 시스템에서 측위는 매우 중요한 기술 요소이다. 본 연구는 정밀지도와 카메라의 차선 정보를 활용하여 차량 위치 정확도를 향상시키는 알고리즘 을 개발하고 평가하는 것을 목표로 한다. 이를 위해 정밀지도의 노면선 정보와 카메라 인식 차선을 비교하여 횡방향 오차를 보정 후, 확장 칼만 필터(Extend Kalamn Filter)를 이용하여 측 정 노이즈를 제거하는 알고리즘을 설계하였다. 실성능 검증을 위해 시험 차량을 구성하고 검 증하였다. 시험 차량을 이용한 시험 결과, 제안된 방법은 GNSS 단독 측위 대비 평균 2.74m 감소하였으며, 성능이 약 86.1% 개선됨을 확인하였다.

An algorithm was developed to enhance the vehicle localization accuracy using high-definition map lane information and camera-based lane detection. Lateral errors were corrected through lane matching, and measurement noise was reduced using an Extended Kalman Filter. The experimental results with a test vehicle showed that the proposed method reduced the positioning error from approximately 3.17m to 0.38m, corresponding to an 88.09% improvement compared to a standalone global navigation satellite system.

자율주행 차량의 안전한 주행을 위해 빠르고 정확한 차선 인식은 핵심 과제이다. 그러나 차량별 차고와 카메라 설치 각도의 차이로 종방향 시야각이 달라지면 입력 영상의 유효 시야 가 변동되며, 이에 따라 분포 이동이 발생하여 차선 인식 네트워크의 성능이 저하된다. 이러한 문제를 해결하기 위해 본 연구에서는 기존 네트워크에 오프셋 헤드와 얼라인먼트 블록을 결합 한 시야각 변화에 강건한 차선 인식 방법을 제안한다. 제안된 방법은 블록화되어 있어 사전학 습된 네트워크에 쉽게 통합될 수 있으며, 재학습 부담 없이 다양한 시야각 변화에서 분포 이동 의 영향을 효과적으로 줄일 수 있다. CULane 벤치마크에서 시야각 다양성을 반영해 구축한 확장 테스트셋으로 평가한 결과, 다양한 시야각 조건에서도 안정적인 정밀도를 보였고, 특히 50% 줄어든 시야각에서도 기존 F1 Score 25.19 대비 69.57로 약 2.8배의 성능 향상을 보였다. 이는 실제 배치 환경에서 시야 변동성에 대한 실용적 해법임을 시사한다.

Fast and accurate lane detection is a crucial task for the safe operation of autonomous vehicles. However, differences in vehicle height and camera installation angles cause variations in the vertical viewpoint of input images, leading to a domain shift that degrades the accuracy of lane detection networks. This paper proposes a novel lane detection method that enhances robustness to viewpoint variations by integrating an offset head and alignment block into existing networks. The proposed approach was designed in a block-based manner, allowing it easy integration into pre-trained network without requiring full retraining, while effectively mitigating the impact of a domain shift under diverse camera viewpoints. Evaluations on the custom expanded testset constructed from the CULane benchmark with diverse view conditions showed stable precision, achieving an F1 Score of 69.57, which is approximately 2.8 times higher than the baseline score of 25.19, even when the portion of the image occupying the lane is reduced by 50%. These results highlight the practicality of the proposed method in real-world deployment environments with variable viewpoints.

본 연구는 자율주행자동차 실증 테스트의 현실적 제약을 극복하고 불규칙적인 교통류를 반 영하기 위해 실제 AV와 가상 시뮬레이션(CarMaker, VISSIM)을 실시간 Co-simulation 방식으로 통합한 VILs 테스트 방안을 제안하고 실증 테스트를 통한 검증을 수행하였다. 테스트는 단속 류·연속류 시나리오에 대해 교통량과 무작위 시드를 조합한 반복 실험을 수행하였다. 각 시나 리오에서의 AV 주행 결과를 확인하고 실제 AV와 가상 AV의 속도에 대해 MAE, MSE, RMSE, R²로 검증하였다. 검증 결과, 대부분 조건에서 낮은 오차와 높은 설명력을 보여 유효성이 확인 되었다. 본 연구 결과는 AV 실증 테스트 과정에서 비정형 교통류와의 상호작용을 통해 기존 VILs의 한계를 개선하여 자율주행자동차의 실용적 검증을 위한 새로운 접근 방법으로서 향후 관련 연구의 기반을 제공할 것으로 기대된다.

This paper proposes a VILs testing approach that integrates a real autonomous vehicle with a virtual traffic environment in real time via co-simulation using CarMaker and VISSIM. This approach aims to overcome the practical constraints of field validation and reflect irregular traffic flows. Validation was conducted through repeated experiments combining various traffic volumes and random seeds under interrupted-flow and continuous-flow scenarios. The AV driving outcomes in each scenario were evaluated by comparing the real and virtual vehicle speed profiles using, and the coefficient of determination R². The results revealed low errors and high explanatory power under most conditions, confirming the effectiveness of the proposed framework. These findings suggest that this approach can meaningfully extend conventional VILs by better capturing the interactions with non-deterministic surrounding traffic during empirical AV testing. This framework is expected to provide a foundation for future research as a novel approach for practical validation of autonomous vehicles.

차량사물통신은 지능형 교통시스템의 핵심 요소로 자리 잡고 있으며, 교통 안전 향상과 자 율주행 구현의 기반 기술로 주목을 받고 있다. 그럼에도 불구하고 기존 연구들은 주행 도로 환경과 같은 외부 요인을 종합적으로 고려한 실증적 분석이 부족하였다. 따라서, 본 연구는 대 용량 실도로 주행 데이터를 기반으로 수목 밀도, 강수량, 교통량을 주요 변수로 선정하여 5G-NR-V2X 통신 성능 변화를 분석하였다. 분석 결과, 수목 밀도는 성능에 유의미한 영향을 주지 않았으나, 강수량이 증가할수록 전파 감쇠와 산란으로 인한 성능 저하가 뚜렷하게 관찰되 었고, 교통 혼잡 역시 간섭 심화로 성능을 악화시켰다. 이러한 결과는 향후 자율주행차 및 지능 형 교통 시스템 구현 과정에서 통신 안정성을 확보하기 위한 중요한 근거로 활용될 수 있다.

V2X (Vehicle-to-Everything) is a key technology for implementing intelligent transportation systems, and its performance in real-world driving environments is directly affected by various external factors. Despite this, previous studies have generally lacked comprehensive empirical analyses that consider such factors. Therefore, this study analyzed the impact of vegetation density, rainfall, and traffic volume on the performance of 5G-NR-V2X communication using large-scale on-road driving data. The results suggest that the vegetation density has no significant impact on performance. In contrast, increased rainfall leads to pronounced degradation due to rain-induced attenuation and scattering, and traffic congestion intensifies signal interference, further reducing performance. These findings provide an important foundation for ensuring the reliability of communication in the deployment of autonomous vehicles and intelligent transportation systems.