Earticle

혼합교통류 환경에서 자율차의 보수적인 주행행태는 전체 교통흐름에 부정적인 영향을 줄 수 있다. 선제적으로 혼합교통류의 이동성과 안전성을 관리하기 위해서는 실도로에서 수집된 자율주행 데이터를 활용하여 주행행태를 과학적 평가하는 것이 필수적이다. 본 연구에서는 Waymo Open Dataset을 활용하여 단속류 교차로 유형별 자율차와 비자율차의 주행행태를 비교 평가하는 방법론을 제안하였다. 영상자료를 통해 도로구간을 구분하고, 차량 추종 상황에서 자 율차와 비자율차의 Time-to Collision(TTC)를 기반으로 상충률 차이를 비교하는 자율주행 보수 성 지표(Autonomous Driving Conservativeness Index, ADCI)를 고안하였다. 분석 결과 모든 TTC 임계값에서 4지 비신호 교차로가 높은 ADCI로 관찰되었다. 이는 교차로 유형 중 4지 비신호 교차로에서 자율차의 주행 보수성(Conservativeness)이 높아, 비자율차 대비 보수적이게 주행함 을 의미한다. 장기간 지속될 혼합교통류 환경에서 자율차가 전체 교통흐름에 부정적인 영향을 주지 않기 위해 도로구간별 주행행태를 분석하고 지원방안을 도출할 필요함을 시사한다. 본 연구의 방법론은 실도로 데이터셋 기반 자율차에 영향을 미치는 요인들을 분석하는 기초 자료 로 활용될 것으로 기대된다.

In mixed traffic conditions, the conservative driving behavior of autonomous vehicles (AV) would negatively affect overall traffic performance. In order to manage mobility and safety in mixed traffic conditions, it is essential to scientifically evaluate driving behavior using autonomous driving data collected from real-world. This study proposed a methodology to evaluate the driving behavior of autonomous vehicles (AV) and manual vehicles (MV) at different types of intersections using the Waymo Open Dataset. Urban street were identified through video data, and the autonomous driving conservativeness index (ADCI) was devised to compare the difference in time-to-collision (TTC) based conflict rates between AV and MV in car following situations. The results showed that unsignalized 4-way intersections had the highest ADCI value, indicating greater conservativeness in driving behavior. This indicates the necessity of analyzing the driving behavior of each road section and deriving support measures to prevent AV from negatively affecting the overall traffic performance in mixed traffic conditions. The methodology of this study is expected to serve as foundational for analyzing factors affecting AV using real-world datasets.

무인 자율차의 공도 주행이 허용됨에 따라 연구에 활용가능한 자율차의 실도로 주행 데이터 가 증가하는 추세이다. 따라서 혼합교통류 상황에서 실제 자율차가 교통안전에 미치는 영향을 분석할 수 있게 되었다. 자율차가 교통안전에 미치는 영향을 파악하기 위해서는 자율차의 주행 행태를 효과적으로 반영할 수 있는 평가지표의 활용이 요구된다. 본 연구의 목적은 Waymo Open Dataset을 통해 자율차의 주행행태를 분석하여 단속류 도로 구간별 주행안정성을 평가하 기 위한 주요 지표를 도출하는 것이다. 주성분 분석을 통해 단속류 도로 구간별 데이터에 대한 설명력이 높은 평가지표를 선별하고 주요 평가지표로 정의하였다. 이때, 종방향과 횡방향 주행 안정성을 구분하여 각각에 대한 주요 평가지표를 제시하였다. 이후 동일한 주요 평가지표가 도출된 단속류 도로 구간을 대상으로 주행안정성을 비교하였다. 비신호교차로 대비 곡선 단일 로 구간에서 종방향 주행안정성이 약 35.48% 높게 도출되었다. 횡방향 주행안정성의 경우 비신 호교차로 대비 신호교차로 구간에서 주행안정성이 76.08% 높게 도출되었으며, 직선 단일로가 곡선 단일로에 비해 146.87% 높은 것으로 도출되었다. 본 연구의 결과는 자율차의 실도로 주행 데이터를 활용한 자율차의 교통안전 영향 분석 시 기초 자료로 활용할 수 있을 것으로 기대된다.

As autonomous vehicles are allowed to drive on public roads, there is an increasing amount of on-road data available for research. It has therefore become possible to analyze impacts of autonomous vehicles on traffic safety using real-world data. It is necessary to use indicators that are well-representative of the driving behavior of autonomous vehicles to understand the implications of them on traffic safety. This study aims to derive indicators that effectively reflect the driving stability of autonomous vehicles by analyzing the driving behavior using the Waymo Open Dataset. Principal component analysis was adopted to derive indicators with high explanatory capability for the dataset. Driving stability indicators were separated into longitudinal and lateral ones. The road segments on the dataset were divided into four based on the characteristics of each, which were signalized and unsignalized intersections, tangent road section, and curved road section. The longitudinal driving stability was 35.48% higher in the curved road sections compared to the unsignalized intersections. With regard to the lateral driving stability, the driving stability was 76.08% higher in the signalized intersections than in the unsignalized intersections. The comparison between curved and tangent road segments showed that tangent roads are 146.87% higher regarding lateral driving stability. The results of this study are valuable for the further research to analyze the impact of autonomous vehicles on traffic safety using real-world data.