베이지안 확률 추론 기반의 자율주행차 사고 계층분석 및 사고 심각도 모형 연구

Abstract

첨단 운전자지원 시스템 기술 고도화에 따라 자율 주행 기술은 미래의 스마트 교통 시스템 주요 구성 요소로 주목받고 있지만 꾸준히 발생하는 자율주행차의 사고로 인해 안전성에 대한 체계적인 검증이 요구되고 있다. 특히, 예상치 못하게 제어권이 해제되어 운전자의 대응 시간이 충분하지 않은 상황적 범위라고 칭할 수 있는 핸디캡 구간이 반복적으로 발생하는 도시부 도로에서 자율주행차뿐만 아니라 보행자와 같은 취약한 도로 이용자들의 안전성을 확보하기 위해서는 기술적/ 제도적 접근과 자율 차 사고 원인에 대한 지속적인 이해가 필요하다. 따라서 본 연구는 캘리포니아 자동차관리국에서 제공하는 자율 차 사고 보고서 중 세부 영향 요인과 변수를 추출하기 위해 사고 세부 기록 데이터를 이용하였고 사고 표본 보완을 위해 베이지안 확률추론 기반의 잠재 계층분석과 순서형 프로빗 모형을 통해 계층별 사고 심각도와 설명 변수 간 상관성을 설명하였다. 그 결과 보행자, 자전거 이용자와 같은 취약한 도로 이용자와 관련된 사고는 주로 도로 이용자들이 교차가 발생하는 버스정류장 또는 자전거 도로가 있는 공간에서 발생하고 어두운 조명시설일 때 사고 심각도가 증가하였다. 반면에 나머지 사고의 경우, 기상 조건, 자율 차의 움직임, 주야 등에 따라 계층이 세분화되고 사고 심각도가 증가하였다. 특히, 그리고 기하구조와 기상 조건에 대한 이질성을 고려하였을 때, 고정 효과에 비해 임의 효과를 이용한 베이지안 순서형 프로빗 모형 경우, 분산의 크기가 작아져 신뢰구간 범위가 좁아진 것을 확인할 수 있었다. 이러한 연구 결과를 바탕으로 세분화된 자율 차 안전성 평가시나리오를 구성하면 Level 4-Level 5 수준의 자율 주행 기술에 대한 보다 효율적이고 합리적인 안전성 평가가 가능할 것이라고 기대한다.

With the advancement of Advanced Driver Assistance System technology, autonomous driving technology is get a attention as a key component of smart transportation systems. However, verification of safety about autonomous vehicle is required due to the continuous traffic crash involving autonomous vehicles. In particular, to ensure the safety of vulnerable road users such as pedestrians as well as autonomous vehicle on handicap sections where autonomous mode is unexpectedly disengaged and the driver's response time is insufficient, this requires a technical/institutional approach and a continuous understanding for autonomous vehicle crashes. Therefore, this study used autonomous vehicle crash record data to extract impact factors from the autonomous vehicle collision reports provided by the California Department of Motor Vehicles, and used latent class analysis and ordered probit model with Bayesian probability inference to deal with the traffic crash sample. As a result, traffic crash involving vulnerable road users such as pedestrians and cyclists, scooter, mainly occur at bus stops or bicycle lanes where road users cross, and the traffic crash severity increases when light condition is dark street. On the other hand, for the traffic crash which is not involve vulnerable road users, the crash classes were divided and the traffic crash severity increased depending on weather conditions, autonomous vehicle movement, day and night, etc. When considering unobserved heterogeneity in geometry and weather conditions, it was found that the the variance size was smaller and the confidence interval was narrower based on the Bayesian ordered probit model with random effects unlike fixed effects. Specifically, the traffic crash severity increased mainly in movements including turns around signalized intersections and for the other crash, which does not include the vulnerable road users. This means that intersections require an exploring of vehicle movements due to the cross to the various road users, complexity of traffic flow, and unpredictability of vehicles and pedestrians. By developing a detailed autonomous vehicle safety evaluation scenario on these study, it is expected that more efficient and reasonable safety evaluation of level 4 to level 5 autonomous driving technology will be possible.