공공도로에서 과도기형 자율주행차(tAV)가 78회의 의무 차로 변경을 수행한 현장 실험 결과, 선행 간격과 후행 간격은 차선 경계를 넘기 직전마다 0.5~1.5초의 좁은 범위로 수렴하는 것으로 나타났다. 또한 충돌 위험은 차로 변경이 진행될수록 꾸준히 높아지며, 차량이 실제로 새 차로에 진입하는 순간 정점에 이르는 것으로 분석됐다.
목차
연구진이 구축한 것
North Carolina Transitional Autonomous Vehicle Lane-Changing (NC-tALC) 데이터셋은 노스캐롤라이나주 에이펙스의 공공 4차선 도로에서 수행한 78회의 통제된 의무 차로 변경 실험을 담고 있다. 계측 차량 4대—차로를 변경하는 tAV(X), 목표 차로의 후행 차량 2대(A와 B), 목표 차로의 선행 차량 1대(C)—가 반복 가능한 초기 교통 상황을 조성했다. 모든 차량은 과도기형 자동 운전 모드(tAV)로 주행했으며, 이 모드에서는 시스템이 종방향·횡방향 제어를 담당하지만 사람은 주변 상황을 계속 감시한다.
연구진은 A와 B 사이의 간격을 기준으로 X를 A 근처, 중앙, B 근처의 세 가지 초기 위치에 배치했다. 각 조건은 통계적으로 의미 있는 행동 데이터를 확보할 수 있도록 여러 차례 반복했다. 모든 차량에 장착한 고해상도 RTK-GNSS/INS 장치는 위치, 속도, 진행 방향, 가속도를 20Hz, 센티미터급 정확도로 기록했다.
이 데이터셋은 X가 합류를 결정한 순간부터 간격 수용, 차선 횡단, 합류 후 안정화에 이르기까지 차로 변경 전 과정의 시간 동기화 궤적을 제공한다. 이는 선행 연구에서 주로 다뤄 온 간격 수용 시점의 단편적인 관측을 크게 넘어선다.
주요 결과
가장 두드러진 결과는 차로 변경 차량과 목표 차로의 선행·후행 차량 사이 시간 간격인 선행 간격과 후행 간격이 초기 간격 조건과 관계없이 차선 횡단 시점을 전후해 0.5~1.5초의 좁은 범위로 수렴한다는 점이다. 이는 tAV의 차로 변경에 내재한 예측 가능한 행동 패턴을 시사한다.
수정 시간-충돌(Time-to-Collision)과 충돌 회피 감속률(DRAC)로 측정한 충돌 위험은 차로 변경이 진행될수록 꾸준히 증가했다. 위험은 차량 앞바퀴가 차선 경계를 넘는 물리적 차로 진입 순간 정점에 이르렀으며, 차로 변경이 끝난 뒤에도 높은 수준을 유지했다. 가장 큰 위협은 언제나 후행 차량이 아니라 목표 차로의 선행 차량이었다.
78회의 실험에서 차로 변경 차량은 52회에 A와 B 사이의 간격(Gap 1)을, 16회에 A 앞의 간격(Gap 0)을, 10회에 B와 C 사이의 간격(Gap 2)을 선택했다. C 뒤로 합류한 실험(Gap 3)은 한 번도 없었다. 이러한 분포는 바로 앞에 있는 목표 간격을 강하게 선호한다는 점을 보여 준다.
분석 방법
각 차량에는 가속도계와 자이로스코프를 RTK-GNSS와 통합한 INS 장치 하나가 차량 중앙에 장착됐다. 원시 위치 데이터는 WGS-84 모델에 따라 지리 좌표에서 국소 직교 좌표계로 변환한 뒤, 기준 차선 중심선을 따라 투영했다. GNSS 잡음은 20개 지점(1초)의 이동 평균으로 걸러 냈다.
연구진은 횡방향 궤적의 변화를 분석해 차로 변경의 주요 시점—횡방향 이동 시작, 차선 횡단, 차로 변경 완료—을 식별했다. 그런 다음 다음 세 가지 시간 간격 변수를 계산했다.
- 선행 간격: 차로 변경 차량과 목표 차로 선행 차량 사이의 시간 간격(차로 변경 차량이 선행 차량보다 앞서면 음수)
- 후행 간격: 차로 변경 차량과 목표 차로 후행 차량 사이의 시간 간격(차로 변경 차량이 뒤에 있으면 음수)
- LC 간격: 목표 차로의 선행 차량과 후행 차량 사이의 시간 간격(이용 가능한 간격)
다음 표는 목표 간격 선택 결과를 요약한 것이다.
| 후보 간격 | 설명 | 실험 횟수 |
|---|---|---|
| Gap 0 | A 앞 | 16 |
| Gap 1 | A와 B 사이 | 52 |
| Gap 2 | B와 C 사이 | 10 |
| Gap 3 | C 뒤 | 0 |
대리 안전 지표인 시간-충돌과 DRAC는 각 시점의 궤적 데이터로부터 계산했다. 분석 결과 위험은 차로 변경이 끝났다고 사라지지 않았다. 차량은 새 선행 차량과의 종방향 위치를 안정화해야 하며, 이후에도 몇 초 동안 안전 여유가 줄어든 상태로 남아 있었다.
로보틱스 분야에서 중요한 이유
과도기형 자동화 차량은 현재 양산 단계에 이른 자율주행 시스템 세대에 해당한다. 실제 의무 차로 변경 상황에서 이러한 시스템이 어떻게 행동하는지 이해하는 일은 시뮬레이션 검증, 안전 인증, 대중의 신뢰 확보에 필수적이다. NC-tALC 데이터셋은 모션 플래닝 알고리즘과 행동 모델을 보정하는 데 직접 활용할 수 있는 실증적 기준을 제공한다.
창고 로봇이나 무인운반차(AGV)를 운용하는 사업자에게 차로 진입 순간에 충돌 위험이 정점에 이른다는 결과는 실용적인 시사점을 준다. 안전 시스템은 합류 여부를 결정하는 순간만이 아니라 차로 변경 전 과정을 감시해야 한다.
선행 간격과 후행 간격이 수렴한다는 사실은 tAV의 차로 변경 행동이 사람의 운전보다 예측 가능할 수 있음을 보여 준다. 이는 교통 흐름 모델링과 V2X 협조 전략을 단순화하는 데 도움이 될 수 있다. 이 데이터셋과 분석 결과는 더 안전하고 신뢰성 높은 자율주행 스택 개발을 앞당길 수 있다.
한계와 남은 과제
실험은 다른 차량이 없는 건조한 직선 공공도로에서 계측 차량 4대만을 대상으로 진행됐다. 곡선 도로, 악천후, 주변에 사람이 운전하는 차량이 있는 상황에서는 결과가 달라질 수 있다. 모든 차량이 tAV 모드로 운행했으므로, 완전 자율주행 시스템(Level 4/5)이나 다른 센서 구성을 사용하는 차량에도 결과가 그대로 적용된다고 보기는 어렵다.
78회의 실험은 통제된 현장 연구로서는 상당한 규모지만, 드문 사건이나 극단적 상황을 분석하기에는 통계적 검정력이 제한적이다. 또한 통제한 변수는 간격 내 차로 변경 차량의 초기 위치뿐이었으며, 차량 간 속도 차이나 운전자 주의도 같은 요인은 독립적으로 변화시키지 않았다. 후속 연구에서는 더 복잡한 다중 차량 상황에서 이러한 결과가 어떻게 확장되는지 살펴볼 필요가 있다.
자주 묻는 질문
과도기형 자율주행차(tAV)란 무엇인가? tAV는 종방향과 횡방향 제어를 모두 수행할 수 있지만, 사람 운전자가 주변 환경을 감시하고 필요할 때 개입해야 하는 차량이다. 현재 도로에서 운행되는 SAE 레벨 3 또는 4 시스템과 유사하다.
간격 수렴은 어떻게 측정했나? 연구진은 각 시점에서 차로 변경 차량과 목표 차로의 선행·후행 차량 사이 시간 간격을 계산했다. 이후 간격의 변화를 도표로 나타내고, 초기 간격과 관계없이 차선 횡단 시점 부근에서 0.5~1.5초로 일관되게 좁아지는 현상을 확인했다.
충돌 위험은 왜 간격 수용 시점이 아니라 차로 진입 시점에 정점에 이르렀나? 차량이 차선 경계를 가로질러 이동하는 동안 횡방향 움직임으로 인해 실질적인 안전 여유가 줄어든다. 앞서 간격을 수용했더라도 새 차로로 물리적으로 들어가는 순간 차체가 차로를 침범하면서 시간-충돌 값이 일시적으로 낮아지고, 이후 종방향 안정화가 이뤄질 때까지 위험이 커진다.
NC-tALC 데이터셋을 연구에 활용할 수 있나? 논문에 따르면 이 데이터셋은 연구 목적으로 이용할 수 있으며, 접근하려면 저자에게 문의해야 한다. 78회 실험 전체의 고해상도 궤적과 계산된 안전 지표가 포함돼 있다.
결론
NC-tALC 데이터셋과 분석 결과는 과도기형 자율주행차의 전체 의무 차로 변경 과정을 통제된 환경에서 실증적으로 규명한 최초의 연구다. 선행·후행 간격의 수렴과 차로 진입 시점의 충돌 위험 정점은 개발자와 안전 평가자에게 구체적인 기준을 제공한다. 이 연구는 차로 변경 안전성을 간격 수용 결정만으로 판단하지 말고, 전체 과정에 걸쳐 평가해야 한다는 점을 강조한다.