본 연구는 자율주행상황에서 주관적인 운전 준비도를 객관적으로 측정할 수 있는 심리⋅생리적 지표를 확인하는 것을 목적으로 한다. 51명의 연구대상자가 참여하였고, 설문을 통해 운전 경험, 태도, 운전부하, 상황인식 등을 평가 하였다. 자율주행 중 차량 제어권을 인계받아야 하는 시나리오 동안 심전도를 측정하여 심박변이도 지표를 추출하였 고, 주행 종료 후 연구대상자는 자신의 상태를 평가하였다. 분석 결과, 운전 준비도는 정신적 부하와 부적 상관, 상황 인식과 상황 이해도와는 정적 상관을 보였다. 또한, 심박변이도 지표인 제곱 평균 근간 심박 간격 차이(Root Mean Square of Successive Differences, RMSSD)와 50ms 이상의 연속적인 RR 간격의 차이 비율(proportion derived NN50 by the total number of NN interval, pNN50)과의 유의한 정적 상관관계가 확인되었다. 운전 준비도 수준에 따라 상⋅중⋅하로 나누어 분석한 결과, 높은 운전 준비도 집단은 정신적 부하가 낮고 상황인식 및 상황에 대한 이해 도가 유의하게 높았으며, 자율주행 구간에서 pNN50이 높은 경향이 있었다. 마지막으로 상황인식과 RMSSD가 운전 준비도의 주요 예측 지표로 확인되었다. 이는 운전 준비도가 낮은 운전자는 자율신경 각성이 높고, 높은 운전자는 부교감신경계의 활성화로 인해 심리적, 생리적으로 안정된 상태임을 의미한다. 본 연구는 운전자의 주관적인 운전 준비도를 예측하기 위한 운전자의 심리 및 생리 지표를 확인하였고, 이는 운전자의 운전 준비 상태를 모니터링하는 기술에 적용되어 사고 예방에 기여할 수 있을 것이다.

This study aimed to develop a comprehensive validation methodology for an Infra-guidance system, which is an infrastructure-based service aimed at enhancing the safety of autonomous driving. The proposed method includes quantitative techniques for validating both the Infra-guidance algorithm module and the guidance message module using each optimal indicator. In addition, a promising method is suggested to validate the entire system by applying a multicriteria decision methodology. The relative weight for the algorithm module was higher than relative weight for the message module. Moreover, the relative weight of the latency for the message module was slightly higher than weight of the packet error rate. The proposed methodology is applicable for validating the performance of infrastructure-based services for enhancing connected autonomous driving based on the comprehensive quantification of various factors and indicators.

The purpose of this study was to identify and evaluate hazardous road sections based on roadside friction. Using GIS mapping and clustering techniques, this study analyzed traffic accidents and roadside friction data based on latitude and longitude coordinates. The density-based spatial clustering of applications with noise (DBSCAN) algorithm was applied, with parameters of MinPts = 5 and eps = 0.0001, determined through a K-nearest neighbor analysis. The data were separated based on traffic flow direction (uphill/ downhill), and clustering was performed separately in each direction to identify specific hazard zones. The DBSCAN clustering results revealed 18 clusters in traffic accident data and 44 clusters in roadside friction data. Traffic accident clusters include various types of accidents (e.g., vehicle-to-vehicle and vehicle-to-pedestrian accidents), identifying locations as high-accident zones. The clustering results from the roadside friction data highlighted areas with crosswalks, absence of curbs, and roadside parking zones as major risk sections. Future research should analyze the operational design domain (ODD) of autonomous vehicles on hazardous road sections and explore the integration of multiple data sources to establish a comprehensive safety management system for accident prevention in autonomous driving environments. Additionally, road hazard sections are categorized into stages (e.g., hazardous, cautious, and safe) to enhance the precision in assessing road conditions. This categorization, combined with a detailed analysis of ODD, serves as a foundation for future research aimed at improving the safety of autonomous driving environments.

This study proposes a method to evaluate the publicity of real-time, demand-responsive, autonomous public-transportation systems. By analyzing real-time data collected based on publicity evaluation indicators suggested in previous research studies, this study seeks to establish a system that objectively assesses the publicity of public transportation. Thus, the introduction of autonomous public transportation systems is expected to contribute to solving problems in underserved transportation areas and enable more sophisticated public transportation operations. We reviewed evaluation indicators proposed in previous studies. Based on this review, publicity evaluation indicators were derived and specific criteria were selected to assess systematically the publicity of autonomous public transportation. An AHP analysis was conducted to assess the relative importance of each indicator by analyzing the importance of the selected indicators. Additionally, to score the indicators, minimum and maximum target values were established, and a method for assigning scores to each indicator was examined. The most important factor in the publicity evaluation of autonomous demand-responsive transport (DRT) was the “success rate of allocation to weak public transportation service areas,” with a significance level p of 0.204. This was analyzed as a key evaluation criterion because of the importance of service provision in areas with low-public-transportation accessibility. Subsequently, “Accessing distance to a virtual station” (p = 0.145) was evaluated as an important factor representing the convenience of the service. “Waiting time after allocation” (p = 0.134) also appeared as an important evaluation factor, as reducing waiting time considerably affected service quality. Conversely, “compliance rate of velocity” yielded the lowest significance (p = 0.017), as speed compliance was typically guaranteed owing to autonomous driving technology. This study proposed a specific evaluation method based on publicity indicators to provide a strategic direction for improving services and enhancing the publicity of autonomous DRT systems. These results can serve as a foundational resource for improving transportation services in underserved areas and for enhancing the overall quality of public transportation services. However, the study’s limitation was its inability to use real-time autonomous public transportation data, relying instead on I-MoD data from Incheon. This limitation constrained the ability to establish universal benchmarks because data from various municipalities were not included. Future research should collect and analyze data from diverse regions to establish more reliable evaluation indicators.

PURPOSES : In this study, the importance of various goals, accomplishment, composition, and operation factors of autonomous driving living labs was identified, and implications for establishing strategies to expand the performance of autonomous driving living labs are presented based on their analyzed activation factors. METHODS : We set the factors for accomplishing autonomous living labs to promote technology development and commercialization, create an autonomous living ecosystem, secure the sustainability of living labs, resolve social issues related to urban transportation, and perform factor analyses. To identify the determining factors affecting performance, we performed a multiple regression analysis based on the scores of the composition and operation factors of autonomous living lab environments. RESULTS : Among the accomplishments of autonomous driving living labs, it was found that performance activation and physical environmental factors are important for the promotion of technology development and commercialization; performance activation and promotion and communication factors are important for sustainability related to ecosystem creation; and performance activation and physical environmental factors are important for sustainability related to operational experience acquisition. Additionally, operational factors related to the developer are important for the direct resolution of urban transportation problems, and promotion and communication and performance activation factors are important for the indirect resolution of urban transportation problems. CONCLUSIONS : The findings of this study clarify that activation factors differ depending on accomplishments or goals, providing basic data for establishing accomplishment-based strategies.

PURPOSES : For autonomous vehicles, abnormal situations, such as sudden changes in driving speed and sudden stops, may occur when they leave the operational design domain. This may adversely affect the overall traffic flow by affecting not only autonomous vehicles but also the driving environment of manual vehicles. Therefore, to minimize the traffic problems and adverse effects that may occur in mixed traffic situations involving manual and autonomous vehicles, an autonomous vehicle driving support system based on traffic operation optimization is required. The main purpose of this study was to build a big-data-classification system by specifying data classification to support the self-driving of Lv.4 autonomous vehicles and matching it with spatio-temporal data. METHODS : The research methodology is explained through a review of related literature, and a traffic management index and big-dataclassification system were built. After collecting and mapping the ITS history traffic information data of an actual Living Lab city, the data were classified using the traffic management indexing method. An AI-based model was used to automatically classify traffic management indices for real-time driving support of Lv.4 autonomous vehicles. RESULTS : By evaluating the AI-based model performance using the test data from the Living Lab city, it was confirmed that the data indexing accuracy was more than 98% for the KNN, Random Forest, LightGBM, and CatBoost algorithms, but not for Logistics Regression. The data were severely unbalanced, and it was necessary to classify very low probability nonconformities; therefore, precision is also important. All four algorithms showed similarly good performances in terms of accuracy. CONCLUSIONS : This paper presents a method for efficient data classification by developing a traffic management index to easily fuse and analyze traffic data collected from various institutions and big data collected from autonomous vehicles. Additionally, EdgeRSU is presented to support the driving of Lv.4 autonomous vehicles in mixed autonomous and manual vehicles traffic situations. Finally, a database was established by classifying data automatically indexed through AI-based models to quickly collect and use data in real-time in large quantities.

본 연구는 2017년부터 2021년까지 고속도로에서 발생한 약 9,600건의 사고를 분석하여 자율주행 긴급차량의 신속한 대응 능력을 향 상시키고자 하였다. 조사 결과, 2차 사고가 전체 사망자의 16.8%를 차지하며, 이들 중 약 74%가 선행사고와 관련이 있다는 점이 강조 된다. 이러한 통계는 긴급차량의 신속한 대처 능력이 피해를 최소화하는 데 얼마나 중요한지를 보여준다. 연구에서는 사고의 영향권을 정의하고, 이를 기반으로 긴급차량이 보다 안전하고 효율적으로 사고 현장에 접근할 수 있도록 하는 알고리즘을 개발하였다. 실제 교 통사고 데이터를 활용하여 사고 지속 시간과 다양한 변수를 고려한 기초 분석을 실시하였으며, 도로 특성, 사고 종류, 점유 차로 등 여러 요소를 반영하여 대응 기준을 설정했다. 알고리즘은 자율주행 차량이 실시간으로 주변 정보를 수집하고 신속하게 대응 방안을 마련할 수 있도록 설계되었다. 향후 연구에서는 알고리즘의 실제 도로 환경에서의 적용 가능성을 검토하고, 다양한 변수들을 포함한 추가 연구를 통해 성능을 더욱 개선할 계획이다. 이러한 연구 결과는 교통사고로 인한 피해를 줄이는 데 기여하고, 자율주행 기술을 활용하여 2차 사고의 가능성을 감소시키는 데 중요한 역할을 할 것으로 기대된다.

본 연구는 차내 정보 제공시스템을 통해 운전자에게 신호의 상태변화를 실시간으로 제공하는 것이 운전자의 운전행동에 어떤 영향 을 미칠지를 분석하고자 하였다. 신호정보제공에 따른 운전자의 반응은 신호등화의 변경시점과 브레이크 제동, 차량의 출발에 소요되 는 반응시간과 교차로 구간별 속도의 변화를 분석하였다. 또한 주행시험 전후 피시험자를 대상으로 서비스에 대한 사전 사후 설문을 실시함으로서 운전자의 성향과 서비스에 대한 만족도를 조사하고자 하였다. 실시간 교통신호상태정보 제공에 따른 설문조사는 일반설문과 사전설문, 사후설문으로 구성하여 피시험자 60명을 대상으로 수행하였 다. 장치조작에 익숙한 20-30대는 신호정보제공에 대한 기대 및 선호도가 낮게 나타났으며 60대 이상에게 운전편의성 및 선호도에 대 해 높은 만족도를 보였다. 연령대가 낮은 운전자에게서는 단순 정보제공의 의미, 고령운전자에게서 차량속도 조절 등 운전편의 효과를 확인 할 수 있었다. 주행시험은 동일한 경로를 주행하되 잔여시간정보를 제공하지 않는 일반주행과 정보를 제공하는 2번의 주행시험을 실시하였고, 반응 시간과 주행속도를 분석하였다. 잔여시간 정보를 제공하는 경우 브레이크 제동상태에 대한 반응시간은 전 연령대에서 통계적으로 유 의미한 반응시간 감소 효과가 있음을 확인하였다. 브레이크 반응시간은 평균 0.38초 감소하였고 특히 고령운전자 그룹에서의 반응시간이 66%가량 감소했다. 반면 2030대 운전자 그룹에 서는 등화가 변경되기 전에 예측반응하는 비율이 크게 증가하는 효과도 있었다. 그러나 예측반응은 제동상태의 변화가 있었던 것을 의미하므로 차량이 실제 움직인 예측출발과는 차이가 있다. 동일 데이터 분석 시 실제 2030대운전자 그룹에서 등화가 변경되기 전에 예측 출발한 빈도는 정보를 제공하기 전과 후 모두 7%로 변화가 없었기 때문이다. 출발인지반응은 전체반응시간의 감소가 통계적으로 유의하지 않았으나, 고령운전자 그룹에서 반응시간이 2.1초에서 1.8초로 -0.3초 통 계적으로 유의미한 감소가 있었던 것으로 분석되었다. 신호정보제공에 따른 주행속도의 변화는 적색등화 상태로 교차로 접근시의 평 균속도가 약 2km/h 감소하였으나, 녹색등화시에는 구간의 평균주행속도에는 큰 영향을 미치지 않는 것으로 분석되었다. 다만, 일반주 행 시 차량의 속도는 정지선으로부터 차량의 위치에 영향을 많이 받지만 잔여시간정보를 제공할 때는 거리보다 잔여시간의 영향이 더 크다는 사실을 확인하였다.

This study aims to analyze cooperative autonomous driving by integrating two advanced simulation tools, UC-WinRoad and VISSIM. Cooperative autonomous driving refers to the interaction of autonomous vehicles (AVs) with human-driven vehicles, infrastructure, and other road users within a dynamic traffic environment. The integration of UC-WinRoad’s realistic 3D visualization capabilities with VISSIM’s detailed microscopic traffic modeling enables the simulation of complex traffic scenarios, providing a comprehensive analysis of autonomous and connected vehicle behavior. The necessity of this study arises from the growing interest in autonomous driving technologies and the need for reliable tools to evaluate their performance and impact on real-world traffic systems. Simulations offer a safe and cost-effective environment to test AV behavior in various scenarios, including extreme or hazardous conditions that are difficult to replicate in the real world. This study also provides valuable insights into AV-infrastructure interactions, offering data-driven recommendations for policy and infrastructure planning. The outcomes of this research include the development of a methodology for linking UC-WinRoad and VISSIM, simulation results demonstrating potential improvements in traffic flow, safety, and efficiency through cooperative autonomous driving, and the identification of challenges in integrating AVs into existing traffic systems. This research contributes to the advancement of autonomous driving technologies by providing a robust framework for analyzing cooperative driving scenarios, supporting AV and human-driven systems ahead of the fully autonomous traffic systems of the future.

자율주행차가 보급되어 도로에서 사람 운전자와 함께 운영되는 미래가 다가오고 있다. 사람 중심으로 운영되는 도로 체계가 자율주 행차와 공존하는 형태로 변화하고 있으며, 도로 시스템도 사람 운전자와 자율주행차가 혼재된 혼합교통류를 대상으로 변화하고 있다. 현재 도로에서는 예상하지 못한 상황들이 다양하게 발생한다. 교통사고, 도로 낙하물 등 교통흐름에 영향을 주는 상황들이 발생하며, 대응을 위한 전략들이 각 지방자치단체에서 준비되어 있다. 미래 교통상황에는 도로상에 자율주행차가 혼재되어 있으며 이를 포함하 는 돌발 및 재난상황에 대한 제어전략은 아직 부재하다. 본 연구에서는 돌발 및 재난상황 발생 시 자율주행차 제어전략에 대한 설계 방안을 제안한다. 돌발 및 재난상황 범위에 대해 정의하며, 상황 구분을 위한 기준을 제시하여 각 상황에서 자율주행차가 안전하게 대 응할 수 있도록 제어전략을 제시한다.

최근 자율주행차량 기술의 급속한 발전은 교통 시스템의 효율성을 향상시키는 동시에, 도로 인프라에 새로운 도전 과제를 제기하고 있다. 자율주행차량은 차선 유지 시스템을 통해 일정하게 차선 중앙을 주행하는 특성이 있으며, 이로 인해 특정 휠패스(Wheel Path) 구 간에 하중이 집중되는 문제가 발생한다. 특히 중차량과 자율주행차량이 빈번하게 운행되는 도로 구간에서는 이러한 하중 집중으로 인 해 도로 포장층의 소성 변형과 균열이 빠르게 진행되며, 결과적으로 도로의 내구성이 크게 저하된다. 이는 도로의 유지보수 주기를 단 축시키고, 유지 비용을 증가시키며, 도로 이용자들에게 안전상의 위험을 초래할 수 있다. 이를 해결하기 위해 다양한 도로 보강 기술이 연구되어 왔으며, 그중 섬유 보강 그리드 기술이 주목받고 있다. 본 연구에서는 탄소섬 유와 유리섬유를 결합한 하이브리드형 섬유보강 그리드를 개발하고, 이를 자율주행차량이 운행하는 도로 구간에 적용함으로써 도로의 내구성 향상과 유지보수 비용 절감을 목표로 한다. 탄소섬유는 높은 강도와 내구성을 제공하여 휠패스 부위에 집중되는 하중에 대한 저항성을 강화하고, 유리섬유는 비휠패스 구간에 경제적인 보강 효과를 제공한다. 본 연구는 자율주행차량 시대에 적합한 도로 보강 솔루션을 제시하고, 이를 실증 구간에서 평가하여 그 효과를 검증하고자 한다. 이를 통해 도로의 반사균열 저항성 및 소성변형 저항성을 개선하고, 도로 수명을 연장함으로써 자율주행차량이 증가하는 교통 환경에서도 지속 가능한 도로 관리 방안을 제시할 수 있을 것이다.

본 연구는 보행로에서 주행하는 자율주행로봇의 경로 최적화를 위한 D*알고리즘 수정에 중점을 두고 있다. 기존의 D*알고리즘은 자율주행 로봇이 장애물을 인식하고 회피하는 방식으로 설계되었지만, 실제 보행환경에서는 보행로를 통행하는 사람들이 로봇을 인지 하고 스스로 회피하는 경향이 관찰되었다. 라이다 센서를 통해 수집된 사람들의 궤적 데이터를 분석하여, 사람들이 자율주행 로봇을 회피하기 시작하는 평균 거리와 회피 각도를 파악하였다. 이를 바탕으로, 사람들이 로봇을 회피할 의사가 있을 때 로봇이 기존 최적경 로를 유지하도록 하고, 그렇지 않은 경우에만 회피 경로를 채택하는 수정된 D*알고리즘을 제안하였다. 실험 결과, 수정된 D*알고리즘 을 적용한 자율주행 로봇은 운행 효율과 주행 시간 측면에서 기존 방식 대비 우수한 성능을 보였다. 이러한 연구는 제한된 배터리 용 량 하에서도 효율적인 주행이 가능하도록 하여 자율주행 로봇의 보행로 사용을 최적화하는 데 기여할 것으로 기대된다.

운전 시뮬레이션을 통해 3-수준 자율주행 중 차량 전방에 장애물이 출현하는 상황에서 서로 다른 연령대의 운전자 들이 보이는 제어권 전환 반응시간과 상황인식, 그리고 차량통제 수행에서의 차이를 장애물 회피 이전(before the obstacle avoidance: BOA)과 이후(after the obstacle avoidance: AOA) 구간으로 구분하여 분석하였다. 본 연구의 결 과를 요약하면 다음과 같다. 첫째, 실험참가자들의 상황인식은 AOA 구간에 비해 BOA 구간에서, 그리고 청년운전자 집단에 비해 고령운전자 집단에서 더 낮았는데, 이러한 경향은 AOA 구간에 비해 BOA 구간에서 더 뚜렷하였다. 둘째, 제어권 인수 시간은 청년운전자 집단에 비해 고령운전자 집단에서 유의하게 더 느렸다. 셋째, 네 가지 차량통 제 측정치 모두에서 BOA 구간보다는 AOA 구간에서, 그리고 청년운전자 집단보다는 고령운전자 집단에서 더 저하 된 수행이 관찰되었으나 차량통제 수행에서의 연령집단간 차이는 BOA 구간보다는 AOA 구간에서 더 컸다. 이러한 결과는 자율주행 중 제어권을 인수받아 수동으로 운전하여 장애물을 회피하는 상황에서 운전자의 상황인식과 차량 통제는 BOA 구간과 AOA 구간에 따라 달라질 수 있음을 시사한다.