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.

최근 자율주행 차량의 등장으로 인해 기존의 교통 시스템에 많은 변화가 생길 것으로 보이며, 운전자가 주행하던 차량과는 다른 행태로 인해 기존 비자율주행 차량들이 초래하는 고위험 상황의 요인과는 다른 새로운 요인들이 도출될 것으로 보인다. 하지만, 현 시점 국내 에서는 자율주행 차량이 실제로 주행하고 있지 않기 때문에 주행행태를 포함한 데이터 기반의 주요 요인 분석 및 도출에 한계가 있다. 따라서 현 시점에서 자율주행 차량이 혼재하는 환경에서 고위험한 상황을 정의할 수 있는 요인을 도출하기 위해서는 사례 중심의 분석이 필요하다. 따라서 본 연구에서는 기존 국내·외 자율주행차량과 관련된 다양한 논문 사례를 DB화하여 이를 정량적으로 평가할 수 있는 메타 분석(Meta-Analysis) 기법을 통해 향후 자율주행차량이 혼재하는 교통 네트워크에서 안전성을 증진하기 위한 고위험 유발의 주요 요인을 도출하고자 하였다. 본 연구에서 DB화한 논문은 자율주행 차량과 관련된 총 4가지(사고요인, 시나리오, 예측모델, 법규)에 해당 하는 분야로 분류하여 수집하였으며, 2015년부터 2024년 까지 최근 10개년에 해당 되는 사례를 수집하여 분석을 수행하고 주요 요인을 도출하였다. 본 연구의 결과는 향후 자율주행 차량 혼재 시 고위험 상황의 주요 요인들을 바탕으로 각 요인에 기반한 자율주행차량 혼재 시 고위험 상황에 대한 정의를 할 수 있으며, 이러한 고위험 요인들에 의해 도로교통의 안전성이 저해될 수 있는 요인에 대한 사전 예방을 수행할 수 있을 것으로 기대된다.

저탄소 녹색성장 기본법에서 명시한 ‘대중교통과 자전거 이용 활성화’를 위하여, 국내 여러 지자체에서 공공자전거 사업을 시행하였 으며, 자전거 이용자 수가 많이 증가하였다. 현재 국내에서 규정하는 자전거의 통행방식은 간접좌회전(hook turn) 방식으로, 증가된 자 전거교통량이 횡단보도를 통해 좌회전 통행 시 상충 가능성이 증가할 수 있다. 또한 자율주행차량의 혼재교통상황을 고려하여, 자전거 가 차량과 함께 통행할 시 안전성을 보장받을 수 있는지 혼재교통류에 적합한 통행방식을 연구할 필요가 있다. 따라서 본 연구에서는 혼재교통환경에서 자전거 이용자가 안전하고 운영성 높은 방식으로 통행할 수 있도록 4가지 자전거 좌회전 통행방식을 적용하고, 자 율주행차량 점유율에 따른 적합한 통행방식을 제시하고자 한다. Hook-turn 방식을 기본 시나리오로 하여, 자전거 우선 신호를 도입한 bike box, 일반 bike box, 자전거 전용 신호를 도입한 narrow lane 시나리오를 비교하였다. bike box의 크기가 분석 결과에 큰 영향을 미 치는 요인이 될 수 있으므로, 5m 폭의 크기로 고정하였다. 시뮬레이션 환경에서 첨두시와 비 첨두시 교통량을 적용하여 분석하였으며, 안전성 평가지표로 CPI(Crash Potential Index)과 운영성 평가지표로 지체시간(Delay time)을 활용하여 결과를 비교하였다. hook turn시나 리오는 사고 발생 위험도가 작으며, 자전거 전용 신호가 적용된 narrow lane과 일반 bike box에서 사고 발생 위험도가 높게 나타났다. 또한 자전거 전용 신호를 적용한 bike box를 도입한 시나리오에서 운영성 측면에서 지체가 작게 나타났으며, 자율주행차량 점유율이 증가할 시 차간거리를 고려함에 따라 교통류 안전성도 향상되는 것으로 나타났다. 향후 자율주행차량 혼재 교통류를 고려하여 자전거 좌회전 통행방식을 자전거 우선 신호를 적용한 bike box 방식으로 규정한다면, 접근로별 50대 미만/시의 자전거 교통량이 관측되는 신 호교차로에서 안전성과 운영성이 향상되는 효과를 확인할 수 있다.

전 세계적으로 실도로에서의 자율주행차 안전성능을 검증하고 자율주행 시스템 기술의 개발을 위해 다양한 실증을 수행하고 있다. 미국의 경우 캘리포니아, 오하이오, 애리조나 등 다양한 주에서 자율주행차의 실도로 테스트를 진행하고 있으며, 독일의 경우 페가수 스 및 이매진 프로젝트 등을 통해 자율주행 성능 및 협력 운행 테스트를 수행하였다. 그러나, 자율주행차의 주행 성능 측면의 평가에 국한되어 실증이 진행되고 있다는 한계가 존재한다. 실도로 환경에서 자율주행차는 비자율주행차, 보행자 및 자전거 등과 상호작용하 며, 다양한 도로 기하구조에서 주행안전성 저하 문제가 발생할 수 있다. 따라서, 본 연구에서는 혼재교통상황에서 자율주행차의 주행 안전성을 저하시키는 도로 기하구조를 도출하였다. 또한, 캘리포니아 Department of Motor Vehicles (DMV)에서 제시한 자율주행차 관련 사고자료 검토를 통해 유사한 도로 기하구조에서 발생할 수 있는 사고 유형을 검토함으로써 선제적인 대안을 마련하고자 한다. 시뮬 레이션 분석을 위한 자율주행차 거동구현의 경우 real-world automated vehicle data (AVD) 기반 주행행태 분석을 통해 VISSIM 파라미 터를 조정하였다. 위험구간 도출을 위해 평가지표를 선정하고 주행안전성 분석을 수행하였으며, 위험 구간의 도로 기하구조의 특성을 도출하였다. 마지막으로 위험구간의 도로 기하구조와 유사한 구간에서 발생한 실제 자율주행차 관련 사고 보고서를 검토함으로써 본 연구에서 도출된 위험구간의 도로 기하구조에서 발생할 수 있는 잠재적 사고 원인을 제시하였다. 본 연구의 결과를 통해 향후 자율주 행차의 실도로 도입을 위해 선제적인 대책을 마려하는데 기초자료로 활용될 수 있으며, 나아가 자율주행차 안전성 향상을 위한 경고 정보 서비스 개발, 정보 제공 인프라 설치 우선순위, 도로 기하구조 개선 사업에 활용할 수 있을 것으로 기대된다.

『懐かしい年への手紙』は僕が語る物語として読み取れる。だがＫ ちゃんと呼ばれる僕の過去は他者の記憶を受け入れて再構築されたものである。他者の記憶は森の中の谷間の村からの手紙や電話、ギー兄さんの翻訳文や僕が書いた小説、そして新聞記事として語られている。そのように、僕の物語言説の影には引用を通しての情報、僕の創作に向かう情報、そして自己省察による反省と他者の指摘による反省が混在されているといえるし、それが語り手として照応する。本稿ではそのように語り手のメタファーとして機能するものを語り手的装置と定義し、懐かしい年への手紙における語り手の物語言説を僕と語り手的装置に分離して論じた。その結果森の中の谷間の村に関する僕の記憶が僕と語り手的装置の混在している物語言説によって語られているのが確認できた。したがって僕が語る物語は森の中の谷間の村の 神話として再構築された記憶の物語であるという解釈が可能になる。 　僕＝語り手の解体、それがもたらした結果は二つある。一つ目は僕が他者との記憶を共有し、森の中の谷間の村を多様な物語言説として発信することができたということだ。すなわち僕が他者の記憶を受け入れ森の中の谷間の村での経験を物語内容として再構築する。その結果いま・ここの僕の物語言説が変化する。二つ目は僕が受け入れた情報によって僕の人生をギー兄さんの人生とともに物語言説として語ることができた。僕が物語言説として記憶を再構築するということは僕と森の中の谷間の村の人々が記憶することを再現して共有することだ。だから僕の物語言説が時間を順行と逆行に交錯していることは書き手として介入した結果ではなく、僕が順行と逆行の交差が行われた時間を記憶として受け入れたからだ。 最後に現実と夢の時間、僕と他者、そして都市と森の中の谷間 の村に分かれた二項構造を解体し、再び多項構造として再構築する。そ の再構築に必要なのは以前の作品から構造化された一人称の僕のみであったといえる。次第にその構造から生み出された物語言説の中で、同一化された僕は反復と差異、照応と羅列の物語言説として解体される。しかし僕という語り手は物語内容として登場しながら再びその物語内容に閉じ込められてはならない。したがって、僕の物語言説が僕の記憶だけを語ることに閉じ込められる直前、語り手的装置が僕の痕跡を消している。そのように、僕と語り手的装置の物語言説が混在して僕の物語に照応した虚構への同化を拒んだ時、リアリティーの根幹に据える物語言説が生まれる。これこそが懐かしい年への記憶を語るため、僕が試みた三人称体の物語言説であろう。

A Mixed tumor is a tumor that derives from multiple tissue types. This lesion appears to be mostly Mixed Radiolucent and Radiopaque aspect and typical examples are odontoma, ameloblastic fibroodontoma, ameloblastic fibroma etc. A odontogenic tumor is a neoplasm of the cells or tissues that initiate Odontogenic processes. Typical example is a odontoma. The odontoma is a hamartoma of odontogenic origin. There are two types: compound and complex. A compound odontoma still has the three separate dental tissues (enamel, dentin and cementum), but may present a lobulated appearance where there is no definitive demarcation of separate tissues between the individual "toothlets". It usually appears in the anterior maxilla. The complex type is unrecognizable as dental tissues, usually presenting as a radioopaque area with varying densities. It usually appears in the posterior maxilla or in the mandible. We reported 20-years old male patient who had an atypical mixed radiolucent and radiopaque lesion on right mandibule body tentative diagnosed as complex odontoma and excised.

In General, cases, where the money received is mixed up and with those related to duties and those that are not, and as a result inseparably combined to each other, are classified into two categories. Type One is when a part or all of the received money is not related to duties, but materially as a whole can be recognized as a bribe, as it is in general precedents. Type Two is when only a part of the received money can be recognized as a bribe, and the rest is not recognized as a bribe (for example, since it is a justifiable compensation), but is objectively hard to divide the parts. In regards to Type One, the whole money received shall be recognized as a bribe, and therefore be treated as a general bribery case. Therefore bribery is charged for all the money received, and “special criminal laws on specific crimes” is applied according to the amount of the bribery. However, in regards to Type Two, since only a part of the received money is bribery, the received amount of money cannot be calculated by a normal estimation method. Thus, in principle, the amount is handled as not calculable, so that “special criminal laws on specific crimes” cannot be applied. This judgement showed that Type Two exists, and has a significant meaning as a precedent since it showed that in such a case the amount of bribery cannot be calculated and thus is unable to be additionally collected. Nevertheless, subsequent judgments seem to have distorted this judgement. It restricted this judgement’s range of application only to “when the money was received on several occasions, and when each receiving act is needed to be individually judged whether it is related to duties or not.”