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.

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.