결석에세이_김규의

국과수 데이터베이스를 활용하여 자율주행차 사고조사 가이드라인 개발을 위한 교통사고 유형 분.pdf

1.40MB

[이슈] 자율주행차 국내외 개발 현황.pdf

0.86MB

 

1. 배경 설명

 

자율주행자동차란 무엇일까? 자동차관리법 1의 3호에 따르면, 자율주행자동차는 운전자 또는 승객의 조작 없이 자동차 스스로 운행이 가능한 자동차를 가리키는 단어이다. 자율주행자동차는 운전자의 과실로 발생하는 교통사고 비율을 줄여 운전자와 보행자의 안전을 높이고, 운신이 어려운 교통 약자들의 이동성을 증가시키고, 혼잡한 도로 위 교통 정체를 완화시키는 역할 등을 수행하리라 기대되어 왔다. 이러한 기대와 ICT(Information & Communication Technology)의 급격한 성장에  힘입어 산업 전망 역시 밝다. 시장조사업체 마켓 앤 마켓(Markets and Markets)은 글로벌 자율주행자동차 시장 규모가 2023년 233억 달러(약 31조 원)에서 2030년 1,332억 달러(약 177조 원)로 연평균 22.0% 성장할 것으로 예측했다.

 

 

높아지는 자율주행자동차에 대한 관심과 수요에 따라 국내 자율주행자동차 사업 역시 활발하게 성장하고 있다. 우리나라 정부에서도 2021년~2027년 동안 미래차 분야에서 1등 국가로 도약하기 위해 산업통상자원부, 과학기술정보통신부, 국토교통부, 경찰청 등 4개 부처가 공동 추진하는 사업에 총사업비 약 2조 원을 투입하여 ICT 융합 신기술, 자율주행 서비스, 자율주행 생태계 등의 사업에 관한 연구가 활발히 진행 중이다. 일례로 서울시에서는 작년 12월 4일에 세계 최초로 심야 자율주행버스를 선보이며 합정역~동대문역 구간을 운행하고 있다. 그리고 올해 하반기에는 도봉산역-종로-마포역-여의도역-영등포역 구간을 운행하는 ‘자율주행 새벽동행버스’를 운행할 예정이라고 발표했다. 서울시의 자율주행 새벽동행버스 외에도 세종시의 A2, A3 버스와 안양시의 '주야로' 등등 야간 시간대에서나마 자율주행 시스템이 탑재된 버스를 활용하는 도시는 점차 늘어나고 있다.

 

자율주행 새벽동행버스 운행 예상 노선도 (160번)

 

 

그러나 자율주행자동차 도입에 대하여 보수적으로 바라보는 관점 역시 존재한다. 자율주행자동차 도입 확대를 우려하는 이들이 대는 이유 중 하나는 자율주행자동차 오작동으로 인한 교통사고이다. 실제로, 포브스에 따르면 2023년 12월 기준 테슬라 사의 자율주행자동차는 운전자 1000명당 23.54건의 교통사고를 냈다고 한다(https://www.forbes.com/sites/stevebanker/2023/12/18/tesla-has-the-highest-accident-rate-of-any-auto-brand/). 때문에 자율주행자동차 기술을 개발 중인 기업체에서는 자율주행 시뮬레이션 및 교통사고 데이터 축척에도 관심을 기울이고 있다. 대표적으로 웨이모, 오로라, 텐센트, 현대차, BMW, 만도 등에서 가상현실을 이용하여 자율주행을 실험하고 있고, 그중에서도 웨이모는 ‘Simulation City’ 속 주행을 위해 공공도로주행으로 축적한 데이터를 통해 4만 개 이상의 시나리오를 수집하였다. 

위 논문에서는 국립과학수사연구원 교통사고 데이터베이스를 IGLAD(Initiative for the Global Harmonization of Accident Data)의 데이터베이스 체계를 활용하여 구축한 뒤 교통사고 유형을 분류하고, 자율주행 시스템이 장착된 차종의 사고 유형과 비교한 뒤 특성을 분석하여 자율주행자동차 사고조사 가이드라인의 토대가 되는 사고 시나리오 개발을 위한 파생조건을 제시한다.

 

2. 국립과학수사연구원 교통사고 데이터베이스 구축

 

국립과학수사연구원은 다양한 교통사고 데이터를 가지고 있는데, 여기에는 교통사고 발생상황보고서, 실황조사서, 사고현장 사진, 접수정보, 사고 당시 영상, EDR 기록을 통한 사고 차량 정보 등이 포함된다.

EDR이란 Event Data Recorder의 약자로, 우리는 이를 통해 사고 발생 시 이벤트 발생 시점을 기준으로 5.0초 전까지 0.5초 단위로 차량 속도, 엔진회전수, 조향 핸들 각도, 안전벨트 착용 여부 및 에어백 전개 여부, 속도변화량, 충돌 방향 등 차량 내외부에 대한 정보를 얻을 수 있어, 자율주행 책임에 대한 소재를 판단하는 객관적인 기준으로 활용하기에 손색이 없다. 이런 이유로 위 논문은 국립과학수사연구원 교통사고 데이터 중에서도 2015년~ 2020년 EDR이 장착된 차량의 데이터 약 705건을 추출하고 IGLAD의 데이터베이스 체계를 활용하여 데이터를 분류하고 데이터베이스를 구축했다.

IGLAD는 독일, 미국, 중국 등 총 12개 국가가 참여한 국제 교통사고 데이터베이스 표준화 연구로 사고(Accident), 사고 관련자(Participant), 탑승자(Occupant), 안전시스템(Safety system) 총 4개의 카테고리로 구분되며, 각각 25개, 52개, 40개, 6개의 세부변수로 교통사고 데이터를 구체적으로 표현할 수 있다. IGLAD 데이터베이스 체계 중 사고(Accident) 카테고리에서는 13개의 변수, 사고 관련자(Participant) 카테고리에서는 15개의 변수, 탑승자(Occupant) 카테고리에서는 16개의 변수를 활용하고, 대신 차대차 충돌인지, 차량 단독 충돌인지에 대한 충돌유형 및 도로가 교차로인지 단일로 인지에 대한 도로형태 등에 대한 변수를 추가해 국립과학수사연구원의 사고 데이터에 맞게 형태를 수정했다.

 

 

3. 국립과학수사연구원 교통사고유형 분류 및 분류

 

충돌유형 및 도로형태별 사고 비율은 다음과 같다.

 

총 705건의 데이터 중 차대차 충돌이 207건(57%), 차량단독 충돌이 132건(36%), 차대보행자 충돌은 20건(5%), 기타는 7건(2%)으로 주로 차대차 및 차량단독 충돌의 사고들로 분류되었고(Fig. 3), 차대차 충돌에서 교차로 사고는 67건(32%), 단일로 사고는 123건(59%), 기타는 17건(8%)을 차지하였고, 차량 단독 충돌에서는 교차로 사고가 21건(16%), 단일로 사고가 78건(59%), 기타는 33건(25%)을 차지하였다(Fig. 4).

 

충돌유형 및 도로형태별 대표 사고유형 비율은 다음과 같다.

 

차대차-교차로 사고에서는 321번(교차로 직각 충돌 상황)이 25.37%로 제1_Collision유형으로 설정하였고, 211, 281번(좌회전 중 차로 반대편에서 진행하는 차량과 충돌하는 상황)은 23.88%로 제2_Collision, 602, 614, 621, 623번(직진 중 후행차량이 추돌하는 상황)은 16.42% 로 제3_collision, 303, 322, 352번(좌/우회전하는 차량 이 가는 방향으로 직진해 오는 차량과 충돌하는 상황)은 제4_Collision, 661,681번(반대차선에서 마주 오는 차량과 충돌하는 상황)은 제5_Collision, 302, 323번(좌/우회 전하는 차량을 향해 마주 오는 차량과 충돌하는 상황)은 제6_Collision, 711,715번(후진하는 차량과의 충돌상황)은 제7_Collision, 501번(교차로 주변에 주차된 차량과의 충돌상황)은 제8_Collision, 722번(유턴 중 발생한 충돌 상황)은 제9_Collision, 그 외 사고유형은 기타로 분류하였다. 차대차-단일로 사고는 601~604, 612, 614, 621, 623번(직진 중 후행차량이 추돌하는 상황)이 33.3%로 제1_Collision, 661, 681, 682번(반대차선에서 마주 오는 차량과 충돌상황)이 17.07%로 제2_Collision, 501, 502, 701번(주차된 차량과의 충돌)이 13.81%로 제3_Collision, 741, 742번(도로 위 사고상황 및 고장 난 차량으로 인한 충돌상황)은 제4_Collision, 631, 635번(좌측으로 차선변 경 중 발생한 충돌상황)은 제5_Collision, 641, 645, 646번 (우측으로 차선변경 중 발생한 충돌상황)은 제6_Collision, 711, 716번(후진 중 발생한 충돌상황)은 7_Collision, 651, 652번(나란히 직진 중 충돌하는 상황)은 제8_Collision, 721, 729번(유턴 중 발생한 충돌상황)은 제9_Collision, 그 외는 기타로 분류하였다(Fig. 6).

 

이번에는 차량의 포지에 따라 각 사고 유형을 비교 분석하고자 한다.

먼저 차대차-교차로 사고(총 67건)인 경우이다.

 

 

1_Collision(직각 충돌상황)은 오전 시간대가 76%로 오전 시간대에 발생한 차대차 직각충돌 사건의뢰가 대부분이었으며, 특히 새벽 4시가 23%로 많이 차지하였다, 70%로 과속을 한 차량이었으며, A(직진 중 우측에서 좌측으로 진행해 오는 차량과 충돌한 차량)와 B(직진 중 좌측에서 우측으로 진행해 오는 차량과 충돌 한 차량) 중 A차량이 64%로 29% 더 높은 비중을 차지한 것을 알 수 있었다. A차량은 12~2시 방향으로 충돌이 이루어졌고, B차량은 9~12시 방향으로 충돌이 이루어졌다. 2_Collision(좌회전 중 차로 반대편에서 진행하는 차량과 충돌하는 상황)은 오전, 오후 시간대에 대한 유의미한 경향성을 찾기는 어려웠고, 87%로 과속을 한 차량이었으며, A(좌회전하는 차량)와 B(반대차선에서 직진해 오는 차량) 중 B차량이 87%로 대부분을 차지한 것을 알 수 있었다. B차량은 주로 11~12시 방향으로 충돌한 경우가 많았다(Fig. 7, 8, 9, 10).

 

다음은 차대차-단일 사고(총 123건)인 경우이다.

 

제1_Collision(직진 중 후행차량이 추돌하는 상황)은 오전 시간대는 51%, 오후 시간대는 49%로 다양한 시간대에 발생한 사고들로 분류되었고, A차량(직진 중 선행차량을 추돌하는 차량)에 관한 사고들이 대부분이었다. 차대차-교차로 사고의 제3_Collision과 유사한 충돌형태로 사고발생시각, 충돌 방향, ACCTYPE에서 A차량인지 B차량인지 여부에 대해 비슷한 양상을 띠고 있다. 제2_Collision(반대차선에서 마주 오는 차량과 충돌상황)은 오후 시간대가 62%로 오후에 발생한 사고이며, 마주 오는 상황에서는 A, B에 대해 구분하기 어려워 77777(해당 없음)로 코드화하였다. 제2_Collision에 해당하는 차량들의 충돌방향은 대부분이 11~12시 방향이었다 (Fig. 11, 12, 13, 14).

 

4. 첨단운전자보조장치 장착 차량 사고유형 분류 및 분석

 

앞서 진행한 분석 결과를 이용하여 국립과학수사연구원에서 감정한 첨단운전자보조장치 장착 차량의 사고를 사고유형별 분류 및 분석을 진행했다.

 

우선 첨단운전자보조장치를 장착한 차량을 분류했다.

국립과학사수연구원에서 감정한 첨단운전자보조장치 가 장착된 차량의 사고 건수는 총 18건이며, 이 중 승용 차량은 10건, 버스는 8건으로 분류되고, 첨단운전자보조 장치별 사고 발생 건수는 LKAS(Lane Keeping Assist System) 1건, AEB(Autonomous Emergency Braking) 17건으로 분류되며, 오조작으로 인한 사고는 0건, 오작동으로 인한 사고는 18건으로 분류되었다.

 

첨단운전자보조장치 장착 차량의 사고 특성은 다음과 같다.

 

 

총 18건의 사고 중 차대차 사고가 89%(16건)를 차지하였고, 단일로에서 발생한 사고는 87% (13건)를 차지하였다(Fig. 16).

 

 

또한, 18건의 사고 중 차선 변경에 의해 발생한 사고의 비중이 제일 높았는데, 이는 차선을 변경하며 추월할 시, 후방에서 주행하던 차량의 첨단운전자보조장치(LKAS, AEB)가 오작동하며 발생한 추돌사고로 급격한 전방으로 끼어들기가 후방 차량의 첨단운전자보조장치가 오작동하도록 하는 가장 큰 요인으로 판단된다. 첨단운전자보조장치를 장착한 차량은 앞서 국과수 데이터베이스를 활용하여 분류한 ‘차대차-단일로 사고’와 마찬가지로 다양한 시간대에 사고가 발생한 것으로 나타났고, 이는 첨단운전자보조장치를 장착한 차량의 사고 원인에 있어 사고 발생 시간대는 영향을 미치는 요인이 아닌 것으로 판단되며, 실선과 파선이 혼재한 차선에서 발생한 사고의 비중이 높은 것도 도로의 차선 환경이 사고를 발생시키는 요인이 아닌 것으로 판단된다. 또한, 사고 충돌 방향은 첨단운전자보조장치 장착 차량의 사고 특성에 따라 추돌사고가 다수를 차지하고 있어 전·후방 충돌의 비중이 가장 높았다.

 

5. 결론

위 논에서 국립과학수사연구원 데이터베이스를 활용하여 교통사고 유형 분류 및 특성을 분석한 후, 자율주행자동차 사고조사 가이드라인 개발을 하고자 하였다. 먼저 국과수 데이터베이스를 활용한 분류 및 특성을 분석한 결과, 차대차 사고가 가장 높은 비중을 차지하였고, 특히 차대차 사고 중 단일로에서 발생한 사고의 비중이 가장 높았다. 또한 후방에서 주행하던 차량이 추돌하는 사고의 유형이 가장 큰 비중을 차지하였다. 첨단운전자보조장치를 장착한 차량의 사고 유형의 경우, 차대차 사고가 가장 큰 비중을 차지하였고, 이중 단일로에서 발생한 사고가 가장 큰 비중을 차지하였다. 또한 추돌에 의한 사고가 가장 큰 비중을 차지하였는데 이는 일반 차량의 사고의 가장 큰 비중을 차지하는 차대차-교차로 추돌 사고와 동일한 사고 유형으로 나타났다. 이를 통해 첨단운전자보조장치를 장착한 차량의 사고는 특별한 경우에 발생하는 것이 아니라 일반적인 상황에서 발생하는 것을 알 수 있다. 또한, 첨단운전자보조장치 장착 차량의 추돌 사고의 경우 급격한 끼어들기로 인해 첨단운전자보조장치가 오작동을 일으켜 추돌 사고가 발생된 것으로 판단되고 사고 발생 시간대 및 도로 상황은 사고의 요인이 아닌 것으로 판단된다. 하지만 첨단운전자보조장치 장착 차량의 사고 건수가 현저히 적고 LKAS, AEB가 장착된 차량의 사고가 전체 건수를 차지하고 있어 향후 추가적인 사고 케이스와 다양한 첨단운전자보조장치를 장착한 차량의 사고 건수가 더해져 연구를 진행할 필요가 있다. 국립과학수사연구원 데이터베이스를 활용하여 자율주행자차 사고조사 가이드라인 개발을 위한 연구를 진행하였 고 첨단운전자보조장치를 장착한 차량의 사고 조사에 있어 기본적인 사고 유형 및 특성을 파악할 수 있었다. 해당 차량의 사고 조사에 있어 추돌 사고와 관련된 현장 조사 및 사고가 발생한 조건 조사, 전방 차량의 끼어들기로 인한 사고 유발 조건 조사, 첨단운전자보조장치 작동 조건 및 오작동 여부 조사 등을 수행하여야 할 것으로 판단된다. 하지만 아직 첨단운전자보조장치를 장착한 차량의 사고 표본 수가 적어 이론화하고 구체화하기엔 부족한 점이 있어 향후 다양한 사고 표본을 확보하여 사고 유형 및 특 성을 분석한 후 자율주행자동차 사고조사 가이드라인 개발에 있어 추가적인 연구가 필요하다.