도로 환경 요소가 자율주행차량 사고 심각도에 미치는 영향 분석
The Effect of Road Environmental Factors on the Severity of Autonomous Vehicle Accidents
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
자율주행 기술의 도입으로 자율주행기반 모빌리티 서비스가 증가하고 있다. 이에 자율주행기반 모빌리티 서비스를 제공하기 위해 자율주행 기술의 안전성과 신뢰성을 확보하기 위한 다양한 연구가 진행되고 있다. 현재 도심부 도로에 자율주행차량을 도입하기 전, 반복적인 주행 테스트를 진행하여 자율주행의 안전성 향상을 위해 노력한다. 다만, 도로 환경의 다양성으로 인해 주행 테스트가 진행되지 않은 도로 구간에 자율주행을 도입할 경우, 주행 테스트를 다시 수행해야 하며 이는 사회적 비용을 초래한다. 이에 본 연구에서는 자율주행차가 안전하게 주행이 가능한 도로 환경적 요소를 도출하여 다수의 주행 테스트를 줄이는 방안을 마련하고자 한다. 첫 번째로 캘리포니아 DMV의 자율주행 사고 보고서를 데이터베이스화하여 자율주행 사고의 기초통계분석을 진행하였다. 기초통계분석 결과, 차량의 파손 심각도, 사고 발생 당시의 날씨, 도로의 상태 등의 내용을 알 수 있었지만, 도로 상태가 대부분 일반적인 상태라고 보고되어있다. 보고서에 작성된 내용만으로는 자율주행 사고 심각도에 영향을 미치는 도로 환경적 요소를 도출하기 어려운 실정이다. 이에 DMV 사고 보고서에서 추출된 사고 심각도와 교통사고 지점의 도로 환경적 운행설계영역을 통해 사고 심각도에 영향을 미치는 도로 환경적 요소를 도출하고자 한다. 본 연구에서는 변수의 중요도를 판단할 수 있는 랜덤 포레스트 분석을 사용하였으며 랜덤 포레스트 분석 결과, 사고 심각도에 가장 영향을 미치는 변수로는 차선도색 상태로 도출되었다. 이는 자율주행차량이 센서에서 수집된 정보를 통해 차선을 인지하고 판단하여 자율주행 시스템을 제어하기 때문인데, 자율주행차량이 안전하게 주행하기 위해서는 차선의 도색 상태가 사고 심각도에 중요하게 영향을 미친다고 할 수 있다. 본 연구는 자율주행차량의 사고 데이터를 분석하여 주행한 도로 환경이 사고 심각도에 미치는 영향 변수를 제시한 것에 의의가 있으며, 이는 자율주행차량의 사고 심각도를 낮추기 위한 기초적인 자료로 활용이 가능할 것으로 기대된다.
Abstract
The rise of autonomous driving technology has led to increased adoption of autonomous driving-based mobility services. To ensure the technology's safety and reliability, extensive research is ongoing. Autonomous vehicles currently undergo repeated urban driving tests to enhance safety. However, the diversity of road environments necessitates retesting when implementing autonomous driving on previously untested road segments, incurring significant societal costs. This study aims to identify environmental factors that enable safe autonomous driving, reducing the need for numerous driving tests. It analyzed autonomous driving accident reports from the California DMV, highlighting the importance of lane marking conditions in influencing accident severity. Lane marking conditions are crucial for safe autonomous driving, as they affect how vehicles navigate using sensor data. This research provides essential insights for mitigating the severity of autonomous vehicle accidents.
참고문헌 (10)
- 이호준, "자율주행차 실사고 데이터를 활용한 연관규칙 분석 기반 자율주행차 도심부 사고 시나리오 방법론 개발", 대한교통학회지, 41(3), pp.375~393 (2023), 대한교통학회
- Breiman, L., "Random forest", Machine Learning, 45, pp.5~32 (2001)
- Chen, M. M., "Modeling road accident severity with comparisons of logistic regression, decision tree and random forest", Information, 11(5), pp.270~ (2020)
- Evans, J., "Forecasting road traffic conditions using a context-based random forest algorithm", Transportation Planning and Technology, 42(6), pp.554~572 (2019)
- Favarò, F., "Autonomous vehicles’disengagements : Trends, triggers, and regulatory limitations", Accident Analysis & Prevention, 110, pp.136~148 (2018)
- Hamad, K., "Predicting incident duration using random forests", Transportmetrica A: Transport Science, 16(3), pp.1269~1293 (2020)
- Leilabadi, S · H, "In-depth analysis of autonomous vehicle collisions in california", 2019IEEE Intelligent Transportation Systems Conference (ITSC), pp.889~893 (2019), IEEE
- Lu, Z., "A Random Forest Model for Travel Mode Identification Based on Mobile Phone Signaling Data", Sustainability, 11, pp.5950~ (2019)
- Ma, Y., "Analysis of Autonomous Vehicles Accidents Based on DMV Reports", 2022 China Automation Congress (CAC), pp.623~628 (2022), IEEE
- Petrović, Đ., "Traffic accidents with autonomous vehicles : type of collisions, manoeuvres and errors of conventional vehicles’ drivers", Transportation research procedia, 45, pp.161~168 (2020)