베이지안 확률 추론 기반의 자율주행차 사고  계층분석 및 사고 심각도 모형 연구

Q: 이 논문에서 정의한 자율주행 핸디캡 구간이란 무엇인가?

자율주행 핸디캡 구간은 예상치 못하게 자율주행 제어권이 해제되어 운전자의 대응 시간이 충분하지 않은 상황적 범위를 의미한다. 이러한 구간에서는 자율주행차의 주행 안정성 확보가 중요하며, 보행자와 같은 취약한 도로 이용자들의 안전을 위해 기술적, 제도적 접근과 사고 원인에 대한 지속적인 이해가 필요하다.

Q: 자율주행차 사고 심각도에 영향을 미치는 주요 요인은 무엇인가?

연구 결과, 취약한 도로 이용자 관련 사고는 자전거 이용 가능 도로, 노상 주차, 어두운 조명 상황에서 사고 심각도가 증가하며, 자율주행차의 회전 또는 서행 움직임 시 심각도가 높아진다. 취약 도로 이용자를 제외한 사고는 야간, 중앙분리대 미설치, 자율주행 모드 해제 상황에서 사고 차량 수가 많을수록 심각도가 증가하는 경향을 보인다.

이송하; 박준영

doi:10.7470/jkst.2024.42.1.077

학술저널 DBpia Top 5%

저자정보: 이송하 (한양대학교) 박준영 (한양대학교)

저널정보: 대한교통학회 대한교통학회지 대한교통학회지 제42권 제1호

오류 신고하기

피인용 2

검색

초록·키워드

첨단 운전자지원 시스템 기술 고도화에 따라 자율 주행 기술은 미래의 스마트 교통 시스템 주요 구성 요소로 주목 받고 있지만 꾸준히 발생하는 자율주행차의 사고로 인해 안전성에 대한 체계적인 검증이 요구되고 있다. 특히, 예상치 못하게 제어권이 해제되어 운전자의 대응 시간이 충분하지 않은 상황적 범위라고 칭할 수 있는 핸디캡 구간이 반복적으로 발생하는 도시부 도로에서 자율주행차뿐만 아니라 보행자와 같은 취약한 도로 이용자들의 안전성을 확보하기 위해서는 기술적/ 제도적 접근과 자율 차 사고 원인에 대한 지속적인 이해가 필요하다. 따라서 본 연구는 캘리포니아 자동차관리국에서 제공하는 자율 차 사고 보고서 중 세부 영향 요인과 변수를 추출하기 위해 사고 세부 기록 데이터를 이용하였고 사고 표본 보완을 위해 베이지안 확률추론 기반의 잠재 계층분석과 순서형 프로빗 모형을 통해 계층별 사고 심각도와 설명 변수 간 상관성을 설명하였다. 그 결과 보행자, 자전거 이용자와 같은 취약한 도로 이용자와 관련된 사고는 주로 도로 이용자들이 교차가 발생하는 버스정류장 또는 자전거 도로가 있는 공간에서 발생하고 어두운 조명시설일 때 사고 심각도가 증가하였다. 반면에 나머지 사고의 경우, 기상 조건, 자율 차의 움직임, 주야 등에 따라 계층이 세분화되고 사고 심각도가 증가하였다. 특히, 그리고 기하구조와 기상 조건에 대한 이질성을 고려하였을 때, 고정 효과에 비해 임의 효과를 이용한 베이지안 순서형 프로빗 모형 경우, 분산의 크기가 작아져 신뢰구간 범위가 좁아진 것을 확인할 수 있었다. 이러한 연구 결과를 바탕으로 세분화된 자율 차 안전성 평가시나리오를 구성하면 Level 4-Level 5 수준의 자율 주행 기술에 대한 보다 효율적이고 합리적인 안전성 평가가 가능할 것이라고 기대한다.

With the advancement of Advanced Driver Assistance System technology, autonomous driving technology is get a attention as a key component of smart transportation systems. However, verification of safety about autonomous vehicle is required due to the continuous traffic crash involving autonomous vehicles. In particular, to ensure the safety of vulnerable road users such as pedestrians as well as autonomous vehicle on handicap sections where autonomous mode is unexpectedly disengaged and the driver"s response time is insufficient, this requires a technical/institutional approach and a continuous understanding for autonomous vehicle crashes. Therefore, this study used autonomous vehicle crash record data to extract impact factors from the autonomous vehicle collision reports provided by the California Department of Motor Vehicles, and used latent class analysis and ordered probit model with Bayesian probability inference to deal with the traffic crash sample. As a result, traffic crash involving vulnerable road users such as pedestrians and cyclists, scooter, mainly occur at bus stops or bicycle lanes where road users cross, and the traffic crash severity increases when light condition is dark street. On the other hand, for the traffic crash which is not involve vulnerable road users, the crash classes were divided and the traffic crash severity increased depending on weather conditions, autonomous vehicle movement, day and night, etc. When considering unobserved heterogeneity in geometry and weather conditions, it was found that the the variance size was smaller and the confidence interval was narrower based on the Bayesian ordered probit model with random effects unlike fixed effects. Specifically, the traffic crash severity increased mainly in movements including turns around signalized intersections and for the other crash, which does not include the vulnerable road users. This means that intersections require an exploring of vehicle movements due to the cross to the various road users, complexity of traffic flow, and unpredictability of vehicles and pedestrians. By developing a detailed autonomous vehicle safety evaluation scenario on these study, it is expected that more efficient and reasonable safety evaluation of level 4 to level 5 autonomous driving technology will be possible.

#autonomous vehicle collision report #bayesian latent class #random effect #traffic crash severity #text mining #자율주행차 사고 보고서 #베이지안 잠재 계층분석 #임의 효과 #사고 심각도 #텍스트마이닝

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료