운전자 관점의 부분자율주행차량 혼재 복잡도 지표 연구

국문 초록 (Abstract)

자율주행시스템은 빠른 속도로 개발되고 있으며, 이에 따라서 멀지 않은 미래에 기존 차량과 다양한 수준의 부분자율주행차량이 도로에 혼재하여 운용되는 상황이 발생할 수 있다. 하지만 이러한 부분자율주행 혼재 상황에서의 이슈에 관한 연구나 이러한 상황의 복잡도를 정량적으로 지표화하는 연구는 미비한 상황이다. 따라서, 본 논문에서는 부분자율주행차량과 기존 차량이 혼재하는 도로상황의 복잡도를 인적 요소를 고려하여 지표화하는 연구를 수행하였다. 우선, 부분자율주행차량 혼재 상황을 시뮬레이터 환경에서 구현하고, 심박수와 시선움직임을 추적하는 장치를 통합 구축하여 총 30명의 실험참가자를 모집하여 human-in-the-loop 실험을 진행하였다. 부분자율주행혼재 상황 5가지와 도로상황 (합류, 정지, 사고, 일반) 4가지를 독립변수로 설정하고, 차량 변수와 생체 변수를 종속변수로 설정하였다.
자율주행 혼재 비율에 따라서는 심박수만 유의미한 차이 (p = 0.0067)를 보였으며, 도로상황에 따라서는 심박수 (p= 0.003), 동공크기 (p=0.003), 시선이동거리 (p<0.001), 브레이크(p=0.003), 조향각(p<0.001)이 유의미한 차이를 보였다. 본 실험 결과를 기반으로, 선형회귀분석을 실시하여 운전자 관점의 자율주행혼재상황 복잡도 판단 모델을 제시하였다. 운전자 관점의 복잡도 판단 모델의 결과 자율주행 혼재 비율에 따른 복잡도의 차이는 유의미하게 나타나지 않았으며, 도로상황에 대한 차이는 p=0.001 로 유의확률 95%에서 유의미한 차이를 보이는 것으로 나타났다. 그에 따라 인적 요소를 고려하였을 때, 자율주행혼재비율에 따른 복잡도의 차이보다는 도로 상황에 따른 복잡도의 차이가 더 명확한 것으로 나타났다.

다국어 초록 (Multilingual Abstract)

Autonomous driving systems are being rapidly developed which may lead to situations where these systems will coexist in the foreseeable future with manual and partially automated vehicles operated on the road. However, there is insufficient research regarding issues of such mixed traffic situations and how these complexities can affect human driving behaviors and how these can be quantified. Therefore, in this paper, we conducted a research to measure the complexity of road situation where manual and partially automated vehicles are mixed while considering human factors. First, we designed a simulation environment by mixing manual and partially autonomous vehicles. Then, heart rate and eye movement tracking devices are integrated with the simulation environment. We conducted a human-in-the-loop experiment on 30 subjects. Five mixed traffic situations and four road conditions (Joint, Stop, Accident, Normal) are set as the independent variables, and both vehicle variables and biological variables are set as the dependent variables.
As a result, heart rate (p=0.0067) shows significant difference when considering mixed traffic situation. Also, heart rate (p=0.003), pupil size (p=0.003), eye movement distance (p<0.001), brake pedal pressure (p=0.003), and the steering angle (p<0.001) show significant difference when considering road condition. Based on the results of this experiment, a linear regression analysis was conducted to suggest a model for determining the complexity in mixed traffic considering human behaviors. As a result of the complexity determining model, the difference of the complexity according to the automated vehicle mixture ratio was not significant, and the difference in the road situation was significant at probability of 95% (p<0.001). Therefore, the difference in complexity of road situation is clearer than the difference in complexity of mixed traffic situation considering human driving behaviors.

목차 (Table of Contents)

• 제1장 서 론 1
• 1.1 연구의 배경 및 필요성 1
• 1.2 연구 목표 8
• 제2장 생체데이터와 주변차량의데이터를 활용한 복잡도 판단모델 9
• 2.1 도로 상황에서 운전자의 반응을 고려한 복잡도 지표 9
• 2.2 도로 상황에서 주변차량의 반응을 고려한 복잡도 지표 11
• 제3장 차량 시뮬레이터 기반 자율주행혼재 상황 구현 human-in-the-loop 실험 설계 13
• 3.1 실험 목적 13
• 3.2 실험 가설 13
• 3.3 실험 환경 설계 14
• 3.3.1 자율주행 운전 모델 구현 14
• 3.3.2 시뮬레이션 운전모델 레벨별 시스템 분류 16
• 3.3.3 도로 상황 선정 19
• 3.3.4 실험 시나리오 20
• 3.3.5 실험 참가자 23
• 3.3.6 실험 장비 24
• 3.3.7 실험 절차 28
• 3.4 독립 변수 31
• 3.4.1 자율주행 혼재 비율 31
• 3.4.2 도로 상황 32
• 3.5 종속 변수 33
• 3.5.1 Entropy 복잡도 34
• 3.5.2 Z-Value 복잡도 34
• 3.5.3 생체 변수 35
• 3.5.4 제어 변수 36
• 3.5.5 정성 변수 37
• 제4장 차량 시뮬레이터 기반 human-in-the-loop 실험 결과 39
• 4.1 자율주행 혼재 비율에 따른 복잡도 차이 39
• 4.1.1 심박수 복잡도 39
• 4.1.2 동공크기 복잡도 41
• 4.1.3 시선이동거리 복잡도 43
• 4.1.4 눈 깜빡임 복잡도 45
• 4.1.5 브레이크 복잡도 47
• 4.1.6 조향각 복잡도 49
• 4.1.7 NASA-TLX 51
• 4.2 이벤트구간에 따른 복잡도 차이 52
• 4.2.1 심박수 복잡도 52
• 4.2.2 동공크기 복잡도 54
• 4.2.3 시선이동거리 복잡도 56
• 4.2.4 눈 깜빡임 복잡도 58
• 4.2.5 브레이크 복잡도 60
• 4.2.6 조향각 복잡도 62
• 4.3 자율주행혼재 비율과 이벤트구간 상호작용효과 64
• 제5장 운전자 관점 자율주행 복잡도 모델 도출 66
• 5.1 운전자 기반 복잡도 모델 66
• 5.1.1 자율주행 혼재 비율에 따른 운전자 복잡도 차이 68
• 5.1.2 이벤트구간에 따른 운전자 복잡도 차이 69
• 제6장 결론 70
• 6.1 연구 결과 70
• 6.2 연구 성과 71
• 6.3 향후 과제 72
• 참고 문헌 73