KR102369276B1

KR102369276B1 - Method for analyzing the effect of the exclusive lanes for autonomous vehicles

Info

Publication number: KR102369276B1
Application number: KR1020210083392A
Authority: KR
Inventors: 김형주; 김종호; 서영훈; 임동현
Original assignee: 재단법인차세대융합기술연구원
Priority date: 2021-06-25
Filing date: 2021-06-25
Publication date: 2022-03-04

Abstract

An analysis method for exclusive lanes for autonomous vehicles of an analysis system which analyzes the impact on traffic flow, according to one embodiment of the present invention, comprises the steps of: generating a plurality of scenarios according to whether an autonomous vehicle lane or a bus-only lane is allocated in a road section; applying a car following model that can reflect a continuous traffic flow environment in the road section in each environment of the plurality of scenarios; calculating a space mean speed, an average traveling time, and a collision risk count (TTC) for each market share of the autonomous vehicle in each environment of the plurality of scenarios; and selecting a scenario corresponding to the market share of the autonomous vehicle based on the calculated space mean speed, the average traveling time, and the collision risk count (TTC). According to the present invention, it is possible to provide an installation plan for an optimal exclusive lane to provide efficiency and safety according to the market share of each autonomous vehicle.

Description

A method of analyzing the effect of the application of an autonomous vehicle-only lane {METHOD FOR ANALYZING THE EFFECT OF THE EXCLUSIVE LANES FOR AUTONOMOUS VEHICLES}

본 발명은 자율 주행차에 관한 것으로, 더욱 상세하게는 자율 주행차의 전용 차로 적용에 따른 효과를 분석하여 최적의 전용 차로 시나리오를 제공하기 위한 방법에 관한 것이다. The present invention relates to an autonomous vehicle, and more particularly, to a method for providing an optimal dedicated lane scenario by analyzing an effect of applying an exclusive lane to an autonomous vehicle.

자율 주행차(Autonomous Vehicle: 이하, AV)는 운전자가 브레이크, 핸들, 가속 페달 등을 제어하지 않아도 주행시 외부 정보 감지 및 처리 기능을 가지고 주변 환경을 인식하여 주행 경로를 자체적으로 결정하며 자체의 동력을 이용하여 독립적으로 주행하는 시스템이다.
자율 주행차의 시장 규모는 해마다 급격히 증가하고 있으며, 가까운 미래에 상용화될 것으로 예상된다. 도로 용량 증가, 교통사고 감소 등 다양한 기대 효과가 발생할 수 있지만, 자율 주행차의 도입 초기에는 일반 차량과 혼재 상황에서 부정적인 영향이 야기될 수 있다. 더불어, 자율 주행차의 도입 효과 분석을 위한 다양한 연구가 진행되고 있다. 하지만, 자율 주행차용 전용 차로를 도입하는 경우에 발생하는 효과와 안전성, 효율성을 극대화하기 위한 최선의 설치 방안에 대한 연구가 더 필요한 실정이다. Autonomous vehicle (hereinafter, AV) has a function of detecting and processing external information when driving, even if the driver does not control the brake, steering wheel, accelerator pedal, etc. It is an independent driving system.
The market size of autonomous vehicles is increasing rapidly every year and is expected to be commercialized in the near future. Various expected effects such as increase in road capacity and reduction in traffic accidents can occur, but in the early stage of introduction of autonomous vehicles, negative effects may be caused in a mixed situation with general vehicles. In addition, various studies are being conducted to analyze the effect of introducing autonomous vehicles. However, more research is needed on the best installation method to maximize the effects, safety, and efficiency that occur in the case of introducing an exclusive lane for autonomous vehicles.

본 발명의 목적은, 자율 주행차의 전용 차로 도입시 그 효과와 자율 주행차의 시장 점유율에 따른 고속도로에서의 교통류 영향 평가를 수행하는 방법을 제공하는 데 있다.SUMMARY OF THE INVENTION An object of the present invention is to provide a method for evaluating the effect of traffic flow on a highway according to the effect of introducing an autonomous vehicle into an exclusive lane and the market share of the autonomous vehicle.

본 발명의 일 실시 예에 따른 교통류의 영향을 분석하는 분석 시스템의 자율 주행차 전용 차로에 대한 분석 방법은, 도로 구간에서 자율 주행차 또는 버스의 전용 차로 할당 여부에 따른 복수의 시나리오들을 생성하는 단계, 상기 복수의 시나리오들 각각의 환경에서 상기 도로 구간에서의 연속 교통류 환경을 반영할 수 있는 차량 추종 모델(Car Following Model)을 적용하는 단계, 상기 복수의 시나리오들 각각의 환경에서 상기 자율 주행차의 시장 점유율별로 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time), 그리고 충돌 위험 발생 횟수(TTC)를 계산하는 단계, 그리고 계산된 상기 공간 평균 속도(Space Mean Speed), 상기 평균 통행 시간(Average Travel Time), 그리고 상기 충돌 위험 발생 횟수(TTC)를 기초로 상기 자율 주행차의 시장 점유율에 대응하는 시나리오를 선택하는 단계를 포함한다.
이 실시 예에서, 상기 시나리오는 상기 도로 구간의 제 1 차로를 버스 전용 차로로 운영하는 경우의 제 1 시나리오, 상기 제 1 차로를 버스 및 자율 주행차 전용 차로로 운영하는 제 2 시나리오, 그리고 상기 제 1 차로를 자율 주행차 전용 차로로 운영하는 제 3 시나리오를 포함한다.
이 실시 예에서, 상기 공간 평균 속도는 일정 시간 동안 상기 도로 구간을 통과한 모든 차량들이 주행한 거리를 상기 일정 시간으로 나눈 조화 평균 값에 대응한다.
이 실시 예에서, 상기 평균 통행 시간(Average Travel Time)은 복수의 차량들이 상기 도로 구간을 통과한 시간의 총합을 상기 복수의 차량 수로 나눈 산술 평균 값에 대응한다.
이 실시 예에서, 상기 충돌 위험 발생 횟수(Time To Collision)는 상기 도로 구간에서 선행 차량과 후행 차량의 차두 거리를 상기 선행 차량과 상기 후행 차량 각각의 속도 차이로 나눈 값에 대응한다.According to an embodiment of the present invention, an analysis method for a dedicated lane for an autonomous driving vehicle of an analysis system for analyzing the influence of a traffic flow includes generating a plurality of scenarios according to whether an exclusive lane for an autonomous vehicle or a bus is allocated in a road section , applying a Car Following Model capable of reflecting a continuous traffic flow environment in the road section in the environment of each of the plurality of scenarios; calculating Space Mean Speed, Average Travel Time, and Number of Collision Risk Occurrences (TTC) by market share, and the calculated Space Mean Speed, the average travel time and selecting a scenario corresponding to the market share of the autonomous vehicle based on an average travel time and the number of occurrences of the collision risk (TTC).
In this embodiment, the scenarios include a first scenario in which the first lane of the road section is operated as a bus-only lane, a second scenario in which the first lane is operated as an exclusive lane for buses and autonomous vehicles, and the second It includes a third scenario in which the first lane is operated as a dedicated lane for autonomous vehicles.
In this embodiment, the spatial average speed corresponds to a harmonic average value obtained by dividing the distance traveled by all vehicles passing through the road section for a predetermined time by the predetermined time.
In this embodiment, the average travel time corresponds to an arithmetic average value obtained by dividing the sum of the times during which a plurality of vehicles pass through the road section by the number of the plurality of vehicles.
In this embodiment, the time to collision corresponds to a value obtained by dividing the head distance between the preceding vehicle and the following vehicle by the speed difference between the preceding vehicle and the following vehicle in the road section.

상술한 본 발명의 실시 예에 따른 분석 방법에 의하면, 자율 주행차의 시장 점유율(MPR: Market Penetration Rate) 별로 효율성 및 안전성을 제공하기 위한 최적 전용 차로의 설치 방안을 제공할 수 있다. According to the above-described analysis method according to the embodiment of the present invention, it is possible to provide a method for installing an optimal dedicated lane for providing efficiency and safety for each market share (MPR) of an autonomous vehicle.

도 1은 본 발명의 실시 예에 따른 자율 주행차의 전용 차로 도입에 대한 영향을 평가하기 위한 분석 시스템을 예시적으로 보여주는 블록도이다.
도 2는 본 발명의 자율 주행차의 전용 차로를 적용하기 위한 도로의 기하 구조를 간략히 보여주는 도면이다.
도 3은 도 1의 자율 주행차 전용 차로 분석 프로그램에 의해서 수행되는 자율 주행차의 시장 점유율에 따른 도로의 교통류 영향 평가 방법을 간략히 보여주는 순서도이다.
도 4는 본 발명의 실시 예에 따른 시나리오들을 예시적으로 보여주는 표이다.
도 5는 본 발명의 차량 추종 모델(Car Following Model)을 예시적으로 보여주는 표이다.
도 6은 각 시나리오별 그리고 자율 주행차의 시장 점유율(MPR)별 공간 평균 속도(Space Mean Speed)를 표시한 그래프이다.
도 7은 평균 통행 시간(Average Travel Time)을 각 시나리오별 그리고 자율 주행차의 시장 점유율(MPR)별로 표시한 그래프이다.
도 8은 충돌 위험 발생 횟수(TTC)를 각 시나리오별 그리고 자율 주행차의 시장 점유율(MPR)별로 표시한 그래프이다.
도 9는 본 발명의 실시 예에 따른 자율 주행차의 시장 점유율(MPR)별 적용 가능한 최적 시나리오들을 간략히 보여주는 테이블이다. 1 is a block diagram exemplarily illustrating an analysis system for evaluating the influence of an autonomous vehicle on the introduction of an exclusive lane according to an embodiment of the present invention.
2 is a diagram schematically illustrating a geometric structure of a road for applying an exclusive lane for an autonomous vehicle according to the present invention.
FIG. 3 is a flowchart schematically illustrating a method of evaluating the impact of traffic flow on a road according to the market share of an autonomous vehicle, which is performed by the autonomous vehicle-only lane analysis program of FIG. 1 .
4 is a table exemplarily showing scenarios according to an embodiment of the present invention.
5 is a table exemplarily showing a car following model of the present invention.
6 is a graph showing the space mean speed for each scenario and for each market share (MPR) of autonomous vehicles.
7 is a graph showing the average travel time for each scenario and for each autonomous vehicle market share (MPR).
8 is a graph showing the number of collision risk occurrences (TTC) for each scenario and for each autonomous vehicle market share (MPR).
9 is a table briefly showing applicable optimal scenarios for each market share (MPR) of an autonomous vehicle according to an embodiment of the present invention.

이하, 본 발명의 일부 실시 예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.
도 1은 본 발명의 실시 예에 따른 자율 주행차의 전용 차로 도입에 대한 영향을 평가하기 위한 분석 시스템을 예시적으로 보여주는 블록도이다. 도 1을 참조하면, 자율 주행차 도입에 따른 교통류 영향을 평가하기 위한 분석 시스템(100)은 프로세서(110), 램(130), 입출력 인터페이스(150), 스토리지(170), 그리고 시스템 버스(190)를 포함할 수 있다. 여기서, 분석 시스템(100)은 본 발명의 교통류 평가를 위한 분석 또는 시뮬레이션을 수행하기 위한 전용 장치로 구성될 수도 있지만, 예시적으로 자율 주행차 전용 차로 분석 프로그램(135)을 구동하는 컴퓨터나 워크 스테이션일 수도 있다.
프로세서(110)는 분석 시스템(100)에서 수행될 소프트웨어(응용 프로그램, 운영 체제, 장치 드라이버들)를 실행한다. 프로세서(110)는 램(130)에 로드되는 운영 체제(OS, 미도시됨)를 실행할 것이다. 프로세서(110)는 운영 체제(OS) 기반에서 구동될 다양한 응용 프로그램들(Application Program)을 실행할 것이다. 예를 들면, 프로세서(110)는 램(130)에 로드된 자율 주행차 전용 차로 분석 프로그램(135)을 실행할 수 있을 것이다. 본 발명의 자율 주행차 전용 차로 분석 프로그램(135)은 제공되는 차량 추종 모델(Car Following Model)을 처리하여 교통류 영향에 대한 분석 및 평가 연산을 수행할 수 있다.
램(130)에는 운영 체제(OS)나 응용 프로그램들(Application Program)이 로드될 것이다. 분석 시스템(100)의 부팅시에 스토리지(170)에 저장된 OS 이미지(미도시됨)가 부팅 시퀀스에 의거하여 램(130)으로 로드될 것이다. 운영 체제(OS)에 의해서 분석 시스템(100)의 제반 입출력 동작들이 지원될 수 있다. 마찬가지로, 사용자의 의하여 선택되거나 기본적인 서비스 제공을 위해서 응용 프로그램들이 램(130)에 로드될 수 있다. 특히, 본 발명의 자율 주행차 전용 차로 분석 프로그램(135)도 스토리지(170)로부터 램(130)에 로드될 것이다. 램(130)은 SRAM(Static Random Access Memory)이나 DRAM(Dynamic Random Access Memory)과 같은 휘발성 메모리이거나, PRAM, MRAM, ReRAM, FRAM, NOR 플래시 메모리 등의 비휘발성 메모리일 수 있다.
자율 주행차 전용 차로 분석 프로그램(135)은 본 발명의 실시 예에 따른 자율 주행차의 시장 점유율(Market Penetration Rate: 이하, MPR)에 따른 안전성 및 효율성을 평가하기 위한 분석 또는 시뮬레이션 연산을 수행할 수 있다. 자율 주행차 전용 차로 분석 프로그램(135)은 입출력 인터페이스(150)를 통해서 제공되는 차량 추종 모델(Car Following Model: 이하, CFM)에 근거하여 자율 주행차의 시장 점유율(MPR)에 따라 시나리오별 효과 분석을 수행할 수 있다. 복수의 시나리오들에 대해서 자율 주행차 전용 차로 분석 프로그램(135)은 효율성을 평가하기 위해 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time)을 계산할 수 있다. 그리고 자율 주행차 전용 차로 분석 프로그램(135)은 안전성을 평가하기 위해 충돌 위험 발생 횟수(Time To Collision: 이하, TTC)를 계산할 수 있다. 자율 주행차 전용 차로 분석 프로그램(135)은 계산된 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time), 충돌 위험 발생 횟수(TTC)를 근거로 자율 주행차의 시장 점유율(MPR)별 최적의 전용 차선 운용 시나리오를 판단할 수 있다. 이러한 특징들은 후술하는 도면들을 통해서 보다 상세히 설명될 것이다.
입출력 인터페이스(150)는 사용자 인터페이스 장치들로부터의 사용자 입력 및 출력을 제어한다. 예를 들면, 입출력 인터페이스(150)는 키보드나 모니터를 구비하여 사용자로부터의 명령이나 데이터를 제공받을 수 있다. 본 발명의 자율 주행차 전용 차로 분석 프로그램(135)의 구동에 사용되는 차량 추종 모델(CFM)이나 차량들의 궤적 데이터, 차량의 거동이나 속도와 같은 다양한 파라미터들이 입출력 인터페이스(150)를 거쳐서 입력될 수 있다. 또는, 전용 차로의 할당에 따른 시나리오의 설정도 입출력 인터페이스(150)를 통해서 제공될 수 있을 것이다. 더불어, 입출력 인터페이스(150)는 분석 시스템(100)의 각 분석 동작에서의 경과 및 처리 결과 등을 디스플레이(미도시)에 표시할 수 있다.
스토리지(170)는 분석 시스템(100)의 저장 매체(Storage Medium)로서 제공된다. 스토리지(170)는 응용 프로그램들(Application Program), 운영 체제 이미지(OS Image) 및 각종 데이터를 저장할 수 있다. 더불어, 스토리지(170)는 자율 주행차 전용 차로 분석 프로그램(135)의 구동에 따라 생성된 결과 데이터(172, 174, 176)를 저장하거나 업데이트할 수 있다. 스토리지(170)는 메모리 카드(MMC, eMMC, SD, MicroSD 등)나 하드디스크 드라이브(HDD)로 제공될 수도 있다. 스토리지(170)는 대용량의 저장 능력을 가지는 낸드 플래시 메모리(NAND-type Flash memory)를 포함할 수 있다. 또는, 스토리지(170)는 PRAM, MRAM, ReRAM, FRAM 등의 차세대 불휘발성 메모리나 NOR 플래시 메모리를 포함할 수도 있다.
시스템 버스(190)는 분석 시스템(100)의 내부에서 네트워크를 제공하기 위한 시스템 버스(System Bus)이다. 시스템 버스(190)를 통해서 프로세서(110), 램(130), 입출력 인터페이스(150), 그리고 스토리지(170)가 전기적으로 연결되고 상호 데이터를 교환할 수 있다. 하지만, 시스템 버스(190)의 구성은 상술한 설명에만 국한되지 않으며, 효율적인 관리를 위한 중재 수단들을 더 포함할 수 있다.
이상의 설명에 따르면, 분석 시스템(100)은 자율 주행차 전용 차로 분석 프로그램(135)의 구동에 따라 자율 주행차의 시장 점유율에 따른 도로의 교통류 영향 평가를 수행할 수 있다. 특히, 분석 시스템(100)의 처리 결과를 활용하면 자율 주행차의 시장 점유율에 따라 효율성 및 안전성을 보장할 수 있는 최적의 자율 주행차 전용 차로의 할당 방안을 선택할 수 있다.
도 2는 본 발명의 자율 주행차의 전용 차로를 적용하기 위한 도로의 기하 구조를 간략히 보여주는 도면이다. 도 2를 참조하면, 1 차로를 자율 주행차 또는 버스의 전용 차로로 활용하는 편도 4 차로의 도로를 본 발명의 분석을 위한 도로의 기하 구조로 채택할 수 있다.
각 시나리오가 적용되는 도로의 공간적 범위는 4,000m의 유출전 구간, 400m의 유출 구간, 400m의 유입 구간, 400m의 유입-유출 사이 구간, 그리고 4,000m의 유입후 구간 설정될 수 있다. 이러한 기하 구조는 국내 고속도로 환경과 유사한 형태이다. 교통량에 대한 설정은 전용 차로의 설치 효과를 보기 위해 정체를 발생시킬 수 있는 'Los E'의 중간값을 사용한다. 차종 구성비는 실도로 데이터 기반하여 버스 전용 차로제 운영 구간인 경부고속도로 오산 IC ~ 한남대교 남단의 2019년 차종 구성비로 설정할 수 있다.
도 3은 도 1의 자율 주행차 전용 차로 분석 프로그램에 의해서 수행되는 자율 주행차의 시장 점유율에 따른 도로의 교통류 영향 평가 방법을 간략히 보여주는 순서도이다. 도 3을 참조하면, 자율 주행차 전용 차로 분석 프로그램(135, 도 1 참조)에 의해서 각 시나리오별로 자율 주행차의 시장 점유율에 따른 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time), 그리고 충돌 위험 발생 횟수(TTC)가 계산된다.
S110 단계에서, 분석 시스템(100)은 자율 주행차의 전용 차로에 대한 복수의 시나리오들 중 어느 하나를 선택한다. 예를 들면, 복수의 시나리오들이 평가 시뮬레이션에 적용되는 경우, 첫 번째 시나리오가 선택될 수 있을 것이다. 다양한 시나리오가 적용 가능하지만, 이하에서는 설명의 편의를 위해서 전용 차로가 적용되는 차종의 종류에 따라 3가지 시나리오를 가정하여 설명하기로 한다. 즉, '제 1 시나리오'는 전용 차로에 버스만 허용하고, 나머지 차로에 자율 주행차와 일반 차량이 혼재하여 운행되는 경우이다. '제 2 시나리오'는 전용 차로에 버스와 자율 주행차가 모두 허용되는 경우이다. 그리고 '제 3 시나리오'는 자율 주행차만 전용 차로를 갖는 경우에 해당한다.
S120 단계에서, 선택된 시나리오 환경에서 연속 교통류 환경을 반영할 수 있는 차량 추종 모델(Car Following Model)이 적용된다. 궤적 데이터는 대표적인 교통류 시뮬레이터인 'VISSIM'을 활용하여 제공될 수 있다. 차량 거동은 'VISSIM'에 내장된 차량 추종 모델인 'Wiedemann 99 model'를 활용할 수도 있다. 일반 차량에 적용되는 파라미터(Parameter) 값은 'VISSIM 2020'의 디폴트(Default) 값을 기반하여 설정할 수 있다. 그리고 자율 주행차의 경우 미국 자동차공학회(SAE)에서 제시한 레벨 4(Level 4) 값을 사용할 수 있다.
S130 단계에서, 해당 시나리오 조건에서 자율 주행차의 시장 점유율(MPR)별 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time), 그리고 충돌 위험 발생 횟수(TTC)가 계산된다. 자율 주행차의 시장 점유율(MPR)의 변화에 따른 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time)은 해당 시나리오에 따른 교통류의 효율성의 척도가 될 수 있다. 그리고 자율 주행차의 시장 점유율(MPR)의 변화에 따른 충돌 위험 발생 횟수(TTC)는 해당 시나리오에서의 안전성에 대한 척도를 제공할 수 있다.
S140 단계에서, 현재 검증되는 시나리오가 복수의 시나리오들 중에서 최종 시나리오인지 판단된다. 모든 시나리오들에 대한 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time), 그리고 충돌 위험 발생 횟수(TTC)의 계산이 완료된 것으로 판단되면(예 방향), 절차는 S150 단계로 이동한다. 반면에, 추가적인 후속 시나리오들이 남이 있는 경우(아니오 방향), 절차는 후속 시나리오를 선택하기 위한 S145 단계로 이동한다.
S145 단계에서, 자율 주행차 전용 차로 분석 프로그램(135)은 자율 주행차의 시장 점유율(MPR)별 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time), 그리고 충돌 위험 발생 횟수(TTC)를 계산하기 위한 후속 시나리오를 선택한다. 이어서, 절차는 차량 추종 모델을 적용하기 위한 S120 단계로 복귀한다. S110 단계 내지 S145 단계의 반복 루프를 통해서 모든 시나리오들에 대한 자율 주행차의 시장 점유율(MPR)별 효율성 및 안전성 지표들이 계산될 수 있다.
S150 단계에서, 분석 시스템(100)은 시나리오 각각에 대한 자율 주행차의 시장 점유율(MPR)별 효율성 및 안전성을 비교 분석한다. 예를 들면, 시나리오들 각각에 대한 시장 점유율(MPR)별 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time), 그리고 충돌 위험 발생 횟수(TTC)를 비교할 수 있다. 비교 결과에 따라 도로 교통류의 효율성 또는 안전성을 위한 평가가 수행된다.
S160 단계에서, 자율 주행차의 시장 점유율(MPR)별 최선의 시나리오가 선택될 수 있다. 예를 들면, 분석 시스템(100)은 자율 주행차의 특정 시장 점유율(MPR)에서의 가장 높은 효율성을 제공하는 시나리오를 선택할 수 있다. 또는, 분석 시스템(100)은 자율 주행차의 특정 시장 점유율(MPR)에서의 가장 안전성이 높은 시나리오를 선택할 수도 있을 것이다. 또는, 안전성과 효율성 모두를 충족시키는 시나리오의 선택도 가능할 것이다.
이상에서는 본 발명의 분석 시스템(100)에 의한 자율 주행차의 시장 점유율(MPR)별 전용 차로의 도입을 위한 분석 또는 시뮬레이션 방법이 설명되었다. 본 발명의 분석 방법을 사용하면 점점 높아지는 자율 주행차의 시장 점유율(MPR)별 도로의 최적의 전용 차로 운용 정책이 도출 될 것으로 기대된다.
도 4는 본 발명의 실시 예에 따른 시나리오들을 예시적으로 보여주는 표이다. 도 4를 참조하면, 도 2의 기하 구조를 갖는 편도 4차로의 고속도로 상에서의 시나리오별 제반 조건이 간략히 도시되어 있다. 예시적으로, 이하의 설명에서는 전용 차로에 할당되는 차량의 종류에 따라 3개의 시나리오로 구분되는 것으로 가정한다. 하지만, 시나리오의 수나 종류는 도로 환경이나 운행 조건에 따라 다양하게 변경 가능함을 잘 이해될 것이다. 예컨대, 도로 조건이 편도 6차로이고, 전용 차로는 1차로와 2차로로 할당되는 경우에는 더 다양한 시나리오들이 제안될 수 있을 것이다.
제 1 시나리오는 전용 차로에는 버스만 운행되고, 나머지 3개의 일반 차로에는 자율 주행차와 일반 차량이 혼재되어 운행되는 경우를 보여준다. 즉, 버스만 전용 차로인 1차로를 사용하고, 나머지 2 내지 4차로에는 자율 주행차와 일반 차량이 운행되는 조건이다. 따라서, 제 1 시나리오에 따르면 자율 주행차는 전용 차로인 1차로에 진입할 수 없다. 차로 수는 도 2에 도시된 기하 조건에 따라 1차로만 전용 차로로 운영되는 편도 4차로를 예로 하였다.
제 1 시나리오에 대응하는 교통량은 본선은 7,921vph, 유출은 475vph, 그리고 유입은 634vph로 설정될 수 있다. 이는 본선의 경우에는 시간당 7,921대의 차량이 통과하고, 유출 구간에서는 시간당 475대의 차량이 진출하며, 유입 구간에서는 시간당 634대의 차량이 진입하는 것으로 설정됨을 의미한다. 이러한 교통량 설정은 특정 도로 구간에서의 2019년 고속도로 평균 교통량을 기반으로 설정된 값이다.
제 1 시나리오에서의 차종 구성비는 일반 차량(Car)이 78.3%, 버스가 8.5%, 그리고 중화물 차량(HGV)이 13.2%인 조건으로 설정될 수 있다. 이는 2019년 오산 IC와 양재 IC 사이의 차종 구성비 데이터를 활용한 값이다. 그리고 이들 차량의 설계 속도는 버스와 일반 차량(Car)의 경우에는 99~121kph, 중화물 차량(HGV)은 81~99kph로 설정되었다. 제 1 시나리오 상에서 자율 주행차의 시장 점유율(MPR)은 0%에서 시작하여 10%씩 증가시는 방식으로 효율성 및 안전성이 계산될 수 있을 것이다.
제 2 시나리오는 전용 차로에는 버스와 자율 주행차가 혼재되어 운영되는 경우를 보여준다. 즉, 버스와 자율 주행차 모두가 전용 차로인 1차로를 사용할 수 있고, 일반 차량은 나머지 2 내지 4차로에서 운행되는 조건이다. 따라서, 제 2 시나리오에 따르면 일반 차량만이 전용 차로인 1차로에 진입할 수 없다. 제 2 시나리오에서도 차로 수는 도 2에 도시된 기하 조건에 따라 1차로만 전용 차로로 운용되는 편도 4차로를 예로 하였다.
제 2 시나리오에서의 교통량은 본선은 7,921vph, 유출은 475vph, 그리고 유입은 634vph로 설정될 수 있다. 이는 본선의 경우에는 시간당 7,921대의 차량이 통과하고, 유출 구간에서는 시간당 475대의 차량이 진출하며, 유입 구간에서는 시간당 634대의 차량이 진입하는 것으로 설정됨을 의미한다. 이러한 교통량 설정은 특정 도로 구간에서의 2019년 고속도로 평균 교통량을 기반으로 설정된 값이다.
제 2 시나리오에서의 차종 구성비는 일반 차량(Car)이 78.3%, 버스가 8.5%, 그리고 중화물 차량(HGV)이 13.2%인 조건으로 설정될 수 있다. 이는 2019년 오산 IC와 양재 IC 사이의 차종 구성비 데이터를 활용한 값이다. 그리고 이들 차량의 설계 속도는 버스와 일반 차량(Car)의 경우에는 99~121kph, 중화물 차량(HGV)은 81~99kph로 설정되었다. 제 2 시나리오 상에서 자율 주행차의 시장 점유율(MPR)은 0%에서 시작하여 10%씩 증가시는 방식으로 효율성 및 안전성이 계산될 수 있을 것이다. 이는 제 1 시나리오에서 설정된 값과 동일하다.
제 3 시나리오는 전용 차로에 자율 주행차만이 운행하고, 버스와 일반 차량은 나머지 3개의 일반 차로에서 운행하는 조건을 보여준다. 즉, 자율 주행차만 전용 차로인 1차로를 사용하고, 나머지 2 내지 4차로에 버스와 일반 차량이 운행되는 조건이다. 따라서, 제 3 시나리오에 따르면 버스나 일반 차량은 전용 차로인 1차로에 진입할 수 없다. 차로 수는 도 2에 도시된 기하 조건과 같이 1차로만 전용 차로로 운용되는 편도 4차로를 예로 하였다.
제 3 시나리오에서의 교통량은 본선은 7,921vph, 유출은 475vph, 그리고 유입은 634vph로 설정될 수 있다. 이는 본선의 경우에는 시간당 7,921대의 차량이 통과하고, 유출 구간에서는 시간당 475대의 차량이 진출하며, 유입 구간에서는 시간당 634대의 차량이 진입하는 것으로 설정됨을 의미한다. 이러한 교통량 설정은 특정 도로 구간에서의 2019년 고속도로 평균 교통량을 기반으로 설정된 값이다.
제 3 시나리오에서의 차종 구성비는 일반 차량(Car)이 78.3%, 버스가 8.5%, 그리고 중화물 차량(HGV)이 13.2%인 조건으로 설정될 수 있다. 이는 2019년 오산 IC와 양재 IC 사이의 차종 구성비 데이터를 활용한 값이다. 그리고 이들 차량의 설계 속도는 버스와 일반 차량(Car)의 경우에는 99~121kph, 중화물 차량(HGV)은 81~99kph로 설정되었다. 제 3 시나리오 상에서 자율 주행차의 시장 점유율(MPR)은 10%에서 시작하여 10%씩 증가시키는 방식으로 효율성 및 안전성이 계산될 수 있을 것이다. 이는 자율 주행차가 전용 차로에 운행하기 위한 조건을 충족하기 위해 자율 주행차의 시장 점유율(MPR)을 10% 이상에서 안전성과 효율성이 측정되어야 하기 때문이다. 더불어, 하지만, 자율 주행차의 시장 점유율(MPR)의 10%의 증가 스텝은 일 예에 불과하며, 다양한 증가 스텝(예를 들면, 2%, 5%, 15% 등)이 적용될 수 있음은 잘 이해될 것이다.
도 5는 본 발명의 차량 추종 모델(Car Following Model)을 예시적으로 보여주는 표이다. 도 5를 참조하면, 차량 추종 모델(Car Following Model)은 비자율 주행차(Non-AV)와 자율 주행차(AV) 각각에 대해서 상이한 값으로 제공될 수 있다.
차량 추종 모델(Car Following Model)의 파라미터들을 제공하기 위해 차량의 대표적인 교통류 시뮬레이터인 'VISSIM'을 활용하여 궤적 데이터를 수집할 수 있다. 그리고 차량의 거동은 'VISSIM'에 내장된 차량 추종 모델인 'Wiedemann 99 model'을 활용하여 제공될 수 있다. 'Wiedemann 99 model'에 따라, 비자율 주행차(Non-AV)인 일반 차량의 파라미터값은 'VISSIM 2020'의 디폴트 값으로, 자율 주행차(AV)는 'SAE Level 4'에 근거하여 제공된다.
파라미터(CC0)는 정지 거리(Standstill distance)로 정지되었을 때 두 차량의 바람직한 평균 거리(범퍼 간)를 설정하기 위한 값이다. 파라미터(CC1)는 차량이 일정 속도를 유지하기를 희망하는 차량간 간격을 시간차로 나타낸 값인 차두 시간(Headway time)을 의미한다. 파라미터(CC2)는 앞차와의 안전 거리에 이상으로 운전자가 허용할 수 있는 최대 추종 변동 값(Following variation)를 의미한다. 파라미터(CC3)는 앞차의 감속을 인식하고 감속을 시작한 후 안전거리에 도달하기 전까지의 시간(Threshold for entering 'Following')을 의미한다. 파라미터(CC4)는 앞차 추종시 속도 차에 대한 음의 최대 임계치(Negative Following Threshold)을 의미한다. 즉, 파라미터(CC4)는 앞차와 뒤차 간에 거리가 가까워질 때 속도를 제어하기 위한 파라미터이다. 파라미터(CC5)는 앞차 추종시 속도 차에 대한 양의 최대 임계치(Positive Following Threshold)를 의미한다. 즉, 파라미터(CC5)는 앞차와 뒤차 간에 거리가 멀어질 때 속도를 제어하기 위한 파라미터이다. 파라미터(CC6)는 앞차와 뒤차의 간격이 속도 변동에 미치는 영향(Speed dependency of Oscillation)을 의미하는 파라미터이다. 파라미터(CC6)가 큰 값을 갖는 경우, 거리의 증가에 따른 상대적으로 큰 속도 변동을 제공하게 될 것이다. 파라미터(CC7)는 앞차를 추종시 가·감속 절대값의 최소값(Oscillation acceleration)을 의미한다. 파라미터(CC8)는 정지 상태에서 가속 시 희망하는 가속도의 값(Standstill acceleration)을 의미한다. 파라미터(CC9)는 차량의 속도가 80kph인 상태에서 희망하는 가속도(Acceleration with 80kph)를 의미한다.
상술한 차량의 거동을 정의하는 파라미터들은 도시된 바와 같이 자율 주행차가 아닌 일반 차량(Non-AV)과 자율 주행차(AV)에 대해 상이하게 설정될 수 있다. 이러한 차량 추종 모델(Car Following Model)의 파라미터는 인간이 제어하는 경우와 기계가 제어하는 경우의 차량 반응이 다른 특성을 반영하기 위한 값들이다.
상술한 파라미터들을 적용하여 각 시나리오별, 자율 주행차의 시장 점유율(MPR)별 효율성과 안전성을 지시하는 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time), 그리고 충돌 위험 발생 횟수(TTC)가 계산될 수 있다.
먼저, 공간 평균 속도(Space Mean Speed)는 아래 수학식 1로 표현된다.

여기서, 'n'은 총 차량 대수, 'L'은 구간 거리, 't_i'는 차량(i)의 통행 시간, 'μ_i'는 차량(i)의 속도를 나타낸다. 상술한 수학식 1에 따르면, 공간 평균 속도는 일정 시간 동안 도로 구간(L)을 통과한 모든 차량들이 주행한 거리를 시간으로 나눈 평균 속도에 해당한다.
이어서, 평균 통행 시간(Average Travel Time: TT)은 아래 수학식 2로 표현될 수 있다.

평균 통행 시간(TT)은 도로의 교통류에서 효율성을 가늠하는 지표로 사용될 수 있다. 즉, 차량 하나가 해당하는 도로 구간을 통과하는데 소요되는 시간을 의미하는 것으로, 높은 평균 통행 시간(TT)은 도로의 비효율성을 의미한다.
더불어, 충돌 위험 발생 횟수(TTC)가 아래 수학식 3에 근거하여 계산될 수 있다.

여기서, 'V_i(t)'는 t 시점에서 선행 차량(i)의 속도, 'V_i-1(t)'은 후행 차량(i-1)의 속도, 'Gap'는 차두 거리, 그리고 'TTC^*'는 임계치를 의미한다. 충돌 위험 발생 횟수(TTC)는 선행 차량과 후행 차량의 차두 거리를 속도 차이로 나눈 값이다. 이는 차대차 안전성을 평가하는 지표로 사용될 수 있다. 충돌 위험 발생 횟수(TTC)의 임계치를 2초(sec)로 설정할 경우, 2초 이하의 충돌 위험 발생 횟수(TTC)는 선행 차량과 후행 차량의 상충이 발생한 것으로 판단될 수 있다.
도 6은 각 시나리오별 그리고 자율 주행차의 시장 점유율(MPR)별 공간 평균 속도(Space Mean Speed)를 표시한 그래프이다. 도 6을 참조하면, 공간 평균 속도는 자율 주행차의 시장 점유율(MPR)이 증가할수록 대체적으로 증가하는 것을 확인할 수 있다. 단지, 제 2 시나리오의 경우에는 시장 점유율(MPR)이 증가에 따라 일정 구간 동안은 공간 평균 속도가 증가하다가 그 이후에는 감소하는 경향을 보였다.
버스만이 전용 차로를 사용하는 제 1 시나리오에 따르면, 교통류의 효율성을 나타내는 공간 평균 속도는 지속적으로 증가하는 것으로 나타났다. 예를 들면, 자율 주행차의 시장 점유율(MPR)이 0%에서는 제 1 시나리오에 따른 공간 평균 속도는 약 92km/h로 나타난다. 그리고 자율 주행차의 시장 점유율(MPR)의 증가에 따라 공간 평균 속도도 직선과 유사한 경향으로 증가하는 것을 확인할 수 있다.
버스와 자율 주행차 모두가 전용 차로를 사용하는 제 2 시나리오에 따르면, 공간 평균 속도는 자율 주행차의 시장 점유율(MPR)의 증가에 따라 증가후 감소하는 경향을 보인다. 자율 주행차의 시장 점유율(MPR)이 0%에서는 제 2 시나리오에 따른 공간 평균 속도는 약 92km/h로 제 1 시나리오와 동일하다. 그리고 40%의 자율 주행차의 시장 점유율(MPR)까지는 공간 평균 속도도 증가한다. 자율 주행차의 시장 점유율(MPR)이 50% 이상인 경우에는 점차 공간 평균 속도도 감소하는 추세가 나타난다. 이러한 이유는, 하나의 전용 차로에 버스의 수는 일정하지만 과도하게 자율 주행차의 수가 증가하게 되었기 때문이다. 하나의 전용 차로에서 버스와 증가된 자율 주행차의 수에 의해서 정체가 발생한 것으로 해석될 수 있다.
자율 주행차만이 전용 차로를 사용하는 제 3 시나리오에 따르면, 공간 평균 속도는 자율 주행차의 시장 점유율(MPR)의 증가에 따라 증가하는 것으로 나타난다. 특히, 제 3 시나리오에서 공간 평균 속도는 자율 주행차의 시장 점유율(MPR)이 30% 이하인 경우에는 제 2 시나리오에 비해서 낮은 값으로 나타낸다. 하지만, 자율 주행차의 시장 점유율(MPR)이 30%를 초과하여 40% 이상인 경우부터는 제 3 시나리오에서 공간 평균 속도는 나머지 시나리오에서의 공간 평균 속도보다 훨씬 높게 나타남을 알 수 있다. 이는 공간 평균 속도에 있어서는 자율 주행차의 시장 점유율(MPR)이 40% 부터는 자율 주행차 전용 차로를 도입하는 것이 전용 차로 도입의 효율성을 위해 바람직함을 의미한다.
도 7은 평균 통행 시간(Average Travel Time)을 각 시나리오별 그리고 자율 주행차의 시장 점유율(MPR)별로 표시한 그래프이다. 도 7을 참조하면, 평균 통행 시간은 자율 주행차의 시장 점유율(MPR)이 증가할수록 대체적으로 감소하는 것으로 확인된다.
버스만이 전용 차로를 사용하는 제 1 시나리오에 따르면, 교통류의 효율성을 나타내는 평균 통행 시간(TT)은 자율 주행차의 시장 점유율(MPR)의 증가에 따라 일반적으로 감소하는 것으로 나타났다. 예를 들면, 자율 주행차의 시장 점유율(MPR)이 0%에서는 제 1 시나리오에 따른 평균 통행 시간(TT)은 약 360초로 나타난다. 그리고 자율 주행차의 시장 점유율(MPR)의 증가에 따라 평균 통행 시간(TT)은 점차적으로 감소하여, 90%의 시장 점유율(MPR)에서는 약 332초의 평균 통행 시간(TT)으로 나타났다. 이는 일반 차로에 자율 주행차와 일반 차량이 혼재하는 경우에는 자율 주행차의 시장 점유율(MPR)의 증가에 따라 교통류의 효율성이 높아짐을 의미한다.
버스와 자율 주행차 모두가 전용 차로를 사용하는 제 2 시나리오에 따르면, 평균 통행 시간(TT)은 자율 주행차의 시장 점유율(MPR)의 증가에 따라 감소하다가 다시 증가하는 경향을 보인다. 자율 주행차의 시장 점유율(MPR)이 0%에서는 제 2 시나리오에 따른 평균 통행 시간(TT)은 약 360초로 제 1 시나리오와 동일하다. 그리고 40%의 자율 주행차의 시장 점유율(MPR)까지는 평균 통행 시간(TT)도 감소하는 경향을 보인다. 하지만, 자율 주행차의 시장 점유율(MPR)이 50% 이상인 경우에는 점차 평균 통행 시간(TT)은 증가하는 추세가 나타난다. 이러한 이유는, 공간 평균 속도에서와 마찬가지로 하나의 전용 차로에 버스의 수는 일정하지만 과도하게 자율 주행차의 수가 증가했기 때문으로 유추된다. 즉, 하나의 전용 차로에서 버스와 증가된 자율 주행차의 수에 의해서 정체가 발생한 것으로 해석될 수 있다.
자율 주행차만이 전용 차로를 사용하는 제 3 시나리오에 따르면, 평균 통행 시간(TT)은 자율 주행차의 시장 점유율(MPR)의 증가에 따라 제 1 시나리오에 비하여 큰 기울기로 감소하는 것으로 나타난다. 특히, 제 3 시나리오에서 평균 통행 시간(TT)은 자율 주행차의 시장 점유율(MPR)이 30% 이하인 경우에는 제 2 시나리오에 비해서 큰 값으로 나타낸다. 하지만, 자율 주행차의 시장 점유율(MPR)이 30%를 초과하여 40% 이상인 경우부터는 제 3 시나리오에서 평균 통행 시간(TT)은 나머지 시나리오에서의 평균 통행 시간(TT)보다 훨씬 작게 나타남을 알 수 있다. 이는 평균 통행 시간(TT)에 있어서는 자율 주행차의 시장 점유율(MPR)이 40% 부터는 자율 주행차 전용 차로를 도입하는 것이 도로 효율성을 위해 바람직함을 의미한다.
도 8은 충돌 위험 발생 횟수(TTC)를 각 시나리오별 그리고 자율 주행차의 시장 점유율(MPR)별로 표시한 그래프이다. 도 8을 참조하면, 충돌 위험 발생 횟수(TTC)는 자율 주행차의 시장 점유율(MPR)이 증가에 따라 특정한 패턴을 나타낸다고 보기는 어렵다. 하지만, 자율 주행차의 시장 점유율(MPR)이 낮은 도입 초기에는 자율 주행차용 전용 차로에 의해서 안전성은 향상될 수 있을 것으로 보인다.
버스만이 전용 차로를 사용하는 제 1 시나리오에 따르면, 교통류의 안전성을 나타내는 충돌 위험 발생 횟수(TTC)는 자율 주행차의 시장 점유율(MPR)의 증가에 따라 증감하는 패턴이 반복적으로 나타났다. 예를 들면, 자율 주행차의 시장 점유율(MPR)이 0%에서는 제 1 시나리오에 따른 충돌 위험 발생 횟수(TTC)는 약 220회로 나타난다. 그리고 자율 주행차의 시장 점유율(MPR)의 증가에 따라 충돌 위험 발생 횟수(TTC)는 소폭의 증가 또는 소폭의 감소를 반복하다 90%의 시장 점유율(MPR)에서는 200회 미만을 감소하는 것으로 나타났다. 이는 일반 차로에 자율 주행차와 일반 차량이 혼재하는 경우에는 자율 주행차의 시장 점유율(MPR)의 증가에 따라 안전성에는 각별한 변화가 없는 것으로 해석될 수 있다.
버스와 자율 주행차 모두가 전용 차로를 사용하는 제 2 시나리오에 따르면, 충돌 위험 발생 횟수(TTC)는 자율 주행차의 시장 점유율(MPR)이 50% 이상에서 급격히 증가하는 경향을 보인다. 자율 주행차의 시장 점유율(MPR)이 0%에서는 제 2 시나리오에 따른 충돌 위험 발생 횟수(TTC)는 약 220회로 제 1 시나리오와 유사하게 나타난다. 그리고 40%의 자율 주행차의 시장 점유율(MPR)까지는 충돌 위험 발생 횟수(TTC)는 상대적으로 낮은 값으로 나타난다. 하지만, 자율 주행차의 시장 점유율(MPR)이 50% 이상인 경우에는 충돌 위험 발생 횟수(TTC)는 급격하게 증가하는 추세가 나타난다. 이러한 이유는, 공간 평균 속도에서와 마찬가지로 하나의 전용 차로에 버스의 수는 일정하지만 과도하게 자율 주행차의 수가 증가했기 때문으로 유추될 수 있다. 즉, 하나의 전용 차로에서 자율 주행차의 혼재로 인해 안전성이 급격히 악화된 것으로 해석될 수 있다.
자율 주행차만이 전용 차로를 사용하는 제 3 시나리오에 따르면, 충돌 위험 발생 횟수(TTC)는 자율 주행차의 시장 점유율(MPR)이 10%에 가장 높은 약 1100회로 나타난다. 이는 자율 주행차의 시장 점유율(MPR)이 10%인 경우, 일반 차로에 집중되어 충돌 가능성의 증가에 기인하는 것으로 해석될 수 있다. 하지만, 자율 주행차의 시장 점유율(MPR)이 10%를 초과하여 40% 이상인 경우부터는 제 3 시나리오에서 충돌 위험 발생 횟수(TTC)는 점차적으로 감소함는 것으로 나타났다. 이는 자율 주행차와 일반 차량이 분리되어 안전성이 향상된 것으로 해석될 수 있다. 하지만 자율 주행차의 시장 점유율(MPR)이 50%부터 안전성이 악화되었다. 이러한 이유는 자율 주행차의 교통량이 하나의 전용 차로에 집중되었기 때문이라 해석될 수 있다.
이상에서는 각 시나리오별 그리고 자율 주행차의 시장 점유율(MPR)별로 공간 평균 속도(Space Mean Speed), 평균 통행 시간(Average Travel Time), 그리고 충돌 위험 발생 횟수(TTC)의 변화를 설명하였다. 이러한 특성을 참조하여, 자율 주행차의 전용 차로 도입 시기와 차로 수와 같은 다양한 교통 정책을 설계할 수 있을 것이다.
도 9는 본 발명의 실시 예에 따른 자율 주행차의 시장 점유율(MPR)별 적용 가능한 최적 시나리오들을 간략히 보여주는 테이블이다. 도 6 내지 도 9를 참조하면, 자율 주행차의 시장 점유율(MPR)별 효율성 및 안전성을 제공하기 위한 최적 시나리오가 선택될 수 있다.
먼저, 효율성 측면에서 시나리오들을 고려하는 경우, 도 6 및 도 7의 그래프에서 자율 주행차의 시장 점유율(MPR)이 증가할수록 일반적으로는 효율성이 증가하였다. 즉, 공간 평균 속도는 증가하고 평균 주행 시간은 감소하는 경향이 나타났다. 하지만, 제 2 시나리오의 경우에서는 자율 주행차의 시장 점유율(MPR) 40%를 기점으로 효율성이 감소하였다. 즉, 제 2 시나리오에서 자율 주행차의 시장 점유율(MPR) 40%를 초과하면, 공간 평균 속도는 감소하고 평균 주행 시간은 증가하기 시작했다. 이는 자율 주행차의 시장 점유율(MPR)의 증가에 따라 전용 차로를 이용하는 교통량 증가 및 버스와 자율 주행차의 혼재 운영에 따른 정체 발생에 따른 것이다. 제 3 시나리오에서는 자율 주행차의 시장 점유율(MPR)이 증가함에 따라 전용 차로 이용 교통량이 증가하였지만 효율성이 감소되지 않았다. 이는 전용 차로에 자율 주행차만 운행되는 환경에서 군집 주행 효과를 극대화할 수 있어, 정체가 발생하지 않았기 때문이다.
자율 주행차의 시장 점유율(MPR) 10%에서 제 3 시나리오의 효율성이 가장 낮았는데, 이는 전용 차로 이용 교통량이 상대적으로 적으며, 일반 차로에 교통량이 상대적으로 많이 몰려있기 때문에 정체가 발생한 데 근거한다. 하지만, 자율 주행차의 운행에 따라 효율성이 일정하게 증가되었음을 확인할 수 있다. 또한, 자율 주행차가 전용 차로를 운행하는 경우(제 2 및 제 3 시나리오) 효율성 지표(공간 평균 속도 및 평균 주행 시간)는 더 바람직한 것으로 나타났다. 결론적으로, 교통류의 효율성을 위해서는 시장 점유율(MPR) 40% 미만에서는 제 2 시나리오를 적용하는 것이 바람직하다. 그리고 자율 주행차 시장 점유율(MPR) 40% 이상에서는 제 3 시나리오를 적용하는 것이 바람직함을 알 수 있다.
다음으로 안전성 측면에서 시나리오들을 고려하는 경우, 제 1 시나리오의 경우에는 충돌 위험 발생 횟수(TTC)는 자율 주행차 시장 점유율(MPR)에 따라 비규칙적 패턴이 도출되었다. 즉, 자율 주행차가 전용 차로를 사용하지 않는 경우에는 교통류의 안전성에는 크게 영향이 없는 것으로 추정할 수 있다. 제 2 시나리오의 경우, 자율 주행차의 도입 초기, 즉, 자율 주행차 시장 점유율(MPR)이 20% 이하에서는 안전성이 향상되었지만, 20%를 초과하면서 충돌 위험 발생 횟수(TTC)가 다시 증가하는 것으로 나타났다. 이는 버스와 자율 주행차의 혼재로 인해 안전성이 악화되었으며, 특히, 전용 차로의 용량 초과시 안전성이 급격히 악화되었음을 나타낸다. 제 3 시나리오에서는 도입 초기 일반 차로에 교통량이 집중된 것이 정체를 유발했기 때문에 안전성이 악화되었다. 자율 주행차 시장 점유율(MPR) 40%까지 위험 발생 횟수(TTC)가 감소하여 안전성이 향상되었다가, 이후에는 위험 발생 횟수(TTC)는 다시 증가하는 패턴을 보여준다. 하지만, 제 1 및 제 2 시나리오에 비해서 안전성의 악화는 미미한 편이다. 자율 주행차의 전용 차로 미도입 시(제 1 시나리오)보다 자율 주행차의 전용 차로 도입 시(제 2 및 제 3 시나리오)에는 자율 주행차의 시장 점유율(MPR) 80%까지 안전성 향상 효과를 확인하였다. 또한, 자율주행 전용차로 도입 시(제 2 및 제 3 시나리오), 시장 점유율(MPR)이 증가함에 따라 안전성이 향상되다가, 악화되는 일정한 패턴을 확인할 수 있다.
결론적으로, 시장 점유율(MPR)별 분석을 통한 효율성 및 안전성 최적 시나리오는 도시된 바와 같이 결정될 수 있다. 효율성 측면에서 자율 주행차의 도입 초기(MPR 40% 미만)에는 제 2 시나리오를 적용하고, 자율 주행차의 도입 중·후반기부터는 제 3 시나리오에 따라 전용 차로를 운영하는 것이 효과적이었다. 또한, 안전성 측면에서는 자율 주행차의 시장 점유율 30% 미만에서는 제 2 시나리오를 적용하고, 자율 주행차의 시장 점유율 30% 이상 80% 미만에서는 제 3 시나리오에 따라 전용 차로를 운영하는 것이 바람직한 것으로 나타났다. 그리고 자율 주행차의 시장 점유율 80% 이상에서는 버스만이 전용 차로를 사용하는 제 1 시나리오가 안전성 측면에서는 효과적이었다.
이상에서는 자율 주행차의 시장 점유율(MPR)별 효율성 및 안전성을 위한 시나리오별 분석 결과가 설명되었다. 본 발명의 분석 시스템(100)은 상술한 방식에 따라 자율 주행차의 시장 점유율(MPR)에 따른 시나리오별 안전성 및 효율성을 제공할 수 있다. 이를 통하여, 자율 주행차의 도입 단계별 최적의 자율 주행차 전용 차로 정책을 지원할 수 있을 것이다.
이상에서 기술된 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술된 실시 예들에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.Hereinafter, some embodiments of the present invention will be described in detail with reference to exemplary drawings. In adding reference numerals to components of each drawing, the same components may have the same reference numerals as much as possible even though they are indicated in different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description may be omitted.
1 is a block diagram exemplarily showing an analysis system for evaluating the influence of an autonomous vehicle on the introduction of an exclusive lane according to an embodiment of the present invention. Referring to FIG. 1 , the analysis system 100 for evaluating the impact of traffic flow due to the introduction of an autonomous vehicle includes a processor 110 , a RAM 130 , an input/output interface 150 , a storage 170 , and a system bus 190 . ) may be included. Here, the analysis system 100 may be configured as a dedicated device for performing analysis or simulation for traffic flow evaluation of the present invention, but exemplarily a computer or workstation for driving the autonomous vehicle-only lane analysis program 135 . it may be
The processor 110 executes software (application programs, operating systems, device drivers) to be executed in the analysis system 100 . The processor 110 will execute an operating system (OS, not shown) loaded into the RAM 130 . The processor 110 will execute various application programs to be driven based on an operating system (OS). For example, the processor 110 may execute the autonomous vehicle-only lane analysis program 135 loaded in the RAM 130 . The autonomous vehicle-only lane analysis program 135 of the present invention may process the provided car following model to analyze and evaluate the impact of traffic flow.
An operating system (OS) or application programs may be loaded into the RAM 130 . When the analysis system 100 is booted, the OS image (not shown) stored in the storage 170 will be loaded into the RAM 130 based on the booting sequence. All input/output operations of the analysis system 100 may be supported by the operating system (OS). Similarly, application programs selected by the user or may be loaded into the RAM 130 to provide basic services. In particular, the autonomous vehicle-only lane analysis program 135 of the present invention will also be loaded into the RAM 130 from the storage 170 . The RAM 130 may be a volatile memory such as a static random access memory (SRAM) or a dynamic random access memory (DRAM), or a non-volatile memory such as a PRAM, MRAM, ReRAM, FRAM, or NOR flash memory.
The autonomous vehicle-only lane analysis program 135 may perform an analysis or simulation operation to evaluate safety and efficiency according to a market share (Market Penetration Rate: hereinafter, MPR) of an autonomous vehicle according to an embodiment of the present invention. there is. The autonomous vehicle-only lane analysis program 135 analyzes the effects of each scenario according to the market share (MPR) of the autonomous vehicle based on the car following model (hereinafter, CFM) provided through the input/output interface 150 . can be performed. For a plurality of scenarios, the autonomous vehicle-only lane analysis program 135 may calculate a space mean speed and an average travel time to evaluate the efficiency. In addition, the autonomous vehicle-only lane analysis program 135 may calculate the number of times of collision risk (Time To Collision: hereinafter, TTC) in order to evaluate safety. The autonomous vehicle-only lane analysis program 135 calculates the market share (MPR) of the autonomous vehicle based on the calculated space mean speed, average travel time, and number of collision risk occurrences (TTC). It is possible to determine the optimal dedicated lane operation scenario for each. These features will be described in more detail with reference to the following drawings.
The input/output interface 150 controls user input and output from user interface devices. For example, the input/output interface 150 may include a keyboard or a monitor to receive commands or data from a user. Various parameters such as vehicle tracking model (CFM) used for driving the lane analysis program 135 for autonomous vehicles of the present invention, trajectory data of vehicles, and vehicle behavior or speed may be input through the input/output interface 150 . there is. Alternatively, the setting of the scenario according to the allocation of the dedicated lane may also be provided through the input/output interface 150 . In addition, the input/output interface 150 may display progress and processing results in each analysis operation of the analysis system 100 on a display (not shown).
The storage 170 is provided as a storage medium of the analysis system 100 . The storage 170 may store application programs, an operating system image, and various data. In addition, the storage 170 may store or update the

result data

172 , 174 , and 176 generated according to the driving of the autonomous vehicle-only lane analysis program 135 . The storage 170 may be provided as a memory card (MMC, eMMC, SD, MicroSD, etc.) or a hard disk drive (HDD). The storage 170 may include a NAND-type flash memory having a large-capacity storage capacity. Alternatively, the storage 170 may include a next-generation nonvolatile memory such as PRAM, MRAM, ReRAM, or FRAM or NOR flash memory.
The system bus 190 is a system bus for providing a network inside the analysis system 100 . The processor 110 , the RAM 130 , the input/output interface 150 , and the storage 170 may be electrically connected through the system bus 190 and exchange data with each other. However, the configuration of the system bus 190 is not limited to the above description, and may further include mediation means for efficient management.
According to the above description, the analysis system 100 may perform the evaluation of the impact of traffic flow on the road according to the market share of the autonomous vehicle according to the driving of the autonomous vehicle-only lane analysis program 135 . In particular, by utilizing the processing result of the analysis system 100 , it is possible to select an optimal autonomous vehicle-only lane allocation method that can ensure efficiency and safety according to the market share of the autonomous vehicle.
2 is a diagram schematically illustrating a geometric structure of a road for applying an exclusive lane for an autonomous vehicle according to the present invention. Referring to FIG. 2 , a one-way 4-lane road using a first lane as an exclusive lane for an autonomous vehicle or a bus may be adopted as the geometry of the road for the analysis of the present invention.
The spatial range of the road to which each scenario is applied can be set as a pre-outflow section of 4,000m, an outflow section of 400m, an inflow section of 400m, an inflow-outflow section of 400m, and a section after inflow of 4,000m. This geometric structure is similar to the domestic highway environment. For the traffic volume setting, the median value of 'Los E', which can cause congestion, is used to see the effect of installing a dedicated lane. Based on actual road data, the vehicle model composition ratio can be set as the 2019 vehicle model composition ratio of the Gyeongbu Expressway Osan IC to the southern end of Hannam Bridge, which is a section of the bus-only lane system.
FIG. 3 is a flowchart schematically illustrating a method of evaluating the impact of traffic flow on a road according to a market share of an autonomous vehicle, which is performed by the autonomous vehicle-only lane analysis program of FIG. 1 . Referring to FIG. 3 , the space mean speed and average travel time according to the market share of the autonomous vehicle for each scenario by the autonomous vehicle-only lane analysis program 135 (see FIG. 1 ) , and the number of collision risk occurrences (TTC) is calculated.
In step S110 , the analysis system 100 selects any one of a plurality of scenarios for the dedicated lane of the autonomous vehicle. For example, if a plurality of scenarios are applied to the evaluation simulation, the first scenario may be selected. Although various scenarios are applicable, hereinafter, for convenience of explanation, three scenarios will be assumed and described according to the type of vehicle to which the exclusive lane is applied. That is, the 'first scenario' is a case in which only a bus is allowed in a dedicated lane, and an autonomous vehicle and a general vehicle are mixed and operated in the remaining lanes. The 'second scenario' is a case in which both a bus and an autonomous vehicle are allowed in a dedicated lane. And the 'third scenario' corresponds to a case in which only autonomous vehicles have dedicated lanes.
In step S120, a car following model that can reflect the continuous traffic flow environment in the selected scenario environment is applied. Trajectory data can be provided by using 'VISSIM', a representative traffic flow simulator. Vehicle behavior can also utilize the 'Wiedemann 99 model', a vehicle tracking model built into 'VISSIM'. A parameter value applied to a general vehicle may be set based on a default value of 'VISSIM 2020'. And in the case of an autonomous vehicle, a Level 4 value suggested by the Society of Automotive Engineers (SAE) may be used.
In step S130, space mean speed, average travel time, and number of occurrences of risk of collision (TTC) are calculated for each market share (MPR) of the autonomous vehicle under the scenario conditions. Space mean speed and average travel time according to changes in the market share (MPR) of autonomous vehicles can be a measure of the efficiency of traffic flow according to the scenario. And, the number of collision risk occurrences (TTC) according to a change in the market share (MPR) of autonomous vehicles can provide a measure of safety in a given scenario.
In step S140 , it is determined whether the currently verified scenario is a final scenario among a plurality of scenarios. When it is determined that the calculation of the space mean speed, average travel time, and number of collision risk occurrences (TTC) for all scenarios is completed (yes direction), the procedure moves to step S150. . On the other hand, if there are additional subsequent scenarios remaining (No direction), the procedure moves to step S145 for selecting a subsequent scenario.
In step S145, the autonomous vehicle-only lane analysis program 135 calculates the space mean speed, average travel time, and number of collision risk occurrences (TTC) by market share (MPR) of the autonomous vehicle. ) to select a subsequent scenario for calculating Then, the procedure returns to step S120 for applying the vehicle following model. Through the iterative loop of steps S110 to S145, efficiency and safety indicators for each market share (MPR) of autonomous vehicles for all scenarios may be calculated.
In step S150 , the analysis system 100 compares and analyzes the efficiency and safety by market share (MPR) of the autonomous vehicle for each scenario. For example, the space mean speed, average travel time, and number of occurrences of collision risk (TTC) may be compared for each market share (MPR) for each of the scenarios. According to the comparison result, an evaluation for the efficiency or safety of road traffic is performed.
In step S160 , a best scenario for each market share (MPR) of the autonomous vehicle may be selected. For example, the analysis system 100 may select the scenario that provides the highest efficiency in a particular market share (MPR) of autonomous vehicles. Alternatively, the analysis system 100 may select the scenario with the highest safety in a specific market share (MPR) of autonomous vehicles. Alternatively, it may be possible to select a scenario that satisfies both safety and efficiency.
In the above, an analysis or simulation method for introducing a dedicated lane for each market share (MPR) of an autonomous vehicle by the analysis system 100 of the present invention has been described. Using the analysis method of the present invention, it is expected that an optimal dedicated lane operation policy for roads according to the increasing market share (MPR) of autonomous vehicles will be derived.
4 is a table exemplarily showing scenarios according to an embodiment of the present invention. Referring to FIG. 4 , various conditions for each scenario on a one-way four-lane highway having the geometry of FIG. 2 are briefly illustrated. Illustratively, in the following description, it is assumed that three scenarios are divided according to the type of vehicle allocated to the dedicated lane. However, it will be well understood that the number or type of scenarios can be variously changed according to road environment or driving conditions. For example, when the road condition is 6 lanes one way and the exclusive lane is allocated to a first lane and a second lane, more various scenarios may be proposed.
The first scenario shows a case in which only a bus is operated in the exclusive lane, and a mixture of autonomous driving and general vehicles are operated in the remaining three general lanes. That is, it is a condition that only buses use lane 1, which is a dedicated lane, and autonomous vehicles and general vehicles are operated in the remaining 2 to 4 lanes. Accordingly, according to the first scenario, the autonomous vehicle cannot enter the first lane, which is a dedicated lane. As for the number of lanes, a one-way 4-lane operated as an exclusive lane for only one lane according to the geometric condition shown in FIG. 2 was taken as an example.
The traffic volume corresponding to the first scenario may be set to 7,921vph for the main line, 475vph for the outflow, and 634vph for the inflow. This means that 7,921 vehicles per hour pass through the main line, 475 vehicles enter per hour in the outflow section, and 634 vehicles enter per hour in the inflow section. This traffic volume setting is a value set based on the 2019 average highway traffic volume in a specific road section.
The vehicle model composition ratio in the first scenario may be set as a condition that a general vehicle (Car) is 78.3%, a bus is 8.5%, and a heavy cargo vehicle (HGV) is 13.2%. This is a value using the vehicle model composition ratio data between Osan IC and Yangjae IC in 2019. And the design speed of these vehicles was set at 99~121kph for buses and general vehicles (Car), and 81~99kph for heavy cargo vehicles (HGV). In the first scenario, efficiency and safety may be calculated in such a way that the market share (MPR) of autonomous vehicles starts at 0% and increases by 10%.
The second scenario shows a case in which a bus and an autonomous vehicle are mixed and operated in a dedicated lane. That is, it is a condition that both the bus and the autonomous vehicle can use the first lane, which is a dedicated lane, and the general vehicle operates on the remaining 2 to 4 lanes. Accordingly, according to the second scenario, only general vehicles cannot enter the first lane, which is the exclusive lane. In the second scenario, the number of lanes is an example of a one-way 4-lane operating as an exclusive lane only for the first lane according to the geometric condition shown in FIG. 2 .
In the second scenario, the traffic volume may be set at 7,921 vph for the main line, 475 vph for the outflow, and 634 vph for the inflow. This means that 7,921 vehicles per hour pass through the main line, 475 vehicles enter per hour in the outflow section, and 634 vehicles enter per hour in the inflow section. This traffic volume setting is a value set based on the 2019 average highway traffic volume in a specific road section.
In the second scenario, the vehicle model composition ratio may be set under the condition that a general vehicle (Car) is 78.3%, a bus is 8.5%, and a heavy cargo vehicle (HGV) is 13.2%. This is a value using the vehicle model composition ratio data between Osan IC and Yangjae IC in 2019. And the design speed of these vehicles was set at 99~121kph for buses and general vehicles (Car), and 81~99kph for heavy cargo vehicles (HGV). In the second scenario, efficiency and safety may be calculated in such a way that the market share (MPR) of autonomous vehicles starts at 0% and increases by 10%. This is the same as the value set in the first scenario.
The third scenario shows the condition that only autonomous vehicles operate on the dedicated lanes, and buses and general vehicles operate on the remaining three general lanes. That is, it is a condition that only autonomous vehicles use the first lane, which is a dedicated lane, and buses and general vehicles are operated on the remaining 2 to 4 lanes. Accordingly, according to the third scenario, a bus or general vehicle cannot enter the first lane, which is an exclusive lane. As for the number of lanes, as in the geometric condition shown in FIG. 2 , a one-way 4-lane operated as an exclusive lane for only one lane was taken as an example.
The traffic volume in the third scenario may be set at 7,921 vph for the main line, 475 vph for the outflow, and 634 vph for the inflow. This means that 7,921 vehicles per hour pass through the main line, 475 vehicles enter per hour in the outflow section, and 634 vehicles enter per hour in the inflow section. This traffic volume setting is a value set based on the 2019 average highway traffic volume in a specific road section.
The vehicle model composition ratio in the third scenario may be set under the condition that a general vehicle (Car) is 78.3%, a bus is 8.5%, and a heavy cargo vehicle (HGV) is 13.2%. This is a value using the vehicle model composition ratio data between Osan IC and Yangjae IC in 2019. And the design speed of these vehicles was set at 99~121kph for buses and general vehicles (Car), and 81~99kph for heavy cargo vehicles (HGV). In the third scenario, the efficiency and safety could be calculated in such a way that the market share (MPR) of autonomous vehicles starts at 10% and increases by 10%. This is because safety and efficiency must be measured at a market share (MPR) of 10% or more for autonomous vehicles in order to meet the conditions for autonomous vehicles to operate in dedicated lanes. In addition, however, the step of increasing the market share (MPR) of autonomous vehicles by 10% is only an example, and it is well understood that various increasing steps (eg, 2%, 5%, 15%, etc.) can be applied. will be understood
5 is a table exemplarily showing a car following model of the present invention. Referring to FIG. 5 , a car following model may be provided as a different value for each of a non-autonomous driving vehicle (Non-AV) and an autonomous driving vehicle (AV).
In order to provide parameters of the Car Following Model, trajectory data can be collected by using 'VISSIM', a representative traffic flow simulator of the vehicle. In addition, the vehicle behavior can be provided by using the 'Wiedemann 99 model', a vehicle tracking model built into the 'VISSIM'. According to the 'Wiedemann 99 model', the parameter value of a general vehicle that is a non-autonomous driving vehicle (Non-AV) is the default value of 'VISSIM 2020', and the autonomous driving vehicle (AV) is provided based on 'SAE Level 4' .
The parameter CC0 is a value for setting a desirable average distance (between bumpers) of two vehicles when stopped at a standstill distance. The parameter CC1 refers to a headway time, which is a value representing an interval between vehicles at which the vehicle desires to maintain a constant speed as a time difference. The parameter CC2 means the maximum following variation that the driver can allow beyond the safe distance from the vehicle in front. The parameter (CC3) means the time (Threshold for entering 'Following') until reaching a safe distance after recognizing the deceleration of the vehicle in front and starting deceleration. The parameter CC4 means the negative following threshold for the speed difference when following the vehicle in front. That is, the parameter CC4 is a parameter for controlling the speed when the distance between the vehicle in front and the vehicle in front approaches. The parameter CC5 means a positive following threshold for a speed difference when following a vehicle in front. That is, the parameter CC5 is a parameter for controlling the speed when the distance between the vehicle ahead and the vehicle behind increases. The parameter CC6 is a parameter indicating the effect (Speed dependency of oscillation) of the distance between the vehicle ahead and the vehicle behind. If the parameter CC6 has a large value, it will provide a relatively large speed variation with increasing distance. The parameter CC7 means the minimum value of the absolute value of acceleration/deceleration (Oscillation acceleration) when following the vehicle in front. The parameter CC8 means a value of a desired acceleration when accelerating from a standstill (Standstill acceleration). The parameter CC9 refers to a desired acceleration with 80 kph in a state where the vehicle speed is 80 kph.
As illustrated, the parameters defining the above-described behavior of the vehicle may be set differently for a non-autonomous vehicle (Non-AV) and an autonomous vehicle (AV). The parameters of such a vehicle following model are values for reflecting characteristics of different vehicle responses between the case of human control and the case of machine control.
By applying the above parameters, the space mean speed, average travel time, and number of collision risk occurrences ( TTC) can be calculated.
First, the space mean speed is expressed by Equation 1 below.

Here, 'n' is the total number of vehicles, 'L' is the section distance, 't _i ' is the travel time of the vehicle (i), and 'μ _i ' is the speed of the vehicle (i). According to Equation 1 described above, the spatial average speed corresponds to the average speed obtained by dividing the distance traveled by all vehicles passing through the road section L for a predetermined time by the time.
Subsequently, the average travel time (TT) may be expressed by Equation 2 below.

The average travel time (TT) can be used as an indicator of efficiency in the traffic flow of the road. That is, it means the time it takes for one vehicle to pass through the corresponding road section, and a high average travel time (TT) means road inefficiency.
In addition, the number of occurrences of the risk of collision (TTC) may be calculated based on Equation 3 below.

Here, 'V _i (t)' is the speed of the preceding vehicle (i) at time t, 'V _i-1 (t)' is the speed of the following vehicle (i-1), 'Gap' is the head distance, and ' TTC ^* ' means threshold. The number of collision risk occurrences (TTC) is a value obtained by dividing the head distance between the preceding vehicle and the following vehicle by the speed difference. This can be used as an index to evaluate vehicle-to-vehicle safety. When the threshold of the number of occurrences of the risk of collision (TTC) is set to 2 seconds (sec), the number of occurrences of the risk of collision (TTC) of 2 seconds or less may be determined as a collision between the preceding vehicle and the following vehicle.
6 is a graph showing the space mean speed for each scenario and for each market share (MPR) of autonomous vehicles. Referring to FIG. 6 , it can be seen that the spatial average speed generally increases as the market share (MPR) of the autonomous vehicle increases. However, in the case of the second scenario, as the market share (MPR) increased, the spatial average speed increased for a certain period and then decreased thereafter.
According to the first scenario in which only buses use dedicated lanes, the spatial average speed, which represents the efficiency of traffic flow, is found to continuously increase. For example, when the market share (MPR) of the autonomous vehicle is 0%, the spatial average speed according to the first scenario appears to be about 92 km/h. In addition, it can be seen that the spatial average speed also increases in a straight line as the market share (MPR) of autonomous vehicles increases.
According to the second scenario in which both buses and autonomous vehicles use dedicated lanes, the spatial average speed tends to increase and then decrease as the market share (MPR) of autonomous vehicles increases. When the market share (MPR) of the autonomous vehicle is 0%, the spatial average speed according to the second scenario is about 92 km/h, which is the same as that of the first scenario. And up to 40% autonomous vehicle market share (MPR), the spatial average speed also increases. When the market share (MPR) of autonomous vehicles is 50% or more, the spatial average speed also tends to decrease gradually. The reason for this is that although the number of buses in one dedicated lane is constant, the number of autonomous vehicles has increased excessively. It can be interpreted as congestion caused by the increased number of buses and autonomous vehicles in one dedicated lane.
According to the third scenario, where only autonomous vehicles use dedicated lanes, the spatial average speed appears to increase with an increase in the market share (MPR) of autonomous vehicles. In particular, in the third scenario, when the market share (MPR) of the autonomous vehicle is 30% or less, the spatial average speed is shown as a lower value than in the second scenario. However, when the market share (MPR) of autonomous vehicles exceeds 30% and exceeds 40%, it can be seen that the spatial average velocity in the third scenario is much higher than the spatial average velocity in the remaining scenarios. This means that, in terms of spatial average speed, it is desirable to introduce an exclusive lane for autonomous vehicles when the market share (MPR) of autonomous vehicles is 40% for the efficiency of the introduction of dedicated lanes.
7 is a graph showing the average travel time for each scenario and for each autonomous vehicle market share (MPR). Referring to FIG. 7 , it is confirmed that the average travel time generally decreases as the market share (MPR) of autonomous vehicles increases.
According to the first scenario, where only buses use dedicated lanes, the average travel time (TT), which represents the efficiency of traffic flow, generally decreases with the increase in the market share (MPR) of autonomous vehicles. For example, when the market share (MPR) of autonomous vehicles is 0%, the average travel time (TT) according to the first scenario appears to be about 360 seconds. And with the increase in the market share (MPR) of autonomous vehicles, the average travel time (TT) gradually decreased, resulting in an average travel time (TT) of about 332 seconds at a market share (MPR) of 90%. This means that when autonomous vehicles and general vehicles are mixed in a general lane, the efficiency of traffic flow increases as the market share (MPR) of autonomous vehicles increases.
According to the second scenario, where both buses and autonomous vehicles use dedicated lanes, the average travel time (TT) tends to decrease and then increase again as the market share (MPR) of autonomous vehicles increases. When the market share (MPR) of the autonomous vehicle is 0%, the average travel time (TT) according to the second scenario is about 360 seconds, which is the same as that of the first scenario. And the average travel time (TT) also tends to decrease until the market share (MPR) of autonomous vehicles of 40%. However, when the market share (MPR) of autonomous vehicles is 50% or more, the average travel time (TT) gradually increases. The reason for this is inferred that although the number of buses in one dedicated lane is constant, as in the spatial average speed, the number of autonomous vehicles has increased excessively. That is, it can be interpreted that congestion occurred due to the increased number of buses and autonomous vehicles in one dedicated lane.
According to the third scenario in which only autonomous vehicles use dedicated lanes, the average travel time (TT) appears to decrease with a large slope compared to the first scenario as the market share (MPR) of autonomous vehicles increases. In particular, in the third scenario, when the market share (MPR) of the autonomous vehicle is 30% or less, the average travel time (TT) is larger than that in the second scenario. However, when the market share (MPR) of autonomous vehicles exceeds 30% and exceeds 40%, it can be seen that the average travel time (TT) in the third scenario is much smaller than the average travel time (TT) in the remaining scenarios. there is. This means that in terms of average travel time (TT), it is desirable for road efficiency to introduce a lane dedicated to autonomous vehicles from 40% of the market share (MPR) of autonomous vehicles.
8 is a graph showing the number of collision risk occurrences (TTC) for each scenario and for each autonomous vehicle market share (MPR). Referring to FIG. 8 , it is difficult to see that the number of occurrences of the risk of collision (TTC) shows a specific pattern as the market share (MPR) of the autonomous vehicle increases. However, in the early stages of introduction, when the market share (MPR) of autonomous vehicles is low, safety can be improved by using dedicated lanes for autonomous vehicles.
According to the first scenario in which only buses use the exclusive lane, the number of collision risk occurrences (TTC), which indicates the safety of traffic flow, repeatedly increases and decreases as the market share (MPR) of autonomous vehicles increases. For example, when the market share (MPR) of the autonomous vehicle is 0%, the number of collision risk occurrences (TTC) according to the first scenario appears about 220 times. And, as the market share (MPR) of autonomous vehicles increases, the number of occurrences of collision risk (TTC) repeats a slight increase or a slight decrease, but at a market share of 90% (MPR), it was found to decrease less than 200 times. This can be interpreted as that there is no significant change in safety due to an increase in the market share (MPR) of autonomous vehicles when autonomous vehicles and ordinary vehicles are mixed in a general lane.
According to the second scenario, where both buses and autonomous vehicles use dedicated lanes, the number of occurrences of collision risk (TTC) tends to increase sharply when the market share (MPR) of autonomous vehicles is 50% or more. When the market share (MPR) of the autonomous vehicle is 0%, the number of collision risk occurrences (TTC) according to the second scenario is about 220, similar to the first scenario. And, the number of occurrences of collision risk (TTC) appears to be relatively low until the market share (MPR) of autonomous vehicles of 40%. However, when the market share (MPR) of autonomous vehicles is 50% or more, the number of occurrences of collision risk (TTC) tends to increase rapidly. The reason for this can be inferred that although the number of buses in one dedicated lane is constant as in the spatial average speed, the number of autonomous vehicles has increased excessively. That is, it can be interpreted that safety is rapidly deteriorated due to the coexistence of autonomous vehicles in one dedicated lane.
According to the third scenario in which only autonomous vehicles use dedicated lanes, the number of collision risk occurrences (TTC) is approximately 1100, with the market share (MPR) of autonomous vehicles the highest at 10%. This can be interpreted as due to an increase in the likelihood of collisions concentrated in general lanes when the market share (MPR) of autonomous vehicles is 10%. However, when the market share (MPR) of autonomous vehicles exceeds 10% and exceeds 40%, the number of collision risk occurrences (TTC) in the third scenario gradually decreases. This can be interpreted as improved safety as the autonomous vehicle and the general vehicle are separated. However, safety deteriorated from the 50% market share (MPR) of autonomous vehicles. This reason can be interpreted as the traffic volume of autonomous vehicles is concentrated on one dedicated lane.
In the above, changes in space mean speed, average travel time, and number of collision risk occurrences (TTC) were explained for each scenario and for each market share (MPR) of autonomous vehicles. By referring to these characteristics, it will be possible to design various traffic policies such as the introduction period and number of lanes for exclusive use of autonomous vehicles.
9 is a table briefly showing applicable optimal scenarios for each market share (MPR) of an autonomous vehicle according to an embodiment of the present invention. 6 to 9 , an optimal scenario for providing efficiency and safety for each market share (MPR) of an autonomous vehicle may be selected.
First, when scenarios are considered in terms of efficiency, in the graphs of FIGS. 6 and 7 , as the market share (MPR) of the autonomous vehicle increases, the efficiency generally increases. That is, the spatial average speed increased and the average travel time decreased. However, in the case of the second scenario, the efficiency decreased starting from the 40% market share (MPR) of autonomous vehicles. That is, in the second scenario, when the market share (MPR) of autonomous vehicles exceeds 40%, the spatial average speed decreases and the average driving time begins to increase. This is due to the increase in the amount of traffic using exclusive lanes as the market share (MPR) of autonomous vehicles increases, and congestion due to the mixed operation of buses and autonomous vehicles. In the third scenario, as the market share (MPR) of autonomous vehicles increased, the traffic volume using the dedicated lane increased, but the efficiency did not decrease. This is because the platoon driving effect can be maximized in an environment where only autonomous vehicles are operated on dedicated lanes, and congestion does not occur.
At a market share (MPR) of 10% for autonomous vehicles, the third scenario had the lowest efficiency, which is based on the fact that there is relatively little traffic in dedicated lanes and congestion due to relatively high traffic on regular lanes. . However, it can be seen that the efficiency is constantly increased according to the operation of the autonomous vehicle. In addition, it was found that efficiency indicators (space average speed and average driving time) were more desirable when the autonomous vehicle operated in a dedicated lane (scenarios 2 and 3). In conclusion, for the efficiency of traffic flow, it is desirable to apply the second scenario when the market share (MPR) is less than 40%. And it can be seen that it is desirable to apply the third scenario in the autonomous vehicle market share (MPR) of 40% or more.
Next, when considering scenarios in terms of safety, in the case of the first scenario, an irregular pattern was derived for the number of collision risk occurrences (TTC) according to the autonomous vehicle market share (MPR). That is, when the autonomous vehicle does not use the dedicated lane, it can be estimated that the safety of the traffic flow is not significantly affected. In the case of the second scenario, in the early stage of the introduction of autonomous vehicles, that is, when the autonomous vehicle market share (MPR) is less than 20%, safety is improved, but when it exceeds 20%, the number of collision risk occurrences (TTC) increases again. appear. This indicates that safety deteriorated due to the mixture of buses and autonomous vehicles, and in particular, safety deteriorated rapidly when the capacity of the dedicated lane was exceeded. In the third scenario, safety deteriorated because the concentration of traffic on the general lane at the beginning of the introduction caused congestion. Safety improved by reducing the number of occurrences of danger (TTC) up to 40% of the autonomous vehicle market share (MPR), and after that, the number of occurrences of danger (TTC) shows a pattern that increases again. However, the deterioration of safety is insignificant compared to the first and second scenarios. The safety improvement effect was confirmed by up to 80% of the market share (MPR) of autonomous vehicles when the exclusive lanes for autonomous vehicles were introduced (scenarios 2 and 3) than when the dedicated lanes for autonomous vehicles were not introduced (scenario 1). . In addition, when introducing autonomous driving lanes (scenarios 2 and 3), it is possible to confirm a certain pattern in which safety improves and then deteriorates as the market share (MPR) increases.
In conclusion, the optimal scenario for efficiency and safety through analysis by market share (MPR) can be determined as shown. In terms of efficiency, it was effective to apply the second scenario at the initial stage of the introduction of autonomous vehicles (MPR less than 40%), and to operate exclusive lanes according to the third scenario from the middle and late stages of the introduction of autonomous vehicles. In addition, in terms of safety, it is desirable to apply the second scenario when the market share of autonomous vehicles is less than 30%, and operate the dedicated lane according to the third scenario when the market share of autonomous vehicles is 30% or more and less than 80%. And with a market share of 80% or more for autonomous vehicles, the first scenario in which only buses use dedicated lanes was effective in terms of safety.
In the above, the analysis results for each scenario for efficiency and safety by market share (MPR) of autonomous vehicles have been described. The analysis system 100 of the present invention may provide safety and efficiency for each scenario according to the market share (MPR) of the autonomous vehicle according to the above-described method. Through this, it will be possible to support the optimal autonomous vehicle-only lane policy for each stage of autonomous vehicle introduction.
The contents described above are specific embodiments for carrying out the present invention. The present invention will include not only the above-described embodiments, but also simple design changes or easily changeable embodiments. In addition, the present invention will include techniques that can be easily modified and implemented using the embodiments. Therefore, the scope of the present invention should not be limited to the above-described embodiments, but should be defined by the claims described below as well as the claims and equivalents of the present invention.

Claims

In the analysis method for an autonomous vehicle-only lane of an analysis system that analyzes the impact of traffic flow:
generating a plurality of scenarios according to whether an autonomous vehicle or a bus is allocated to a dedicated lane in a road section;
applying a car following model capable of reflecting a continuous traffic flow environment in the road section in each environment of the plurality of scenarios;
calculating a space mean speed, an average travel time, and a number of collision risk occurrences (TTC) for each market share of the autonomous vehicle in each environment of the plurality of scenarios; And
selecting a scenario corresponding to the market share of the autonomous vehicle based on the calculated Space Mean Speed, Average Travel Time, and the number of occurrences of collision risk (TTC) including,
The plurality of scenarios include a first scenario in which the first lane of the road section is operated as a bus-only lane, a second scenario in which the first lane is operated as an exclusive lane for buses and autonomous vehicles, and the first lane including the third scenario of operating as a lane dedicated to autonomous vehicles,
The time to collision corresponds to the number of times the value obtained by dividing the head distance between the preceding vehicle and the following vehicle by the speed difference between the preceding vehicle and the following vehicle in the road section during the reference time appears to be less than 2 seconds analysis method.

delete

The method of claim 1,
The spatial average speed corresponds to a harmonic average value obtained by dividing a distance traveled by all vehicles passing through the road section for a predetermined time by the predetermined time.

The method of claim 1,
The average travel time (Average Travel Time) is an analysis method corresponding to an arithmetic average value obtained by dividing the sum of the times during which a plurality of vehicles pass through the road section by the number of the plurality of vehicles.

delete