[ Article ]

Transactions of The Korean Society of Automotive Engineers - Vol. 26, No. 6, pp.773-782

ISSN: 1225-6382 (Print) 2234-0149 (Online)

Print publication date 01 Nov 2018

Received 24 Apr 2018 Revised 27 Jun 2018 Accepted 16 Aug 2018

DOI: https://doi.org/10.7467/KSAE.2018.26.6.773

V2V기반 위험 차량 판별 및 충돌 방지 알고리즘

정수현

; 김주희

; 안창선^*

부산대학교 기계공학부

V2V Based Vehicle Detection and Collision Avoidance Algorithm

Suhyun Jeong

; Juhui Gim

; Changsun Ahn^*

School of Mechanical Engineering, Pusan National University, Busan 46241, Korea

Correspondence to: ^*E-mail: sunahn@pusan.ac.kr

* This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License(http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium provided the original work is properly cited.

Abstract

Active safety features using environmental sensors, such as the camera and radar, significantly improved vehicle safety by preventing possible errors of the ego-vehicle. However, they do not actively prevent the accident caused by other vehicles’ mistakes, which are in different lanes or intersections. This is due to the limitations of the detection range and the accuracy of the environmental sensors. Vehicle-to-vehicle communication can provide more signals with a wider scope than the environmental sensors. Thanks to these properties of vehicle-to-vehicle communication, new and advanced active safety features can be developed. This paper presents an algorithm that can detect vehicle risks and prevent possible accidents not only in the same lane, but also in different lanes or in an intersection.

Keywords:

Vehicle to vehicle communication, Risky vehicle detection, Collision avoidance

키워드:

차대차 통신, 위험차량판별, 충돌 방지

1. 서 론

국내에서 차량의 안전성에 대한 규제가 도입되고 신차 안전성 평가 및 소비자 니즈 등에 의해 ADAS(Advanced Driver Assistance Systems)의 장착이 보편화되면서 안전 시스템의 성능 개선 및 충돌 회피 기능의 개발에 대한 필요성이 증가하고 있다. 특히 2020년 이후 EURO NCAP에서 Cross 및 Turning 충돌 예방 시스템 적용이 확정되어 전후 방향 차량 안정성 뿐만 아니라 좌우 등을 포함한 차량 전방향에 대한 충돌 안전 시스템에 대한 시장이 확장될 전망이다.¹⁾ 사고 통계에서도 차량 전방향에 대한 충돌 안전 시스템의 중요성은 확인할 수 있다. 경찰청 자료에 따르면 2015년 차대차 사고 중 종 방향 충돌(36.3 %)에 비해 측･후면 충돌(63.6 %)이 두 배 가량 발생하였고, 사고율 대비 사망자 수가 각각 46.6 %, 53.4 %를 기록하였다.²⁾

AEB(Autonomous Emergency Braking)와 같이 기존에 나와 있는 차량 충돌 방지 및 회피 시스템은 차량의 종 방향 위험 요소는 감지하여 사고를 회피하도록 유도하지만, 측･후방 위험 요소들에 대해서는 대응 불가하다. 측면 및 후방에 대한 ADAS 시스템인 LDWS(Lane Departure Warning System) BSD (Blind Spot Detection) 및 LKAS(Lane Keeping Assist System) 역시 경고 혹은 주행 차선 유지 등 가해 차량으로서의 사고 유발을 방지하는 소극적인 대응 시스템으로서 적극적인 제어를 통한 능동 회피 역할을 하지 못하며 탐지 범위 또한 제한적이다.

현재 차량에 장착되어 판매되는 충돌 탐지 및 방지 기능은 카메라와 레이더와 같은 환경 센서를 기반하여 작동한다.⁴⁾ 환경 센서를 통해 얻어지는 정보는 탐지 조건, 범위, 종류의 한계가 존재하고, 단일 종류의 센서만으로는 신뢰성 있는 정보의 확보가 어렵다. 또한, 환경 센서들은 가시선(Line of sight)이 확보되지 않는 환경(폭우, 폭설, 역광)에서 신뢰성이 보장되지 않는다.⁵⁾ 여러 환경 센서를 융합하여 탐지 및 판단을 하는 방법은 비용과 기술적 문제로 모든 상황에 대하여 인간과 같은 판단을 할 수 없다. 환경 센서 기반 정보는 상대차량 운전자의 의도를 직접적으로 측정하지 못하고, 운전자 의도의 결과가 차량의 동적 운동을 통하여 발현된 값만을 측정하므로 인식이 늦다는 단점 또한 존재한다.

반면, 최근에 V2X(Vehicle to Everything) 통신의 일종인 V2V(Vehicle to Vehicle) 통신은 환경 센서로 측정하지 못하는 차량의 정보를 제공한다. V2V 정보는 Table 1에 제시된 것처럼, 반응이 느린 차량 동역학을 통과하지 않고 운전자의 의도를 내포하는 정보인 조향각, 브레이크 상태 값들을 직접 제공할 수 있으므로 주변 차량의 움직임을 환경 센서보다 훨씬 앞서 예측이 가능하다. 또한 시야가 확보되지 않는 경우에도 환경 센서와는 달리 주변 정보 획득 가능하다. 이런 V2V 통신을 차량 안전 향상 측면에서 이용하려는 연구가 활발하다. 운전자의 부주의 상태를 추정하여 이 정보를 주변 차량에 전송해주는 연구,^6,7) 주변 차량 정보를 활용한 MPC 기반의 다중 충돌 방지 알고리즘을 개발하는 연구,⁸⁾ 사각지대에 위치한 차량의 충돌을 예측하거나 위험을 주변차에 알리는 연구^9-11) 등이 존재한다.

Table 1

V2V Basic safety message Part I3)

본 연구는 V2V통신을 통하여 획득할 수 있는 주변 차량의 위치 및 속도 등의 정보를 이용하여 자차 주변의 위험 차량을 판별하고 충돌을 회피 및 사고 저감하는 알고리즘 개발을 목표로 한다. 제안하는 알고리즘의 작동 구조는 Fig. 1과 같다.

Fig. 1

The flow chart of collision avoidance algorithm

이 후 논문의 구성은 다음과 같다. 2장에서 V2V 신호를 이용하여 자 차량 주변의 위험차량을 판별하는 알고리즘에 대하여 설명한다. 3장에서는 판별된 위험차량에 대한 충돌 방지 알고리즘을 소개한다. 4장에서는 기존의 환경 센서 기반 충돌 방지 시스템으로 회피하지 못하는 몇 가지 대표적인 사고 시나리오를 포함하여 몇 가지 사고 사례를 기반으로 한 시뮬레이션 결과를 소개하고, 5장에서 결론을 맺도록 하겠다.

2. V2V 기반 위험 차량 판별 알고리즘

자 차량 주위에는 수많은 주변 차량들이 존재한다. 주변 차량들의 모든 정보를 받아 사고를 예측할 경우 과도한 정보량으로 인해 연산 속도 및 시스템 성능이 떨어질 수 있다. 따라서 불필요한 정보 습득을 줄이기 위해 주변 차량 중 위험 차량을 도출하여 해당 차량 위주로 상세 정보를 받는 것이 필요하다. 해당 논문에서 설계한 알고리즘은 V2V 통신이 모든 차량에 탑재되어 있다는 조건 하에 구현되었다. 해당 알고리즘 동작 순서는 1) 관심영역 설정 및 영역 내 차량 인식 2) 영역 내 차량 중 위험 차량 도출 두 단계로 진행된다.

2.1 관심영역 설정 및 영역 내 차량 인식

V2V 통신의 이론적인 유효 범위는 반경 1 km 이상이나 주변 환경에 의해 실제적으로는 수백 m 내로 제한된다. 하지만 V2V 통신 범위 내의 모든 차량을 대상으로 위험 차량 여부를 조사한다면 계산 및 저장장치 자원낭비가 크다. 따라서 자 차에 위험을 가할 수 있는 범위를 제한하여 이를 관심영역으로 지정하여 이 영역 내 차량만 조사하도록 알고리즘을 개발하였다. 관심영역은 Fig. 2와 같이 자 차량의 속도를 기반으로 타원으로 생성하였다.

Fig. 2

The interested area to detect a dangerous vehicle

특정 차량이 관심영역 내 존재하는 지 여부는 Fig. 3과 같이 차량의 네 모서리가 하나라도 관심영역 내에 있는지 검사하여 판단하였다. 각 차량의 네 모서리 정보는 V2V통신을 통하여 주변차량의 무게 중심과 전폭 및 전장 정보는 수집하여 계산한다. 자 차량의 무게 중심 위치(a, b)는 GPS 정보로부터 추출한다.

Fig. 3

Vehicle recognition located at the boundary of the interested area

k번째 차량의 관심 영역 내 존재 여부는 다음과 같은 지수(ind_k)를 계산하여, 이 지수 값이 1이면 영역 내 존재, 0 이면 영역 밖에 존재함을 인식할 수 있도록 하였다.

i n d k = ⋃ k = 1 4 f x k, 1, y k, 1 < 0

(1)

f x, y = x - a 2 d x 2 + y - b 2 d y 2 - 1,

(2)

여기에서 d_x, d_y는 가각 타원의 장 단축의 거리를 의미한다. 만일 본 알고리즘이 중앙분리대가 설치된 자동차전용도로에서 적용되는 경우, 현실적인 d_x값은 도로 교통 공단 안전거리 기준에 따라 설정할 수 있다. 도로 교통 공단 안전거리에 따르면 일반도로의 경우 현재 속도 수치에서 15 m를 뺀 거리를 x 방향의 최대 거리로 지정한다. 단, 80 km/h 이상일 경우 속도 수치 m로 인식 영역을 설정한다. y축 방향 최대 인식 거리는 자 차량의 좌, 우 한 차선씩을 모두 포함할 수 있도록 하는 범위로 설정하는 것이 현실적인 값이 될 것이다. 이 두 값을 통하여 도로의 종류와 형태에 따라 유동적으로 설정하여 위험 차량을 충분히 포함할 수 있다. 만일 중앙 분리대가 없어서 중앙선 침범이 가능한 국도의 경우는 d_x값을 늘리고, 횡방향 사고가 일어날 수 있는 교차로의 경우 d_y를 늘리는 등의 설정이 가능하다.

위 알고리즘은 V2V를 통해 차량의 위치 및 크기 정보만을 수신하여 인식 영역 내의 차량을 구별한다. 단순한 계산 과정과 소수의 데이터만 사용하므로 다수의 관심차량에 대한 동시적인 연산이 가능하다.

2.2 관심영역의 장･단축 거리 설정

2.1절에서 사용하고 있는 영역 인식 기준은 단일방향으로 주행하는 직선 도로에 적합하게 잡혀있다. 중앙선 침범 충돌 사고의 경우 정면충돌 사고 유형으로 상대속도가 높기 때문에 인식 거리가 길어야 적절한 대처가 가능하다. 교차로 측면 충돌사고의 경우 또한 상대 속도가 높고 측면에서 다가오는 차량을 인식해야한다. 따라서 두 경우는 인식 영역 확대가 필요하다.

기존의 x 축 영역은 앞 차량과의 안전거리 기준으로 설정되어있다. 후방 충돌의 경우는 2장의 알고리즘으로 판별 후 긴급 제동 시스템이 작동되면 사고를 방지할 수 있다. 하지만 정면충돌의 경우 상대 속도가 커 기존 인식 영역에 들어왔을 때 이미 TTC가 작기 때문에 충돌 방지를 위한 시간 확보가 힘들다. 따라서 상대 차량의 이동거리를 고려한 영역을 확대가 필요하다.

중앙선이 존재하는 구간은 상대 차량의 속도를 80 km/h를 기준으로 하여 기존의 y 축 인식 거리를 80 km/h가 1초 당 이동하는 거리 22.5 m만큼 확대하여 인식 영역을 설정하였다. 중앙선 침범의 경우 측 방향 움직임이 기존 후방 충돌 보다 크다. 따라서 x축 영역은 좌, 우로 차선 2칸을 인식할 수 있도록 설정하였다.

semi-major axis :

d y = u - 15 + 22.5 m, 50 < u < 80 k m / h u + 22.5 m, o t h e r

(3)

semi-minor axis :

d x = 52 L W

(4)

측면 충돌 사고는 측 방향의 주변 차량 인식이 중요하다. 또한 교차로 충돌은 좌, 우회전 시 맞은편 차선에서 오는 차량과 충돌하는 경우가 높다. 따라서 y축 인식 거리는 정면 충돌 인식 범위로 유지한다. 교차로 주행 시 주행 방향이 조향에 의해 달라지더라도 기존의 인식 결과를 유지하여야 충돌 예측을 지속할 수 있다. 이러한 이유로 x축 인식 거리는 y축 인식 거리와 같게 설정한다.

semi-major axis, semi-minor axis :

d y = d x = u - 15 + 22.5 m, 50 < u < 80 k m / h u + 22.5 m, o t h e r

(5)

2.3 인식 영역 내 위험 차량 도출

2.1절의 알고리즘을 통해 V2V 통신 영역에 존재하는 차량 중에서 관심영역 내에 위치한 차량만을 선정 대상 차량의 수를 축소하였다. 이 모든 차량이 자 차량에 위험을 가하는 것은 아니므로, 이 중에서 위험도가 높은 차량을 선정하는 과정이 필요하다. 이를 위해서는 기존에 사용하는 충돌까지의 시간의 개념을 확장하여 사용하였다.

근래에 발표된 차량 긴급 제동 및 방지 시스템들은 타 차량과 자차의 TTC(Time To Collision) 값이 1.6초 미만일 경우 경고 알림이 울리도록 설계되어있다.¹²⁾ 이를 기반으로 본 알고리즘은 주변 차량과의 충돌까지의 시간이 1.6초 미만일 경우 해당 차량을 위험 차량으로 인식하도록 설계하였다. 일반적으로 TTC는 동일한 차선에서 앞 차량과의 상대 거리를 상대 속도로 나눈 값으로 정의된다. 하지만 본 연구에서는 전방 추돌 뿐 만 아니라 주변 차선 변경이나 교차로에서의 충돌의 경우에도 적용할 수 있는 지표가 필요하다. 따라서 본 연구에서는 이 정의를 확장하여 동일 차선이 아니더라도 사용할 수 있도록 Fig. 4를 기반으로 TTC를 2차원 공간상에서 사용할 수 있도록 확정하여 정의하였다.

Fig. 4

Relative velocity and relative distance between two vehicles

T T C = d r e l ⃗ υ r e l ⃗ cos ⁡ θ = d r e l ⃗ 2 υ r e l ⃗ ∙ d r e l ⃗

(6)

상대거리(d_rel)와 상대 속도(υ_rel)는 다음과 같이 나타낼 수 있다.

d r e l = x 1 - x 2, y 1 - y 2, υ r e l = υ 1 x - υ 2 x, v 1 y - υ 2 y

(7)

위에서 정의한 TTC값이 1.6초보다 작을 경우 해당 차량은 위험 차량의 후보군로 분류된다. 이 후 위험 차량 후보군으로 분류된 차량에 대하여 CTRA (Constant Turn Rate and Acceleration) Model을 사용하여 예상 궤적을 도출할 수 있다.¹³⁾ 이와 같은 방법으로 Fig. 5(a)와 같이 위험 차량 후보군에 속한 차량들의 궤적과 자 차량의 미래 궤적을 계산하여 충돌을 예측할 수 있다.

Fig. 5

Collision prediction (a) the CTRA model; and (b) the relative CTRA model

충돌 여부만을 고려하는 경우, 각 차량의 절대 속도와 절대 각속도를 이용할 필요 없이 자차와 위험 차량 후보군 사이의 상대 속도와 상대 각속도에 기반한 CTRA모델을 사용할 수 있다. 이 경우 Fig. 5(b) 처럼 상대 속도와 상대 각속도 기반 CTRA모델의 궤적이 원점(상대 거리가 0인 지점)의 일정 반경의 원을 지나치는지 여부만을 따지면 된다. 단순 CTRA모델을 사용하는 경우는 x-y-t의 3차원 공간에서 충돌여부를 검사해야하지만, 상대정보 기반 CTRA모델을 사용하는 경우는 x-y의 2차원 공간에서 충돌여부를 판단 가능하다.

예측 궤적은 미래 1.6초 동안 이동할 지점들로 구성된다. CTRA model은 Yaw rate과 가속도는 일정하다고 가정한다. 이를 기반한 궤적 추출 알고리즘은 아래와 같다.

x ̃ k + 1 = x ̃ k + u ̃ k ψ ̃ ̇ k cos ⁡ ψ ̃ k - cos ⁡ ∆ t ψ ̃ ̇ k + ψ ̃ k

(8)

y ̃ k + 1 = y ̃ k + u ̃ k ψ ̃ ̇ k - sin ⁡ ψ ̃ k + sin ⁡ ∆ t ψ ̃ ̇ k + ψ ̃ k

(9)

ψ ̃ k + 1 = ψ ̃ k + ∆ t ψ ̃ ̇ k

(10)

u ̃ k + 1 = u ̃ k + ∆ t a ̃ k

(11)

ψ ̃ ̇ k + 1 = ψ ̃ ̇ k : C o n s t a n t t u r n r a t e

(12)

a ̃ k + 1 = a ̃ k : C o n s t a n t a c c e l e r a t i o n

(13)

3. 충돌 방지 알고리즘

3.1 충돌 예방 감속도 예측 알고리즘

Fig. 6에서 나타낸 자 차량에서 충돌 예측 지점까지의 거리(D_collision)를 사용하여 안전거리(ε) 내 정차되는 감속도(a_unknown)를 구한다. 충돌 예측 지점은 2.2절의 알고리즘을 기반으로 도출한다. 안전거리는 2.5 ~ 5.5 m로 설정하였다.

Fig. 6

The relationship between the predicted collision point and the safety point

자 차량이 현재 속도와 충돌 예방 감속도로 주행 시 예상 이동거리는 다음과 같다.

D p r e d i c t i o n = V c u r r e n t t 0 + 12 a u n k n o w n t 0

(14)

자 차량이 예상 이동거리(D_prediction)를 이동했을 때 정차한다고 가정하면 다음과 같은 수식을 얻을 수 있다.

V s t o p = V c u r r e n t + a u n k n o w n t 0 = 0

(15)

안전거리 내 정차하기 위해서 충돌 예측 지점과 정차까지 거리는 다음과 같은 관계를 가져야 한다.

D p r e d i c t i o n + ϵ < D c o l l i s i o n

(16)

식 (14)를 정차까지 거리는 시간(t₀)로 정리한 후 (15)에 대입하고 식 (16)을 정리하면 정차까지 필요한 가속도(a_unknown)를 구할 수 있다.

- 1 g ≤ a u n k n o w n ≤ - V 02 2 D c o l l i s i o n + ϵ

(17)

계산된 가속도는 -1g의 가속도를 넘지 않도록 제한한다. 이는 실제 차량에서 가능한 감속도가 제한되기 때문이다.

4. 시뮬레이션

교차로에서 발생하는 측면 충돌사고와 중앙선을 침범하여 발생하는 정면충돌 사고는 심각도가 다른 유형의 사고들에 비해 높다.¹⁴⁾ 이런 사고 유형의 경우 AEB 와 같은 기존 충돌 방지 시스템으로 방지하기 어렵다. 이와 같은 사고시나리오 상황에서 본 연구에서 제안하는 알고리즘을 검증토록 하겠다. 검증에 이용하는 사고 시나리오는 미국의 NHTSA의 NASS-CDS에 공개된 실제 사고 궤적을 기반으로 심각도가 높은 충돌 시나리오를 바탕으로 재구성하였다.

제안하는 알고리즘을 Matlab/Simulink를 사용하여 구현하였다. 충돌 이후 가해 차량 궤적은 충돌 직전의 상태를 유지한다고 가정하였다. 차량 모델은 일반적인 Full-size sedan을 사용하였다.

4.1 시뮬레이션 차량 모델

알고리즘 구현에는 편 제동을 고려한 모델을 사용하였다.¹⁵⁾ 해당 수식은 다음과 같다.

m x ̇ = F x f l + F x f r cos ⁡ δ + F x r l + F x r r - F y f l + F y f r sin ⁡ δ + m ψ ̇ y ̇

(18)

m y ̇ = F y r l + F y r r + F x f l + F x f r sin ⁡ δ + F y f l + F y f r cos ⁡ δ - m ψ ̇ x ̇

(19)

I z ψ ̈ = l f F x f l + F x f r sin ⁡ δ + l f F y f l + F y f r cos ⁡ δ - l r F y r l + F y r r + l w 2 F x f r - F x f l cos ⁡ δ + l w 2 F x r r - F x r l + l w 2 F y f l - F y f r sin ⁡ δ

(20)

전륜 조향각을 일반적인 주행의 값으로 가정하면 위 모델은 아래와 같이 선형화 할 수 있다.

m x ̇ = 1 m F x f + F x r - F y f δ + ψ ̇ y ̇

(21)

m y ̇ = 1 m F y r + F x f δ - F y f + ψ ̇ x ̇

(22)

ψ ̈ = 1 I z l f F x f δ + l f F y f - l r F y r

(23)

또한 전 후륜의 미끄러짐 각 및 미끄러짐 율은 다음과 같이 계산된다.

α f = δ - y ̇ + l f ψ ̇ x ̇

(24)

α r = - y ̇ + l r ψ ̇ x ̇

(25)

b r a k i n g : σ x = r e f f ω w - x ̇ x ̇

(26)

a c c e l e r a t i o n : σ x = r e f f ω w - x ̇ r e f f ω w

(27)

미끄러짐 율 및 미끄러짐 각이 극단적으로 크지 않는 경우 전후륜 타이어 모델을 다음 식으로 표현할 수 있다.

F x f = C σ f σ f

(28)

F x r = C σ r σ r

(29)

F y f = 2 C σ f α f

(30)

F y r = 2 C σ r α r

(31)

4.2 환경 센서 인식 범위를 벗어난 충돌 시뮬레이션 (후면 충돌)

후면 충돌 사고는 다른 유형의 사고보다 빈번도가 높다. 이 중 기존 환경 센서 기반의 AEB 시스템으로 사고를 방지 하지 못하는 후면 사고 유형을 구현하였다.

해당 시나리오는 주행 차선에 있는 장애물(낙하물 혹은 급제동으로 인해 멈추어 있는 차량)을 회피해야하지만, 자 차량 앞에 위치한 차량에 의해 미처 장애물을 인식하지 못하는 상황을 구현하였다. 자 차량의 전방에 있는 차량의 경우, 환경 센서로 장애물을 인식하고 회피가 가능하다. 반면, 자 차량의 경우 전방 차량에 의해 시야가 가려 미처 장애물을 인식하지 못하며, 전방 차량이 차선 변경을 통해 장애물을 회피하더라도, 인식 시점이 늦어 환경 센서 기반 AEB를 통해 완벽하게 충돌을 방지하기가 힘들다. 해당 알고리즘의 경우는 V2V통신을 통해 얻어진 정보를 바탕으로 동작한다. 따라서 환경 센서 반경 범위를 벗어난 위치에 존재하는 장애물에도 반응이 가능하며, 해당 장애물의 동역학적 정보를 직접 받기 때문에 빠르게 상황 판단이 가능하다.

해당 사고를 PC-crash로 재현하여 Matlab을 통해 Fig. 7(a)에 나타냈다. 해당 자차량의 속도는 85 km/h이고 주변 차량의 속도 또한 동일 속도로 설정하였다. 자 차량은 전방에 위치한 차량이 회피한 후 장애물을 인식하여 감속한다고 가정하여 시뮬레이션하였다. (b)는 충돌 방지 시스템을 적용한 결과이다. 환경 센서의 탐지 범위 내 차량은 TTC 기반으로 경로 예측이 필요한 차량을 판별한다. (1) t = 0.2초 일 때, 위험 장애물은 시야에 가려서 장애물로 인식되지 않는다. 하지만 V2V 통신으로 해당 정보를 계속 받으면서 경로 예측을 진행한다. (2) t= 0.44초일 때, 여전히 전방차량으로 인해 환경 센서로는 장애물을 감지하지 못하지만, V2V 통신을 통해 얻어진 차량의 정보들을 기반으로 자 차량과 장애물과의 충돌을 감지한다. 충돌이 감지되면 충돌 방지 알고리즘이 동작한다. 충돌 방지 시스템을 적용한 결과 , Fig. 8과 같이 차량에 가속도가 가해지면서 자 차량이 안정하게 정차한 것을 확인할 수 있다.

Fig. 7

Simulation of rear-end accident with collision avoidance algorithm

Fig. 8

When preventing collision, the required acceleration

4.3 중앙선 침범 충돌 시뮬레이션 (정면 충돌)

정면 충돌 사고는 다른 유형의 사고보다 심각도가 높다. 이 중 가장 심각도가 높게 나온 정면 사고 유형을 구현하였다. 해당 시나리오는 미국의 NHTSA의 NASS-CDS에 공개되어있는 사고 중 양방향 주행 구간에서 중앙선을 넘어 일어난 정면 충돌 사고에 해당하는 것을 기반으로 구현되었다.

시뮬레이션에 적용된 실제 사고는 2차선 밖의 차량이 긴 주행 거리를 가지고 중앙 차선을 넘어온 경우로 피해 차량이 위험을 감지하기 어렵다. 해당 알고리즘은 정면 주행 시 60 m 내의 위험 차량의 미래 궤적 추정을 통해 충돌을 감지하므로 운전자가 미처 감지하지 못한 위험을 판독할 수 있다.

해당 사고를 PC-crash로 재현하여 Matlab을 통해 Fig. 9(a)에 나타냈다. 자 차량의 속도는 50 km/h, 위험 차량은 64 km/h로 설정하였다. 충돌 이후 (b)는 충돌 방지 시스템을 적용한 결과이다. (1) t = 1.1초일 때 반대 차선에서 주행 중인 차량이 V2V탐색 범위 내에 탐지된다. 탐지된 차량은 TTC를 기준으로 위험 차량으로 분류된다. (2) t = 1.35초 때 탐지된 차량이 위험 차량으로 분류, CTRA 모델 기반으로 1.6초 동안의 경로를 예측해 자 차량과 충돌 가능성을 확인한다. 충돌이 감지되어 충돌 방지 알고리즘이 작동하였다. 안전 범위내로 정차되기 위한 가속도는 Fig. 10과 같다. 충돌 방지 시스템을 적용한 결과 자 차량이 충돌을 피해 안정하게 정차한 것을 볼 수 있다.

Fig. 9

Simulation of frontal collision with collision avoidance algorithm

Fig. 10

When preventing frontal collision, the required acceleration

4.4 교차로 충돌 시뮬레이션 (측면 충돌)

실제 사고에서 측면 충돌이 빈번하게 일어난다. 이 중 심각도가 높게 나타나는 사고를 기반으로 시뮬레이션하였다.¹⁴⁾ 해당 시나리오는 미국의 NHTSA의 NASS-CDS에 공개되어있는 사고 중 교차로 측면 사고에 해당하는 것을 기반으로 구현되었다.

구현된 충돌 사고는 자 차량과 상대 차량이 교차로에 들어서면서 서로를 인식하지 못하고 감속하지 않아 발생한 사고이다. 해당 사고는 두 차량의 주행 방향이 다르므로 환경 센서의 탐지 범위에 벗어날 가능성이 있다. 또한 기존의 AEB로는 측 방향에서 오는 차량의 움직임에 빠르게 대처하기가 힘들다.해당 알고리즘의 경우 측 방향의 관심 영역을 정면 관심 영역과 같게 유지함으로써 이러한 문제점을 보안할 수 있다.

Fig, 11(a)는 실제 사고를 PC-crash로 재현하여Matlab으로 나타낸 것이다. 충돌 지점은 우측 후방으로 충돌한 이후 요 회전이 발생해 주행 능력을 상실하였다. (b)는 충돌 방시 시스템을 적용한 결과이다. (1) t = 3.8초, 관심 영역 내 차량을 감지하여 경로 예측을 시행한다. 해당 차량은 (2) t = 4.31초에 위험 차량으로 분류, 궤적 추정을 통해 충돌 가능성이 확인되었다. 이후 충돌 방지 알고리즘을 적용한다. (5)시뮬레이션 결과 충돌 직전 안전 거리 내에서 정차하여 충돌이 방지되었다. Fig. 12는 자 차량의 제동에 필요한 가속도를 나타낸 그래프이다.

Fig. 11

Simulation of collision at intersection with collision avoidance algorithm

Fig. 12

When preventing collision at intersection, the required acceleration (c) to (d)

5. 결 론

V2V는 환경 센서 대비하여 기상조건이나 직선 가시선에 대한 장애물에 대한 제한을 적게 받는다. 이런 특성을 이용한 안전 시스템은 환경 센서만을 기반으로 하는 안전시스템을 보완하거나 대체할 수 있는 장점이 있다. 본 연구에서는 V2V가 주변 차량의 위치와 속도정보를 활용하여 환경 센서를 통해 인식하기 어려운 차량 및 교차로 상에서 주행하는 차량과의 사고를 탐지 및 예방할 수 있는 알고리즘을 제안하였다. 제안하는 알고리즘은 실제 빈도가 높은 사고 형태에 대한 시뮬레이션 통하여 그 효과를 검증하였다.

Acknowledgments

이 논문은 부산대학교 기본연구지원사업(2년)에 의하여 연구되었음.

References

Euro NCAP, Euro NCAP 2020 Roadmap, https://www.euroncap.com/en/for-engineers/technical-papers/ (2018).
KoROAD, Traffic Accident Analysis System, http://taas.koroad.or.kr/sta/acs/exs/typical.do?menuId=WEB_KMP_OVT_UAS_PDS (2018).
J. Harding, G. Powell, R. Yoon, J. Fikentscher, C. Doyle, D. Sade, M. Lukuc, J. Simons, and J. Wang, Vehicle-to-vehicle Communications: Readiness of V2V Technology for Application, DOT HS 812 014, Washington, DC, National Highway Traffic Safety Administration, (2014).
Y. Kwon, “Improving Multi-channel Wavebased V2X Communication to Support Advanced Driver Assistance System(ADAS)”, Int. J. Automotive Technology, 17(6), p1113--1120, (2016). [https://doi.org/10.1007/s12239-016-0108-8]
J. Kwak, and W. Kim, “Virtual Contamination Lane Image and Video Generation Method for the Performance Evaluation of the Lane Departure Warning System”, Transactions of KSAE, 24(6), p627-634, (2016). [https://doi.org/10.7467/ksae.2016.24.6.627]
H. Kim, H. Piao, J. Ha, and H. Kim, “Vehicle Collision Avoidance System Exploiting V2V Communication And Driver Behavior Inspection”, Korea Computer Congress, p953-955, (2013).
H. Kim, H. Piao, J. Ha, and H. Kim, “WAVE Communication System for Vehicle Collision Avoidance by Driver’s Eye Detection”, Korea Computer Congress, p1002-1004, (2013).
M. Hu, J. Wu, H. Qin, Y. Bian, B. Xu, Q. Xu, J. He, and J. Wang, “Coordinated Collision Avoidance for Connected Vehicles Using Relative Kinetic Energy Density”, Int. J. Automotive Technology, 18(5), p923-932, (2017). [https://doi.org/10.1007/s12239-017-0090-9]
J. Byun, and S. Kwon, “Effective Emergency-Warning Message Transmission in the Vehicle-to-Vehicle Communication Environment”, The Journal of Korean Institute of Communications and Information Sciences, 37B(1), p1,-8, (2012). [https://doi.org/10.7840/kics.2012.37b.1.1]
S. C. Pyo, J. H. Yoon, J. W. Lee, and S. S. Lee, “Intersection Safety Service Model Using Vehicle-to-vehicle Communication”, 2014 International Conference on Information and Communication Technology Convergence (ICTC), p605-606, (2014). [https://doi.org/10.1109/ictc.2014.6983223]
M. Baek, H. Choi, and K. Ko, “The Preventing Algorism of Collision for Safe Right Turn and Left Turn at the Intersection by Using PreScan”, The Journal of Korean Institute of Information Technology, 14(3), p107-115, (2016). [https://doi.org/10.14801/jkiit.2016.14.3.107]
A. R. A. V. D. Horst, A Time-based Analysis of Road User Behaviour in Normal and Critical Encounters, Ph. D. Dissertation, Institute for Perception TNO, Soesterberg, (1990).
R. Schubert, C. Adam, M. Obst, N. Mattern, V. Leonhardt, and G. Wanielik, “Empirical Evaluation of Vehicular Models for Ego Motion Estimation”, 2011 IEEE Intelligent Vehicles Symposium (IV), p534-539, (2011).
S. Jeong, J. Gim, and C. Ahn, “Design of Car-to-car Accident Scenarios for Development of Active Safety System for Target Vehicle”, Transactions of KSAE, 26(2), p229-239, (2018). [https://doi.org/10.7467/ksae.2018.26.2.229]
R. Rajamani, Vehicle Dynamics and Control, 2nd Edn., Springer, New York, (2012).

BSM Part 1
Data Frame (DF)	Data element (DE)
	Latitude (GPS)
	Elevation (GPS)
	Longitude (GPS)
	Positional accuracy (GPS)
Motion (DF)
	Transmission state
	Speed
	Steering wheel angle
	Heading
	Longitudinal acceleration
	Vertical acceleration
	Lateral acceleration
	Yaw rate
	Brake applied status
	Traction control state
	Stability control status
	Auxiliary brake status
	Brake status not available
	Antilock brake status
	Brake boost applied
Vehicle size (DF)
	Vehicle width
	Vehicle length