실 경험 기반 자율주행차의 기술수용도에 관한 연구

1. 서 론

자동차는 기존의 첨단 운전자 지원 시스템(Advanced Driver Assistance System; ADAS)을 지원하여 운전자의 주행 제어를 보조하는 것을 넘어 제한적인 상황에서 자동적으로 주행하는 자율주행 기술로 차량의 주행까지 관여하고 있다.

이미 상용화된 차량에 ADAS가 도입되어지고 있으며, 고속도로 구간에서 차량의 종방향속도와 횡방향 제어를 통해 운전자에게 편의성을 제공하는 Highway Driver Assistant system(HDA), Auto-Pilot과 같이 자율주행 2~3단계의 부분적 자율주행 기능을 탑재한 차량 또한 증가하고 있다.

이에 미국 자동차공학회(Society of Automotive Engineers, SAE)는 자율주행 기준을 각 5단계로 적용하였으며 이에 대한 적용 기준은 다음과 같다.¹⁾

이에 발맞춰, 미국 자동차공학회(SAE)의 자율주행 0~5단계의 자율주행차 기준으로 자동차 기업들도 기술개발을 빠르게 진행하고 있다. 이처럼 자율주행에 대한 관심은 계속해서 높아지며 자율주행 자동차에 대한 기술 개발이 빠르게 진행되고 있다.

자동차와 운전자 사이의 상호작용은 빠르게 변화하고 있지만, 실제 자율주행을 이용하는 일반 운전자들은 3~5단계 자율주행 기술에 대한 지식이나 경험이 현저히 부족하며 3~5단계 자율주행 기술의 발전에 대한 그 대응이 실제 기술의 발전과 상이하다.

따라서 본 연구에서는 HITL(Human-In-The-Loop) 시뮬레이터 및 실제 자율주행차 3, 5단계를 활용한 실험을 진행하여 운전자에게 자율주행 경험을 제시한다. 제시된 경험을 통해 기존의 기술수용도 분석 모델인 UTAUT 모델을 자율주행차의 특성에 맞게 각색하여 일반 운전자의 기술수용도를 분석하고자 한다.

Fig. 1

Levels of driving automation by SAE(Society of Automotive Engineers)1)

2. 기술 수용도 분석 모델의 기존 연구

2.1 기술수용도 분석 모델

새로운 정보기술을 사용자가 왜 수용하거나 거부하는지를 이해하려는 노력은 새로운 기술에 대한 연구에서 중요하다. Swanson²⁾은 기술 수용 모델을 ‘다양한 정보 기술을 사용하는 사용자를 대상으로 이용 행동을 설명하고 예측하기 위해 시스템적으로 개발된 간단하고 설명력 높은 모형’으로 정의하였다. 사용자의 수용도를 분석하기 위한 기술 수용 모델에는 대표적으로 TAM(Technology Acceptance Model), UTAUT(Unified Theory of Acceptance and Use of Technology) 모델 등이 있으며, 2.1절에서는 이에 대해 간략히 설명한다.

2.1.1 TAM

TAM(Technology Acceptance Model)이란 Davis³⁾가 제안한 기술수용 분석 모델이다. 지각된 유용성, 지각된 용이성, 태도, 행동의도로 크게 4가지로 구성되어 있으며, 지각된 유용성(Perceived Usefulness)는 ‘개인이 특정 시스템을 사용할 때 직무 향상에 도움을 주는 정도’로 정의되며, 지각된 용이성(Perceived Ease of Use)은 ‘개인이 특정 시스템을 이용하는데 특별한 어려움이 없을 것’으로 정의된다. 이 2가지 독립 변인이 행동의도에 영향을 주고 행동의도의 정도를 통해 개인의 수용성을 판단하는 모델이다.

그러나 TAM은 다양한 외생변수(Exogenous variable)와 변수들 간의 관계에 대한 타당성을 충분히 뒷받침하지 못하는 한계를 갖고 있고 이를 보안하기 위해 개발된 것이 UTAUT(Unified Theory of Acceptance and Use of Technology) Model이다.

Fig. 2

Technology acceptance model3)

2.1.2 UTAUT Model

UTAUT(Unified Theory of Acceptance and Use of Technology) 모델이란 Venkatesh 등⁴⁾이 TAM의 한계를 보안하기 위해 사용자의 기술수용을 통합된 관점에서 접근하여 궁극적으로 보다 높은 설명력을 갖춘 제시한 통합기술수용모델이다.

UTAUT 모델은 행동의도에 미치는 영향을 성과기대(Performance Expectancy, PE), 노력에 대한 기대(Effort Expectancy, EE), 사회적 영향(Social Influence, SI)의 3개 변수와 실제 행위인 사용의도에 영향을 미치는 촉진조건(Facilitating Conditions, FC)의 1개 변수를 통해 사용의도의 정도를 기술수용도로서 판단하는 모델이다. 또한, 그 밖의 외생변수를 설명하기 위해 성별(Gender), 연령(Age), 경험(Experience), 자발적 사용(Voluntariness of use) 등의 변수를 각 독립 변인에 영향을 미치는 조건으로 두었다.

Fig. 3

UTAUT Model4)

3. 자율주행 경험 제시를 위한 실험 및 기술 수용도 분석 방법

3.1 수정된 UTAUT 모델

기존 연구들 중 자율주행차 기술수용도 분석을 위한 UTAUT 모델에서 노력에 대한 기대(EE)와 자기 효능감(SE)이 실험 모델의 구성, 사용 기능 종류, 운전자의 사용환경에 따라 사용의도(BI)에 미치는 영향이 차이를 보였다. 따라서 이 2개의 독립 변인은 제외하였으며, 나머지의 변인들은 3단계의 자율주행차에서 5단계로 변화함에 따라 상황에 맞도록 수정하였다.

이에 따라 본 연구에서 수정된 UTAUT 모델은 기존의 조유준 등⁷⁾과 이혜령과 정헌영⁹⁾ 등의 연구들에서 가장 유의하다고 생각되는 독립 변인인 성과에 대한 기대(PE), 사회적 영향(SI)을 차용하고 기존 연구의 변인 중 4가지 변인들을 수정하여 안전 인식(Perceived Safety, PS), 정서적 만족(Affective Satisfaction, AS), 효용성(Efficiency, Ef), 걱정(Anxiety, An)를 독립 변인으로 선정하였으며, 이에 따라 종속 변인인 사용의도(Behavior Intention, BI)에 영향을 미치는 정도를 파악하고자 하였다.

또한, 각 변인들에 영향을 미치는 외생변수로 성별(Gender), 연령(Age), 경험 유형(Experience Type), 운전경력(Driving Experience), 직업(Job)을 선정하였으며, 외생변수에 따라 사용의도(BI)에 미치는 영향을 확인하고자 하였다.

Fig. 4

Modified UTAUT Model

3.2 자율주행 경험 제시를 위한 실험 환경

기존의 자율주행차량에 대한 기술수용도 분석 연구는 실차 실험 환경의 위험함과 규제로 인해 주로 HITL 시뮬레이터에서의 실험을 통해 실험자에게 경험을 제시하여 연구를 진행하였다.^7-9)

하지만 HITL 시뮬레이터 상에서의 실험은 실험자에게 실제적인 경험을 부여하기에 부족하며, 수용도 분석에 있어서는 실차량의 기술수용도와는 상이함을 보일 수 있다.

따라서 본 연구는 HITL 시뮬레이터 상에서의 경험을 달리하여 2개의 실험군으로 나누어 실험을 진행하였으며, 실차 경험을 추가 제시하여 실험함으로 1개의 실험군을 추가하여 총 3번의 실험을 진행하였으며, 진행된 실험의 자세한 사항은 Table 1, 2와 같다. 한편, 실험자들의 운전경력은 나이와 거의 유사하게 비례하는 값을 가졌다.

Table 1

Experiment type of autonomous driving experience

Table 2

Participants characteristics of experiment group

또한, 실험 간의 유의성을 확보하기 위해 HITL(2) 실험은 시간과 자율주행 제어권 이양의 횟수 이외에 모든 조건에서 동일하게 진행하였으며, 실험자의 특성 데이터를 확보하고 리서치를 신뢰성과 타당성이 확보된 문항으로 구성하였다. 신뢰성과 타당성에 대한 검증 내용은 본 논문의 4.1절에서 다룰 것이다.

3.2.1 HITL(Human-In-The-Loop) 시뮬레이터 환경 구성

HITL 시뮬레이터 환경은 기본적으로 운전자가 운전할 수 있는 환경을 제시한다. 이를 위해 가상환경은 Car-Maker를 활용하였으며, 운전자가 Carmaker 환경을 시각적으로 파악하여 조작할 수 있도록 운전 조작에 필요한 스티어링, 가속페달 및 브레이크를 제공하였다. 또한, 실제와 유사한 조작을 유도하기 위해 운전자가 운전 조작을 하지 않는 자율주행 시에 2차 Task로써 영상을 볼 수 있도록 운전자가 원하는 영상을 제시하였다. 시뮬레이터의 전체적인 모식도는 다음과 같다.

3.2.2 HITL(Human-In-The-Loop) 시뮬레이터 실험

실험 대상자 136명 중 46명은 HITL 시뮬레이터를 활용하여 자율주행 경험을 제공하였다. 자율주행 경험은 각각 수동주행, 부분적 자율주행(3단계) 및 완전 자율주행(5단계)를 경험하게 하였으며, 모든 주행은 도심지의 배경으로 수행되었다. 첫번째 실험군은 HITL 시뮬레이터에서의 운전 적응을 위해 20분간의 시뮬레이터 상 수동 주행 경험과 자율주행 3단계의 60분 주행에 9번의 제어권 이양 상황을 경험하게 하였다. 두번째 실험군은 마찬가지로 HITL 시뮬레이터를 통해 20분간의 시뮬레이터 상 수동주행 경험과 자율주행 3단계의 30분간 주행에 12번의 제어권 이양 상황을 경험하게 하였다. 이 때, 자율주행 3단계의 경험은 실제에 가까운 주행 경험을 모사하기 위해 실제 자율주행 시 운전자가 할 수 있는 행동 중 하나인 영상 시청을 제시하여 자율주행동안 시청하도록 하였다. 또한, 각각의 2가지 실험군에 대해 15분간의 완전자율주행(5단계)의 경험을 제시하였으며, 완전자율주행은 기존의 자율주행 3단계에서 수행했던 경로를 자율주행의 실패없이 주행하는 것으로 경험을 제시하였다.

Fig. 5

Configuration of HITL simulator

Photo. 1

HITL(Human-In-The-Loop) simulator

3.2.3 자율주행차 환경 구성

자율주행 실차 실험의 진행을 위해 연구실 내 실제 구성된 자율주행차를 활용하였다. 자율주행차에서 주요하게 구성된 구성품으로는 현대자동차의 아반떼 차량과 IMU 센서인 VectorNav사의 VN-200, LiDAR 센서인 Velodyne사의 2개의 VLP-16, Camera 센서인 FLIR사의 Blackfly를 활용하였으며, 자율주행차의 Software 구성을 위해 C++ 및 NI 사의 LabView 등을 활용하였다. 그 밖의 활용된 기기들은 하기의 Fig. 6과 같다.

Fig. 6

Configuration of autonomous vehicle (SKKU)

Photo. 2

Experiment of actual autonomous vehicle (Pangyo autonomous motor show)

3.2.4 자율주행 실차 실험

자율주행 실차 실험은 ‘2018 판교 자율주행모터쇼’에서 자율주행버스, 자율주행 SUV(현대 스포티지) 차량 및 자율주행 승용차량(현대 아반떼)를 경험한 일반인들을 대상으로 하였다. 실험자들은 완전자율주행(5단계)를 약 5분간 정해진 경로 상에서 자율주행을 경험하게 하였다. HITL 시뮬레이터를 활용해 실험한 실험군과 동일한 UTAUT 모델의 리서치 자료를 이용해 리서치를 진행하였다. 리서치 자료에 대한 내용은 다음 절인 3.3절에서 다룰 것이다.

4. 수정된 UTAUT 모델 분석

4.1 신뢰성 및 타당성 검정

수정된 UTAUT 모델의 분석에 앞서 모델의 적절함을 판단하는 신뢰성(Reliability) 및 타당성(Validity) 검증을 진행하였다. 신뢰성은 모델에서 활용한 각 변인이 일관성이 있는지를 확인하는 척도로 볼 수 있으며, 신뢰성 검증은 크론바하 알파(Cronbach’s alpha) 계수를 활용하였다. 크론바하 알파 계수는 0.6 이상의 값을 가질 때 신뢰도가 높다고 할 수 있다.¹⁰⁾

$\[ \alpha =\frac{K}{K-1}\left(1-\frac{{\sum }_{i=1}^K{{\sigma }^2}_{Y_i}}{{{\sigma }^2}_X}\right) \]$

(1)

where a : cronbach’s alpha coefficien
　   　K : numbers of Respondents
　   　Y : sum of score by items
　   　X : total items score by respondants
　   　σ² : variance

타당성 검증은 측정하고자 하는 개념이 속성을 정확히 측정하였는가를 확인하는 척도로 볼 수 있다. 박숙현과 정희선¹¹⁾에 따르면 다항목으로 구성된 측정모형의 잠재변수에 대한 집중타당성은 개념신뢰도(Composite Reliability, CR)와 평균분산추출(Average Variance Extracted, AVE)을 이용할 수 있고, 모든 구성 개념의 개념신뢰도(CR) 0.7 이상, 평균분산추출(AVE)은 0.5 이상일 때 신뢰성 및 수렴타당성을 확보한다고 할 수 있다고 하였다. 따라서 개념타당성 검증을 위해 평균분산추출(AVE)과 개념신뢰도(CR) 값을 활용하였다.

$\[ CR=\frac{{\left({\sum }_{i=1}^k{\lambda }_i\right)}^2}{{\left({\sum }_{i=1}^k{\lambda }_i\right)}^2+{\sum }_{i=1}^k\left(1-{{\lambda }_i}^2\right)} \]$

(2)

$\[ AVE=\frac{{\sum }_{i=1}^k{{\lambda }_i}^2}{{\sum }_{i=1}^k{{\lambda }_i}^2+{\sum }_{i=1}^k\left(1-{{\lambda }_i}^2\right)} \]$

(3)

where λ_i : Standardized estimates
　   　1- λ_i² : Estimated error

Table 1과 Table 2는 각각 크론바하 알파계수를 통해 얻은 수정된 UTAUT모델의 신뢰도와 AVE 및 CR을 통해 판단한 타당성을 나타내며, 걱정(Anxiety)를 제외한 모든 변인들이 이를 만족하는 것을 확인할 수 있다. 여기서, 걱정(Anxiety)는 크론바하 알파계수가 0.543으로 신뢰도가 약간 낮지만 타당성 검증에서 높은 타당성을 지니는 것으로 확인되었다.

Table 3

The result of reliability evaluation

Table 4

The result of validity evaluation

4.2 각 변인이 사용의도(BI)에 미치는 영향

4.2.1 Pearson 상관분석

Pearson 상관 분석이란 보편적으로 각 변인들 간의 상관관계를 나타내는 지표로 활용되며, Pearson 상관계수가 0.1 ~ 0.3 사이이면 약한 양적 상관관계, 0.3 ~ 0.7이면 뚜렷한 양적 상관관계, 0.7 ~ 1.0 사이이면 강한 양적 상관관계를 나타낸다. 여기서, Pearson 상관 계수의 계산법은 X와 Y를 각각 비교하는 변수로 정의하였을 때, ‘X와 Y가 함께 변하는 정도 / X와 Y가 각각 변하는 정도’로 표현된다.¹²⁾

각 변인들과 행동의도(BI)의 Pearson 상관분석 결과, 안전 인식(Safety Perception), 사회적 영향(Social Influence), 신뢰도(Trust), 성과 기대(Performance Expectancy) 순으로 상관관계가 높았으며, 모두 자율주행자동차 사용의도에 대해 0.4 이상의 상관계수로 뚜렷한 양의 상관관계를 갖고 있는 것으로 나타났다.¹³⁾

반면, 조유준 등⁷⁾의 연구결과와는 상이하게 탑승자의 걱정(Anxiety)의 정도는 변인의 유의성을 판단하는 P-value가 0.05 이상으로, 자율주행 사용의도와 유의하지 않은 결과를 나타냈다. 이는 걱정(Anxiety)의 신뢰성이 낮은 이유를 들 수도 있지만 추가적인 질문에서 그 이유를 살펴보면 리서치 대상자가 걱정을 하면서도 ‘현재 자율주행 Level 3 이상의 차량이 상용화 시기가 아닌 것’이라고 생각했기 때문으로 나타났다. 또한, 이외의 상관관계는 리서치 대상자가 걱정을 하면서도 ‘기술의 발전에 대한 기대’의 측면에서는 긍정적 태도를 보여 상관관계에 영향을 준 것으로 보인다.

Table 5

Pearson correlation analysis between variables and Behavior intention of UTAUT model

4.2.2 독립 변인과 사용의도(BI)와의 관계

독립 변인과 종속 변인인 사용의도(BI)의 관계를 그래프로 나타냈을 때, Pearson 상관분석에서의 결과처럼 각 독립 변인의 수치가 증가할수록 종속 변인인 사용의도(BI)도 함께 증가하는 추이를 보이며 양의 상관관계를 갖고 있음을 확인할 수 있다. 한편, 걱정(Anxiety)의 정도는 어떤 상관관계도 갖지 않음을 알 수 있다.

Fig. 7

The graph of UTAUT Model Analysis’s result (The y-axis data represents the score(0-8) of Behavior Intention responded by experimenter and the x-axis data represents the score(0-8) of each independent variable responded by experimenter)

4.3 외생변수가 사용의도(BI)에 미치는 영향

실험 전 설정했던 외생변수인 성별(Gender), 연령(Age), 경험 유형(Experience Type), 운전경력(Driving Experience), 직업(Job) 등은 각각 실험자들의 Participant characteristics를 대변하는 것이다.

따라서 본 논문에서는 수정된 UTAUT 모델에서의 검증에 있어 각 외생변수와 종속 변인 간의 관계를 파악하고자 하였다. 이는 Participant characteristics가 사용자의 기술수용도에 영향을 미친다는 이전의 여러 연구들을 참고하여 자율주행의 기술수용도에 있어서도 그 영향이 나타나는지 파악하기 위함이다.

4.3.1 경험 유형(Experience Type)별 사용의도

Table 1에서 언급했던 각각의 실험 군은 첫 번째 HITL 시뮬레이터를 통해 부분적 자율주행(3단계)에서 60분 주행에 9번의 제어권 이양 상황을 경험한 표본집단(1), 두 번째는 HITL 시뮬레이터를 통해 부분적 자율주행(3단계)을 30분 주행에 12번의 제어권 이양상황을 경험한 표본집단(2), 3번째는 실차 완전자율주행(5단계)를 약 5분간 경험한 표본집단(3)으로 나뉘며, 표본집단(1)과 표본집단(2)는 각각 완전자율주행(5단계)도 HITL 시뮬레이터를 통해 15분간 경험하였다.

각각의 경험이 다른 표본집단 별 사용의도를 분석하였을 때, 짧은 시간 동안 다수의 제어권 이양상황을 경험한 표본집단(2)가 긴 시간 동안 상대적으로 적은 제어권 이양상황을 경험한 표본집단(1)보다 부분적 자율주행(3단계)에 대한 사용의도는 적고 완전자율주행(5단계)에 대한 사용의도는 높은 것으로 나타났다. 반면, 제어권 이양상황이 없는 실차 완전자율주행(5단계)을 경험한 표본집단(3)은 부분적 자율주행(3단계)와 완전자율주행(5단계) 모두에서 사용의도가 표본집단(1)와 표본집단(2)에 비해 현저히 높은 것으로 나타났다. 이에 대해 Fig. 8을 통해 확인할 수 있으며, Y축은 0-8까지의 리서치 Score, X축은 각 실험군으로 볼 수 있다.

Fig. 8

Behavior intention by experience type

Fig. 9

Behavior intention by participant characteristics

이는 자율주행에 대한 사용의도, 즉 기술 수용도는 사용자의 경험 유형에 크게 영향을 받는 것을 나타낸다.¹⁴⁾ 외생변수인 경험의 유형(Experience Type)이 실험자가 느끼는 자율주행에 대한 신뢰도(T)와 안전 인식(PS)에 영향을 미친 결과로 볼 수 있다.

4.3.2 Participant characteristics별 사용의도

Participant characteristics별 사용의도를 분석한 결과, 이전의 연구와 마찬가지로 성별(Gender), 연령(Age), 경험 유형(Experience Type), 운전경력(Driving Experience), 직업(Job)에 따라 사용의도(BI)가 상이한 결과를 나타내는 것을 확인할 수 있었다.

자동차 산업의 종사 여부에 따라 사용의도는 변화하였는데 자동차 산업 종사를 하는 경우 부분적 자율주행(3단계)와 완전자율주행(5단계)에 대한 사용의도가 현저히 높아지는 결과를 볼 수 있었다.

연령별로는 20대에서 40대까지 사용의도가 줄어드는 반면, 50대에서 사용의도가 늘어나는데 이는 50대 표본집단에서 자동차 산업 종사자가 많았기 때문으로 볼 수 있다. 성별 사용의도에서는 남성이 여성보다 부분적 자율주행(3단계)와 완전자율주행(5단계)에 대해 모두 사용의도가 높은 것을 볼 수 있으며, 여성은 부분적 자율주행(3단계)에 대한 사용의도보다 완전자율주행(5단계)에 대한 사용의도가 적은 것을 볼 수 있었다. 이는 유사 시 수동제어를 할 수 있는 것이 더욱 안전할 것이라고 생각하는 것에 그 이유가 있는 것으로 분석되었다.

운전 경력 별 사용의도(BI)에서 운전 경력이 높을수록 자율주행에 대한 사용의도가 낮아지는 것을 확인할 수 있었고, 25년 이상에서는 연령 별 사용의도(BI)에서와 마찬가지로 표본집단 대부분이 50대 이상의 자동차업 종사자이기 때문에 사용의도가 높아지는 것으로 나타났다.

5. 실험 결과에 대한 고찰

본 논문에서 진행된 실험의 수정된 UTAUT 모델을 통한 분석의 결과는 다음과 같다.

첫째, 제시한 수정된 UTAUT 모델의 신뢰성과 타당성을 검증하였다. 모델에 제시된 각 변인들의 신뢰성과 타당성을 크론바하 알파(Cronbach’s Alpha)와 수렴타당성을 활용하여 확인하였다. 걱정 변인의 신뢰성을 제외하고 모든 변인에서 신뢰성과 타당성에 대해 문제가 없는 것으로 판단되었다. 한편, 걱정 변인의 신뢰성은 현 상황에 맞지 않은 모델 설계의 오류로 고려될 수 있으며, 이는 향후 기초 연구로 활용될 시에는 개선될 필요가 있다.

둘째, 제시한 모델을 기반으로 리서치를 진행하여 얻은 결과로 Pearson 상관 분석을 진행하여 각 독립 변인과 실험자의 사용 의도간 관계를 파악하였다. 걱정의 정도를 제외한 모든 독립 변인에 대해 사용의도는 모두 양의 상관관계를 보임을 확인할 수 있었다. 한편, 걱정의 정도는 P-value가 유의 수준 0.05 이상으로 변수 사이 연관성의 유의성에 대한 결정적인 증거가 없다. 이는 추가 연구에서 연구 대상자가 걱정을 하면서도 ‘현재 자율주행 Level 3 이상의 차량이 상용화 시기가 아닌 것’으로 생각했기 때문으로 확인되었다. 한편, 이는 걱정 변인의 신뢰성에 대한 영향으로도 고려될 수 있다.

셋째, 외생 변수와 사용의도 간의 관계를 파악하였다. 성별, 연령, 경험 유형, 운전경력, 직업, ADAS 경험 유무¹⁵⁾를 외생 변수로 두어 연구를 진행하였고, 괄목할 만한 사항은 경험 유형 별 사용의도에서 자율주행 3 단계의 제어권 이양 상황¹⁶⁾을 실험자에게 짧은 시간에 많이 부여할수록 실험자의 사용의도는 줄어든다는 점이다. 이 점은 기술의 완성도가 확연히 사용자의 사용의도에 영향을 미칠 수 있음을 말해준다.

6. 결 론

본 논문에서는 미래의 잠재적 수요자인 운전자에게 자율주행 자동차의 경험을 제시하고 현 상황에서의 자율주행 자동차에 대한 기술 수용도에 대해 연구하였다. 기존의 UTAUT모델을 기반으로 자율주행 자동차에 맞게 수정하여 분석 모델을 구성하였으며, 수정된 UTAUT 모델은 성과에 대한 기대, 사회적 영향, 안전 인식, 정서적 만족, 효용성, 걱정 등을 독립 변인으로 두어 종속 변인인 사용의도에 미치는 영향을 확인하고자 하였다. 또한, 외생 변수로 성별, 연령, 경험 유형, 운전경력, 직업, ADAS 경험 유무를 추가하여 외생 변수의 관계로 인해 사용의도에 미치는 영향을 고려하였다. 반면, 자율주행 경험에 있어 HITL(Human-In-The-Loop) 시뮬레이터는 물론, 실차 경험을 제시하였지만, 실차의 경험 제시는 주변 환경 및 교통 상황이 통제된 상태에서의 경험을 제시하였기 때문에 그 한계가 존재한다. 더불어, 각 실험의 실험자 간 이질성으로 인한 결과의 왜곡을 막기 위해, 각 군별 실험 조건 외에 통제 변인들을 동일한 조건으로 하여 통제하려 했으나 실험자의 개별 특성으로 인한 결과의 한계가 존재할 수 있다.

그러나 결과적으로 수정된 UTAUT 모델을 활용하여 실험 대상자 136명에게 실험 및 분석을 진행하였으며, 이는 다음과 같은 시사점을 제시한다. 첫째, 자율주행 자동차에 대한 수용도 모델을 제시하여 추후 기술 수용도 연구에 기초로 활용될 수 있다. 둘째, 자율주행자동차에 수용도 분석을 통해 현 시대의 자율주행자동차에 대한 사용자의 수용도를 확인하였다. 사용자의 기술 수용도는 시대와 기술의 발전에 따라 변화한다. 따라서, 기술 수용도에 대한 연구가 지속적으로 진행되어야 할 것이며, 이러한 연구 결과는 자율주행 기술 연구와 기업들의 제품 출시에 있어 하나의 방향성으로 제시될 수 있을 것이다.

Acknowledgments

본 연구는 국토교통부/국토교통과학기술진흥원 교통물류연구사업의 연구비지원(19TLRP-C152478-01)과 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터지원사업(IITP-2019-2018-0-01426)의 연구결과로 수행되었습니다.

References

• SAE(Society of Automotive Engineers) International, SAE Standards News: J3016 Automated-driving Gra phic Update, https://www.sae.org/news/2019/01/saeupdates-j3016-automated-driving-graphic, , 2019.
• E. B. Swanson, “Information Channel Disposition an d Use,” A Journal of the Decision Sciences Institute, Vol.18, No.1, pp.131-145, 1987. [https://doi.org/10.1111/j.1540-5915.1987.tb01508.x]
• F. D. Davis, A Technology Acceptance Model for Empirically Testing New End-user Information Systems: Theory and Results, Ph. D. Dissertation, Massachusetts Institute of Technology, Cambridge, 1986.
• V. Venkatesh, M. G. Morris, G. B. Davis and F. D. Davis, “User Acceptance of Information Technology: Toward a Unified View,” MIS Quarterly, Vol.27, No.3, pp.425-478, 2003. [https://doi.org/10.2307/30036540]
• E. Adell, “Acceptance of Driver Support Systems,” In Proceedings of the European Conference on Human Centered Design for Intelligent Transport Systems, pp.475-486, 2010.
• R. Madigan, T. Louw, M. Dziennus, T. Graindorge, E. Ortega, M. Graindorge and N. Merat, “Acceptance of Automated Road Transport Systems (ARTS): An Adaptation of the UTAUT Model,” Transportation Research Procedia, Vol.14, pp.2217-2226, 2016. [https://doi.org/10.1016/j.trpro.2016.05.237]
• Y. J. Cho, J. K. Park, S. J. Park and E. S. Jung, “Technology Acceptance Modeling based on User Experience for Autonomous Vehicles,” Journal of the Ergonomics Society of Korea, Vol.36, No.2, pp.87-108, 2017.
• S. Osswald, D. Wurhofer, S. Trosterer, E. Beck and M. Tscheligi, “Predicting Information Technology Usage in the Car: Towards a Car Technology Acceptance Model,” International Conference on Automotive User Interfaces and Interactive Vehicular Applications, 2012. [https://doi.org/10.1145/2390256.2390264]
• H. R. Lee and H. Y. Jung, “An Study on Factors Affecting the Acceptance of Autonomous Vehicle from the Extended Unified Theory of Acceptance and Use of Technology Model,” Journal of Korea Planning Association, Vol.53, No.5, pp.73-86, 2018. [https://doi.org/10.17208/jkpa.2018.10.53.5.73]
• L. J. Cronbach, “Coefficient Alpha and the Internal Structure of Tests,” Psychometrika, Vol.16, No.3, pp.297-334, 1951. [https://doi.org/10.1007/BF02310555]
• S. H. Park and H. S. Jeong, “Effects of Dietary Life Application according to Preferred Dietary Life Education Type on Quality of Life - Focus on Participants of Dietary Life Education Programs in Seoul and Gyeonggi Province -,” Journal of the East Asian Society of Dietary Life, Vol.27, No.3, pp.268-279, 2017. [https://doi.org/10.17495/easdl.2017.6.27.3.268]
• J. L. Rodgers and W. A. Nicewander, “Thirteen Ways to Look at the Correlation Coefficient,” Journal of The American Statistician, Vol.42, pp.59-65, 1988. [https://doi.org/10.2307/2685263]
• J. Y. Lim, S. Y. Jeon and S. H. Hwang, “Correlation Analysis of UTAUT Model Variables for Autonomous Vehicle Technology Acceptance,” The 6th Japan-Korea Joint Symposium on Dynamics & Control, pp.152-154, 2019.
• S. Y. Jeon, Development of Human-Machine Interface and Steering Torque Control Algorithm for Adaptive Driving Control Authority Transition of Autonomous Vehicles, M. S. Thesis, Sungkyunkwan University, Gyeonggi, 2019.
• J. C. Park, “A Review on the Transitions of Control Authority in Advanced Driver Assistance Systems (ADAS),” Journal of the Ergonomics Society of Korea, Vol.36, No.6, pp.665-675, 2017.
• N. U. Kim, M. Y. Yang, J. I. Lee and J. W. Kim, “A Study on the Effect of Information Types on Drivers in Takeover Period of Automated Vehicles,” Journal of Digital Contents Society, Vol.19, No.1, pp.113-122, 2018.