The Korean Society Of Automotive Engineers
[ 응용논문 ]
Transactions of The Korean Society of Automotive Engineers - Vol. 26, No. 5, pp.654-662
ISSN: 1225-6382 (Print) 2234-0149 (Online)
Print publication date 01 Sep 2018
Received 08 Apr 2018 Revised 14 Jun 2018 Accepted 15 Jun 2018
DOI: https://doi.org/10.7467/KSAE.2018.26.5.654

2020 교차로 안전 규제 대응을 위한 Test 시나리오에 관한 연구

이기원1) ; 박만복*, 2)
1)모토텍 선행연구팀
2)한국교통대학교 전자공학과
A Study of Test Scenario for 2020 Intersection Safety Control
Kiwon Lee1) ; Manbok Park*, 2)
1)R&D Center, Mototech Company, 16 Deogyeong-daero, 1556beon-gil, Yeongtong-gu, Suwon-si, Gyeonggi 16690, Korea
2)Department of Electronic Engineering, Korea National University of Transportation, Chungbuk 27469, Korea

Correspondence to: *E-mail: ohnnuri@ut.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

The AEB must operate the brake of a vehicle with an alarm for drivers once it detects objects up front. The Autonomous Emergency Brake System is a type of ADAS under dangerous situations, thus working to prevent accidents or diminish damage from a car accident. The AEB is required to achieve a wider range and more accurate recognition of an object through a fusion sensor that includes a multi-functional front camera and a scanning LiDAR. This paper suggests new intersection test scenarios when using such a fusion sensor in the AEB. The intersection test scenario is classified according to object types, and is confirmed by virtual simulation.

Keywords:

Autonomous emergency brake, Euro NCAP, Pre-crash scenario, Intersection test scenario, Intersection car accidency

키워드:

자동긴급제동시스템, 유로엔캡, 사전충돌시나리오, 교차로 Test 시나리오, 교차로 교통사고

1. 서 론

ADAS(Advanced Driver Assist System) 장치 중 하나인 AEB(자동 긴급 제동 장치)에 대한 관심이 높아지고 있으며, 현재 글로벌 자동차 OEM과 여러 연구기관에서도 AEB 연구개발을 활발히 진행하고 있다.

AEB는 기준 속도를 60 km/h로 고려했을 경우에, 주행하는 차량이 전방 객체를 인식하고 1.6 초 이내에 운전자에게 알림 경고와 충돌이 예측될 때 자동 제동(Brake)기능이 동작해야 한다.1,2) 차량 속도가 높아질수록 TTC(Time to Collision)는 더 짧아진다. 자동 긴급 제동 시스템(AEB)은 위험 상황에서 작동하여 사고를 방지하거나 최소화 시키는 ADAS 시스템이며, 기존의 위험 상황에서 운전자에게 경보음 등을 통해서 경고를 주는 전방 추돌 경보 시스템(FCWS)에서 진보하여 차량의 제동을 제어 한다.

도심 교차로에서 자동차의 교통 사고 위험이 높은 전방의 갑작스러운 이동 객체에 대하여 사고위험을 줄이기 위해서는 AEB가 필요하며, 이의 개발을 위한 광각의 다기능 전방 카메라 및 스케닝 LiDAR 센서 퓨전 기술을 통해 인식 범위 및 정확도를 향상시키는 기술이 요구되어진다.

그러나 수많은 변수가 발생하는 실제 도로에서 AEB는 위험 상황을 판단하여 차량을 제어하고, 운전자를 보호하기 위해서 우수한 제품 연구개발 뿐만 아니라 실제 도로에서 Test 검증이 필요하다. 그러나 유럽 등의 외국의 도로 기준의 시나리오는 있으나 국내기준의 교차로 시나리오는 미비한 상태이다. 따라서 국내 도로환경을 바탕으로 한 Test 시나리오가 필요하다. 따라서 본 논문에서는 다양한 실도로 교차로에 발생할 수 있는 상황을 고려하여 Test 시나리오를 유형별3)로 구분하고 실험하여 국내 교차로 환경의 AEB Test 시나리오를 제안하며, 가상 시뮬레이션 툴을 사용하여 검증한다.

AEB에서 사용되는 융합 센서의 성능을 검증하기 위해 Euro NCAP 2020 AEB 교차로 기반 시나리오와 시험을 위한 요구사항이 필요하다.

유럽의 신차 평가 프로그램 Euro NCAP은 유럽 신차 평가 기관에서 제시한 신차 평가 프로그램1,2)으로 성인 및 어린이 탑승자 보호, 보행자 보호,2) 안전지원 시스템의 4가지 부문으로 구성 되어 있고 위 프로그램을 통해 자동차 소비자에게 신차의 안전성능을 객관적이고 독립적으로 평가할 수 있는 방법을 분석하였다. 따라서 본 논문에서 제시한 시나리오는 Euro NCAP의 Protocol을 기반1,2)으로 자료를 분석하여 설계가 되었고, 객체를 인식할 수 있는 센서 융합으로 AEB 시스템의 성능을 평가하기 위해 융합 센서의 성능을 검증하기 위한 시나리오(요구사항, 시험 방법, 평가 방법 등)를 설계하고, 또한 높아지는 안전 규제에 대한 글로벌 경쟁력 강화를 위하여 ADAS 표준화에 대응한 Euro NCAP 2020 AEB VRU Protocol에 준하는 시나리오를 제안한다. 교차로에서 AEB Test를 위한 Protocol1)을 통해 교통사고가 빈번하게 발생하는 유형을 분류하고4) 이에 따른 교차로 AEB Test 시나리오 유형을 제안하고자 한다.

2장에서는 Euro NCAP 문헌 및 교통사고 유형 분석을 수행하고, 3장에서는 앞장에서 분석한 문헌 정보를 기반으로 NCAP 2020대비 AEB 교차로 Test 시나리오 설계한다. 제 4장에서는 시나리오 별 시뮬레이션을 수행하고 성능평가 기준을 확정하고 분석을 실시한다. 5장에서는 본 연구의 결론을 도출한다.


2. AEB 교차로 Test 시나리오 설계를 위한 문헌 분석

2.1 Euro Encap 문헌 분석

Euro NCAP에서 교차로 Test 시나리오에 대한 상황을 언급하고 있지 않기 때문에 다양한 문헌을 분석해 2020 Protocol에서 예측이 가능한 교차로 Test 시나리오를 개발하고 검증하여 제안한다. 다음은 Euro NCAP 시나리오 내용 및 분석 결과이다.

1) 시나리오 1: CCRs(Car-to-Car Rear Stationary)

정지된 차량과 AEB 성능 Test: 요구사항과 시험 조건을 만족하는 상황에서 10~50 km/h의 속도로 주행중인 차량과 공인 인증 차량용 더미와 자동 긴급 제동 성능 시험 시나리오1)

2) 시나리오 2: CCRm(Car-to-Car Rear Moving)1)

일정속도로 등속 주행하는 차량과 AEB 성능 Test: 요구사항과 시험조건을 만족하는 환경에서 30~80 km/h의 속도로 주행 중인 차량과 20 km/h의 속도로 주행하는 공인 인증 차량용 더미와 자동 긴급 제동(AEB) 성능 시험 시나리오

3) 시나리오 3: CCRb(Car-to-Car Rear Braking)1)

일정속도로 감속 주행하는 차량과 AEB 성능 Test: 요구사항과 시험조건을 만족하는 환경에서 50 km/h의 속도로 주행 중인 차량과 감속하는 공인 인증 차량용 더미와 자동 긴급 제동(AEB) 성능 시험 시나리오

위의 시나리오 1, 시나리오 2, 시나리오 3은 Euro NCAP에서 제시된 차량과 차량의 시나리오로써 일반 주행로에 대한 시나리오이며, 교차로에 대한 내용이 누락되어 있지만 기존 시나리오 진행 방법의 분석을 통해본 문서에서는 위 시나리오 1, 2, 3을 기반으로 한 교차로 시나리오를 개발한다.

2.2 사고 유형 파악을 위한 문헌 분석

2.2.1 Pre-Crash Scenario Typology for Crash Avoidance Research 문헌 분석3)

Table 1Table 2는 NHTSA에서 교통경찰 통계자료를 바탕으로 작성되었으며, 사고 유형 중 본 문헌 분석에서 가장 관련성이 높은 유형을 분석해 보았다.

Vehicle accident type 1

Vehicle accident type 2

2.2.2 Estimation of Potential Safety Benefits for Pedestrian Crash Avoidance/Mitigation Systems 문헌 분석

교통사고 통계를 이용하여 아래와 같이 4가지 시나리오를 대표적으로 선별하여 분석을 진행하였다. 아래 그림은 4개의 시나리오를 나타내었다.

GES(General Estimates Systems) 데이터 기준으로 S1 시나리오의 경우 약 36 %를 예방할 수 있으며, FARS(Fatality Analysis Reporting Systems) 데이터 경우는 약 64 %를 나타내고 있다.3)

Fig. 1

Vehicle accident scenario type

Vehicle accident scenario type

PCAM(Pedestrian Crash Avoidance/Mitigation) 시스템은 차량 기반 보행자 감지 시스템으로 충돌을 회피하거나 충격 속도를 감소시키기 위해 자동으로 자동차 제동을 수행할 수 있는 장치이다.3)

Table 4는 PCAM 시스템을 통해 상해의 정도를 나타내는 MAIS(Maximum Abbreviated Injury Scale)에 따른 시나리오의 커버리지를 나타내고 있다. 매년 평균 약 5,300명의 보행자가 MAIS 2+ 이상 상해를 약 3,300명의 보행자가 MAIS 3+ 이상의 상해를 당하고 있음을 알 수 있다. 또한 4개의 시나리오를 통해 각각 90 % 및 96 %를 예방 또는 상해 감소를 유도할 수 있음을 알 수 있다.

PCAM system effect analysis

2.3 교차로 교통사고 분석

평면교차로에서의 교통사고는 교차로 형태, 위치, 교통량, 신호주기, 상충면적 등에 따라 큰 영향을 받으므로 교통사고 특성을 고려하여 교차로를 계획하여야 한다. 또한 넓은 교차로는 정지선 간 거리가 길어지기 때문에 신호가 바뀔 때 교차로에 유입한 자동차가 교차로를 완전히 벗어나기까지의 시간이 길어지게 되어 교차로의 교통처리 능력이 저하된다.5)

Fig. 2

Vehicle accident status of flat intersection

2.3.1 교차로 형태별 교통사고

교차로 교통사고 발생은 일반적으로 교차로에 접속하는 갈래 수가 적을수록 안전도가 높은 것으로 알려져 있다. 세 갈래 교차로에서는 9개의 상충이 발생되던 것이, 네 갈래 교차로에서는 32개, 다섯 갈래 교차로에서는 79개로 기하급수적으로 증가하게 되므로 교차하는 갈래의 수는 최소가 되도록 해야한다.3)

2.3.2 교통량에 따른 교통사고

교차로 지역에서 발생한 교통사고와 교통량과의 관계는 교통량이 많을수록 교통사고 발생이 증가하는 것으로 알려져 있다.


3. AEB 교차로 Test 시나리오 설계

3.1 AEB 시험을 위한 시스템 구성

AEB 시험을 위한 시스템 구성은 이종 센서를 위한 객체 인식 검출부, 이종 센서에 의해 인식된 객체 데이터를 융합하는 데이터 융합부, 융합된 데이터를 가지고 인식 객체를 판단하는 판단부, 처리된 데이터에 의해서 제어되는 제어부로 구분될 수 있다.

System architechure for proposed scenario

Object recognition number setup for test scenario

Table 4, Table 5와 같이 AEB 성능평가를 위한 환경조건을 구성하고 구현 가능한 AEB 테스트를 위한 교차로 Test 시나리오를 개발하고 검증하여 제안한다.

3.2 AEB 교차로 Test 시나리오 적용범위

본 절에서는 다양한 교차로 Test 시나리오를 제안하기 위한 적용범위를 한정하고자 한다.

AEB는 차량과 전방 객체와의 충돌을 자동으로 방지하거나 위험을 최소화 할 수 있는 시스템이다. AEB Test 성능평가를 위해서 본 논문에서는 전방 객체는 동적 개체 5종, 정적 개체 3종으로 한정하며 동적 개체는 차량, 보행자(성인 및 아동), 자전거를 탄 보행자, 이륜 차량, 유모차로 정의한다. 정적 개체는 차선, 연석, 방지턱으로 한정한다. 제안한 Test 시나리오는 현실성을 충분히 고려하여 시나리오 유형을 크게 차량과 차량, 차량과 보행자, 차량과 기타로 분류하고 큰 유형에 작은 시나리오가 포함되는 형태로 제안한다.

3.3 제안한 교차로 Test 시나리오

3.3.1 제안한 교차로 Test 시나리오를 위한 평가 환경 조건

1) 차량 대 차량 시나리오 조건

직진 중인 테스트 차량과 교차로 앞에 위치한 횡단보도 앞에서 정지하고 있는 차량, 교차로를 횡으로 가로지는 차량과의 성능평가이며, 시나리오에 적용하기 위한 위반 법규는 안전 수칙 미준수, 과속 등이다. 주행 속도는 10~70 km/h로 실험하고 5 km/h씩 속도를 올려 성능평가를 진행한다.

Vehicle to vehicle scenario conditon

2) 차량 대 보행자 시나리오 조건

교차로에서 직진과 왼쪽방향으로 회전하는 테스트 차량과 횡단보도를 지나는 보행자와의 성능평가이다. 보행자의 기준은 Euro NCAP의 기준조건으로 진행한다.

3) 차량 대 VRU 시나리오 조건

① 차량 대 이륜차

교차로에서 직진과 오른쪽으로 신호 주행을 하는 테스트 차량과 직진 주행 중인 이륜차와의 성능평가이며, 시나리오에 적용하기위한 위반 법규는 안전 수칙 미준수, 과속 등이다. 주행 속도는 10~70 km/h로 실험하고 5 km/h씩 속도를 올려 성능평가를 진행한다.

Vehicle to pedestrian scenario condition

Vehicle to motorcycle scenario condition

② 차량 대 자전거

직진 주행 중인 테스트 차량과 도로변과 도로를 달리고 있는 자전거와의 각각에 대한 성능평가이며, 자전거는 이륜차와 유사하게 생겼지만 적용되는 법규와 속도가 다르다.

Vehicle to bicycle scenario condition

4) 교차로 Test 시나리오를 위한 교차로 환경

교차로 환경은 평면 교차로, 왕복 4차선 교차로 환경이어야 한다. 차대 차 시험 환경에서는 신호 대기 중인 추가 장애물 차량과 차대 보행자 시험 환경에서는 추가 장애물 보행자 환경을 갖추고, 도심의 교차로 환경에서 시나리오 정확도를 높인다.

3.3.2 제안한 교차로 Test 시나리오

2.2.2절의 문헌 분석 결과를 바탕으로 차량 대 차량, 차량 대 보행자 및 차량 대 VRU 평가를 위해 교차로 상황에 적합하도록 시나리오 설계하였다.

1) 차량 대 차량 시나리오 유형

① 직진 주행 중인 차량과 횡단보도 앞에 정지한 차량의 차량 동적 인식 성능 및 제어 알고리즘 성능평가

② 직진 주행 중인 차량과 교차로를 통과하는 측면에서 주행 중인 차량의 차량 동적 인식 성능 및 제어 알고리즘 성능평가

③ 좌회전 주행 중인 차량과 교차로를 통과 하는 정면에서 주행 중인 차량의 차량 동적 인식 성능 및 제어 알고리즘 성능평가

2) 차량 대 보행자 시나리오 유형

① (교차로 상에서 다수의 보행자 존재 시 횡단보도 이용 중인 보행자 감지 성능 확인)

직진 주행 중인 차량과 횡단보도를 횡단 중인 보행자(성인)의 보행자 인식 정확도 확인 및 미동작/오동작 확인

② 좌회전 주행 중인 차량과 횡단보도를 횡단 중인 보행자(성인)의 보행자 인식 정확도 확인 및 미동작/오동작 확인

③ 우회전 주행 중인 차량과 횡단보도를 횡단 중인 보행자(성인)의 보행자 인식 정확도 확인 및 미동작/오동작 확인

3) 차량 대 VRU 시나리오 유형

① 직진 주행 중인 차량과 직진 주행 중인 이륜차의 이륜차 동적 인식 성능 및 제어 알고리즘 성능평가

② 우회전 주행 중인 차량과 직진 주행 중인 이륜차의 이륜차 동적 인식 성능 및 제어 알고리즘 성능평가

③ 직진 주행 중인 차량과 갑자기 차선 변경을 하는 이륜차의 이륜차 동적 인식 성능 및 제어 알고리즘 성능평가


4. 시나리오 시뮬레이션 구현 및 성능 평가

시나리오에 대한 시뮬레이션을 구축하고 성능을 평가하였다. 1절에서는 LiDAR의 특성을 파악하기 위해 다수의 주변 물체 즉 차량, 보행자 등이 존재하는 상황에 대한 LiDAR 성능 파악을 수행하고 이를 기반으로 2절에서는 시나리오의 성능평가를 검증을 수행한다. 본 시뮬레이션 연구는 운동량보존법칙5) 및 에너지보존법칙이 고려되었으며 충돌 전 차량의 초기속도, 진행경로, 충돌자세, 차량의 감가속도 및 타이어와 노면 간 마찰 계수5) 등의 다양한 변수들이 고려되었다.6,7)

Fig. 3

Car to car scemario type 2

4.1 LiDAR 특성 파악 시뮬레이션

시뮬레이션 수행 시 다수의 Object가 존재할 경우 소요시간이 많은 단점이 있기에 이를 개선하고자 하였다. 시뮬레이션 결과 다수의 전방객체가 존재할 상황과 한대의 차량(전방객체)이 존재할 때에 시뮬레이션 결과를 비교하여 차이의 유의미한 정도를 파악하였다. Fig. 4와 같이 동일한 시험 시나리오에 대해서 두 가지 조건에 대한 시험 시뮬레이션을 수행하였다. 하나는 관심 대상인 Object를 중심으로한 두 개의 주변 Object를 추가하였다. 다른 하나는 우리가 생각할 수 있는 복잡한 환경을 구축하기 위해 약 20여 종의 Object가 존재하는 상황을 만들었다. Fig. 4의 구성 시나리오 시뮬레이션 결과를 Fig. 5에 표시하였으며 두 시뮬레이션에서 각각의 전방 Object에 대한 에너지 감도는 유의미한 차이를 보이지 않은 결과를 도출하였다. 이에 나머지 시뮬레이션 수행에서도 모든 주변 Object를 포함하는 것이 아니라 주변 몇 개의 Object만을 적용하여 수행 시간을 단축하였다.

Fig. 4

Car to car comparison scenario

Fig. 5

Car to car comparison scenario simulation

시뮬레이션에 적용된 LiDAR 특성은 아래와 같다.

Test LiDAR performance

4.2 시나리오 시뮬레이션 검증

본 절에서는 새로운 시나리오 개발을 위해서 Euro NCAP 문헌 분석을 기반으로 교차로 Test 시나리오를 설계하고, Pre-Scan 시뮬레이션 검증 툴을 사용하여 설계된 시나리오를 검증한다.

앞장에서 도출한 시나리오들에 대한 시뮬레이션을 수행하여 본 시스템에서 AEB 성능을 검증할 수 있었음을 확인하였으며 아래 Fig. 5는 그 결과 중의 하나를 보여주고 있다.

본 시나리오는 직진 주행 중인 차량과 횡단보도 앞에 정지한 차량의 차량 동적 인식 성능 및 제어 알고리즘에 대한 성능평가이다.

  • ‣ 목적 : 직진 주행 중인 차량과 교차로를 통과하는 측면에서 주행 중인 차량의 차량 동적 인식성능 및 제어 알고리즘 성능평가
  • ‣ 주행 속도 : 10~70 km/h (+5 km/h)
  • ‣ EVT 주행 속도 : 35 km/h
  • ‣ 상기 시나리오에서 발생할 수 있는 교통 위반 내용 : 안전 수칙 미 준수, 교차로 통행법 위반, 과속, 신호 위반 등
  • ‣ 검토 내용 :
    ① 직진 주행 중인 차량과 횡단보도를 횡단 중인 보행자(성인)의 보행자 인식 정확도 확인 및 미동작/오동작 확인(교차로 상에서 다수의 보행자 존재 시 횡단보도 이용 중인 보행자 감지 성능 확인)
    ② 주행 속도 : 10~70 km/h (+5 km/h) / 보행자 속도 : 5 km/h (걷는 중)
  • ‣ 결과 :
    상대 차량과 교차로를 교차하는 대표 상황으로 약 60 m 지점부터 감지 가능하여 TTC가 3초 이상이므로 긴급 상황 시 AEB가 작동하여 안전을 확보할 수 있을 것으로 판단됨
Fig. 6

Simulation result of car recognition


5. 결 론

본 연구는 실차평가기술 개발 중 Euro NCAP AEB 2020 VRU를 위하여 작성되었다. 아직까지 교차로 환경에서 AEB 테스트를 위한 시나리오가 충분하지 못하기 때문에 본 논문에서는 다양한 시나리오를 개발 하여 제안하고자 한다. 관련 문헌 분석을 통해 직, 간접적으로 영향이 많은 유형에 대해 분석하고 이를 활용하여 가상 도로 환경에서 알고리즘 성능평가를 마친 뒤, 실차 검증을 진행하여야 한다. 하지만 위의 시나리오를 동일하게 반복 구현하기 어렵기 때문에 실차 성능평가에선 위 시나리오를 일반화(함축)하여 반복 수행한다.

교통사고 중 가장 많이 발생하는 정지한 차량과 전방 충돌에 대해 유형별로 분류하여 이에 필요한 사항에 대해 정리하였다. 주변 환경에 해당하는 교차로 형태, 도로 등을 대한민국 설치지침에 따라 정의하였고, 인식 객체들은 Euro NCAP의 사양을 참고하여 작성하였다. 문헌 분석을 바탕으로 Euro NCAP 2020 AEB VRU Protocol에 준하는 시나리오를 제안하였으며 이를 시뮬레이션을 통해 유용성을 검증하였다. Test 시나리오에서 사용되는 인식 객체(정적, 동적) 그리고 주변 환경에 대한 요구사항을 정의함으로써 차후 성능평가 알고리즘으로서 신뢰성을 가질 수 있을 것이다.

본 연구는 Lidar센서만을 이용한 교차로 AEB 시스템으로 다양한 환경에 한계점을 지니게 된다. 따라서 향후 적용 가능성이 매우 큰 V2X 정보와의 융합을 통한 교차로 안전 시스템 개발을 위한 검증 시나리오를 개발할 필요가 있다고 판단된다.

Nomenclature

VUT : vehicle under test
EVT : euro NCAP vehicle target
FCWS : forward collision warning system
AEB : autonomous emergency brake
GES : general estimates system
FARS : fatality analysis reporting system
PCAM : pedestrian crash avoidance / mitigation systems

Acknowledgments

이 연구는 산업통산자원부(한국산업기술평가관리원 연구관리) 2016년 산업기술혁신사업(교차로 자동긴급제동시스템(AEB) 개발을 위한 다기능 전방카메라 및 LiDAR 센서퓨전기반 인지시스템 개발)의 연구비 지원으로 수행된 연구임(No.10067476).

References

  • Euro NCAP Copyright, Euro-Ncap-Aeb-Vru-Test-Protocol-V202, https://www.euroncap.com/en/forengineers/protocols/pedestrian-protection/ (2017).
  • Euro NCAP Copyright, Euro-Ncap-Pedestrian-Testing Protocol-V84, https://www.euroncap.com/en/forengineers/protocols/pedestrian-protection/ (2018).
  • 2007 NHTSA Pre-Crash Scenario Typology-Final PDF Version 5-2-07, https://www.nhtsa.gov/vehicle/2007 (2007).
  • B. C. Yim, D. S. Yun, H. C. Kim, and S. K. Oh, “The Research of AEB Performance Test Method Bases on Euro-NCAP and Anaylysis of Domestic Traffic Accident Cases”, KSAE Spring Conference Proceedings, p609-610, (2017).
  • W. T. Oh, J. H. Kim, J. H. Choi, Y. M. Ha, H. S. Park, and J. C. Park, “A Study on the Coefficient of Restitution for Low-speed Rear-end Vehicle Impacts”, Transactions of KSAE, 25(5), p600-606, (2017). [https://doi.org/10.7467/ksae.2017.25.5.600]
  • I. H. Han, “Reconstruction Analysis of Vehicle-pedestrian Collision Accidents: Calculations and Uncertainties of Vehicle Speed”, Transactions of KSAE, 19(5), p82-91, (2011).
  • S. Park, K. Yang, H. Lee, N. Park, S. Hong, J. Yoo, and H. Kim, “A Study of Impact on Head and Neck Using Human Volunteer Low-Speed Rear Impacts Tests”, Korean Journal of Legal Medicine, 37, p66-72, (2013). [https://doi.org/10.7580/kjlm.2013.37.2.66]

Fig. 1

Fig. 1
Vehicle accident scenario type

Fig. 2

Fig. 2
Vehicle accident status of flat intersection

Fig. 3

Fig. 3
Car to car scemario type 2

Fig. 4

Fig. 4
Car to car comparison scenario

Fig. 5

Fig. 5
Car to car comparison scenario simulation

Fig. 6

Fig. 6
Simulation result of car recognition

Table 1

Vehicle accident type 1

Type None collision accident
Accident name Accident by car flaw Tire 95 % Brake, Power train, Steering system 62%
Explain Accident outgoing to outside road by fatal flaw of car component for daytime
Area Rural Wether Sunny Speed 55 mph
Additional note Occurrence probability increase 24 % at curve driving

Table 2

Vehicle accident type 2

Type Car to car collision accident
Accident name Violation of the signal Violation of the signal
Explain Collision accident with the side car by signal violation(red signal) on the crossroad
Area Rural Wether Sunny Speed 35 mph
Additional note Urban environment, careless, women driver, the old

Table 3

Vehicle accident scenario type

Scenario Vehicle maneuver Pedestrian maneuver GES frequency
S1 Going straight Crossing roadway 7,481 35.5 %
S2 Turning right Crossing roadway 2,264 10.7 %
S3 Turning left Crossing roadway 6,200 29.4 %
S4 Going straight Walking along roadway, with/against traffic 2,950 14.0 %
Other scenarios 2,195 10.4 %

Table 4

PCAM system effect analysis

Scenario Vehicle maneuver Pedestrian maneuver MAIS 2+ % of MAIS 2+ MAIS 3+ % of MAIS 3+
S1 Going straight Crossing roadway 2,682 49.9 % 1,879 56.9%
S2 Turning right Crossing roadway 274 5.1 % 92 2.8 %
S3 Turning left Crossing roadway 883 16.4 % 333 10.1 %
S4 Going straight Walking along / Against traffic 1,207 22.4 % 860 26.0 %
Other scenarios 330 6.1 % 141 4.3 %
Total injuries from PCAM-addressable crashes 5,376 3,305

Table 5

System architechure for proposed scenario

Section Specification
LiDAR FHD (1920*1080)
Camera 8 type, 32 objects
Object Static object Lane, curb, speed bump
Dynamic object Pedestrial, bicycle, baby carriage, car, motorcycle
Car speed 10~60 km/h
Object recognition rate Over 95 % (front object)

Table 6

Object recognition number setup for test scenario

Object name Num
Lane (Centerline 1EA, car lane on the driving road: 2EA) 3
Curb 1
Speed bump 1
Car (Static Car 1EA, driving or stopping car 3EA) 4
Pedestrian (Adult 8, child 2) 10
Bicycle 3
Baby carrage 1
Motor cycle 1
Total recognition objects 24

Table 7

Vehicle to vehicle scenario conditon

Scenario VUT EVT Obstacle
Maneuver Speed (km/h) Maneuver Speed (km/h)
S1 Going straight 10~70 Stop 0 Stop car 2ea
S2 Going straight 10~70 Cross 35 None

Table 8

Vehicle to pedestrian scenario condition

Scenario VUT EVT Obstacle
Maneuver Speed (km/h) Maneuver Speed (km/h)
S1 Going straight 10~70 Crossing crosswalk 5 Stop car, Pedestrian
S2 Turn left 10~40 Crossing crosswalk 5 Stop pedestrian

Table 9

Vehicle to motorcycle scenario condition

Scenario VUT EVT Obstacle
Maneuver Speed (km/h) Maneuver Speed (km/h)
S1 Going straight 10~70 Going straight 25 Stop car 2ea
S2 Turn right 10~40 Going straight 25 None

Table 10

Vehicle to bicycle scenario condition

Scenario VUT EVT Obstacle
Maneuver Speed (km/h) Maneuver Speed (km/h)
S1 Going straight 10~70 Road side driving 15 None
S2 Going straight 10~70 Road driving 15 None

Table 11

Test LiDAR performance

① H-FoV 701, 140° (+ -70)
② V- FOV 4layer 5° (-1.7~3.4)
③ Capture frame : 15
④ Range : 60 m
⑤ Divergence : 3.0
⑥ H-resolution : 0.05
⑦ V-resolution : 0.01
⑧ Distance resolution : 0.01