자율주행자동차 검증을 위한 고위험 시나리오 개발 방법론에 관한 연구

1. 서 론

세계 각국의 완성차 및 부품 기업은 자율주행자동차를 개발하고 검증하기 위해 대규모의 인력과 예산을 투입하고 있다. 하지만, 아직 세계 어느 굴지의 기업도 완성도 높은 ‘Lv. 3 수준 자율주행’ 차량을 시장에 출시하지 못하고 있는 실정이다.^1,2) 이는 자율주행자동차가 주행하는 도로, 계절, 시간 및 객체(Object)의 종류와 출현 형태 등이 서로 상호작용을 하게 되고 예측할 수 없는 다양한 주행 상황을 만들어 내며, 복잡한 인지-판단-제어 프로세싱의 조건을 대규모로 생산해 내기 때문이다.^3-5) 그러므로 각국 정부는 자율주행자동차가 안전하게 주행 될 수 있도록 운영 설계 영역인 ODD(Operational Design Domain)에서 명시적으로 선언한 가이드라인을 통해 자율주행자동차의 설계와 검증 개발자들에게 개발과 평가의 범위, 전제 조건 및 시험 기준으로 활용될 수 있도록 지침을 제공하고 있다.

앞서 진행된 연구 논물들로부터 자율주행자동차는 개발의 과정만큼이나 평가와 검증 기술 역시 난이도가 높다는 것을 확인할 수 있다.^6,7) 이는 전통적으로 차량의 하드웨어의 피로 수명 검증에 집중된 절차가 자율주행자동차의 시험⋅평가의 과정과는 근본적인 차이점을 보이기 때문이다. 현재 양산되고 있는 ‘Lv. 2 수준’의 자율주행 기술인 첨단 운전자 보조 시스템(ADAS : Advanced Driver Assistance System)의 경우 평가 시험 방법, 절차 및 사용 장비까지 규약(Protocol)의 형태로 정의하고 있으나, 이를 자율주행자동차가 주행되는 환경 영역까지 반영된 검증이 진행되기에는 평가의 방법과 범위가 매우 협소한 실정이다.^8,9) 현재는 자율주행자동차 S/W를 개발하는 담당자들의 일부가 시험과 평가의 업무를 개발자 관점에서 병행하고 있으며, 검증⋅시험 업무를 전담하는 평가 담당자의 경우 MILS(Model In the Loop Simulation), SILS(Software In the Loop Simulation) 시스템의 환경 개발 함께 ODD가 포함된 검증 시나리오를 구성하는데 집중하고 있는 상황이다.¹⁰⁾ 이런 R&R(Roles and Responsibilities) 구분은 자율주행자동차를 검증하기 위해서는 차량 모델, 타이어 모델, 센서 모델, 액추에이터 모델 및 도로 모델 등이 필수적으로 포함된 상태에서 시나리오가 추가되어야 하기 때문이다. 이런 이유로 자율주행자동차 검증 시스템과 관련된 상당수의 연구 논문들의 경우 MILS, SILS 및 VILS(Vehicle In the Loop Simulation) 환경을 개발에 집중되고 있음을 확인할 수 있다.^10-12) 자율주행자동차 검증 시나리오와 관련된 논문들의 경우 센서와 제어기에 집중되어 있으며,¹³⁾ 차량 동역학(Vehicle dynamics) 모델이 포함된 MILS, SILS 시뮬레이션 검증 시스템과 관련된 연구들의 경우 경험에 기반한 시나리오 또는 정의되지 않은 주행 시나리오와 실도로에서 로딩(Loading)된 이벤트성 주행 데이터를 재연⋅재생(Replay) 하여 주입하거나 프로토콜로 정의된 ADAS NCAP(New Car Assessment Program) 시나리오 범위를 벗어나고 있지 못하고 있는 실정이다.¹⁴⁾ 또한, 실제 차량과 유사한 주행 조건을 생성하는데 어려움이 있어 자율주행자동차를 중심으로 방해 차량이 무작위(Random)의 형태로 출현하는 다양한 미시적 교통 시뮬레이션 S/W들과 Co-Simulation 검증 환경을 구성하기도 하지만, 이들 역시 근접 주행과 충돌의 주행 조건을 생성하지 못해 사고를 유발할 수 있는 한계 상황과 고위험 주행에 가까운 충돌 유사 조건에서의 검증이 불가능한 상황이다.¹⁵⁾

따라서 본 논문에서는 차량 충돌 시뮬레이션(ex: PC-Crash, Virtual CRASH)을 사용하여, 자율주행자동차 검증에 적합한 고위험 시나리오를 개발하는 방법론에 대해 제안한다. 이 연구에서 정의한 ‘고위험(High-risk)’은 실제 차대차(Vehicle to vehicle) 사고가 발생한 데이터의 반영을 의미하며, 고위험 시나리오 개발 5단계를 통해 두 차량의 주행 경로와 속도를 합리적으로 추정할 수 있는 방법을 소개한다. 물론, 기존의 차량 충돌 시뮬레이션 툴을 활용하여 사고 재구성이 가능하지만, 차량의 주행 속도를 결정하는 과정에서 지루하고 반복 작업인 시행착오법(Try-and-Error method)을 필수적으로 포함하고 있어 시나리오 생산성 관점에서 효율성이 현저하게 낮은 한계점을 노출하고 있다. 이번 논문에서 제안한 고위험 시나리오를 자율주행자동차 검증에 활용할 경우 기존 자동차 모듈 및 부품의 가해지는 스트레스 수준을 인위적으로 높여 피로 수명을 예측하는 가속 내구 시험(Accelerated fatigue testing) 개념을 자율주행자동차 S/W 검증의 관점으로 확장이 가능하다. 즉, 특별한 주행 이벤트가 발생하지 않는 지루한 자율주행자동차 마일리지 누적 시험을 합리적으로 대체할 수 있게 된다. 또한 기존의 차량 충돌 및 사고 분석 프로그램에서 두 차량의 주행 속도를 합리적으로 신속하게 결정할 수 있어 기존의 사고 재구성 기법을 개선할 수 있게 된다.

2. 5 Step - 고위험 시나리오 개발

고위험은 시나리오 개발은 총 5단계로 Fig. 1과 같이 구성된다. 이번 연구에서 정의하는 ‘고위험’은 자율주행자동차(Ego vehicle)를 중심으로 발생한 차대 사람(Vehicle-to-Pedestrian), 차대 자전거(Vehicle-to-Cyclist)와 차량 단독(Vehicle alone) 사고 사례는 포함하지 않는다. 오직 차대차에 주행 조건에 한하여 발생한 실제 사고의 주행 조건만을 반영한다. 그 이유는 차대 사람의 경우 자율주행자동차의 센서만을 이용하여 인지와 인식의 프로세싱이 진행되기 보다는 V2X(Vehicle to everything) 통신 및 UWB(Ultra Wide Band) 센서 기술이 통합된 형태로 기술이 발전할 것으로 예상되기 때문이다. 또한 대부분의 완성 자동차 기업의 경우 현재 양산을 목표로 하는 자율주행자동차 기술이 다양한 객체가 공존하는 차량 밀집도가 높은 시내 도로 주행 환경이기보다는 객체가 자동차로 한정되는 자동차전용도로에 우선적으로 적용될 것으로 예상되기 때문이다. 물론, 로보택시(Robotaxi)의 경우 도심 주행을 목표로 개발되고 있으나 주행 지역이 일정한 구역의 형태로 한정적이고, 자율주행 Lv. 4 수준을 목표로 개발이 진행되고 있기 때문에 제외한다.

Fig. 1

5 step process - high-risk scenario development

2.1 Step-1 사고 현장 다이어그램(Diagram) 수집

첫 번째 단계는 사고를 재구성하기 위해 사용자가 접근이 가능한 사고 DB(Database) 수집으로 시작된다. 고위험 시나리오를 개발하기 위해서는 사고 현장 다이어그램(Accident scene diagram)이 필수적으로 확보되어야 한다. 하지만, 실제 도로 환경에서 발생한 사고 데이터의 경우 많은 개인 정보를 포함하고 있어 쉽게 접근할 수 없는 경우가 대부분이다. 이런 이유로 선행 연구에서 소개된⁷⁾ 바와 같이 NASS-CDS(National Automotive Sampling System Crashworthiness Data System)에서 제공되는 사고 데이터를 활용한다.

NASS-CDS에서 제공되는 Case Number: 2015-04-002 사고 현장 스케치는 Fig. 2와 같으며, 교차로에서 두 대의 차량 충돌이 발생한 것으로 도로의 형태, 주행 경로, 충돌 위치점과 충돌 이후 최종 정차 위치 등에 대한 개략적인 수준의 정보를 확인할 수 있다. 즉, 충돌 이전 주행 속도 정보를 제공하고 있지 않아 주행 시나리오로 활용하는데 한계가 있다. 그러므로 속도 추정을 위한 단계로 Step-2의 사고 차량 미끄럼 거리 추정 단계가 진행된다.

Fig. 2

Accident scene diagram provided by NASS-CDS

2.2 Step-2 사고 차량 미끄럼 거리 추정

두 번째 단계는 두 차량의 충돌 위치점을 시작으로 사고 차량의 미끄럼 거리를 추정한다. 사고 다이어그램의 충돌 위치와 차량의 최종 정차 위치 정보로부터 거리 추정이 Fig. 3과 다음의 관계식으로부터 진행된다. 이 과정에는 사전에 확보된 자차와 방해 차량의 제원값(Vehicle specification) 데이터와 식 (1)과 식 (2)를 이용하여 충돌 이후 차량이 주행하여 최종 정지하기까지의 거리를 예측한다. 단, 미끄럼 거리 예측 관계식은 L_pϵ∈Rⁿ, 0 < k ≤ 10을 만족해야 한다. 미끄럼 거리 추정의 기준이 되는 $$ L_{ϵv}^s$$는 완성차 업체에서 제공하는 차량 제원의 전장 길이(Length) 또는 충돌 시뮬레이션 S/W에서 제공하는 데이터를 활용한다.

$\[ L_{{ϵ}_{c\to s}}=\left(\frac{L_{ϵv}^s}{L_{ϵv}^i}\times L_{ϵv}^s\right)\times L_{pϵ} \]$

(1)

$\[ L_{pϵ}=\left(0,\frac{L_{ϵv}^s}{k}\right) \]$

(2)

Fig. 3

Estimation skidding distance from accident scene diagram

여기서, $$ L_{ϵv}^s$$ : 차량 제원 상의 자차(Ego) 전장 길이, $$ L_{ϵv}^i$$ : 다이어그램 이미지 자차 전장 길이, L_pϵ : 길이 조정 튜닝 파라미터, L_ϵc→s : 자차 충동 후 미끄럼 거리를 의미한다.

2.4 Step-4 충돌 후 자차 주행 속도 추정

네 번째 단계는 자차(Ego vehicle)인 자율주행자동차의 주행 속도를 추정하는 단계이다. 이 과정은 뉴턴의 제 2법칙의 일과 에너지의 원리를 기반으로 자차의 충돌(Collision) 이후 미끄럼 단계의 속도를 추정하게 된다. 두 차량이 충돌하여 힘이 작용하게 되면 충돌력에 의해 차량에 가속도가 발생하게 되고, 이는 차량 속도 변화의 현상으로 나타난다. 이와 관련된 운동 에너지, 탄성 에너지 및 위치(Potential) 에너지와 충돌 힘에 의한 일의 지배 방정식은 Fig. 4와 식 (4)~(7)과 같다.

$\[ \sum F_n=0 \]$

(4)

$\[ \sum F_t=m{a}_t \]$

(5)

$\[ \sum F\mathrm{c}\mathrm{o}\mathrm{s}\theta =m{a}_t \]$

(6)

$\[ \sum \begin{array}{l}{\int }_{s_a}^{s_b}F\mathrm{c}\mathrm{o}\mathrm{s}\theta \hfill \\ ={\int }_{v_a}^{v_b}mvdv=\frac{1}{2}m{v}_b^2-\frac{1}{2}m{v}_a^2\hfill \end{array} \]$

(7)

Fig. 4

Principle of work by a force

여기서 F_n 수직항력(Normal force)은 질량의 변위가 발생하지 않아 작동하지 않는 것으로 가정하여 고려하지 않는다. 그러므로 식 (4)와 같이 ΣF_n=0을 만족하게 된다. 무게 m을 가진 물체의 접선 방향으로 작용하는 접선력은 식 (5), (6)과 같으며, 이로부터 운동 방정식은 식 (7)과 같이 정의할 수 있다. 위의 유도 과정으로부터 i 점의 Kinetic 에너지(E_i)는 식 (8)과 같으며, a ~ b점까지의 모든 힘에 의해 수행된 일(W_a→b)은 식 (9)와 같다.

$\[ E_i=\frac{1}{2}m{v}_i^2 \]$

(8)

$\[ E_b=E_a+\sum W_{a\to b} \]$

(9)

여기서, ΣW_a→b는 외부 힘에 의해 한 일, 중력 위치 에너지 변화, 탄성 위치 에너지 변화 및 마찰(μ) 에너지 손실의 합으로 정의된다.

앞서 정의한 식 (4)~(9)의 지배 방정식으로부터 자차의 충돌 이후 미끄럼 거리(L_ϵc→s)가 포함된 주행 조건의 충돌 이후 추정 주행 속도는 식 (10)과 같이 정의된다. 여기서 L_ϵc→s는 식 (1)~(2)로부터 계산된다.

$\[ \frac{1}{2}m{v}_{{\epsilon }_{c\to s}}^2\left(v_{p\epsilon }\right)-\mu mg{L}_{{\epsilon }_{c\to s}}=0 \]$

(10)

여기서 v_ϵc→s는 자차의 충돌 후 정차까지의 속도, v_pϵ는 자차 속도 추정 파라미터가 된다.

이번 연구는 지배 방정식에 기반한 차량의 주행 속도를 추정하는 과정이 포함되는 만큼 차량의 주행 속도의 비선형(Nonlinear) 특성이 증가되는 것을 감안하여 도로 노면 마찰 계수(μ)는 1.0로 가정하고 진행한다. 그 이유는 비선형 특성의 경우 차량에 발생한 가속도와 주행 거리를 일차 함수의 형태로 정의할 수 없기 때문이다. 또한, 차량에 승차한 탑승자와 추가로 별도로 싣는 물건은 없는 공차 상태로 가정하여 차량 제원 무게(m) 데이터를 반영한다. 이런 가정으로부터 식 (10)을 이용하여 자차인 자율주행자동차의 주행 속도가 최종 정차 위치까지 수렴하는 반복 과정을 최소화할 수 있게 된다.

2.5 Step-5 정차 위치 수렴을 위한 파라미터 결정

마지막 단계는 사고 현장 다이어그램(Diagram)으로부터 제공되는 차량들의 ‘시작 → 충돌 → 정차’의 과정이 최종 위치에 수렴할 수 있도록 파라미터들을 결정하는 단계가 된다. 사고 현장 다이어그램의 표기된 차량의 정차 위치($$ P_{{ϵ}_s}^d$$, $$ P_{{\tau }_s}^d$$)와 시뮬레이션 환경에서 구성한 속도로 주행할 경우 차량의 정차 위치($$ P_{{ϵ}_s}^w$$,$$ P_{{\tau }_s}^w$$)의 차이가 최소값으로 수렴될 때까지 반복한다. Figs. 1, 3, 5에서 확인되는 바와 같이 자차의 위치 오차값과 방해차의 위치 오차값은 $$ \mathrm{\Delta }{P}_{{ϵ}_s}=\left|P_{{ϵ}_s}^d-P_{{ϵ}_s}^w\right|, \mathrm{\Delta }{P}_{{\tau }_s}=\left|P_{{\tau }_s}^d-P_{{\tau }_s}^w\right|$$으로 정의된다.

Fig. 5

Tuning parameter determination algorithm final vehicle position converges

여기서, $$ P_{{ϵ}_i}^d$$ : 사고 현장 다이어그램 상의 자차 시작 위치, $$ P_{{ϵ}_c}^d$$ : 사고 현장 다이어그램 상의 자차 충돌 위치, $$ P_{{ϵ}_s}^d$$ : 사고 현장 다이어그램 상의 자차 정차 위치, $$ P_{{\tau }_i}^d$$ : 사고 현장 다이어그램 상의 방해차 시작 위치, $$ P_{{\tau }_c}^d$$ : 사고 현장 다이어그램 상의 방해차 충돌 위치, $$ P_{{\tau }_s}^d$$ : 사고 현장 다이어그램 상의 방해차 정차 위치를 나타낸다.

3. 고위험 시나리오 생성 결과

차대차 사고를 대상으로 NASS-CDS에서 제공하는 사고 데이터를 분석한 결과 교차로 환경에서 직각 충돌이 가장 많은 횟수로 발생되는 것을 확인할 수 있다.⁷⁾ 그러므로 Case Number: 2009-03-157(Case ID: 761011862)을 대상으로 이번 연구에서 제안하는 고위험 시나리오 생성 과정을 진행하였다. Fig. 6에서 확인되는 바와 같이 NHTSA에서 제공되는 사고 현장 다이어그램을 기반으로 주요 관심 차량을 자차로 선정하고, 남은 차량을 방해 차량으로 선정하였다. 추가로 차량의 충돌이 후 최종 정차 위치점까지의 각도를 추가로 측정한다. 각도 정보는 방해 차량의 종⋅횡방향 주행 속도를 추정하는데 활용이 가능하다.

Fig. 6

NASS-CDS accident scene diagram(No.2009-03-157)

본 논문에서 제안한 고위험 시나리오 개발 프로세스와 관계식으로부터 충돌 시뮬레이션 S/W를 구동한 결과는 위 그림에서 확인할 수 있다.

NASS-CDS에서 기본적으로 제공하는 자차의 전장 길이는 482(cm) 무게는 1,429(kg)이고, 방해 차량의 전장 길이는 467(cm), 무게는 1,555(kg) 이다. 자차의 ‘충돌 → 정차’ 과정이 진행되는 충돌 속도는 식 (10)으로부터 식 (11)과 같이 유도되어 22.72 (km/h)로 추정할 수 있다. 앞 장에서 소개한 바와 같이 식 (1), (2)로부터 자차의 충돌 이후 미끄럼 거리(L_ϵc→s)는 2.74(m)로 추정되고, Fig. 5에서 정의한 차량 정차 위치 결정 과정을 통해 자차의 정지거리 오차가 최소값이 되는, 자차 속도 추정 파라미터(v_pϵ)는 1.0의 값으로 결정할 수 있었다.

여기서 α는 자차 속도 추정 파라미터(v_pϵ)가 반영된 계산값, β는 자차의 충돌 이후 미끄럼 거리(L_ϵc→s)가 반영된 계산값이 된다.

Fig. 7은 충돌 시점의 두 차량의 충돌 위치점에 대해 사용자 관점(Perspective view)과 상 관점(Top view)에 해당된다. 사고 DB에서 제공하는 충돌점에 근접한 접점이 발생하는 것을 확인할 수 있다. 충돌 시뮬레이션에서 제공되는 역공학(Reverse engineering) 과정을 통해 확인된 자차의 속도는 v_ϵi→c : 35.0 (km/h), v_ϵc→s : 22.72 (km/h) 이 된다. 방해 차량 속도의 경우 v_τi→c : 20.0 (km/h)이 되고, 충돌 이후의 속도는 v_τc→s : 16.53 (km/h)이 되어 85~90 (%) 수준에서 정도의 유사성을 보이는 것을 확인할 수 있었다. 추정 속도의 정합성은 Fig. 9와 Fig. 10에서 확인할 수 있으며, 여기서 ‘‒‒‒‒’Red 선는 충돌 시뮬레이션 출력값, ‘‒⋅‒’Blue 선은 논문에서 제안한 출력값에 해당된다.

Fig. 7

Collision point state of two vehicles(Pϵcw, Pτcw)

Fig. 8

Final stopping position state of two vehicles(Pϵsw, Pτsw)

Fig. 9

Velocity profile of the ego vehicle in an accident scene diagram

Fig. 10

Velocity profile of the target vehicle in an accident scene diagram

자차에 해당되는 자율주행자동차와 방해차의 경우 사고 피해의 최소화로 운전자가 운전의 행위가 개입되었다는 전제 조건으로 설정하였다. 즉, 충돌 시점을 기준으로 자율주행시스템 또는 운전자에 의해 제동력은 입력되고 조향력은 입력되지 않은 것으로 가정하여 시뮬레이션을 진행하였다. 그 이유는 이번 연구가 주행 속도를 추정하는데 집중되어 있고 운전자의 조향 입력을 고려할 경우 차량의 최종 정차 위치를 결정하는데 많은 변수가 발생하기 때문에 고려하지 않았다.

4. 결 론

이번 연구에서 우리는 자율주행자동차의 검증을 위한 고위험 시나리오 개발 프로세스에 대해 제안하였다. 여기서 고위험은 실제 사고 상황을 의미하며, 사고 데이터 취득을 시작으로 사고 재구성 기법과 위치 수렴 알고리즘을 유도하였다. 이를 위해 핵심이 되는 미끄럼 거리 추정 단계(Step-2), 방해 차량의 초기 주행 속도 추정 단계(Step-3), 자차 충돌 위치점의 주행 속도 추정 단계(Step-4)와 두 차량의 위치 수렴 조정 파라미터 보정 단계(Step-5)를 소개하였고, 이를 차량 충돌 시뮬레이션 S/W 해석과 비교하여 타당성을 검증하였다.

이는 기존의 차량 충돌 시뮬레이션 S/W를 활용하여 시나리오 개발자의 반복적인 주행 속도 조정의 단계의 과정을 상당 부분 해소할 수 있을 뿐만 아니라, 지배 방정식을 통해 사고 현장 다이어그램으로 주행 속도를 예측할 수 있어 신속한 고위험 시나리오를 구성할 수 있는 가능성과 재현성을 확인할 수 있었다. 물론 자차의 초기 주행 속도의 추정과 방해 차량의 충돌점 이후의 속도를 추정하는 과정에 일부 한계점을 가지고 있는 만큼 이는 향후 연구 주제로 확장할 예정이다. 이 두 과정에는 Fig. 6과 같이 충돌 이후 두 차량의 최종 주행 각도 정보를 기반으로 주행 방향(X-axis)과 선회 방향(Y-axis)으로 분류된 속도 추정의 과정이 포함될 것이다.

자율주행자동차의 ‘인지-판단-제어’의 검증은 기존 차량에서 발생한 사고 상황(Case)에서 사고 회피 또는 사고 발생 후 피해 경감 확보 가능 여부를 통해 기술적 완성도의 평가가 진행되는 것이 합리적일 것이다. 따라서 본 논문에서 제안하는 실제 사고 데이터 재구성 과정을 통해 테스트 시나리오를 생성하고, 이를 자율주행자동차의 V&V(Verification & Validation) 과정에 활용할 경우 고위험 주행 조건에서 자율주행자동차의 3대 핵심 프로세스에 대해 평가가 가능할 것으로 예상한다.

References

• N. Ghafoorianfar and M. Roopaei, “Environmental Perception in Autonomous Vehicles Using Edge Level Situational Awareness,” 10th Annual Computing and Communication Workshop and Conference(CCWC), 2020. [https://doi.org/10.1109/CCWC47524.2020.9031155]
• M. Roshdi, N. Nayeer, M. Elmahgiubi, A. Agrawal and D. E. Garcia, “A Unified Evaluation Framework for Autonomous Driving Vehicles,” IEEE Intelligent Vehicles Symposium(IV), 2020. [https://doi.org/10.1109/IV47402.2020.9304698]
• S. Chung, “A Study on Multi-Sensor Fault Detection and Compensation Control for Autonomous Vehicles,” Transactions of KSAE, Vol.30, No.4, pp.265-271, 2022. [https://doi.org/10.7467/KSAE.2022.30.4.265]
• F. Sagir and S. V. Ukkusuri, “Mobility Impacts of Autonomous Vehicle Systems,” 21st International Conference on Intelligent Transportation Systems (ITSC), 2018. [https://doi.org/10.1109/ITSC.2018.8569933]
• X. Zhang, S. Khastgir and P. Jennings, “An ODD-Based Scalable Assurance Framework for Automated Driving Systems,” SAE 2023-01-0574, 2023. [https://doi.org/10.4271/2023-01-0574]
• P. Koopman and M. Wagner, “Challenges in Autonomous Vehicle Testing and Validation,” SAE Int. J. Trans. Safety, Vol.4, No.1, pp.15-24, 2016. [https://doi.org/10.4271/2016-01-0128]
• S. Chung, J. M. Ryu, N. Chung, M. Yu, M. S. Pyun and J. B. Kim, “A Study on Development of High Risk Test Scenario and Evaluation from Field Driving Conditions for Autonomous Vehicle,” Journal of Auto-Vehicle Safety Association, Vol.10, No.4, pp.40-49, 2018.
• Y. Youn and G. H. Kim, “Effects of NCAP in Automotive Safety Regulations and Researches,” Proceedings of KSME Autumn Conference, Vol.2, No.1, pp.34-38, 2001.
• D. Kim, M. Lee, J. Park and T. Kim, “Analysis of Driving Path Estimation Based on Euro NCAP AEB CPTA Scenarios,” KASE Annual Tutumn Conference & Exhibition, p.908, 2022.
• M. Jin, S. Lee, Y. Kim, W. Park and J. H. Jeong, “Development of EURO NCAP Ttest Protocol and Verification System Linking VILS and HILS Considering Weather Conditions,” The 81th Conference of Korean Society of Transportation, pp.295-296, 2019.
• C. Park, S. Chung and H. Lee, “Vehicle-in-the-Loop in Global Coordinates for Advanced Driver Assistance System,” Applied Sciences, Vol.10, No.8, pp.2645, 2020. [https://doi.org/10.3390/app10082645]
• S. Lee, J. Kim and S. -C. Kee, “An Implementation Plan of VILS Systems for Verification and Validation of Autonomous Driving Scenario in a Virtual Environment,” 34th ICROS Annual Conference(ICROS 2019), pp.73-75, 2019.
• M. Byeon, H. Jang, T. Lee, J. Ryu, S. Chung and S. W. Yoon, “Automotive Radar Sensor Model Virtually Considering Rain Environment,” KSAE Fall Conference Proceedings, pp.295-296, 2019.
• G. Oh, W. Ko, J. Park, I. Yun and J. So, “Study on the Improvement of Traffic Accident Report for Automated Vehicle Test Scenarios,” The Journal of The Korea Institute of Intelligent Transportation Systems, Vol.21, No.2, pp.167-182, 2022. [https://doi.org/10.12815/kits.2022.21.2.167]
• J. Park, K. W. Kim and T. -B. Lim, “Development of Autonomous Driving Simulation Scenario Generation Scheme,” Autumn Annual Conference of IEIE, pp.593-594, 2022.