Evaluation of Autonomous and Manual Vehicle Interactions Based on Psychological Safety Margin Using Waymo Open Dataset

Yuanming Cui; Hoyoon Lee; Cheol Oh

doi:10.22680/kasa2026.18.2.071

Preview

Journal of Auto-vehicle Safety Association. 30 June 2026. 71-79
https://doi.org/10.22680/kasa2026.18.2.071

Evaluation of Autonomous and Manual Vehicle Interactions Based on Psychological Safety Margin Using Waymo Open Dataset

Waymo Open Dataset을 활용한 심리적 안전 마진 기반 자율차-비자율차 상호작용 평가

Yuanming CUI¹^*

Hoyoon LEE²

Cheol OH³^†

최 원명¹^*

이 호윤²

오 철³^†

¹한양대학교 스마트시티공학과, 석박통합과정

²한국건설기술연구원 도로교통연구본부, 석사후연구원

³한양대학교 교통물류공학과, 교수

^{*First Author}

^{†Corresponding Author}

ABSTRACT

The advancement of autonomous driving technology has heightened the need to ensure not only physical safety but also the psychological safety of human drivers in mixed traffic environments. Existing interaction safety metrics, such as Post-Encroachment Time (PET), provide thresholds for physical conflicts but fail to reflect the psychological safety of manual vehicle drivers interacting with autonomous vehicles. This study defines psychological safety as a state in which a human driver of a manual vehicle does not feel anxiety due to the behavior of an autonomous vehicle. Accordingly, we propose that interaction safety evaluation criteria should complement existing physical safety indicators by explicitly incorporating psychological safety. The proposed methodology is to assess autonomous vehicle–manual vehicle interaction safety based on the Psychological Safety Margin (PSM), defined as the set of preemptive and yielding threshold speeds within which an autonomous vehicle can pass through an intersection whilst ensuring the psychological safety of the human driver. Based on the PSM, a Psychological Safety Zone (PSZ) and a Psychological Risk Zone (PRZ) are further established; when the autonomous vehicle's speed falls within the PSZ, the driver's psychological safety is ensured, whereas a speed within the PRZ indicates it is not. A Psychological Safety Score (PSS) was derived by scoring the proportion of interaction time satisfying the PSZ, and utilized as an interaction safety assessment index. The proposed methodology was applied to the Waymo Open Dataset, and the results quantitatively demonstrate differences in psychological safety levels by intersection types and interaction scenarios. The outcome of this study can contribute to establishing psychological safety evaluation criteria for improving the social acceptability of autonomous driving technology. In addition, it is expected to support the assessment of autonomous vehicle driving performance and the development of speed management strategies accounting for the psychological safety of road users.

Keywords

Autonomous vehicle(자율차)

Vehicle interaction evaluation(차량 상호작용 평가)

Psychological Safety Margin(심리적 안전 마진)

MAIN

1. 서 론
2. 데이터
3. 방법론
3.1. Psychological Safety Margin
3.2. Psychological Safety Score
4. 적용 결과
5. 결 론

1. 서 론

자율주행 기술의 발전으로 미래 교통체계의 안전을 확보하기 위한 기술적 기반이 견고해지고 있다. 자율주행차(Autonomous Vehicle, AV)는 센서 인식 정보와 인공지능 기반 알고리즘을 활용하여 주변 도로 이용자의 거동을 검지 및 예측하고 충돌을 회피함으로써 물리적 위험 감소에 기여하고 있으며, 자율주행 기술이 성숙 단계에 이르면 인간 오류로 인한 사고의 상당 부분을 예방할 수 있을 것으로 기대된다.⁽¹⁾ 그러나 AV가 실도로에 보급되는 과도기적 단계에서는 AV와 비자율차(Manual Vehicle, MV)가 혼재하는 혼합 교통류 환경이 상당 기간 지속될 것이며,⁽²⁾ 이러한 환경에서 AV의 거동은 상호작용 대상 차량의 인간 운전자에게 물리적 위험과 별개로 심리적 불안을 유발할 수 있다.⁽³⁾

교차로는 혼합 교통류 환경에서 AV와 MV 간의 상호작용이 빈번하게 발생하는 대표적인 위험 구간으로, 특히 비신호교차로에서는 통행 우선권이 명확하지 않아 AV의 거동이 인간 운전자에게 모호하게 인식될 수 있어 위험상황이 빈번하게 발생할 수 있다.⁽⁴⁾ 실제 AV 운행 사례에서도 인간 운전자가 AV의 거동을 충분히 이해하지 못한 상황이 사고의 주요 원인으로 지적된 바 있다.⁽⁵⁾ 따라서 교차로에서 차량 간 상호작용 안전성을 평가하는 기술은 대단히 중요하다.

기존 연구에서는 교차로의 상호작용 안전성을 평가하기 위해 TTC(Time to Collision), PET(Post Encroachment Time)와 같은 대체 안전지표(Surrogate Safety Measures, SSM)가 주로 활용되어 왔다.⁽⁶⁾ 해당 지표들은 차량 간 충돌 가능성을 정량적으로 평가하는 데 유용하나, AV와 상호작용하는 MV 운전자의 심리적 불안수준을 반영하지 못한다는 한계를 가진다. 인간 운전자의 심리적 상태를 분석하기 위해 뇌파(EEG), 피부전도(GSR), 심박수(HR) 등의 생리적 신호를 활용한 연구가 수행되어 왔으며, 자율주행 행태에 따라 인간의 정서 반응 및 생리적 지표가 유의하게 변화하는 것이 확인되었다.⁽⁷⁾ 그러나 기존 연구는 AV 탑승자의 관점에 초점을 두거나 설문 기반의 주관적 조사방법에 의존하고 있어,⁽⁸⁾ AV와 상호작용하는 MV 운전자의 심리적 안전을 객관적으로 정량화하는 데 한계가 있다.

본 연구에서는 심리적 안전을 AV와 상호작용하는 MV 운전자가 AV의 거동으로 인해 불안감을 느끼지 않는 상태로 정의하였다. Kim et al.의 선행연구에서 제시된 PET = 2.7 s를 심리적 안전 임계 기준으로 설정하고⁽⁹⁾, 비신호교차로에서 AV와 MV 간 상호작용을 대상으로 MV 운전자의 심리적 안전을 정량적으로 평가하기 위한 심리적 안전 마진(Psychological Safety Margin, PSM) 기반 평가 방법론을 제안하였다. 또한 자율주행 실도로 데이터인 Waymo Open Dataset을 활용하여 교차로 유형 및 상호작용 상황에 따른 심리적 안전 수준의 차이를 분석하였다.

2. 데이터

Waymo Open Dataset은 미국에서 수집된 자율주행차의 주행 궤적, 센서 인식 정보 및 주행환경 정보를 포함하는 공개 데이터셋이다. 본 연구에서는 Waymo Open Dataset의 Perception 데이터셋을 기반으로 Hu et al.(2022)이 차량 궤적 분석을 목적으로 가공·정제한 데이터를 활용하였다.⁽¹⁰⁾ 해당 데이터셋은 Waymo의 자율주행차가 미국 San Francisco, Phoenix, Mountain View 지역에서 수집한 데이터를 포함하며, 2019년에 공개된 원본 1,000개 구간(segment)으로 구성되어 있다. 각 구간은 약 20초 길이의 시계열 데이터로 구성되어 있으며, 0.1초 간격으로 차량 및 주변 객체의 상태 정보가 기록되어 있다. 이에 따라 전체 데이터셋은 약 20,000초의 주행 데이터를 포함한다.

센서 기반 궤적 데이터는 측정 오차 및 센서 노이즈로 인해 위치 및 속도 정보에 불규칙한 변동을 포함할 수 있다. 이러한 노이즈를 완화하기 위해 B-spline 평활화를 적용하였다. B-spline은 다수의 매듭(knot)으로 분할된 데이터를 다항식 조각(piecewise polynomial)의 집합으로 표현하여 연속 함수로 근사하는 기법으로,⁽¹¹⁾ 자율주행 경로 계획 및 궤적 데이터 전처리 과정에서 널리 활용되고 있다.⁽¹²⁾ 본 연구에서는 3차 B-spline을 적용하였으며, 평활화 정도를 제어하는 smoothing factor는 1.0으로 설정하였다. 매듭은 해당 평활화 조건을 만족하도록 자동으로 배치되므로, 그 개수는 궤적별로 가변적으로 결정된다. 또한 안정적인 곡선 적합을 위해 관측점 수가 8개 미만인 궤적은 분석에서 제외하였다. 적용된 평활화 파라미터는 Table 1에 제시하였으며, 평활화 전후의 속도 프로파일 비교 결과는 Fig. 1에 나타내었다. Fig. 1에서 확인할 수 있듯이, 원자료에 포함된 고주파 변동은 효과적으로 감소한 반면 전반적인 속도 변화 추세는 유지되는 것으로 나타났다.

Table 1.

B-spline smoothing parameters

Parameter	Value
Spline degree (k)	3
Smoothing factor (s)	1.0
Knot placement	automatic
Minimum points per trajectory	8

https://cdn.apub.kr/journalsite/sites/kasa/2026-018-02/N0380180208/images/kasa_18_02_08_F1.jpg

Fig. 1

Comparison of raw and B-spline smoothed speed profiles

본 연구의 분석 대상은 비신호교차로에서 AV와 MV 간 유의한 상호작용이 발생한 구간으로 한정하였다. 분석 대상 네트워크에서 3지 및 4지 비신호교차로를 선별하고, PET ≤ 10초 조건을 기준으로 유의한 상호작용 구간을 추출하였다. 상호작용 유형은 Fig. 2에 제시한 바와 같이 교차(Crossing) 상황과 합류(Merging) 상황으로 구분하였다. 결과적으로 총 44개의 상호작용 구간(segment)이 선정되었으며, 이 중 Crossing 상황은 27개, Merging 상황은 17개로 나타났다. 하나의 상호작용 구간에는 AV와 복수의 MV 간 상호작용이 포함될 수 있으므로 해당 구간들로부터 최종적으로 70개의 차량 페어(car pair)가 추출되었다. 차량 페어는 Crossing 46개, Merging 24개로 구성되었으며, 본 연구의 최종 분석 단위는 차량 페어로 설정하였다.

https://cdn.apub.kr/journalsite/sites/kasa/2026-018-02/N0380180208/images/kasa_18_02_08_F2.jpg

Fig. 2

Interaction types (number of interaction segments)

3. 방법론

본 연구의 방법론은 Fig. 3에 제시한 바와 같이 크게 세 단계로 구성된다. 첫째, 비신호교차로에서 AV가 인간 운전자의 심리적 안전을 확보하며 통과할 수 있는 선행 임계 속도와 양보 임계 속도를 산출하고, 이들의 집합을 심리적 안전 마진(PSM)으로 정의한다. 둘째, 도출된 PSM를 기준으로 심리적 안전 영역(Psychological Safety Zone, PSZ)과 심리적 위험 영역(Psychological Risk Zone, PRZ)을 구분하고, 이를 기반으로 상호작용 안전성을 정량적으로 평가하는 Psychological Safety Score(PSS)를 산출한다. 셋째, 구축한 방법론을 Waymo Open Dataset에 적용하여 교차로 유형 및 상호작용 상황에 따른 AV-MV 간 심리적 안전 확보 수준을 평가하고 시사점을 도출한다.

https://cdn.apub.kr/journalsite/sites/kasa/2026-018-02/N0380180208/images/kasa_18_02_08_F3.jpg

Fig. 3

Research framework

3.1. Psychological Safety Margin

기존 PET은 교차 지점에서 선행 차량이 통과한 시점 $t_{i - 1}$ 과 후행 차량이 동일 지점에 도달한 시점 $t_{i}$ 간의 시간 차이로 정의되며, 식 (1)과 같이 산출된다. 교차로에서의 물리적 안전 임계값에 관한 선행연구들은 다양한 기준을 제시하고 있다. 좌회전 차량과 대향 직진 차량 간의 충돌 위험을 분석한 연구에서는 PET≤1.5s를 심각 상충의 임계값으로 제안했고,⁽¹³⁾ 우회전 관련 사고 분석 연구에서는 PET≤1.0s를 충돌 위험이 높은 임계 기준으로 도출했다.⁽¹⁴⁾ 이처럼 기존 PET 임계값은 물리적 충돌 위험 수준에 따라 상이하게 제시되지만, 공통적으로 사후적 관측치에 기반한 물리적 안전 평가에 초점을 둔다. 따라서 PET는 상호작용 진행 중의 실시간 위험 변화 과정을 반영하지 못하는 한계를 가진다. 이러한 한계를 보완하기 위해 본 연구에서는 ePET를 정의한다. ePET는 각 시점에서 두 차량이 현재 속도를 유지할 경우 교차 지점까지의 예상 도착 시간(Time-to-Arrival, TTA)의 차이로 정의되는 연속형 지표로, 식 (2)와 같이 산출된다. 여기서 $e P E T (t)$ 는 시점 t에서의 추정 PET, d(t)는 현재 위치로부터 교차 지점까지의 거리, v(t)는 차량 속도를 의미하며, 아래첨자 LV와 FV는 각각 선행 및 후행 차량을 나타낸다.

(1)

P E T = t_{i} - t_{i - 1}

(2)

e P E T (t) = {\hat{T T A}}_{L V} (t) - {\hat{T T A}}_{F V} (t) = \frac{d_{L V} (t)}{v_{L V} (t)} - \frac{d_{F V} (t)}{v_{F V} (t)}

본 연구에서 적용하는 심리적 안전 임계 기준인 PET = 2.7초는 Kim et al.의 선행연구에서 도출된 값이다.⁽⁹⁾ 해당 연구에서는 비신호교차로 환경에서 AV와 상호작용하는 MV 운전자를 대상으로 주행 시뮬레이션 실험을 수행하고, EEG 기반 불안·긴장 지수(Anxiety & Nervousness Index, ANI)를 산출하였다. 이후 PET와 ANI 간의 관계 모델을 수립하고, ANI가 PET 증가에 따라 더 이상 유의미하게 감소하지 않는 한계 개선점을 도출한 결과, PET가 2.7초 이상에서 불안 수준 변화가 최소화되는 것으로 나타났다.

이를 기반으로 교차로 상호작용 상황에서 인간 운전자의 심리적 안전을 확보하기 위한 AV의 임계 속도를 산출한다. AV의 교차로 통과 방식은 Fig. 4와 같이 AV가 MV보다 먼저 교차 지점을 통과하는 선행(preempt) 상황과, AV가 MV 이후 후행 통과하는 양보(yield) 상황으로 구분된다. 각 상황에서 심리적 안전 임계 기준을 만족하기 위한 AV의 임계 속도는 ePET 식을 기반으로 유도되며, 식 (3), (4)와 같이 정의된다. 여기서 $v_{A V}^{p r e e m p t} (t)$ 와 $v_{A V}^{y i e l d} (t)$ 는 각각 시점 t에서 AV의 선행 및 양보 임계 속도, ${\hat{T T A}}_{M V} (t)$ 는 시점 t에서 MV의 교차 지점까지 예상 도착 소요 시간, $d_{A V} (t)$ 는 시점 t에서 AV의 현재 위치로부터 교차 지점까지의 거리이다. 선행 임계 속도는 AV가 MV보다 먼저 교차 지점을 통과하면서 심리적 안전 임계 PET를 확보하기 위한 최소 속도이며, 양보 임계 속도는 AV가 MV에게 양보하면서 심리적 안전 임계 PET를 확보하기 위한 최대 속도이다. 본 연구에서는 이러한 선행 임계 속도와 양보 임계 속도의 집합을 PSM으로 정의하며, 심리적 안전 영역과 위험 영역을 구분하는 경계값의 개념으로 해석된다.

https://cdn.apub.kr/journalsite/sites/kasa/2026-018-02/N0380180208/images/kasa_18_02_08_F4.jpg

Fig. 4

Two intersection-crossing strategies for AV

(3)

v_{A V}^{p r e e m p t} (t) = \frac{d_{A V} (t)}{{\hat{T T A}}_{M V} (t) - e P E T} = \frac{d_{A V} (t)}{{\hat{T T A}}_{M V} (t) - 2.7 s}

(4)

v_{A V}^{y i e l d} (t) = \frac{d_{A V} (t)}{{\hat{T T A}}_{M V} (t) + e P E T} = \frac{d_{A V} (t)}{{\hat{T T A}}_{M V} (t) + 2.7 s}

3.2. Psychological Safety Score

PSM을 구성하는 임계 속도를 기준으로 심리적 안전 영역(PSZ)과 심리적 위험 영역(PRZ)을 식 (5), (6)과 같이 정의한다. PSZ는 Fig. 5와 같이 두 개의 속도 구간으로 구성되며, 양보 임계 속도 이하의 구간( $P S Z_{y i e l d}$ )은 AV가 MV에게 충분히 양보하여 심리적 안전이 확보되는 속도 범위이며, 선행 임계 속도 이상의 구간( $P S Z_{p r e e m p t}$ )은 AV가 MV보다 충분히 빠르게 선행하여 심리적 안전이 확보되는 속도 범위이다. 이때 $V_{\max}$ 는 AV가 해당 도로에서 주행 가능한 최대 속도로, $P S Z_{p r e e m p t}$ 구간의 상한이다. 자율주행차는 도심 주행 시 제한속도를 초과하지 않으므로 본 연구에서는 $V_{\max}$ 를 도심부 일반도로의 제한속도 수준인 50 km/h로 설정하였다. 반면, PRZ는 두 임계 속도 사이의 구간으로 AV의 통행 의도가 MV 운전자에게 모호하게 인식되어 심리적 불안이 가중된다고 해석한다.

https://cdn.apub.kr/journalsite/sites/kasa/2026-018-02/N0380180208/images/kasa_18_02_08_F5.jpg

Fig. 5

Conceptual diagram of the PSM

(5)

P S Z (t) = [0, v_{A V}^{y i e l d} (t)] \cup [v_{A V}^{p r e e m p t} (t), v_{\max}]

(6)

P R Z (t) = (v_{A V}^{y i e l d} (t), v_{A V}^{p r e e m p t} (t))

이러한 개념을 기반으로 상호작용을 정량적으로 평가하기 위한 PSS를 식 (7)과 같이 정의한다. N은 전체 주행 시간 스텝 수, $I_{P S Z} (k)$ 는 시점 k에서 AV 속도의 PSZ 포함 여부를 나타내는 이진 지표이다. PSS는 전체 상호작용 시간 중 PSZ을 만족하는 시간 비율을 0~10점으로 환산한 지표로, 값이 높을수록 심리적 안전 확보 수준이 높음을 의미한다.

(7)

P S S = \frac{1}{N} \sum_{k = 1}^{N} I_{P S Z} (k) \times 10 w h e r e, I_{P S Z} (k) = \{\begin{cases} 1, & v (t) \in P S Z (t) \\ 0, & o t h e r w i s e \end{cases}

4. 적용 결과

4지 비신호교차로에서 AV와 MV의 Merging 상호작용 사례에 대한 PSM 기반 상호작용 안전성 평가 예시를 Fig. 6에 제시하였다. 해당 사례의 PSS는 6.67로 산출되었다. AV는 4지 교차로 진입 과정에서 감속 및 정지 후 다른 접근로의 MV에게 양보한 뒤 통행을 재개하였다. 속도 프로파일 분석 결과, 상호작용 초기 약 3초 동안 AV의 속도가 PRZ에 해당하여 인간 운전자의 심리적 불안을 유발할 수 있는 것으로 나타났다. 이후 AV가 충분히 감속하여 양보 임계 속도 이하로 진입함에 따라 PSZ을 만족하는 속도를 유지하며 주행하였다. 이는 AV의 교차로 진입 초기 단계에서의 속도 관리가 인간 운전자의 심리적 안전 확보에 중요한 영향을 미침을 시사한다.

https://cdn.apub.kr/journalsite/sites/kasa/2026-018-02/N0380180208/images/kasa_18_02_08_F6.jpg

Fig. 6

Analysis example: (a) Vehicle trajectories and (b) PSM estimation

70건의 상호작용에 대한 PSS 산출 결과는 Table 2에 제시하였다. 전체 평균 PSS는 8.75로 나타났다. 집단 간 PSS 차이의 통계적 유의성을 평가하기 위해 비모수 검정인 Mann–Whitney U 검정을 수행하였다. 교차로 유형별 분석 결과, 4지 비신호교차로의 평균 PSS는 8.38로 3지 비신호교차로의 평균 PSS(9.21)보다 약 6.09% 낮게 나타났다. 또한 Table 3에 제시된 Mann–Whitney U 검정 결과, 이러한 차이는 통계적으로 유의한 것으로 확인되었다(p = 0.018). 한편, 상호작용 유형별 분석에서는 Crossing 상황의 평균 PSS가 8.57로 Merging 상황의 평균 PSS(9.10)보다 약 5.53% 낮게 나타났다. Table 3의 검정 결과, 10% 유의수준에서는 통계적으로 유의한 차이가 확인되었다(p = 0.067). 이는 4지 비신호교차로와 Crossing 상황에서 AV가 인간 운전자의 심리적 안전을 충분히 확보하지 못하는 경우가 상대적으로 많음을 의미한다. 4지 비신호교차로는 다방향에서 차량이 진입하여 상충 가능성이 높고, Crossing 상황은 Merging 상황에 비해 두 차량의 주행 경로가 직각에 가깝게 교차하여 상대 차량의 주행방향 인지와 이에 따른 속도 조절의 어려움이 증가하기 때문으로 판단된다.

Table 2.

PSS statistics by intersection type and scenario (n = number of car pairs)

Classification	Sample Size (n)	Mean	Standard Deviation	Minimum	Maximum
Intersection type
Unsignalized 4-leg intersection	39	8.38	1.64	3.28	10.00
Unsignalized 3-leg intersection	31	9.21	1.35	4.91	10.00
Interaction scenario
Crossing	46	8.57	1.55	3.28	10.00
Merging	24	9.10	1.56	4.91	10.00
Total
-	70	8.75	1.56	3.28	10.00

Table 3.

Results of Mann–Whitney U test for PSS differences

Classification		n	Median	IQR	U	P-value	Effect size(r)
Intersection type	Unsignalized 4-leg intersection	39	8.87	7.22–10.00	415	0.018	0.31
Intersection type	Unsignalized 3-leg intersection	31	10.00	8.77–10.00
Interaction scenario	Crossing	46	8.89	7.48–10.00	412	0.067	0.25
Interaction scenario	Merging	24	10.00	8.90–10.00

5. 결 론

본 연구는 혼합 교통류 환경의 비신호교차로에서 AV와 MV 간 상호작용 안전성을 심리적 안전 관점에서 평가하기 위한 PSM 기반 방법론을 제안하였다. PET의 사후적 산출 한계를 보완하는 연속형 지표 ePET와 심리적 안전 임계 기준(PET=2.7s)을 적용하여 PSM을 도출하고, 이를 기준으로 PSZ와 PRZ를 구분한 뒤 PSZ 만족 시간 비율을 점수화한 PSS를 산출하여 상호작용 안전성을 평가했다.

제안된 방법론을 Waymo Open Dataset의 비신호교차로 데이터에 적용한 결과, 교차로 유형별로 4지 비신호교차로의 PSS 평균(8.38)이 3지 비신호교차로(9.21)보다 약 6.09% 낮았으며, 이 차이는 통계적으로 유의하였다(p = 0.018). 또한 상호작용 유형별로는 Crossing 상황의 PSS 평균(8.57)이 Merging 상황의 PSS 평균(9.10)보다 약 5.53% 낮게 나타났으며, 해당 차이는 10% 유의수준에서 통계적으로 유의한 것으로 확인되었다(p = 0.067). 이는 4지 비신호교차로와 Crossing 상황에서 AV의 속도가 PRZ에 머무는 비율이 상대적으로 높아, 인간 운전자의 심리적 안전이 충분히 확보되지 못하는 상호작용이 더 빈번하게 발생함을 의미한다.

본 연구는 물리적 안전 중심의 기존 상호작용 평가 지표를 보완하여 인간 운전자의 심리적 안전을 정량적으로 평가할 수 있는 새로운 분석 체계를 제시하였다는 점에서 의의를 가진다. 제안된 PSM은 물리적 충돌 위험이 없는 상황에서도 인간 운전자가 심리적 불안을 느낄 수 있는 영역을 식별함으로써, 기존 지표가 식별하지 못했던 심리적 안전 영역을 평가할 수 있는 기반을 마련하였다. 본 연구에서 제시한 방법론은 자율주행 기술의 사회적 수용성 향상을 위한 심리적 안전 평가 기준 수립에 기여할 수 있으며, AV의 주행행태 분석 시 심리적 안전 요소를 반영할 수 있는 정량적 기반을 제공한다. 또한 본 방법론은 교차로 상호작용 상황에서 심리적 안전을 고려한 AV의 속도 관리 전략 수립에도 활용될 수 있다. PSM이 제공하는 양보 임계 속도와 선행 임계 속도는 AV가 비신호교차로 진입 시 유지해야 할 속도 범위(PSZ)와 회피해야 할 속도 범위(PRZ)를 실시간으로 규정하므로, AV는 양보 임계 속도 이하로 감속하거나 선행 임계 속도 이상으로 통과하도록 속도 조정 알고리즘을 적용할 수 있다. PSS는 이러한 속도 관리 전략의 심리적 안전 확보 수준을 평가하는 정량적 지표로 활용될 수 있다. 나아가 본 방법론은 다양한 도로 환경으로 확장 적용이 가능하며, 자율주행 시스템의 신뢰성 확보 및 도로 이용자 중심의 안전 기준 정립에 기여할 수 있을 것으로 기대된다.

다만 본 연구는 아래의 한계점을 가진다. 심리적 안전 임계 기준(PET = 2.7초)은 특정 교차로 시나리오를 기반으로 도출된 값으로, 다양한 도로 환경 및 운전자 특성을 완전히 반영하지 못할 수 있으며, 향후 연구에서는 보다 다양한 상호작용 유형과 운전자 집단을 대상으로 한 임계 기준의 정교화가 필요하다. 또한 본 연구에서 활용한 Waymo Open Dataset은 미국 도시 환경에서 수집된 데이터로, 국내 교통 환경과 차이가 있을 수 있어 국내 실도로 데이터를 활용한 추가 검증이 요구된다. 아울러 상호작용 유형에 따른 PSS 차이는 10% 유의수준에서 통계적으로 유의한 것으로 나타났으나, 표본 규모가 70개 차량 페어로 제한되어 있다는 점을 고려할 때 향후 보다 큰 표본을 활용한 추가 검증이 필요하다. 또한 본 연구의 PSS는 심리적 안전 확보 수준을 0~10점으로 정량화하나, 어느 수준 이상을 심리적으로 안전하다고 판단할 수 있는지에 대한 임계값은 아직 정립되지 않았다. 향후 연구에서는 생리적·주관적 반응 측정을 통해 PSS와 실제 심리적 안전 수준 간의 관계를 분석하여, 심리적 안전을 판정하는 PSS 임계값을 도출하는 연구가 필요하다. 이러한 임계값이 정립되면 이를 목표 수준으로 하는 AV의 권장 속도 프로파일 도출 등 속도 관리 전략 연구로 확장될 수 있다.

Acknowledgements

이 논문은 2023년도 정부(경찰청)의 재원으로 과학치안진흥센터의 지원을 받아 수행된 연구임(과제명: 실도로 기반 Lv.4 자율주행차량 운전능력 평가기술 개발/ 과제번호: RS-2023-00238253).

References

Zhao, J., Zhao, W., Deng, B., Wang, Z., Zhang, F., Zheng, W. and Burke, A. F., 2024, “Autonomous Driving System: A Comprehensive Survey,” Expert Systems with Applications, Vol. 242, pp. 122836.

10.1016/j.eswa.2023.122836

김호선, 조영, 김민경, 오철, 이설영, 이조영, 2025, “Level 3 자율주행차의 자율주행모드와 수동주행모드의 주행안전성 영향요인 비교 분석,” 한국ITS학회 논문지, Vol. 24, No. 3, pp. 174~193.

Ma, Z. and Zhang, Y., 2024, “Driver-Automated Vehicle Interaction in Mixed Traffic: Types of Interaction and Drivers’ Driving Styles,” Human Factors, Vol. 66, No. 2, pp. 544~561.

10.1177/0018720822108835835469464PMC10757400

Albano, G., Mattas, K., Donà, R., Vass, S., Suarez-Bertoa, R., Galassi, M. C. and Ciuffo, B., 2024, “Drivers’ Behavior at Unsignalized Intersections: An Empirical Analysis and Derivation of Requirements for the European Regulation 1426/2022 Concerning the Type-Approval of Automated Driving Systems,” Data Science for Transportation, Vol. 6, No. 1, pp. 3.

10.1007/s42421-024-00088-z

Li, D., Liu, A., Pan, H. and Chen, W., 2023, “Safe, Efficient and Socially-Compatible Decision of Automated Vehicles: A Case Study of Unsignalized Intersection Driving,” Automotive Innovation, Vol. 6, No. 2, pp. 281~296.

10.1007/s42154-023-00219-2

조영, 이설영, 오철, 서원호, 김형수, 2022, “교차로 차량 주행안전성 예측 기반 위험상황 검지 기술 개발,” 대한교통학회지, Vol. 40, No. 2, pp. 245~259.

10.7470/jkst.2022.40.2.245

Palatinus, Z., Volosin, M., Csábi, E., Hallgató, E., Hajnal, E., Lukovics, M. and Majó-Petri, Z., 2022, “Physiological Measurements in Social Acceptance of Self Driving Technologies,” Scientific Reports, Vol. 12, No. 1, pp. 13312.

10.1038/s41598-022-17049-735922644PMC9349214

Taniguchi, A., Enoch, M., Theofilatos, A. and Ieromonachou, P., 2022, “Understanding Acceptance of Autonomous Vehicles in Japan, UK, and Germany,” Urban, Planning and Transport Research, Vol. 10, No. 1, pp. 514~535.

10.1080/21650020.2022.2135590

Kim, H., Lee, H., Oh, C. and Yeo, H., 2025, “Insights from Psychophysiological Workload Analysis of Human-Driven Vehicle Drivers in Interactions with Autonomous Vehicles,” Accident Analysis & Prevention, Vol. 223, pp. 108252.

10.1016/j.aap.2025.108252

Hu, X., Zheng, Z., Chen, D., Zhang, X. and Sun, J., 2022, “Processing, Assessing, and Enhancing the Waymo Autonomous Vehicle Open Dataset for Driving Behavior Research,” Transportation Research Part C: Emerging Technologies, Vol. 134, pp. 103490.

10.1016/j.trc.2021.103490

Eilers, P. H. and Marx, B. D., 1996, “Flexible Smoothing with B-Splines and Penalties,” Statistical Science, Vol. 11, No. 2, pp. 89~121.

10.1214/ss/1038425655

Gabaire, M., Ghomi, H. and Hussein, M., 2025, “Investigating the Contributing Factors to Autonomous Vehicle-Road User Conflicts: A Data-Driven Approach,” Accident Analysis & Prevention, Vol. 211, pp. 107898.

10.1016/j.aap.2024.107898

Peesapati, L. N., Hunter, M. P. and Rodgers, M. O., 2018, “Can Post Encroachment Time Substitute Intersection Characteristics in Crash Prediction Models?,” Journal of Safety Research, Vol. 66, pp. 205~211.

10.1016/j.jsr.2018.05.002

Paul, M. and Ghosh, I., 2020, “Post Encroachment Time Threshold Identification for Right-Turn Related Crashes at Unsignalized Intersections on Intercity Highways under Mixed Traffic,” International Journal of Injury Control and Safety Promotion, Vol. 27, No. 2, pp. 121~135.

10.1080/17457300.2019.1669666

Journal of Auto-vehicle Safety Association ISSN:2005-9396(Print) 자동차안전학회지

Preview

Evaluation of Autonomous and Manual Vehicle Interactions Based on Psychological Safety Margin Using Waymo Open Dataset

ABSTRACT

MAIN

Table 1.

B-spline smoothing parameters

Fig. 1

Comparison of raw and B-spline smoothed speed profiles

Fig. 2

Interaction types (number of interaction segments)

Fig. 3

Research framework

(1)

(2)

Fig. 4

Two intersection-crossing strategies for AV

(3)

(4)

Fig. 5

Conceptual diagram of the PSM

(5)

(6)

(7)

Fig. 6

Analysis example: (a) Vehicle trajectories and (b) PSM estimation

Table 2.

PSS statistics by intersection type and scenario (n = number of car pairs)

Table 3.

Results of Mann–Whitney U test for PSS differences

Acknowledgements

References