[논문 리뷰] Highway traffic data: macroscopic, microscopic and criticality analysis for capturing relevant traffic scenarios and traffic modeling based on the highD data set

Friedrich Kruber, Jonas Wurst외 2명|arXiv (Cornell University)|2019. 03. 11.

Traffic control and management참고 문헌 12인용 수 13

한 줄 요약

이 논문은 highD 자연주의 주행 데이터셋을 분석하여 고속도로 교통을 거시적, 미시적, 임계성 지표로 특성화한다. Time-To-Collision (TTC), Time-Headway (THW), 및 복합 Risk Perception (RP) 측정치를 활용해 희귀 교통 상황에 대한 실행 가능한 임계값을 제안하며, 임계 상황의 2.4%만이 활성 브레이킹을 포함하고 있음을 밝혀내며 대부분의 운전자가 브레이킹 대신 차선 변경을 선택하는 것으로 나타났다.

ABSTRACT

This work provides a comprehensive analysis on naturalistic driving behavior for highways based on the highD data set. Two thematic fields are considered. First, some macroscopic and microscopic traffic statistics are provided. These include the traffic flow rate and the traffic density, as well as velocity, acceleration and distance distributions. Additionally, the dependencies to each other are examined and compared to related work. The second part investigates the distributions of criticality measures. The Time-To-Collision, Time-Headway and a third measure, which couples both, are analyzed. These measures are also combined with other indicators. Scenarios, in which these measures reach a critical level, are separately discussed. The results are compared to related work as well. The two main contributions of this work can be stated as follows. First, the analysis on the criticality measures can be used to find suitable thresholds for rare traffic scenarios. Second, the statistics provided in this work can also be utilized for traffic modeling, for example in simulation environments.

연구 동기 및 목표

• 독일 고속도로에서의 자연주의 주행 행동을 highD 데이터셋을 사용해 분석한다.
• 기본도 및 차선당 하중을 활용해 거시적 교통 흐름을 특성화한다.
• 속도, 가속도, 거리 분포를 통해 미시적 운전자 행동을 정량화한다.
• TTC, THW, RP를 사용해 임계 교통 상황을 식별하고 운전자 반응을 평가한다.
• 교통 시뮬레이션 및 안전 모델링 향상을 위해 희귀 교통 상황에 대한 데이터 기반 임계값을 제공한다.

제안 방법

• 연구는 25Hz로 드론 기록한 고속도로 교통 데이터를 포함한 highD 데이터셋을 사용한다. 총 45,000km의 주행 데이터를 확보하였다.
• 거시적 분석은 교통 흐름률, 밀도, 차선 하중을 계산하며, 집계된 데이터로부터 기본도를 유도한다.
• 미시적 분석은 속도, 종방향/횡방향 가속도, 거리 간격(DHW) 분포를 평가한다.
• 임계성 측정치인 TTC, THW, RP를 계산하고 분석하며, RP는 TTC와 THW의 복합 측정치로 정의된다.
• 이전 연구의 기준에 따라 위험 수준(1~3) 기반으로 시나리오를 분류하며, 임계 프레임에서 운전자 행동(브레이킹, 차선 변경)을 분석한다.
• 통계 모델링은 임계성 측정치와 종방향 가속도 및 운동 행동을 통합하여 위험 반응 패턴을 평가한다.

실험 결과

연구 질문

• RQ1 자연주의 고속도로 주행에서의 거시적 교통 흐름 특성(흐름률, 밀도, 차선 하중)은 어떠한가?
• RQ2 다른 교통 조건에서 운전자 행동(속도, 가속도, 간격)은 어떻게 변화하는가?
• RQ3 실제 고속도로 상황에서 임계성 측정치(TTC, THW, RP)의 분포와 임계값은 어떠한가?
• RQ4 TTC 및 THW로 식별된 고위험 상황에서 운전자는 어떤 행동(브레이킹, 차선 변경)을 취하는가?
• RQ5 브레이킹 또는 차선 변경과 같은 운동 패턴이 임계성 임계값과 얼마나 관련이 있는가?

주요 결과

• 모든 트랙 중 11.8%만이 임계 상황의 시간 창 기준을 충족하였으며, highD 데이터셋에서 총 3,323건의 임계 상황이 확인되었다.
• RP ≥ 2.0로 정의된 임계 상황에서 차량의 2.4%만이 활성 브레이킹(ax ≤ -1.5 m/s²)를 수행하였으며, 이는 고위험 상황에서 브레이킹 반응이 낮음을 시사한다.
• 임계 상황에서 41.7%의 차량이 종방향 가속도가 0 m/s² 이하(ax ≤ 0 m/s²)였으며, 이는 브레이킹 의도가 있으나 완전한 브레이킹을 하지 않은 상황을 의미한다.
• 임계 순간에 음의 가속도를 보인 차량 중 36.4%는 차선 변경을 수행하였으며, 이는 차선 변경이 주요 피하기 전략임을 시사한다.
• RP ≥ 2.0 조건에서 강한 브레이킹(ax ≤ -1.5 m/s²)를 한 차량 중 브레이킹과 동시에 차선 변경을 한 차량은 3.8%에 불과하여, 브레이킹과 차선 변경이 동시에 발생하는 경우가 드문 것을 확인하였다.
• 임계 상황에서 대부분의 운전자(특히 RP ≥ 2.0인 경우)는 브레이킹을 하지 않았으며, 대신 차선 변경에 의존하고 있어 현재의 안전 모델이 비브레이킹 피하기 행동을 과소평가할 수 있음을 시사한다.