< Previous김봉주·이선봉 자동차안전학회지:제14권,제3호,2022 Fig. 1 Fixed Target scenario for autonomous vehicles (2) 여기서, 는 목표 가속도, 는 게인, 제어 차량 의 속도이다. 식 (1)과 (2)를 이용하면 식 (3)과 같이 표현이 가능하 다. 식 (3)은 선행연구에서 제안한 목표거리 수식이다. (16) (3) 식 (3)의 게인은 0 또는 -1의 값으로 식 (3)을 정리하 면 식 (4)와 같이 정리할 수 있다. (4) 여기서, 는 , 는 , 는 이다. AEB는 일반적으로 TTC(Time to Collision)로 제어를 한다. TTC를 강화한 ETTC(Enhanced Time to Collision) 가 TTC와 같다는 가정을 하여, AEB의 거리 이론식을 제 안하였다. (17) (5) (6) 여기서, 는 목표차량의 평균속도, 는 대상차량 의 평균속도, 는 목표차량의 가속도, 는 대상차량 의 가속도, 는 상대거리이다. (7) 따라서, 식 (4)와 (7)을 통합하여 자율주행자동차의 종 방향 상대거리를 활용한 안전성 평가 이론식을 식 (8)과 같이 제안한다. (8) 여기서 는 , 는 이다. 통합이론수식인 식 (8)은 가속도 ± 을 기준으로 식 (4)와 식 (7)을 사용한다. 2.2. 시험시나리오 자율주행자동차의 고정목표에 대한 시험방법의 제안 을 위하여 연속적인 시나리오를 구성하여 아래와 같이 제 안한다. Fig. 1은 자율주행자동차의 고정목표에 대한 반응을 볼 수 있는 시나리오로, 직선도로 추종 시나리오, 긴급제동 오작동 평가 시나리오, 교차로 시나리오(좌회전, 우회전), 제동&회피 시나리오, 차선변경 시나리오, 표지판 인식 시 나리오를 통합하여 구성하였다.고정목표에 대한 자율주행자동차 시험방법에 관한 연구 자동차안전학회지:제14권,제3호,2022 (a)(b)(c) (d)(e)(f) (g) Fig. 2 Scenario for autonomous vehicles (a) own lane follow scenario, (b) emergency braking scenario (malfunction), (c) crossroad scenario (left turn, right turn), (d) avoidance & braking scenario, (e) lane change scenario, (f) a road sign recognition scenario, (g) legend (a)(b) Fig. 3 Test vehicles (a) autonomous vehicle, (b) Fixed Target vehicle Table 1 Autonomous vehicle specification NameSpec. Avante AD (autonomous vehicle) - 1.6 GDI - overall length: 4,570mm - overall width: 1,800mm - overall height: 1,440mm - wheel base: 2,700mm - displacement volume: 1,591cc - drive type: front wheel drive 고정목표에 대한 시험 시나리오의 실차 시험 최대 속도 는 구글 등의 기업에서 만든 자율주행자동차의 실도로 주 행 제한속도인 40km/h와 동일하게 설정을 하였다. 상세 시나리오의 설명은 아래와 같다. Fig. 2는 고정목표 시나리오를 각각 상세하게 나타낸 것 이다. Fig. 2의 (a)는 자차선 추종 시나리오이며, 직선도로 와 곡선도로에서 각각 진행하여야 한다. Fig. 2의 (b)는 긴급제동 오작동 평가 시나리오는 옆 차선에 정차되어있 는 차량을 인식하고 오작동유무를 판단하는 시나리오이 다. Fig. 2의 (c)는 교차로 시나리오(좌회전, 우회전)로 신 호를 읽고 안전하게 교차로를 통과하는 시나리오이다. Fig. 2의 (d)는 제동&회피 시나리오로 긴급제동이 아닌 일정 거리에서 장애물을 인지 후 감속하여 회피 또는 정지하는 시나리오이다. Fig. 2의 (e)는 차선변경 시나리오로 직선 도로에서 정해진 경로를 통해 차선을 변경하는 시나리오 이다. Fig. 2의 (f)는 표지판 인식 시나리오로 30km/h의 표지판을 인식하여 표지판 제한속도로 감속하는 시나리 오를 구성, 제안하였다. 3. 실차시험 3.1. 실차시험 차량 실차시험에 사용된 차량은 총 3대이며, Fig. 3(a)와 같 이 H사의 아반떼 AD 기반의 자율주행자동차와 고정목표 는 Fig. 3(b)인 H사의 아이오닉 EV와 R사의 QM6를 활용 하였다. 자율주행자동차의 사양은 Table 1에 나타내었고, 고정 목표로 활용한 자동차의 사양은 Table 2에 나타내었다. 실차시험에 사용한 자율주행자동차는 Fig. 4에 나타낸 김봉주·이선봉 자동차안전학회지:제14권,제3호,2022 Table 2 Fixed Target specification NameSpec. IONIQ EV - 120Ah - overall length: 4,470mm - overall width: 1,820mm - overall height: 1,475mm - wheel base: 2,700mm - motor maximum power: 100.0Kw - motor maximum torque: 295.0Nm - drive type: front wheel drive QM 6 - 1.6 dCi - overall length: 4,675mm - overall width: 1,845mm - overall height: 1,670mm - wheel base: 2,705mm - displacement volume: 1,997cc - drive type: four wheel drive (a)(b) (c)(d) (e) Fig. 4 Test device (a) RT-3002, (b) Brick, (c) GPS, (d) Radar, (e) Camera Table 3 Test equipment specification NameSpec. RT-3002 (DGPS) - single antenna model - velocity accuracy: 0.05km/h RMS - roll, pitch: 0.03deg, heading 0.1deg - GPS accuracy: 2cm RMS GNSS RTK Antenna (GPS) - Frequency Range: GPSL1,L2 /GLONASS G1,G2/BEIDOU B1,B2,B3 - Housing RF Connector: TNC K - Frequency Gain: >38dB - Housing Diameter: 150mm - Impedance: 50Ohm (Nominal) - Environment temperature & Operating temperature: -45°C∼70°C Brick (DAQ) - Obtain high-bandwidth sensor data (1GByte/sec, 16TB or higher) - Integrity data can be stored (ECU sensor/camera → recording file) Lidar (sensor) - 100m range with compact form factor - Proven 905nm tech, largest install base - Top-of-the-line field-of-view - Best-in-class accuracy&calibrated intensity - Best-in-class power& temperature range - SensorToSensor interference mitigation feature - Optional, enhanced short range detection Camera (sensor) - Vision Sensor: MT9V024 (1/3”) RCC - Array Format: Total: 752H × 480V – Active, pixels: 640H × 480V - Optical Format: 1/3” - Pixel Size: 6.0µm × 6.0µm - Dynamic Range: >55dB linear; >100dB in HDR mode - Shutter type: Global - TrueSNAP™ - Responsivity: 4.8V/lux sec (550nm) - Angle of view: 38° (horizontal) - Focus range: 5m to infinity Fig. 5 Vehicle-road connection test intersection of Korea Intelligent Automotive Parts Promotion Institute DGPS, 카메라, 라이다, CAN 통신장비 등의 장비를 장착 하였으며, 사양은 Table 3에 나타내었다. 3.2. 실차시험 장소 실차시험은 지능형자동차부품진흥원의 자율주행시험 로를 선정하였으며 Fig. 5에 나타내었다. 선정 이유는 실 제 도로의 마찰계수, 도로 폭 등이 적용되어 있어 시험장 소에 적합하다고 판단하였고, STANLEY LONDON社의 ‘skid-resistance’를 사용하여 노면의 평균 마찰계수가 1.08 임을 확인하였다.고정목표에 대한 자율주행자동차 시험방법에 관한 연구 자동차안전학회지:제14권,제3호,2022 Table 5 Comparative analysis of results Scenario Relative Distance [m] Theoretical Distance [m] Error rate [%] First Test 112.52513.3406.505 210.90010.9530.484 310.77511.2264.183 Second Test 113.90014.5734.840 213.33812.7604.327 313.21312.7143.770 Third Test 114.65014.0464.125 214.21314.4461.641 316.02515.4263.739 Fourth Test 113.58812.5877.366 213.96312.9317.391 313.58814.3985.968 3.3. 실차시험 조건 객관적인 데이터 취득을 위해서는 시험 시나리오가 동 일하게 반복 재현되어야 한다. 그에 따라, 실차시험을 진 행하는 인원과 시험 장비 등을 동일하게 유지하였고, 동일 한 환경 조건에서 3회 반복하였다. Table 4에 정리한 시험 환경조건에서 진행하였으며, 소나기와 같은 날씨의 변동 사항은 없었다. Table 4 Environmental conditions ItemCondition Road condition - flat, dry&clean asphalt, concrete Temperature (℃) - 18.3-30.4 Wind speed (m/s) - 1.8-1.9 Weather - sunny 4. 시험결과 비교분석 4.1. 실차시험 결과 실차시험 결과는 Fig. 6~9과 같으며, 제안한 고정목표 시험 시나리오를 기반으로 4가지 종류의 시험을 3회 반복 하였다. 첫 번째 시험은 Fig. 1의 시나리오에서 표지판 인식을 제외한 것으로 상세시나리오 1~5를 통합하여 실차시험을 진행한 결과는 Fig. 6이다. Fig. 6을 참고하면, 약 0~25초는 직선도로 추종 구간으 로 가속하는 것을 확인할 수 있다. 약 25~35초구간은 긴 급제동 오작동 시나리오 구간으로 오작동 없이 통과하는 것을 확인하였으며, 약 30~45초는 우회전 구간에서 감속 및 우회전을 진행하였다. 약 45~55초는 좌회전을 진행하 여 2차로로 진입하였고, 약 55~75초는 좌회전 완료 후 유 턴까지 진행을 하였다. 약 75~100초는 멀리서 고정목표 를 인지 후 천천히 감속하여 회피 후 본 차선으로 복귀하 였다. 약 100~115초는 가속 후 시나리오 차선변경을 하 고 시나리오 종료를 위해 감속하고, 약 115초 이후는 시나 리오를 종료하였다. 두 번째 시험은 장애물 회피시 첫 번째 시험보다 느리 게 제동하며 회피하는 것으로 상세시나리오 1,2,3,5와 첫 번째 시험의 상세시나리오 4에 대한 자율주행자동차의 회 피기능을 천천히 진행하는 시나리오를 통합하여 실차시 험을 진행한 결과는 Fig. 7이다. Fig. 7을 참고하면, Fig. 6의 첫 번째 시험 결과와 유사 한 경향을 가지는 것을 확인할 수 있으나, 약 75~100초에 서 고정목표를 인지 후 감속하여 회피 후 본 차선으로 복 귀하는 과정의 제동속도와 종 방향 감속도, 회피시 상대거 리 등의 차이가 있는 것을 확인 할 수 있다. 세 번째 시험은 직선도로에서 고정목표를 인지하고 제 동하는 것이다. 상세시나리오 4에서 회피를 하지않고 제 동한 실차시험 결과는 Fig. 8이다. Fig. 8을 참고하면, 약 0~25초는 직선도로에서 가속하 는 중 멀리서 고정목표를 인지 후 천천히 감속하여 정차하 였다. 네 번째 시험은 Fig. 1의 시나리오로, 상세시나리오 1~6을 통합하여 실차시험을 진행한 결과는 Fig. 9이다. Fig. 9를 참고하면, Fig. 6의 첫 번째 시험 결과와 유사 한 경향을 가지는 것을 확인할 수 있으나, 표지판 유무의 차이로 인해 약 110~120초 사이에서 속도와 종 방향 감 속도, 회피시 상대거리 등의 차이가 있는 것을 확인 할 수 있다. 4가지 시험 모두 3회 반복하였고 각 시험의 결과는 유 사하였으나 자율주행자동차가 시나리오 시작시의 가속과 유턴을 진행하는 시간 차이 등으로 인해 차이가 있는 것으 로 파악된다. 첫 번째, 두 번째, 네 번째 시험의 고정목표에 대한 자율 주행자동차의 회피 시 상대거리와 세 번째 시험의 실측 제동 완료 상대거리는 Table 5에 정리하였다.김봉주·이선봉 자동차안전학회지:제14권,제3호,2022 (a)(b)(c) (d)(e)(f) (g)(h)(i) Fig. 6. Test results (First test scenario) (a) speed, (b) steering angle, (c) longitudinal acceleration, (d) lateral acceleration, (e) left lane distance, (f) right lane distance, (g) longitudinal relative distance, (g) lateral relative distance, (i) yaw rate (a)(b)(c) (d)(e)(f) (g)(h)(i) Fig. 7. Test results (Second test scenario) (a) speed, (b) steering angle, (c) longitudinal acceleration, (d) lateral acceleration, (e) left lane distance, (f) right lane distance, (g) longitudinal relative distance, (g) lateral relative distance, (i) yaw rate고정목표에 대한 자율주행자동차 시험방법에 관한 연구 자동차안전학회지:제14권,제3호,2022 (a)(b)(c) (d)(e)(f) (g)(h)(i) Fig. 8. Test results (Third test scenario) (a) speed, (b) steering angle, (c) longitudinal acceleration, (d) lateral acceleration, (e) left lane distance, (f) right lane distance, (g) longitudinal relative distance, (g) lateral relative distance, (i) yaw rate (a)(b)(c) (d)(e)(f) (g)(h)(i) Fig. 9. Test results (Fourth test scenario) (a) speed, (b) steering angle, (c) longitudinal acceleration, (d) lateral acceleration, (e) left lane distance, (f) right lane distance, (g) longitudinal relative distance, (g) lateral relative distance, (i) yaw rate김봉주·이선봉 자동차안전학회지:제14권,제3호,2022 4.2. 이론식과 실차시험 결과의 비교분석 Table 5는 이론식을 활용하여 고정목표의 회피시 상대 거리에 대한 계산 값과 실차시험 결과 값을 비교한 오차율 을 나타내었다. 회피시의 이론 상대거리 대비 실차시험 결과 값의 오차 율은 첫 번째 시험의 2회차에서 최소 오차율은 0.484%, 네 번째 시험의 2회차에서 최대 오차율은 7.391%로 나타 났다. Fig. 6, 7, 9의 (e), (f)는 차선까지의 거리로, 교차로에 서 측정결과가 발산되는 것과 회피시의 차선까지의 평균 거리 결과(약 3.28m)와 실측한 차선폭(3.15m)을 비교한 결과 약 13cm의 오차가 있는 것을 확인하였다. Fig. 8의 (e), (f)는 차선까지의 거리이며 교차로에서 값이 변화하는 것을 확인하였다. 차선까지의 거리는 교차로에서 직선 차선이 없어 발산 되는 것으로 판단하였고, 측정 오차는 카메라의 차선 인식 과 햇빛에 반사된 차선 등의 문제로 판단하였다. 그리고 세 번째 시험의 교차로에서 값이 발산하지 않고 변화하는 것은 다른 시험 대비 교차로를 통과하는 시점의 속도가 높았기 때문으로 판단하였다. Fig. 6, 7, 9의 (g), (h)는 종방향과 횡방향의 장애물까지 의 상대거리이며, 약 25~35초, 약 75~100초를 제외하고, 다른 장애물들(가로등 등)도 인식하여 반응된 것을 확인하 였다. Fig. 6, 7, 9의 (c)는 종방향 감속도로 회피시 첫 번째 시험의 감속도가 두 번째, 네 번째 시험의 감속도가 낮은 이유는 고정목표를 먼저 인식한 것으로 파악하였다. Fig. 8의 (g), (h)는 종방향과 횡방향의 장애물까지의 상대거리이다. 고정목표를 인지하고 감속하여 제동한 것 을 확인하였다. 또한, Fig. 8의 (c)는 종방향 감속도로 다 른 시험 대비 결과 값이 큰 이유는 회피가 아닌 제동으로 인한 것으로 파악하였다. 이러한 오차는 동일한 시나리오를 진행하였음에도 불 구하고, 시나리오의 진행방법, 시험로의 상태, 햇빛과 같은 날씨에 의해 센서의 인식 등에 따른 오차로 판단하였다. 5. 결 론 본 연구에서는 고정목표에 대한 자율주행자동차의 시 험방법을 위해 종방향 거리 이론식과 연속적인 시험 시나 리오를 제안하였다. 그리고 실차시험으로 이론값과 실측 값의 오차율을 비교분석하여 제안한 시나리오에 대한 종 방향 거리 이론식의 활용 가능성을 검증하였다. 결과를 정 리하면 아래와 같다. 1)고정목표에 대한 자율주행자동차의 안전성 평가 시 나리오는 구글의 자율주행자동차속도인 40km/h 기 반의 직선도로 추종, 긴급제동 오작동 평가, 교차로 (좌회전, 우회전), 제동&회피, 차선변경, 표지판 인 식 등의 시나리오를 연속적으로 진행가능하게 통합 하여 제안하였다. 2)선행연구에서 제안한 종방향 거리의 함수를 고정목 표와의 거리에 대한 자율주행자동차의 활용 가능성 을 확인하였다. 3)제안한 시나리오와 이론식에 대한 검증을 위해 동 일한 인원 및 장비를 활용하여 3회 반복 시험을 진 행하였으며, 지능형자동차부품진흥원의 자율주행 시험로를 이용하였다. 4)시나리오 시험결과는 이론 값 대비, 첫 번째 시험의 2회차에서 최소 오차율은 0.484%, 네 번째 시험의 2회차에서 최대 오차율은 7.391%로 나타났다. 5)첫 번째, 두 번째, 네 번째 시험의 결과를 보면 교차 로에서 차선까지의 거리가 발산되었고, 세 번째 시 나리오 결과는 교차로에서 차선까지의 거리가 변화 하였다. 차선까지의 거리는 교차로에서 차선이 없 어 발산되는 것으로 판단하였고, 측정 오차는 자율 주행자동차에 장착된 센서의 차선 인식과 햇빛에 반사된 차선 등의 문제로 판단하였다. 그리고 세 번 째 시험의 교차로에서 값이 발산하지 않고 변화하 는 것은 다른 시험 대비 교차로를 통과하는 시점의 속도가 높았기 때문으로 판단된다. 6)첫 번째, 두 번째, 네 번째 시험의 상대거리 결과는 고정목표 이외에도 가로등과 같은 다른 장애물을 인식하여 결과 그래프에 반영된 것을 확인하였다. 세 번째 시나리오의 상대거리는 고정목표를 인지하 고 감속하여 제동한 것을 확인할 수 있다. 7)0.484%~7.391%의 오차는 시나리오의 시험 진행 방법, 시험로의 상태, 햇빛과 같은 날씨에 의해 센 서의 인식 등에 따른 오차이며, 8%이내 오차범위로 제안이론식의 신뢰성이 있다고 판단하였다. 따라서, 자율주행자동차 평가시 사용하는 라이더, 레이 더, DGPS 등의 고가의 장비와 전문가가 필요하는 등 비용 과 시간의 부담이 큰 단점이 있으나, 제안한 이론수식을 활용하면, 개발 단계에서 종방향에 대한 경향을 파악 할 수 있어 실차시험이 불가능한 환경에서의 안전성 평가 방고정목표에 대한 자율주행자동차 시험방법에 관한 연구 자동차안전학회지:제14권,제3호,2022 법으로 활용이 가능하다고 판단된다. 본 연구에서는 자율주행자동차의 안전성 평가를 위한 이 론식과 실차시험을 통해 고정목표에 대한 시나리오를 제 안하고 이의 검증을 위하여 비교 검증하였다. 향후 Moving Target에 대한 시험을 실시할 예정이다. 후 기 본 연구는 한국산업기술평가관리원이 지원하는 산업기 술혁신사업(10079967, 자율주행자동차핵심기술개발사업) 으로 수행된 연구결과입니다. 이에 관계자 여러분께 감사 드립니다. 참고문헌 (1)Korea Legislation Research Institute, MOTOR VEHICLE MANAGEMENT ACT. Article 2 (De- finitions), 1-3, https://elaw.klri.re.kr/kor_service/ lawView.do?hseq=55514&lang=ENG (2)World Health Organization, 2018, ‘GLOBAL STATUS REPORT ON ROAD SAFETY 2018’. (3)SAE, Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-road Motor Vehicles, 2018, Standard No. J3016. (4)Zheng, X., Liang, H., Yu, B., Li, B., Wang, S. and Chen, Z., 2020, “Rapid Generation of Challenging Simulation Scenarios for Autonomous Vehicles Based on Adversarial Test”, 2020 IEEE International Conference on Mechatronics and Automation (ICMA), Beijing, China, pp. 1166~1172. doi: 10.1109/ICMA49215.2020.9233535. (5)Reitz, B. C. and Wilkerson, J. L., 2020, “Test and Evaluation of Autonomous Surface Vehicles: A Case Study”, 2020 IEEE/ION Position, Location and Navigation Symposium (PLANS), Portland, OR, USA, pp. 839~850. doi: 10.1109/PLANS46316.2020.9110129. (6)Park, J., Wen, M., Sung, Y. and Cho, K., 2019, “Multiple Event-Based Simulation Scenario Generation Approach for Autonomous Vehicle Smart Sensors and Devices”, Sensors, Vol. 19, No. 20, 4456. doi: https://doi.org/10.3390/s19204456. (7)Medrano-Berumen, C. and Akbaş, M. I., 2019, “Abstract Simulation Scenario Generation for Auto- nomous Vehicle Verification”, 2019 SoutheastCon, Huntsville, AL, USA, pp. 1~6. doi: 10.1109/SoutheastCon42311.2019.9020575. (8)Chai, L., Cai, B., ShangGuan, W., Wang, J. and Wang, H., 2017, “Basic Simulation Environment for Highly Customized Connected and Autonomous Vehicle Kinematic Scenarios”, Sensors, Vol. 17, No. 9, 1938. doi: https://doi.org/10.3390/s17091938. (9)Stahl, T. and Betz, J., 2020, “An Open-Source Scenario Architect for Autonomous Vehicles”, 2020 Fifteenth International Conference on Ecological Vehicles and Renewable Energies (EVER), Monte- Carlo, Monaco, pp. 1~8. doi: 10.1109/EVER48776.2020.9243029. (10)Tuncali, C. E., Fainekos, G., Ito, H. and Kapinski, J., 2018, “Simulation-based Adversarial Test Generation for Autonomous Vehicles with Machine Learning Components”, 2018 IEEE Intelligent Vehicles Symposium (IV), Changshu, pp. 1555~ 1562. doi: 10.1109/IVS.2018.8500421. (11)Lima, D., Miranda Neto, A., Martinesco, A., Texeira da Silva, S. et al., 2018, “Automated Driving Systems and Their Insertion in the Brazilian Scenario: A Test Track Proposal”, SAE Int. J. Trans. Safety, Vol. 6, No. 1, pp. 1~15. doi:10.4271/09-06-01-0004. (12)Wolschke, C., Kuhn, T., Rombach, D. and Liggesmeyer, P., 2017, “Observation Based Creation of Minimal Test Suites for Autonomous Vehicles”, 2017 IEEE International Symposium on Software Reliability Engineering Workshops (ISSREW), Toulouse, pp. 294~301. doi: 10.1109/ISSREW.2017.46. (13)Huang, Z., Arief, M., Lam, H. and Zhao, D., 2018, “Synthesis of Different Autonomous Vehicles Test Approaches”, 2018 21st International Conference on Intelligent Transportation Systems (ITSC), Maui, HI, pp. 2000~2005. doi: 10.1109/ITSC.2018.8569672. (14)Sung, K. B., Min, K. W. and Choi, J. D., 2018, 김봉주·이선봉 자동차안전학회지:제14권,제3호,2022 “Autonomous Vehicle Technical Trend and Core Technology”, KICS Information & Communication Magazine - Open Lecture Series, Vol. 35, No. 1, pp. 3~13. (15)Yun, H. J., 2018, “Understanding of Autonomous Vehicle Standard Technology”, KICS Information & Communication Magazine - Open Lecture Series, Vol. 35, No. 1, pp. 14~23. (16)Kim, B. J. and Lee, S. B., 2017, “A Study on Evaluation Method of ACC Test Considering Domestic Road Environment”, Journal of Korean Auto-Vehicle Safety Association, Vol. 9, No. 4, pp. 38~47. (17)Kim, B. J. and Lee, S. B., 2018, “A Study on Evaluation Method of AEB Test”, Journal of Korean Auto-Vehicle Safety Association, Vol. 10, No.2, pp. 20~28.◎ 논 문 http://dx.doi.org/10.22680/kasa2022.14.3.017 친환경 자동차의 급발진 원인 규명을 위한 EDR 저장 데이터 개선방안 연구 이상배 * ·김동한 ** ·문병준 *** A Study on the Improved EDR Storage Data to Identify the Cause of Unintended Acceleration of Eco-friendly Vehicles 사고기록장치사고기록장치급발진 친환경자동차전기자동차하이브리드 자동차 ABSTRACT In this paper, we propose the improved EDR (Event Data Recorder) storage data, which can identify the cause of unintended acceleration of eco-friendly vehicles. The proposed EDR storage data includes the brake pressure sensor value and a brake pedal travel sensor value. To verify the proposed EDR storage data, we observe the control algorithm and internal structure of the vehicle dynamic control system and a regenerative braking system in an eco-friendly vehicle. * 경희대학교 전자공학과, 석사과정 ** 경희대학교 전자공학과, 교수 *** 전남도립대학교 미래자동차학과, 교수 E-mail: bjmoon@dorip.ac.kr 1. 서 론 자동차 급발진 사고(또는 ‘운전자에 의해 차량이 급발 진했다’라고 주장되는 사고)는 사회적인 주목을 받는 사 고다. 급발진 사고로 인한 인명 피해가 발생하면서, 1995 년경부터 여론의 주목을 받기 시작했다. 전자제어장치들 은 프로그램에 따라 작동하지만, 항상 오작동의 위험을 내 포하고 있다. ‘오작동 재현성 문제’, ‘ECU(Engine Control Unit) 고장신호 미확인’, ‘TCU(Transmission Control Unit) 고장신호 미확인’ 등으로 인해, 급발진의 직접적인 증명은 어려운 실정이다. (1) 우리나라는 국토교통부에서 2012년 12월 교통사고 분 쟁의 해소와 정보 공개의 필요성으로 EDR(Event Data Recorder, 사고기록장치) 관련 규정이 제정되어 2015년 12월 19일부터 자동차관리법 29조의3(사고기록장치의 장착 및 정보제공)에 의거하여 EDR에 관한 법령이 시행되 었으며, EDR 장착이 의무사항은 아니지만, 시행일로부터 생산되는 차량(승용자동차와 차량 총중량 3.85ton 이하의 승합자동차･화물자동차)인 경우 장착 여부의 공개와 기록 정보의 공개가 의무화가 되어 여러 교통 사고 유형에 EDR 기록정보의 활용도가 높아지고 있다. 이미 미국에서는 NHTSA(National Highway Traffic Safety Administration) 49 CFR Part 563을 통해 2012년 9월 1일부터 EDR에 대한 설치 권고 및 기록정보의 표준안이 시행되어 많은 제조사의 차종들에 EDR이 장착되고 있다. (2) EDR 기록정보는 차량에 물리적인 충격이 가해졌을 때, 즉 이벤트가 발생한 시점(Time Zero)을 기준으로 5초 전 까지의 차량 속도, 엔진 회전수(RPM), 엔진 스로틀밸브 열림량(%), 제동 페달 작동 여부(on/off), 가속페달 변위 량(%), ABS(Anti-lock Brake System) 작동 여부, ESC (Electronic Stability Control) 작동 여부, 조향핸들 각도 (deg) 등의 정보를 확인할 수 있으며, 차종 혹은 제작사에 자동차안전학회지: 제14권, 제3호, pp. 17∼22, 2022 논문접수일: 2022.3.23, 논문수정일: 2022.8.15, 게재확정일: 2022.8.25Next >