Current Issue

일반적으로 운전은 끊임없이 변화하는 도로 환경 및 교통 상황에 대한 지속적인 시각적 입력과 주의가 필요하며, 운전 작업의 특성을 고려할 때 운전자가 도로에서 눈을 떼 거나 중요한 시각적 신호에 주의를 기울이지 않으면 사고가 발생할 수 있다. 사고를 예방하기 위해 운전자는 응시하는 물체들을 샘플링(Sampling)하여 교통과 관련된 정보를 분류하고, 수집된 시각 정보에서 발생할 수 있는 잠재적인 위험을 경계하면서 복잡한 시각 장면 중 관련 없는 정보에 대한 판단이 이루어져야 한다[1][2]. 하지만, 운전 경험이 부족한 초보 운전자는 비효율적인 시각 탐색, 주행과 관련 없는 물체에 대한 장기간의 시선 고정으로 인해 시각적 주의가 분산되어 충돌 가능성이 높은 것으로 알려져 있다[3].

또한, 초보운전자는 교통 환경을 파악하고 해석하는 속도가 느리며, 도로 및 교통 상황의 예측할 수 없는 동적인 특성 때문에 운전 중에 존재하는 불확실성을 감소시키기 위하여 시각 탐색을 여러 번 반복하여 정보를 수집하는 경향이 있다. 이로 인해, 초보 운전자들은 운전 경력자들에 비해 좁고 부분적인 시각 탐색 정보로 인한 잘못된 판단으로 사고가 발생할 가능성이 높다[4].

반면에, 운전 경력이 많은 운전자 일수록 더 넓은 범위의 횡적 정보뿐만 아니라 먼 거리에 있는 종적 정보를 수집할 수 있으며, 교통 상황의 변화와 같은 잠재적인 위험 요소를 판단하는데 비교적 적은 시간을 소비하기 때문에 더 넓은 분포의 시각 탐색 정보를 활용하여 안전 운전을 할 수 있다[5]. 그래서 이와 같이 사고 발생과 연관된 시각 탐색으로 획득한 정보를 이용하여 위험군 운전자를 평가하기 위한 지표로 활용하고자 하였다.

시각 탐색은 안구 움직임의 고정(Fixation), 추적(Pursuit), 단속 운동(Saccades)등에 따른 시선의(Gaze) 고정 횟수(Number of fixation), 고정 지속시간(Fixation duration), 체류시간(Dwell time)과 같은 시각적 속성을 통해 운전자의 시선 정보를 정량화할 수 있다[6]. 이러한 시각적 속성들은 운전 중 응시하는 물체의 양 및 유형과 응시한 물체가 위험한 상황을 유발할 수 있는 지 판단하여 중요도 순위를 처리하는 방법에 따라 변화된다고 알려져 있다[7]. 그래서 이러한 시각적 속성의 변화가 잘 나타나는 교차로에서 차량이나 보행자등과 관련된 자극의 유형이 다양하게 존재할 뿐만 아니라 시각 자극의 양도 가장 많기 때문에 충돌을 피하기 위한 자극의 중요도 순위 및 정보처리작업을 비교할 수 있다[8]. 이것은 운전 경험, 즉 전문성에 따라 차이가 나타날 수 있는 데 초보 운전자가 도로의 잠재적인 위험 요소를 인식하지 못하거나 운전 중에 어디를 봐야 할지 모르기 때문에 숙련 운전자와의 차이를 비교할 수 있는 것이다.

일반적으로 운전 능력 평가는 실제 주행을 통해서 이루어지지만, 위험 주행을 평가하는 경우 경험이 부족한 운전자에게는 시험 중 실수로 인한 치명적인 사고가 발생할 수 있고 반복적인 실험 절차 및 안전문제로 인해 VR(Virtual Reality) 운전 시뮬레이터 환경에서 수행할 필요가 있다. VR 운전 시뮬레이터는 운전자가 실제 주행을 하는 경우와 매우 유사한 환경을 구축한 상태에서 평가가 가능하며, 경로 난이도, 교통 체증과 같은 특정 주행 이벤트 및 조건을 통제하여 실제주행에서 불가능한 생명을 위협할 수 있는 운전 상황에 대한 참가자의 반응을 평가할 수 있다. 그 중에서도 HMD(Head Mounted Display)기반의 VR 운전 시뮬레이터는 기존의 3D(Full HD, Smart TV etc.)환경보다 더 높은 집중력과 몰입도 및 흥미를 제공할 수 있는 장점이 있다[9][10].

그래서 본 연구에서는 시선 추적 기능이 가능한 HMD기반의 VR 운전 시뮬레이터를 사용하여 운전자의 시선 움직임과 주의과정에 대한 데이터를 획득하였다. 시험에 참여하는 운전자들을 운전 경험에 따라 분류한 후, 시각 자극이 가장 많이 발생하는 교차로 주행 환경에서 운전하는 동안 시선 추적 데이터(Sampling frequency)를 수집하였다. 그리고 관심영역(Area of interests)에 대한 시선 고정횟수, 체류시간 및 고정 지속시간을 사용하여 물체를 재탐색하는 빈도와 물체의 상태를 인지하는 시간에 대한 시선의 정적 분석을 수행하였다. 또한 관심영역을 기반으로 시선의 분산을 고정 시선 엔트로피(Stationary gaze entropy)로 계산하였으며, 이를 통해 시선의 분포 밀도(Distribution density)를 분석함으로써 운전 경험에 따라 획득하는 시선 탐색의 정보량을 비교하고자 하였다.

운전자의 시선 탐색에 대한 정적 분석에는 시선 고정 횟수, 체류 시간, 고정 지속시간, SGE의 4가지 지표를 사용하였다. 여기서 하나의 관심영역을 응시한 후 재탐색하는 빈도를 의미하는 시선 고정 횟수는 교차로에서 정차 후 우회전하는 동안 임의의 관심영역에 대해서 반복하여 탐색한 횟수를 Heatmap을 사용하여 그림 3에서 보여주고 있다.

Fig. 3. 
Average of Number of fixation by area of interests in intersection

이것은 운전자 집단의 각 관심영역 빈도에 대한 평균을 시각화한 것이며, 관심영역의 시선 고정 빈도가 높을수록 붉은색, 낮을수록 푸른색으로 나타내었다. 그림 3(a)에서 보여주는 것과 같이 초보 운전자 집단은 정면 위주의 관심영역에서 재탐색이 이루어지고 있고, 그림 3(b)의 숙련 운전자 집단에서는 정면뿐만 아니라 좌·우측의 관심영역에 대해서도 높은 재탐색이 이루어지는 것을 볼 수 있다.

각 집단의 고정 지속시간은 표 2에 나타내었으며, 초보 운전자 집단(0.72sec)이 숙련 운전자 집단(0.51sec)보다 길게 나타났다. 초보 운전자 집단에서는 운전자 좌석에서 비교적 가까운 관심영역(사이드미러, 룸미러, 내비게이션, 계기판)의 고정 지속 시간이 먼 거리에 있는 관심영역(차량, 보행자, 신호등)보다 길게 나타났다.

특히, 이들은 응시하지 않은 물체와 others(도로 주위 배경, 빌딩, 식물, 가로등 등)를 제외한 관심영역 중 좌측 사이드미러의 고정 지속시간이 가장 길었으며, 숙련 운전자와 가장 큰 지속시간의 차이가 나타났으며 숙련 운전자 집단에서는 평균 고정 지속시간이 0.51sec 나타났지만, 보행자신호등에 대한 고정지속시간이 0.82sec로 비교적 높게 나타났다.

각 관심영역에 대한 집단 별 평균 체류 시간은 그림 4에서 보여주고 있다. 그림 4에서 초보 운전자는 특정 관심영역, 즉 차량, 내비게이션, 계기판에서의 체류 시간이 길게 나타난 반면에, 숙련 운전자는 전체 관심영역에 대한 체류시간의 균등한 분포가 나타났다. 초보 운전자는 주변 환경을 제외하고 신호등(18.5sec), 보행자(14.9sec), 통행 차량(23.7sec), 내비게이션(21.9sec), 차량 내 계기판(26.2sec)에 비교적 많은 시간을 할당하였지만, 보행자 신호등과 우측 사이드 미러를 응시하지 않는 것으로 나타났다.

Fig. 4. 
Average of dwell time by area of interest for novice and expert group

반면에 숙련 운전자 집단은 좌·우측 사이드미러(21.3sec, 24.5sec)와 보행자 신호등(16.0sec)에 시선 응시를 할 뿐만 아니라 전체적으로 주행 중 관심영역을 응시하는 시간이 유사하게 나타났다. 운전자 집단의 관심영역 별 시선 응시 확률과 SGE는 수식 1을 이용하여 계산하였고, 이를 표 3에 나타내었다. 여기서 시선 응시 확률은 주행하는 동안 각 관심영역에서 30Hz sampling rate로 획득한 빈도수(Frequency)를 전체 빈도수와의 비율로 나타낸 것이다.

본 연구에서는 관심영역의 수를 10개로 구분하였고, 한 명의 운전자가 가질 수 있는 최대 SGE는 약 3.321bits이고, 율로 나타낸 것이다.

또한, 관심영역의 수를 10개로 구분하였고, 한 명의 운전자가 가질 수 있는 최대 SGE는 약 3.321bits이고, 이에 대한 각각의 SGE는 초보 운전자 집단에서 약 2.455bits로 최대 SGE의 77%, 숙련 운전자 집단에서 약 2.867bits로 최대 SGE의 90%로 나타났다. 이것은 주행 중 초보 운전자 보다 숙련 운전자의 시선 응시 분포가 특정 관심영역에 밀집되어있지 않고 비교적 균등하게 분포되어 있다는 것을 의미한다.

초보 운전자는 운전 중 사물 또는 관심영역을 정확하게 인지하기 위해 동일한 물체를 여러 번 탐색하거나, 부분적인 시각 탐색 정보로 인한 잘못된 판단으로 사고가 발생할 수 있다. 본 연구에서는 시선의 정적분석을 사용하여 운전 경험에 따른 시선 탐색의 차이를 비교하고, 사고 발생 가능성이 높은 위험운전자를 평가하기 위한 방법을 제안하고자 하였다. 시선의 정적 분석을 위한 지표들로는 체류 시간, 고정 지속시간, 고정 횟수 및 SGE를 사용하였으며, 이에 대한 운전 능력 시험은 시각적 속성의 변화가 잘 나타나는 교차로 환경에서의 VR 운전 시뮬레이터를 활용하여 수행하였다.

시선의 정적 분석 결과의 시선 고정 빈도에서는 초보운전자 집단의 경우 교차로 우회전 상황에서 차량과 보행자의 재탐색 빈도가 가장 높았으며, 숙련 운전자는 좌·우측 사이드미러에 대한 재탐색 빈도가 높게 나타났다. 즉 초보 운전자는 정면 위주의 재탐색이 높은 특성이 있으며, 숙련 운전자는 비교적 좌·우측의 관심영역에 대한 재탐색 빈도가 높은 것 을 알 수 있다. 고정 지속 시간에서는 초보 운전자 집단이 숙련 운전자에 비해 길게 나타났으며, 좌측 사이드미러와 룸미러에 대한 시간이 가장 길게 나타났다. 다시 말해 초보 운전자의 경우 자신의 차량과 후방 및 측면의 차량의 거리를 인지하는 데 많은 시간을 소요한 것을 의미할 수 있다. 한편, 초보 운전자집단은 보행자 신호등과 우측 사이드미러에 대한 시선 응시가 나타나지 않았으며, 이는 실험에 참여한 운전자 수가 적기 때문에 본 실험에서는 나타나지 않은 것으로 보인다.

또한, 숙련 운전자 집단은 평균적으로 고정 지속시간이 짧았지만, 보행자신호등에 대한 고정지속시간이 가장 길었으며, 이것은 다음 신호를 예측하기 위해 보행자 신호등에 대한 응시가 지속된 것으로 해석될 수 있다. 초보 운전자 집단의 체류 시간은 특정 관심영역에 대한 응시가 오래 지속되는 특성이 있었으며, 이것은 주행 경로 및 위험 요소를 탐색하는데 많은 시간을 소요한 것으로 나타났다. 반면에 숙련 운전자 집단의 경우는 비교적 균등한 분포가 나타났으며, 이것은 운전자가 주행하고 있는 차량 주위 도로 상황을 탐색하는 데 시간을 소요한다는 것을 알 수 있다.

SGE를 계산한 결과는 숙련 운전자 집단 초보 운전자 집단보다 정보량이 크게 나타났으며, 이들은 전체 관심영역을 균등하게 응시하며 주행했기 때문에 시선 밀도가 낮게 측정되어 엔트로피 값이 크게 나타난 것으로 해석된다. 따라서 시선의 정적 분석에서 초보 운전자 집단은 시선을 통해 특정 물체를 응시하여 정보를 수집하는 시간이 길고 정면 위주의 시선 고정 재탐색이 이루어지는 특성이 있으며, 숙련 운전자 집단은 전체적인 물체를 신속하게 응시하고 운전자 차량 주위의 교통 환경 위주로 물체를 탐색하는 특성이 있다고 할 수 있다.

향 후 연구에서는 운전자 시선의 이동, 방향, 속도 등과 같은 연속적인 특성에 대한 분석을 통해 운전자의 운전 능력을 보다 세부적으로 비교하는 연구가 이루어져야 하며, 추가적으로 운전 경험이외에 연령에 따른 고령운전자들의 시선 탐색과 교차로 이외의 다양한 주행 상황들에 대한 연구가 진행된다면 기존의 운전 면허증을 자진 반납하는 정책에서 객관적 기준을 활용한 운전 면허증 반납 정책을 수립할 수 있을 것으로 보인다.