Learning Pedestrian Failure-to-yield Maneuver Patterns from Fatal Crash Data: Evidence from Explainable AutoML

매일 수백만 명의 사람들이 길을 건너기 위해 연석에서 발을 내디디며, 운전자가 자신을 보고 멈출 것이라 믿습니다. 하지만 미국 전역의 도시들에서 이 믿음은 빈번하게 깨지고 있습니다. 보행자가 안전한 간격을 기다리지 않고 건너거나 신호를 무시했을 때, 그리고 차량이 양보하지 않았을 때, 그 결과는 종종 비극으로 이어집니다. 이러한 "양보 실패(failure-to-yield)" 사건들은 무작위적인 사고가 아닙니다. 이들은 사람이 어디에 서 있는지, 하루 중 어느 시간대인지, 그리고 운전자가 누구인지에 따라 특정한 패턴을 따릅니다. 수십 년 동안 안전 전문가들은 경찰 보고서를 수동으로 검토하거나 영상 자료를 시청하며 이러한 순간들을 이해하려고 노력해 왔지만, 이러한 방식은 느리고 오늘날 가용 가능한 방대한 양의 데이터를 처리하는 데 어려움이 있습니다. 질문은 이것입니다. 우리는 거대한 교통 기록 아카이브를 사용하여 이러한 위험한 상호작용을 지배하는 숨겨된 규칙들을 밝혀낼 수 있는가, 그리고 단순히 사고가 발생했다는 사실뿐만 아니라 '왜' 사고가 발생했는지까지 설명할 수 있는 방식으로 할 수 있는가?

텍사스 주립 대학교의 연구팀은 새로운 종류의 컴퓨터 지능에 의지하여 이 질문에 답하고자 했습니다. 그들은 2016년부터 2023로 사이 미국의 모든 치명적인 교통사고의 상세한 기록을 담고 있는 국가 데이터베이스인 사망 분석 보고 시스템(Fatality Analysis Reporting System)에서 데이터를 수집했습니다. 연구진은 단순히 총 사망자 수와 같은 단일 숫자를 예측하려 하는 대신, 충돌 순간 보행자가 어떻게 움직이고 있었는지에 따라 이 비극적인 사건들을 특정 범주로 분류하도록 컴퓨터에 요청했습니다. 그들은 보행자가 왼쪽에서 건너는 경우, 오른쪽에서 건너는 경우, 특이한 방향으로 건너는 경우, 또는 방향을 알 수 없는 경우 등으로 사고를 세분화하는 '보행자 및 자전거 사고 분석 도구(Pedestrian and Bicycle Crash Analysis Tool)'라는 분류 체계를 사용했습니다. 이 데이터를 AutoGluon이라는 자동 머신러닝 시스템에 입력함으로써, 연구진은 컴퓨터가 서로 다른 유형의 사고를 구분하는 가장 정확한 방법을 찾기 위해 스스로 모델을 구축하도록 했습니다.

컴퓨터는 단순히 추측한 것이 아니라 학습했습니다. 수십 가지의 서로 다른 수학적 접근 방식을 테스트한 끝에, 시스템은 LightGBM이라고 불리는 방법이 가장 정확하다는 것을 밝혀냈습니다. 이 모델은 테스트된 치명적 사례 중 거의 80%의 보행자 기동 유형을 정확하게 식별했습니다. 더 중요한 것은, 연구진이 컴퓨터를 단순히 답만 내놓고 설명은 하지 않는 '블랙박스'로 남겨두지 않았다는 점입니다. 그들은 모델 내부를 들여다보고 어떤 요인이 예측을 한쪽 방향으로 밀어붙이는지 확인하기 위해 돋보기 역할을 하는 SHAP이라는 기술을 사용했습니다. 이를 통해 사고가 어떻게 전개되었는지를 결정하는 데 있어 사고 발생 연도, 보행자의 정확한 위치, 도로 유형, 그리고 운전자의 연령이 가장 강력한 단서라는 사실이 드러났습니다.

연구진이 결과를 자세히 살펴보았을 때, 각 횡단 유형에 따른 뚜렷한 이야기들이 나타났습니다. 왼쪽에서 건너는 사고의 경우, 컴퓨터는 가장 결정적인 요인이 보행자의 위치임을 보여주었습니다. 이러한 사건들은 표시된 횡단보도에서 벗어나 블록 중간에서 건너는 경우와 밀접하게 연관되어 있었는데, 이곳은 운전자들이 보행자가 나타날 것이라고 예상하지 않는 곳입니다. 또한 분석은 고령 운전자들이 이러한 시나리오에서 특히 취약하다는 점을 강조했는데, 이는 갑작스럽고 예상치 못한 사람이 옆에서 튀어나올 때 반응 속도가 느려지기 때문인 것으로 보입니다.

오른쪽에서 건너는 보행자가 관련된 사고의 이야기는 달랐습니다. 여기서도 운전자의 연령이 주요한 역할을 했지만, 차량의 종류와 시간대 역시 중요했습니다. 데이터는 이러한 사고가 주로 운전자가 우회전을 할 때 발생한다는 것을 시사하는데, 이는 여러 방향을 동시에 살펴봐야 하는 기동입니다. 컴퓨터의 분석에 따르면, 운전자들은 특히 차량 자체의 필러(pillar)에 의해 시야가 가려지거나 도로 설계에 완전히 멈추지 않고 회전할 수 있는 슬립 레인(slip lane)이 포함된 경우, 보행자가 나타날 수 있는 구역을 살피는 데 실패하는 경우가 많았습니다. 이 경우 운전자의 주의력은 분산되며, 보행자는 너무 늦게까지 사각지대에 숨겨져 있게 됩니다.

보행자의 방향을 알 수 없거나 특이한 경우와 같은 가장 혼란스러운 범주에서는, 고령 보행자와 낮은 가시성이 패턴으로 지목되었습니다. 이러한 사고는 주로 한밤중이나 악천파 상황에서 지정된 횡단 지점에서 멀리 떨어진 곳에서 자주 발생했습니다. 데이터는 이러한 사건들이 겨울철에 더 흔하며, 종종 보행자의 모습을 가릴 수 있는 SUV와 같은 대형 차량과 관련이 있음을 보여주었습니다. 컴퓨터는 보행자가 예측 불가능한 방식으로 건널 때, 어둠, 날씨, 그리고 차량의 크기가 결합되어 치명적인 실수를 유발하는 완벽한 폭풍을 만들어낸다는 것을 학습했습니다.

이 연구 결과는 모든 보행자 사고가 동일하다는 생각에 도전합니다. 대신, 각 유형의 횡단 실패는 고유한 원인 세트를 가지고 있음을 보여줍니다. 블록 중간에서 무단 횡단을 하는 사람에 의한 사고는 우회전 중에 보행자가 나타나는 사고와는 다른 요인에 의해 발생합니다. 이러한 구분은 안전 계획가들에게 매우 중요합니다. 이는 횡단보도를 더 많이 그리는 것과 같은 단일한 해결책이 모든 문제를 해결할 수는 없음을 시사합니다. 진정으로 생명을 구하기 위해서, 도시들은 회전하는 운전자의 시야를 개선하기 위해 특정 교차로를 재설계하고, 야간 횡단을 위한 조명을 개선하며, 예상치 못한 보행자에게 빠르게 반응하는 데 어려움을 겪을 수 있는 고령 운전자를 위한 표적 교육 프로그램을 만드는 등의 조치를 취해야 할 수도 있습니다.

자동 학습을 사용하여 수년간의 치명적 사고 데이터를 걸러냄으로써, 이 연구는 단순한 통계를 넘어 위험의 구체적인 메커니즘을 밝혀냈습니다. 이는 적절한 도구가 있다면 비극을 초래하는 정확한 조건들을 이해할 수 있다는 것을 증명합니다. 이 연구는 마법 같은 해결책을 제시하는 것이 아니라, 위험이 어디에 있는지를 보여주는 명확한 지도를 제공합니다. 이는 안전이 단순히 규칙을 따르는 것뿐만 아니라, 사고가 나기 직전의 찰나에 일어나는 인간 행동, 차량 설계, 그리고 도로 기하학의 복잡한 춤을 이해하는 것임을 보여줍니다. 이 지식을 바탕으로 엔지니어와 정책 입안자들은 일반적인 일상에는 안전할 뿐만 아니라, 상황이 잘못되었을 때 가장 취약한 이들을 보호할 수 있을 만큼 회복 탄력성이 있는 도로를 마침내 건설하기 시작할 수 있을 것입니다.