본 논문은 교통 안전 과학 분야의 데이터 부족 문제를 해결하기 위해 기존의 사고 데이터 기반 학습에서 벗어나 반사실적 안전 학습(counterfactual safety learning) 패러다임을 제시합니다. 즉, 실제 발생한 사고뿐 아니라 발생 가능성이 있었지만 발생하지 않은 '거의 사고'(near-miss) 사건들을 생성하고 분석하여 교통 사고 예측 및 예방에 활용하는 방안을 제시합니다. 이를 위해 사고 발생률 사전 정보, 생성적 장면 엔진, 다양한 운전자 모델, 인과 학습 등을 활용하여 거의 사고 사건을 합성하고 설명하며, 디지털 트윈 테스트베드를 통해 미시적 장면을 거시적 패턴과 연결하고 다목적 검증기를 통해 시뮬레이션의 현실성을 유지합니다. 궁극적으로는 차량, 도로, 정책 배포 전에 스트레스 테스트를 가능하게 하여 교통 안전을 사후 대응에서 사전 예방으로 전환하고 Vision Zero 달성에 기여하는 것을 목표로 합니다.
시사점, 한계점
•
시사점:
◦
기존 교통 안전 연구의 한계인 데이터 부족 문제를 반사실적 안전 학습으로 극복할 수 있는 새로운 접근 방식 제시.
◦
거의 사고 사건 데이터를 활용하여 사고 예측 정확도 향상 및 사전 예방적 안전 관리 체계 구축 가능성 제시.
◦
디지털 트윈 기반 시뮬레이션을 통해 차량, 도로, 정책 등의 안전성을 사전에 평가하고 개선할 수 있는 가능성 제시.
