공유자율주행차가 이끄는 마이크로트랜짓 혁신: 애틀랜타 사례분석

초록

본 논문은 공유자율주행차(SAV)를 마이크로트랜짓 시스템에 통합한 ‘통합 실시간 배차·제어(URDC)’ 프레임워크를 제안한다. 기존 인간 운전 셔틀의 한계인 반응 지연·공허 주행을 극복하고, 방대한 히스토리 데이터 없이도 수요 변동에 따라 차량을 실시간 재배치하는 모델 예측 제어(MPC)를 설계하였다. 애틀랜타 MARTA Reach 파일럿 데이터를 활용한 시뮬레이션 결과, SAV 적용 시 평균 대기시간·공허 마일이 크게 감소하고, 서비스 품질과 이용자 만족도가 향상됨을 확인하였다.

상세 분석

이 연구는 마이크로트랜짓의 핵심 과제인 ‘첫·마지막 마일’ 문제를 해결하기 위해 기존 인간 운전 셔틀이 갖는 운전 행동 제약을 정량화하고, 이를 공유자율주행차(SAV)의 특성에 맞게 모델링한 점이 가장 큰 혁신이다. 논문은 세 가지 핵심 모듈로 구성된 URDC 프레임워크를 제시한다. 첫 번째 모듈인 Real‑Time Dial‑a‑Ride System (RTDARS)은 기존 DARP 기반 실시간 배차 알고리즘에 운전자의 반응 시간 분포(D)와 아이들링 행동을 변수로 추가해, 인간 운전 시 발생하는 대기 지연을 정확히 추정한다. 두 번째 모듈인 RTDARS‑SAV은 운전 지연을 0으로 가정하고, 차량이 요청을 받는 즉시 경로를 재계산·재배치할 수 있는 ‘즉시 재라우팅’ 메커니즘을 도입한다. 이는 기존 연구에서 제시된 공유가능성 그래프 기반 히어리스틱을 확장한 것으로, 차량‑요청 매칭의 최적성을 실시간으로 유지한다. 세 번째 모듈인 모델 예측 제어(MPC)는 전통적인 수요 예측 기반 재배치와 달리, 짧은 예측 윈도우(L)와 현재 아이들 차량 위치 정보를 활용해 ‘즉시 재배치’를 수행한다. 특히, 과거 수요 데이터에 의존하지 않으면서도 수요 급증 구역을 탐지할 수 있도록, 아이들 정류장별 요청 밀도(γs)를 실시간 가중치로 사용한다.

논문은 이론적 모델링을 넘어, 애틀랜타 MARTA Reach 파일럿(6개월, 온‑디맨드 멀티모달 트랜짓 시스템) 데이터를 기반으로 네 가지 시나리오(SFL I~IV)를 설계했다. 시나리오 I은 전통 인간 운전 셔틀, 시나리오 II는 운전 지연을 최소화한 반자동 셔틀, 시나리오 III는 완전 자율 셔틀, 시나리오 IV는 자율 셔틀에 최적화된 아이들 정류장 정책을 적용한 경우다. 실험 결과, 시나리오 III와 IV에서는 평균 대기시간이 각각 38%·45% 감소하고, 공허 마일이 30% 이상 감소했다. 또한, 서비스 성공률(요청이 일정 시간 내에 배정되는 비율)이 92%에서 98%로 상승했으며, 이는 이용자 만족도와 시스템 수용력을 동시에 끌어올리는 효과를 나타낸다.

이러한 결과는 두 가지 중요한 시사점을 제공한다. 첫째, SAV가 인간 운전자의 행동 제약을 제거함으로써 마이크로트랜짓의 운영 효율성을 크게 향상시킬 수 있다. 둘째, 방대한 히스토리 데이터가 부족한 초기 서비스 단계에서도 MPC 기반 실시간 재배치가 충분히 효과적이며, 이는 새로운 도시나 서비스 지역에 빠르게 적용할 수 있는 기술적 기반을 제공한다. 다만, 논문은 시뮬레이션 기반 평가에 머물러 있어 실제 현장 시험에서 발생할 수 있는 통신 지연, 센서 오류, 법·제도적 제약 등에 대한 검증이 필요하다.