기술 요약: STGDPM – 시공간 그래프 확산 확률 모델을 이용한 선박 궤적 예측

1. 문제 정의

선박 궤적 예측은 해상 교통 안전 및 충돌 회피를 위해 필수적입니다. 그러나 미래의 선박 움직임을 예측하는 데에는 두 가지 주요 과제가 존재합니다:

1. 복잡한 상호작용: 선박 항해는 주변 선박의 영향을 크게 받습니다. 기존의 집계 기반 방식(예: 이웃 특징의 합산 또는 평균)은 서로 다른 이웃들의 가변적인 중요성을 포착하는 데 실패하는 경우가 많으며, 표준 트랜스포머(Transformer) 기반 모델은 고정된 위치 인코딩으로 인해 불규칙한 시간 간격과 동적인 공간 관계를 처리하는 데 어려움을 겪습니다.
2. 행동의 다중 모드성(Multi-modality): 단일 과거 궤적에 대해 여러 개의 안전하고 합리적인 미래 경로가 존재할 수 있습니다. 기존 방법들은 이진 가우시안 분포에 의존하거나(종단점에서의 다중 모드성만 제한적으로 표현), GAN 및 CVAE를 사용하지만, 이는 불연속적인 미래 경로의 매니폴드를 커버하지 못하거나 평균 분포로 수렴하는 문제가 발생할 수 있습니다.

본 논문은 복잡한 시공간적 상호작용과 선박 행동의 내재된 불확실성(다중 모드성)을 포괄적으로 모델링할 수 있는 프레임워크의 필요성을 다룹니다.

2. 방법론

저자들은 시공 공간 그래프(STG) 모델링과 확산 확률 모델(DDPM)을 결합한 STGDPM(Spatio-Temporal Graph Diffusion Probabilistic Model) 프레임워크를 제안합니다.

2.1 동적 그래프 표현

선박 간의 상호작용은 각 타임 스텝마다 동적 그래프 $G_t = (V_t, E_t)$로 모델링됩니다.

• 노드 ($V_t$): 선박의 위치를 나타냅니다.
• 에지 ($E_t$): 특정 상호작용 경계 $\tau$ 내에서의 역제곱 거리 함수에 의해 정의되는 상호작용 강도를 나타냅니다. 이는 시간에 따라 진화하는 가중 인접 행렬 $A_t$를 형성합니다.

2.2 조건부 확산 프레임워크

궤적 예측 작업은 운동 불확실성 확산의 역과정으로 프레임화됩니다:

• 순방향 과정(Forward Process): 실제 미래 궤적 $y_0$는 $K$ 단계에 걸쳐 가우시안 노이즈와 점진적으로 결합되어 순수 노이즈 $y_K$가 됩니다.
• 역방향 과정(Reverse Process): 모델은 무작위 노이즈에서 시작하여, 과거 궤적 $x$와 동적 인접 행렬 $A$를 조건으로 하여 예측된 궤적 $\hat{y}$를 복구하기 위해 반복적으로 디노이징(denoising)을 수행하며 이 확산 과정을 역전시키는 법을 학습합니다.
• 목적 함수: 모델은 예측된 노이즈와 순방향 과정 중에 추가된 실제 노이즈 사이의 평균 제곱 오차(MSE)를 최소화합니다.

2.3 Traj-UGnet 구조

확산 모델 내에서 동적 그래프 입력을 처리하기 위해, 저자들은 Traj-UGnet이라는 새로운 디노이징 네트워크를 제안합니다.

• 구조: 과거 궤적($x$)과 노이즈가 섞인 미래 궤적($y_K$)을 시간축을 따라 결합한 U자형 네트워크입니다.
• 핵심 구성 요소: 네트워크는 DynamicGraphConv 모듈을 포함하는 **잔차 블록(Residual Blocks)**을 활용합니다.
• DynamicGraphConv: 이 모듈은 동적 인접 행렬 $A$를 사용하여 시공간적 집계를 수행합니다. 이 모듈은 그래프 구조를 정규화하고 학습 가능한 컨볼루션 가중치를 적용하여 선박 간 및 타임 스텝 간의 특징을 융합함으로써, 변화하는 상호작용 토폴로지에 모델이 적응할 수 있도록 합니다.
• 프로세스: 네트워크는 다운샘플링 및 업샘플링 경로를 따르며, 공간적 및 시간적 세부 사항을 보존하기 위해 스킵 연결(skip connections)을 결합하여 최종적으로 디노이징된 궤적을 출력합니다.

3. 주요 기여

본 논문은 세 가지 주요 기여를 명시합니다:

1. STG와 확산 모델의 최초 통합: 저자들이 아는 바에 따르면, 이는 복잡한 시공간적 의존성과 내재된 불확실성을 포착하기 위해 선박 궤적 예측을 위해 시공간 그래프 모델과 확산 모델을 통합한 최초의 연구입니다.
2. Traj-UGnet 설계: 동적인 선박 상호작용 그래프로부터 시공간적 특징을 효과적으로 추출하도록 설계된 특정 디노이징 네트워크(Traj-UGnet)를 확산 프레임워크 내에 제안했습니다.
3. 실증적 검증: 실제 AIS 데이터를 사용하여 기존 베이스라인 모델들보다 우수한 성능을 입증하고 궤적 행동의 다중 모드성을 모델링할 수 있음을 보여주었습니다.

4. 실험 결과

모델은 두 가지 실제 데이터셋인 **Caofeidian Waters (CFW)**와 **Tianjin Port (TJP)**에서 평가되었습니다.

4.1 정량적 성능

**평균 변위 오차(ADE)**와 **최종 변위 오차(FDE)**를 지표로 사용했을 때, STGDPM은 LSTM, Seq2Seq, Social-STGCNN, Social-GAN, 그리고 MID(확산 기반 트랜스포머 모델)를 포함한 최신 베이스라인들을 능가했습니다.

• Tianjin Port (15 스텝): STGDPM은 ADE 0.142, FDE 0.240을 달성하여 Social-STGCNN (ADE: 0.224) 및 Social-GAN (ADE: 0.214)보다 현저히 낮은 오차를 기록했습니다.
• Caofeidian Waters (15 스텝): STGDPM은 ADE 0.130, FDE 0.205를 달성하여 다른 모든 방법을 앞질렀습니다.
• 절제 연구(Ablation Studies): 핵심 구성 요소(U-Net 구조, DynamicGraphConv 또는 잔차 연결)를 제거하면 성능이 크게 저하되었습니다. 구체적으로, U-Net 구조를 추가하면 ADE가 약 64.1%(0.315에서 0.113으로) 개선되었습니다. DynamicGraphConv를 포함하면 ADE가 약 5.3%(0.113에서 0.107로) 추가 개선되었습니다. 잔차 연결을 포함한 전체 모델은 최종 ADE 0.094를 달성하였으며, 이는 U-Net 구조가 없는 베이스라인 모델(0.315) 대비 **70.1%**의 개선을 의미합니다.

4.2 정성적 분석

• 정확도: 시각적 비교 결과, STGDPM의 예측은 다른 모델들이 크게 벗어나는 복잡한 시나리오(회전, 가속)에서도 실제 궤적을 밀접하게 추종함을 보여주었습니다.
• 다중 모드성: 모델은 "우현 우선 규칙(starboard rule)"에 따른 양보나 코스 조정 등 국제해상충돌방지규칙(COLREGs)을 준수하는 행동을 포함하여, 다양하고 타당한 미래 경로를 성공적으로 생성했습니다.

5. 의의 및 주장

본 논문은 STGDPM이 다음과 같은 방식으로 해상 궤적 예측의 중요한 진전을 이루었다고 주장합니다:

• 다중 모드성 해결: 단일 평균 경로로 수렴하거나 불연속적인 분포를 다루기 힘들어하는 기존 방식과 달리, 확산 접근법은 불확실성의 진화를 명시적으로 시뮬레이션하여 여러 가능한 미래 궤적을 생성할 수 있게 합니다.
• 동적 상호작용 모델링: 상호작용을 정적인 집계가 아닌 동적 그래프로 취급함으로써, 모델은 선박 간의 미묘하고 시간에 따라 변하는 의존성을 더 잘 포착합니다.
• 실무 적용 가능성: 저자들은 이 방법이 자율 운항, 지능형 충돌 회피, 이상 행동 탐지와 같은 해상 응용 분야에 잠재력을 가지고 있으며, 이를 통해 해상 교통 관리의 안전성과 효율성을 높일 수 있다고 밝힙니다.

저자들은 현재의 결과가 유망하지만, 향후 연구는 모델의 확장성, 해석 가능성 개선 및 이러한 확산 기반 STGNN을 신기술과 통합하여 광범한 실세계 배포를 목표로 할 것이라고 결론지었습니다.