Active inference as a unified model of collision avoidance behavior in human drivers

기술 요약: 인간 운전자의 충돌 회피 행동을 모델링한 능동적 추론

문제 제기
충돌 회피는 즉각적인 위협 탐지와 적절한 회피 기동의 실행을 요구하는 치명적이고 고위험의 인지 과업입니다. 인간 운전자의 충돌 회피에 대한 기존 계산 모델은 대부분 단편적입니다. 이러한 모델들은 일반적으로 특정 시나리오 유형 (예: 전방 차량 추돌), 특정 설명 요인 (예: 인지 부하), 또는 고립된 행동 지표 (예: 반응 시간) 에 초점을 맞추고 있습니다. 대규모 운전 데이터셋으로 훈련된 머신러닝 모델은 일반화 가능성에서 유망한 결과를 보이지만, 훈련 데이터에서 충돌 시나리오가 과소 대표되어 있어 안전에 치명적인 행동을 표현하는 데 종종 어려움을 겪습니다. 결과적으로 다양한 시나리오에 걸쳐 인간 충돌 회피의 핵심 측면인 반응 선택, 타이밍, 실행을 포착할 수 있는 통합된 모델이 부재합니다.

방법론
저자들은 '예상 자유 에너지 (EFE)'를 최소화하기 위해 에이전트가 행동한다는 자유 에너지 원리에 기반한 프레임워크인 **능동적 추론 (active inference)**에 기반한 계산 인지 모델을 제안합니다. 이 모델은 시간 이산적 순차 과정에서 다른 도로 사용자와 상호작용하는 인간 운전자를 (자차 에이전트) 시뮬레이션합니다.

모델의 주요 기작 구성 요소는 다음과 같습니다:

1. 충돌각 (Looming) 기반 지각: 에이전트는 운동학적 상태 (위치/속도) 를 직접 지각하지 않고 시각각 ($\phi$) 과 각속도 ($\dot{\phi}$, 즉 충돌각) 로부터 이를 추론합니다. 장거리에서 작은 상대 속도를 지각하지 못하는 능력을 시뮬레이션하기 위해 탐지 임계값 ($\dot{\phi}_0$) 이 구현되어 급제동과 같은 사건의 인식 지연을 설명합니다.
2. 규범 조건부 입자 필터: 다른 에이전트의 미래 행동을 예측하기 위해 모델은 교통 규범 (예: 차선 유지, 우선권 양보) 에 편향된 입자 필터를 사용합니다. 이는 비충돌 상황에서 지나치게 비관적인 예측을 방지하면서도 충돌의 증거가 나타날 때 이러한 가정을 완화하고 '장꼬리 (long-tail)' 규범 위반 궤적을 샘플링할 수 있게 합니다.
3. 재계획을 위한 증거 누적: 에이전트는 현재 정책의 잔여적 실용 가치 (negative pragmatic value) 로 정의된 '놀라움 (surprise)'을 전체 정책 재계획을 위한 증거로 지속적으로 누적합니다. 누적된 증거가 임계값을 초과하면 에이전트는 전체 정책을 재계획하고, 그렇지 않으면 현재 정책을 확장합니다. 이 기작은 인간의 반응 타이밍 역학을 모델링합니다.
4. 제약된 정책 샘플링: 새로운 정책은 교차 엔트로피 방법을 사용하여 생성되지만, 제한된 계획 능력 (평가된 정책의 고정된 수) 으로 제한됩니다. 특히, 가속도 제약은 인간이 페달을 조작하는 방식을 모방하며, 페달 간 발을 이동시키는 물리적 지연을 시뮬레이션하기 위해 0.2 초의 제로 가속도 유지 시간을 포함합니다.
5. 정책 선택: 에이전트는 예상 자유 에너지 (EFE) 를 최소화하는 정책을 선택하여 실용적 가치 (충돌 회피, 속도 유지, 차선 유지, 제어 노력 최소화) 와 인식적 가치 (불확실성 감소) 를 균형 있게 맞춥니다. 충돌 시나리오에서는 실용적 가치가 주요 동인이 됩니다.

평가 및 결과
이 모델은 세 가지 다른 충돌 회피 시나리오에 대한 경험적 인간 데이터를 기준으로 평가되었습니다:

1. 전방 추돌: 선행 차량이 갑자기 제동합니다. 모델은 제동 반응 시간과 감속 크기에 대한 메타 분석적 발견을 재현했으며, 시나리오 운동학에 따른 의존성 (예: 더 긴급한 시나리오에서 더 짧은 반응 시간과 더 강한 제동) 을 보여주었습니다. 또한 속도와 시간 간격에 따른 기동 선택 (제동 대 회피) 을 예측했습니다.
2. 상향 방향 측면 침입: 반대 방향 차량이 자차 차선으로 침입합니다. 모델은 다양한 침입 '경사도'를 가진 시뮬레이터 데이터를 대상으로 테스트되었습니다. 이 모델은 가파른 시나리오에서는 왼쪽으로 조향하고, 완만한 시나리오에서는 오른쪽으로 조향하며, 다른 차량의 경로에 대한 높은 불확실성으로 인해 '중간' 시나리오에서는 충돌하는 인간의 경향을 성공적으로 재현했습니다.
3. 교차로 우회전 진입: 차량이 교차로에서 양보하지 않습니다. 모델은 처음 두 시나리오에 대해서만 튜닝되었음에도 불구하고, 이 보지 못한 시나리오로 일반화되어 인간의 충돌률과 반응 시간 (더 중요한 '정차하지 않음' 변형에서 더 빠른 반응) 을 재현했습니다.

절대화 연구 (Ablation Studies)
모델 기작의 체계적 제거 (예: 증거 누적 제거, 예측 내 노이즈, 규범 조건부 제거) 는 각 구성 요소가 인간 행동의 특정 측면을 포착하는 데 필수적임을 입증했습니다. 예를 들어, 증거 누적을 제거하면 비현실적으로 빠른 반응이 발생했고, 규범 조건부를 제거하면 지나치게 보수적인 행동이나 조급한 반응이 초래되었습니다.

의의 및 주장
본 논문은 기본 원리에 기반하여 여러 충돌 시나리오에 걸친 인간 충돌 회피 행동을 상세히 설명하는 최초의 공개된 계산 모델을 제시한다고 주장합니다. 주요 기여 사항은 다음과 같습니다:

• 통합 프레임워크: 능동적 추론이 복잡한 안전 치명적 운전 작업에서 인간 행동을 모델링하는 일반화 가능한 프레임워크로 기능할 수 있음을 입증하여, 반응 타이밍, 기동 선택, 실행을 통합합니다.
• 일반화: 특정 시나리오에 대해 튜닝된 모델이 재파라미터화 없이 보지 못한 시나리오에서 인간 행동을 정확하게 예측할 수 있음을 보여줍니다.
• 기작적 통찰: 인간 운전자가 때때로 충돌을 피하지 못하는 이유 (예: 중간 침입 시나리오) 에 대한 계산적 설명을 제공하며, 이러한 실패를 제한된 계획 능력, 예측 불확실성, 규범 준수 행동에 대한 편향의 상호작용으로 귀결시킵니다.
• 폐루프 역학: '원샷 (one-shot)' 개방 루프 기동을 사용하는 많은 기존 모델과 달리, 이 모델은 인간 의사 결정과 유사한 동적 폐루프 재계획을 구현합니다.

저자들은 능동적 추론을 단순한 계산 도구가 아니라 도로 사용자 행동을 이해하기 위한 이론적 프레임워크로 위치시키며, 인지 이론과 실제 교통 안전 응용 간의 간극을 해소합니다. 비반응적 다른 에이전트에 대한 가정과 문화적 규범 변이 및 더 복잡한 지각 변수에 대한 향후 연구의 필요성과 같은 한계를 인정하지만, 이 모델이 자동화 차량 테스트 및 안전 연구에서 인간 에이전트를 시뮬레이션하는 견고한 기반을 제공한다고 주장합니다.