기술 요약: 자동차 추종 행동의 설명되지 않는 변동성 모델링

1. 문제 정의

미시적 교통 시뮬레이션은 차량 간의 상호작용을 표현하기 위해 자동차 추종 모델(car-following models)에 크게 의존한다. 전통적인 결정론적 모델(예: IDM, Gipps 모델)과 현대적인 확률론적 확장 모델들조차 인간의 운전 가변성을 온전히 포착하는 데는 종종 실패한다. 이러한 모델들은 맥락 인식 입력값(간격, 속도, 상대 속도)을 포함하고 있음에도 불구하고, 잠재적인 운전자 의도, 인지 오류, 그리고 기억 효과로부터 발생하는 **구조적 확률성(structured stochasticity)**을 간과하는 경우가 많다.

기존의 접근 방식들은 잔차 오차를 독립 항등 분포(i.i.d.) 노이즈로 취급하거나, 정적(stationary) 시간 상관관계(예: Ornstein–Uhlenbeck 프로세스 또는 정적 가우시안 프로세스)를 가정한다. 그러나 실제 운전은 **비정상적(nonstationary)**이고 맥락 의존적인 시간적 상관관계를 보인다. 운전자는 진화하는 교통 상황(예: 자유 흐름에서 정지-출발 상태로의 전환)에 따라 자신의 반응 시간과 불확실성 허용도를 조정한다. 결과적으로, 표준 모델들은 비현실적인 시뮬레이션을 생성하거나 부적절한 불확실성 추정치를 산출하며, 알레아토리 불확실성(aleatoric uncertainty, 내재적 가변성)과 에피스테믹 불확실성(epistemic uncertainty, 모델의 한계)을 구분하지 못한다.

2. 방법론

저자들은 딥 뉴럴 시퀀스 모델링과 비정상 가우시안 프로세스(GP)를 결격한 해석 가능한 확률적 모델링 프레임워크를 제안한다. 핵심 공식은 시간 $t$에서의 가속도 결정 $a_t$를 다음 세 가지 구성 요소로 분해한다:

$$a_t = f_{CF}(x_t) + \delta(t) + \varepsilon_t$$

여기서:

• $f_{CF}(x_t)$: 신경망(구체적으로 DeepAR의 LSTM 백본 사용)에 의해 매개변수화된 평균 역학 함수이다. 이는 공변량 $x_t$(간격, 속도, 상대 속도)와 과거의 은닉 상태를 기반으로 기대 가속도를 예측한다.
• $\delta(t)$: 제로 평균과 시나리오 적응형 커널을 가진 **가우시안 프로세스(GP)**로 모델링된 시간적으로 상관된 잔차 프로세스이다. 이는 구조적이고 맥락 의존적인 가변성을 포착한다.
• $\varepsilon_t$: 미분 아티팩트와 같은 구조화되지 않은 관측 노이즈를 나타내는 i.i.d. 노이즈 항이며, "너겟 효과(nugot effect)" 역할을 한다.

주요 기술 구성 요소

• 평균 역학을 위한 DeepAR: 모델은 복잡하고 비선형적인 평균 가속도 패턴을 학습하기 위해 순환 신경망을 사용한다. 은닉 상태 $h_t$는 과거의 맥락을 요약하여 모델이 다양한 운전 스타일과 교통 상태에 적응할 수 있도록 한다.
• 시나리오 적응형 Gibbs 커널: 잔차 $\delta(t)$를 모델링하기 위해 저자들은 비정상 Gibbs 커널을 채택한다. 고정된 상관 길이 척도(lengthscale)를 가정하는 정적 커널(Squared Exponential 또는 Matérn)과 달리, Gibbs 커널은 분산 $\sigma^2(t)$과 길이 척도 $\ell(t)$가 모두 운전 맥락의 함수가 될 수 있도록 허용한다.
  • 이 매개변수들은 DeepAR 은닉 상태 $h_t$에 적용되는 피드포워드 층에 의해 예측된다: $\ell_{NN}(h_t)$ 및 $\sigma_{NN}(h_t)$.
  • 이를 통해 모델은 현재 교통 상황(예: 급제동 중에는 짧은 기억, 안정적인 주행 중에는 긴 기억)에 따라 자신의 "기억"(얼마나 멀리까지 상관관계를 볼 것인가)과 "불확실성 허용도"를 동적으로 조정할 수 있다.
• 학습 목적 함수: 모델은 DeepAR 평균과 GP 공분산 행렬(및 너겟 항)에 의해 정의된 다변량 가우시안 분포 하에서 관측된 가속도 시퀀스의 음의 로그 가능도(negative log-likelihood)를 최소화함으로써 엔드 투 엔드로 학습된다.

시뮬레이션 프레임워크

이 프레임워크는 **다회차 확률적 시뮬레이션(multi-round stochastic simulations)**을 지원한다. 각 시간 단계에서 모델은 (과거 관측값과 학습된 커널에 조건화된) 예측 분포로부터 가속도를 샘플링하고, 차량의 속도와 위치를 업데이트하며, 이를 반복한다. 이를 통해 학습된 평균 역학 및 인간 행동의 구조적 확률성을 반영하는 궤적 앙상블을 생성한다.

3. 주요 기여

1. 해석 가능한 확률적 프레임워크: 본 연구는 평균 역학을 구조적 잔차 불확실성과 분리하여, 운전 맥락에 따라 진화하는 시간적 상관관계를 명시적으로 모델링하는 하이브리드 아키텍처를 도입한다.
2. 비정상 Gibbs 커널: 저자들은 운전 행동의 이분산성(heteroskedasticity, 변화하는 불확실성 수준)과 비정상적 상관관계(nonstationary correlations, 변화하는 기억 척도)를 포착하기 위해 맥락 의존적 매개변수를 가진 Gibbs 커널을 사용할 것을 제안한다. 이는 기존 GP 기반 접근 방식의 경직된 정적 가정을 극복한다.
3. 불확실성 유형의 구분: 프레임워크는 구조화된 알레아토리 불확실성(GP 잔차로 모델링됨)과 측정 노이즈를 개념적으로 구분하여, 가속도, 속도 및 간격에 대한 불확실성을 정량화하는 원칙적인 방법을 제공한다.
4. 경험적 검증: 이 접근 방식은 HighD 데이터셋(독일 고속도로 드론 궤적)을 통해 검증되었으며, 결정론적 베이스라인, 정적 GP 변형 모델, 그리고 i.i.d. 노이즘을 가정하는 모델들에 비해 예측 정확도와 불확실성 보정(calibration) 측면에서 우수한 성능을 입증하였다.

4. 실험 결과

실험은 HighD 테스트 세트에서 추출한 30개의 자동차 추종 쌍을 대상으로 수행되었으며, 세 가지 지표(RMSE, CRPS, ES)를 통해 10초간의 확률적 롤아웃(stochastic rollouts)을 평가하였다.

• 성능 비교: 제안된 DeepAR + Gibbs 커널 모델은 가속도, 속도, 간격 차원에서 일관되게 가장 낮은 RMSE, CRPS, ES 값을 달로 달성하였다.
  • 이는 급격한 상태 전환에 적응하는 데 어려움을 겪는 정적 GP 변형 모델(Matérn 및 Squared Exponential 커널)보다 우수한 성능을 보였다.
  • 또한 백색 잡음 베이스라인(i.i.d. 가정)보다 유의미하게 높은 성능을 보여, 시간적 구조를 무시하는 것이 정확도와 불확실성 보정 모두를 저하시시킨다는 점을 확인하였다.
• 절제 연구(Ablation Studies):
  • 순환형 DeepAR를 다층 퍼셉트론(MLP)으로 교체했을 때, 특히 간격(spacing) 차원에서 더 높은 오차가 발생하였으며, 이는 장기 의존성을 위한 순환 구조의 중요성을 강조한다.
  • GP 커널을 제거했을 경우(i.i.d. 노이즈 가정), 모든 모델에서 상당한 성능 저하가 발생하였으며, 이는 시간적 상관관계 모델링이 단순한 개선이 아닌 필수 요소임을 뒷받침한다.
  • 비정상 Gibbs 커널과 결합된 고전적인 베이지안 IDM조차도 구조적 잔차 없이 학습된 딥러닝 모델보다 때때로 더 나은 성능을 보이는 등 뚜렷한 개선을 보였다.
• 해석 가능성: 학습된 매개변수를 분석한 결과, 길이 척도 $\ell(t)$는 교통 상태에 따라 적응함을 발견했다. 즉, 급제거 또는 모드 전환 시에는 수축(짧은 기억)하고, 안정적인 주행 시에는 확장(긴 기억)된다. 또한 분산 $\sigma^2(t)$은 허용적인 조건(행동적 이질성 반영)에서 증가하고, 안전이 중요한 고주의 상황에서는 감소한다.

5. 의의 및 주장

본 논문은 관찰 가능한 맥락만으로는 설명되지 않는 상당 부분의 자동차 추종 가변성이 존재하며, 이것이 운전 환경에 따라 변화하는 시간적으로 구조화된 의존성을 가진다고 주장한다.

• 현실성 및 보정: i.i.d. 섭동 대신 시간적으로 상관된 비정상 잔차를 대체함으로써, 프레임워크는 예측 정확도와 확률적 일관성을 향상시킨다. 이는 보다 행동적으로 현실적이며 위험 평가에 적합하도록 잘 보정된 시뮬레이션을 이끌어낸다.
• 해석 가능성: 학습된 길이 척도와 분산은 운전자의 반응 빈도와 행동 허용도를 나타내는 해석 가능한 대리 지표 역할을 하며, 안전 필수 애플리케이션에 가치 있는 의사결정 체계에 대한 통찰을 제공한다.
• 실용적 유용성: 이 프레임워크는 고충실도 교통 시뮬레이션 및 안전 필수 행동 분석을 위한 도구로 제시된다. 이는 확률적 안전 분석 및 불확실성을 고려한 커넥티드 자율주행 차량(CAV) 테스트에 필수적인 앙상블 시뮬레이션 생성을 가능하게 한다.
• 범위의 한계: 저자들은 모델이 환경 의존적 상관관계를 효과적으로 포착하지만, 제어기 설계를 통한 스트링 안정성(string stability)을 보장하는 것은 아니라고 언급한다(단, 관찰된 결과에서는 미미한 안정성이 나타남). 또한 상당한 도메인 변화(예: 다른 도로 기하 구조나 운전자 집단) 하에서의 일반화에는 적응이 필요함을 인정하며, 향후 연구에서 폐루프 마이크로 시뮬레이션 및 다차로 확장을 다루어야 한다고 밝히고 있다.

요약하자면, 본 연구는 구조적이고 비정상적인 잔차 모델링을 통합하는 것이 현실적이고 해석 가능하며 불확실성을 인지하는 자동차 추종 시뮬레이션을 생성하는 데 필수적이며, 이를 통해 딥러닝의 유연성과 확률적 모델링의 해석 가능성 사이의 간극을 메울 수 있다고 주장한다.