기술 요약: AV 제어 최적화를 위한 인간 유사 보행자 모델 기반의 현실적인 적대적 시나리오 생성

1. 문제 정의

자율주행 자동차(AV)의 안전한 배포를 위해서는 취약한 도로 사용자, 특히 보행자와의 신뢰할 수 있는 상호작용이 필수적이다. 시뮬레이션 기반 테스트는 비용이 많이 들고 위험한 실제 도로 시험의 실질적인 대안이지만, 현재의 방법론은 두 가지 주요 한계점에 직면해 있다:

1. 보행자 모델의 현실성 부족: 대부분의 시뮬레이션 프레임워크는 규칙 기반 또는 결정론적 보행자 모델(예: 표준 CARLA 워커)에 의존하여 인간의 행동을 지나치게 단순화한다. 이러한 모델은 자연스러운 개인 간 차이(사람 간의 차이)와 개인 내 변동성(동일 인물 내의 가변성)을 포착하지 못하며, 이로 인해 비현실적인 상호작용 역학을 초래한다.
2. 적대적 테스트와 현실성 사이의 괴리: 안전 한계를 탐색하기 위해 사용되는 적대적 시나리오 생성은 종종 현실성보다 난이도를 우선시한다. 기존 방식(예: "자살적 보행자" 또는 공격적인 무단 횡단자 모델)은 과장된 행동을 생성하여 AV 컨트롤러를 지나치게 보수적으로 만들며, 결과적으로 실제 인간과의 상호작용에 잘 일반화되지 못하는 컨트롤러를 만든다.

방법론적 공백이 존재한다: 인간 유사 보행자 모델과 적대적 테스트는 그동안 병렬적으로 발전해 왔다. 본 연구는 인지적으로 영감을 받은 인간 유사 보행자 모델을 적대적 테스트에 통합하여, 행동적으로 타당하면서도 도전적인 시나리오를 생성하는 문제를 다룬다.

2. 방법론

본 연구는 CARLA 시뮬레이션 환경 내에서 구현된 COMMOTIONS 보행자 모델(Markkula et al., 2023)을 AV 제어 최적화와 통합하는 프레임워크를 제안한다. 방법론은 세 가지 핵심 구성 요소로 이루어진다:

2.1. 보행자 모델의 영향 평가

저자들은 2×2 설계(design)를 사용하여 비교 연구를 수행하였다:

• 보행자 모델: 표준 규칙 기반 CARLA 보행자(WalkerAIController) 대 인지적 메커니즘(감각, 운동, 인지 기제 및 확률적 가변성 통합)이 적용된 COMMOTIONS 모델.
• AV 컨트롤러: 내장된 CARLA 규칙 기반 플래너 대 오픈 소스 Autoware 자율주행 스택.
• 시나리오: 보행자가 연석에서 대기하다가 도착 시간(TTA) 값(6, 10, 14, 18초)에 따라 횡단 결정을 내리는 단순화된 무신호 횡단보도.
• 지표: 충돌률, 간격 수용률(gap acceptance rate), 후행 시간(Post-Encroachment Time, PET), 급격한 속도 변화율(감속 > 2.5 m/s²).

2.2. 적대적 시나리오 생성

비현실적인 행동에 의존하지 않고 안전 임계 상호작용을 식별하기 위해, 저자들은 베이지안 최적화(Bayesian optimisation)를 이용한 파라미터-TTA 탐색을 채택하였다:

• 목적: 특정 보행자 파라미터 세트(개별 특성을 나타냄)에 대해 TTA 트리거 시간을 [6, 18]초 범위 내에서 변화시켜 PET를 최소화하는 것.
• 과정: COMMOTIONS 모델에서 100개의 서로 다른 보행자 파라미터 세트를 샘플링하였다. 각 개인에 대해, 베이지안 최적화는 가장 낮은 PET를 생성하는 TTA를 식별하였다.
• 적대적 정의: 최소 PET가 1.5초 미만으로 떨어진 시나리오를 적대적 시나리오로 분류하였다. 이는 강제된 "자살적" 행동이 아니라 자연스러운 인간의 가변성으로부터 발생하는 안전 임계 상호작용을 나타낸다.

2.3. AV 제어 최적화

생성된 적대적 시나리오는 단일 AV 제어 파라미터인 제동 거리(비상 정지를 시작하는 임계값)를 최적화하는 데 사용되었다:

• 최적화 목표: 안전 제약 조건(PET ≥ 1.5초 및 최대 감속 ≤ 2.5 m/s²)을 충족하면서 차량 손실 시간(효율성)을 최소화하는 것.
• 비교 기준선: 최적화 결과는 세 가지 시나리오 세트에 대해 테스트되었다:
  1. COMMOTIONS Low-PET: 식별된 안전 임계, 인간 유사 적대적 시나리오.
  2. COMMOTIONS Random: 동일한 개인에 대해 무작위로 샘플링된 TTA 값(타겟팅되지 않은 현실성).
  3. Jaywalker Model: 공격적이고 덜 타당한 행동으로 알려진 규칙 기반 적대적 기준선(Muktadir and Whitehead, 2022).

3. 주요 결과

3.1. 인간 유사 모델이 상호작용에 미치는 영향

• 안전성: COMMOTIONS 모델은 두 AV 컨트롤러 모두에서 테스트된 모든 조건에서 충돌 제로를 기록한 반면, 규칙 기반 CARLA 보행자는 특히 중간 단계의 TTA에서 여러 차례의 충돌을 발생시켰다.
• 행동적 현실성: COMMOTIONS 보행자는 TTA가 증가함에 따라 간격 수용 패턴이 증가하는 양상을 보였으며, 이는 인간의 데이터와 일치한다. 반면, CARLA 보행자는 명확한 경향성을 보이지 않았으며 비현실적으로 일찍 간격을 수용했다.
• 승차감: COMMOTIONS와의 상호작용은 급격한 속도 변화(<20% vs. >80% for CARLA)가 현저히 적었으며, 더 부드러운 차량 감속을 보였다.
• 가변성: COMMOTIONS 모델은 안전하지 않은 상호작용(낮은 PET)이 특정 개인과 특정 타이밍 조건 하에서만 발생한다는 것을 입증하였으며, 이는 개인 간 및 개인 내 가변성의 중요성을 강조한다.

3.2. 적대적 최적화의 효과

• Low-PET 최적화: 인간 유사 적대적 시나리오(Low-PET 세트)를 사용하여 제동 거리를 튜닝했을 때 성능이 크게 향상되었다:
  • 평균 PET가 2.48초에서 4.96초로 증가하였다.
  • 최소 PET가 1.05초에서 1.80초로 증가하여(안전 임계 상호작용 제거),
  • 급격한 속도 변화가 83%에서 17%로 감소하였다.
  • 평균 차량 손실 시간이 0.12초에서 0.05초로 감소하였다.
• Random vs. Low-PET: 무작위 샘플링은 효율성을 개선했지만, 안전 임계 상호작용을 제거하는 데는 실패하였다(최소 PET가 1.23초로 유지됨). 이는 특정 안전 임계 사례를 타겟팅하는 것이 강력한 최적화에 필수적임을 보여준다.
• Jaywalker 비교: 공격적인 Jaywalker 모델을 대상으로 한 최적화는 평균 PET를 높였으나(5.52초), 높은 대가를 치렀다: 급격한 속도 변화가 여전히 높았으며(38%), 시간 손실이 두 배 이상 증가하였다(0.25초). 이는 적대적 에이전트의 비현실적인 특성 때문에 AV가 지나치게 방어적으로 변했음을 나타낸다.

4. 의의 및 주장

본 논문은 인간 유사한 도로 사용자 모델을 시뮬레이션 기반 적대적 테스트에 통합하는 것이 AV 평가의 신뢰성을 높이고, 컨트롤러 최적화를 위한 실질적인 근거를 제공한다는 **개념 증명(Proof of Concept)**을 제공한다고 주장한다.

• 현실성과 스트레스 테스트의 결합: 본 연구는 안전 임계 시나리오가 인위적인 과장이 아니라 자연스러운 인간의 가변성(개인 간 및 개인 내 가변성)을 통해 생성될 수 있음을 입증한다. 이를 통해 행동적으로 타당하면서도 도전적인 스트레스 테스트가 가능하다.
• 최적화 가치: 과도하게 보수적인(비효율적인) AV 행동을 유발하는 적대적 에이전트와 달리, 인간 유사 적대적 시나리오는 안전, 승차감, 효율성 사이의 더 나은 트레이드오프를 달 수 있도록 AV 제어 파라미터를 최적화할 수 있게 한다.
• 방법론적 기여: 본 연구는 인지적으로 영감을 받은 보행자 모델링과 적대적 시나리오 생성을 통합하여, 보행자 모델과 AV 컨트롤러가 공동으로 시뮬레이션되는 엔드 투 엔드(end-to-end) 평가 파이프라인을 제시한다.

5. 한계 및 범위

저자들은 다음과 같은 한계점을 명시하였다:

• 시나리오 복잡성: 본 연구는 다중 에이전트 도시 환경, 폐쇄(occlusion), 교통 신호 등이 결មាន 없는 단순화된 1대 1 횡단보도 상황으로 제한된다.
• 컨트롤러 다양성: 평가는 두 개의 컨트롤러(CARLA 및 Autoware)로 제한되었으며, 심층 강화 학습(Deep RL) 기반 또는 상용 독점 스택은 테스트되지 않았다.
• 파라미터 범위: 최적화는 가속, 저크(jerk), 횡방향 제어를 포함하는 다중 파라미터 접근 방식이 아닌 단일 파라미터(제동 거리)에 집중되었다.
• 모델 범위: COMMOTIONS는 지각, 운동, 인지적 가변성을 포착하지만, 집단 역학, 문화적 규범, 명시적 의사소통(예: 눈맞춤)과 같은 사회적 요인은 누락되어 있다.

본 논문은 이 프레임워크가 기초적인 단계임을 결론지으며, 일반화 가능성을 보장하기 위해 더 복잡한 환경과 다양한 제어 아키텍처로 이러한 방법을 확장하는 후속 연구가 필요함을 밝히고 있다.