Learning the Pareto Space of Multi-Objective Autonomous Driving: A Modular, Data-Driven Approach

기술 요약: 다목적 자율주행의 파레토 공간 학습

문제 정의
자율주행 시스템(AV)이 혼합 교통 환경으로 전환됨에 따라, 이러한 시스템이 안전성, 효율성, 상호작용과 같은 상충하는 목표들을 어떻게 균형 있게 조절하는지 이해하는 것이 핵심적인 과제로 남아 있다. 인간 운전자는 이러한 트레이드오프를 지속적으로 탐색하지만, AV는 종종 흐름이나 사회적 유동성을 희생하면서까지 안전을 우선시하는 보수적인 규칙 기반 정책에 의존한다. 기존의 평가 방법은 단일 점수 지표나 이론적 시뮬레이션에 의존하는 경우가 많아, 실제 운행에서 발생하는 연속적이고 다차원적인 트레이드오프를 포착하지 못한다. 또한, 인간의 반응 시간을 기준으로 개발된 기존의 대리 안전 지표(예: 충돌 시간, TTC)는 AV의 저지연 협상형 상호작용을 정확하게 반영하지 못할 수 있다. 자연스러운 궤적 데이터로부터 균형 잡힌 성능의 '도달 가능한 공간'을 직접 도출하는 경험적 프레임워크가 부족한 실정이다.

방법론
저자들은 안전성, 효율성, 상호작용 사이의 최적의 트레이드오프를 나타내는 경험적 파레토 프런티어를 구축하기 위해 모듈형 데이터 기반 프레임워크를 제안한다. 이 방법론은 다음 네 가지 주요 단계로 진행된다:

1. 데이터 처리 및 에이전트 식별:

   • 본 연구는 제3세대 시뮬레이션(TGSIM) 프로젝트의 고해상도 궤적 데이터셋인 Foggy Bottom(워싱턴 D.C.의 도시 교차로)과 I-395(고속도로 구간)를 활용한다.
   • 원시 위치 및 운동학 데이터를 미터 단위 프레임으로 변환하고 가우시안 필터를 사용하여 매끄럽게 처리한다.
   • 상호작용은 공간적 참조로서 Tesla Vision 탐지 구역을 사용하고, 동적 선행 차량-후행 차량 관계를 정의하기 위해 **어파인 간격 정책(Affine Spacing Policy)**을 사용하여 식별한다.

2. 지표 도출:
   프레임워크는 세 가지 차원에 대한 복합 점수를 계산한다:

   • 안전성: **일반화된 대리 안전 지표(GSSM)**를 통해 측정된다. 이는 1차원 지표(TTC 등)를 넘어, 조건부 간격 분포를 추정하기 위한 신경망을 사용하여 문맥 인식형 충돌 위험을 모델링함으로써 확장된다. 고위험 이벤트는 극값 이론(일반화된 파레토 분포)을 사용하여 꼬리 위험(tail risks)을 분석한다.
   • 효율성: 차간 거리 추정(가장 가까운 유효 선행 차량까지의 유클리드 거리)과 군집 안정성 이득(후행 차량의 반응 지연을 통한 교란 전파 평가)을 통해 정량화된다.
   • 상호작용: 기동의 부드러움과 편안함을 측정하기 위해 **저크(Jerk, 가속도의 시간 미분)**와 감속 강도를 사용하여 평가된다.

3. 파레토 최적성 분석:

   • 각 타임스텝에 대해 지표를 정규화하고 역전시켜(낮은 값이 더 좋은 성능을 나타내도록 함) 통합 3D 목적 벡터 $(S, E, I)$를 생성한다.
   • **파레토 지배(Pareto Dominance)**를 적용한다: 어떤 이벤트가 모든 목적에서 최소한 동일하게 우수하고 적어도 하나 이상의 목적에서 엄격하게 더 우수할 때 해당 이벤트는 다른 이벤트를 지배한다.
   • 비지배(non-dominated) 이벤트들의 부분 집합이 파레토 최적 집합을 형성한다.

4. 표면 모델링:

   • 복합 라디알 기저 함수(RBF) 커널을 가진 가우시안 프로세스 회귀(GPR) 모델을 파레토 최적 점들에 적합시킨다.
   • 이를 통해 볼록 껍질(convex hull)의 들쭉날쭉하고 미분 불가능한 아티팩트를 피하고, 매끄럽고 연속적이며 미분 가능한 표면인 경험적 트레이드오프 매니폴드를 생성한다.

주요 결과

• 최적성의 희소성: TGSIM 데이터셋 분석 결과, AV 주행 사례 중 단 0.23%(43개 타임스텝)만이 파레토 최적인 것으로 나타났다. 이는 자연스러운 주행 환경에서 안전성, 효율성, 상호작용을 동시에 최적화하는 것이 매우 어렵다는 점을 강조한다.
• 성능 격차: 파레토 최적 상태는 비최적 사례보다 유의미하게 높은 평균 점수를 보였다 (안전성: 0.920 대 0.760; 효율성: 0.944 대 0.798; 상호작용: 0.756 대 0.502).
• 헤드룸(Headroom) 분석: 각 목적에 대한 파레토 프런티어로부터의 편차("헤드룸")를 정량화하였다. 상호작용이 가장 큰 개선 잠재력(중앙값 헤드룸 0.45)을 보였으며, 안전성(0.19)과 효율성(0.15)이 그 뒤를 이었다.
• 행동 관찰:
  • AV는 일반적으로 보수적인 차간 거리(1~3초)를 유지하며, 복잡한 도시 환경에서는 더 긴 차간 거리를 유지했다.
  • 군집 안정성은 일반적으로 유지되었으나(이득 < 1), 간혹 증폭 현상이 발생했다.
  • 저크는 대체로 낮았으나, 약 75%의 AV가 특정 시점에 2.5 m/s³ 임계값을 초과하여, 제어의 부드러움을 개선할 여지가 있음을 보여주었다.

의의 및 주장
본 논문은 자신의 주요 기여가 특수한 계측 장비를 사용하거나 기본 궤적을 수정할 필요 없이, 경험적 데이터로부터 직접 다목적 학습 표면을 도출하는 최소 침습적이고 모듈화된 프레임워크를 구축한 것이라고 주장한다.

• 경험적 토대: 시뮬레이션이나 이론적 모델에 의령하는 기존 연구와 달리, 본 연구는 관찰된 실제(시뮬레이션된 자연주의적) 데이터로부터 파레토 프런티어를 구축하여, "도달 가능한" 균형 잡힌 성능의 벤치마크를 제공한다.
• 연속적 트레이드오프 표현: 이산적인 볼록 껍질 대신 GPR을 사용함으로써, 프레임워크는 최적의 트레이드오프의 연속적인 구조를 포착하며, 단일한 "최적" 정책이 아닌 다목적 평형의 기하학적 표현을 제공한다.
• 전이 가능성: 저자들은 이 프레임워크가 모든 궤적 데이터셋이나 지표 공식에 일반화될 수 있다고 주장한다. 이는 다목적 학습 및 제어를 위한 전이 가능한 토대로서 작-용하며, 향후 적응형 AV 에이전트, 파레토 정보 기반 강화 학습(RL), 그리고 엔드 투 엔드 주행 모델을 가이드할 수 있다.
• 실행 가능한 통찰: 결과는 현재의 AV 행동이 안전하기는 하지만, 상호작용의 유동성 측면에서 경험적 파레토 프런티어로부터 멀리 떨어져 있는 경우가 많음을 시사한다. 이는 제어 정책을 튜닝하여 "헤드룸"을 최소화하고 운행 지점을 최적의 트레이드오프 표면에 가깝게 이동시키기 위한 데이터 기반의 근거를 제공한다.

본 연구는 현재의 범위가 특정 데이터셋(도시 좌회전 및 단일 차선 고속도로 운행)에 의해 제한되어 있으나, 이 방법론이 차세대 자율 시스템의 행동적 합의를 정의하기 위한 견고한 경로를 제공한다고 결론짓는다.