Towards Intelligible Human-Robot Interaction: An Active Inference Approach to Occluded Pedestrian Scenarios

1. 문제 정의 (Problem Definition)

자율주행 차량이 보행자가 가려진 (Occluded) 상황에서 갑자기 나타날 때 발생하는 안전 문제는 자율주행의 핵심적인 난제 중 하나입니다.

• 기존 방법의 한계: 규칙 기반 (Rule-based) 또는 순수 데이터 기반 (데이터 드리븐) 접근법은 이러한 '롱테일 (Long-tail)' 시나리오의 본질적인 높은 불확실성을 처리하는 데 어려움을 겪습니다. 특히, 안전에 치명적인 모서리 사례 (Corner cases) 데이터가 부족하고, 의사결정 과정의 해석 가능성 (Interpretability) 이 결여되어 있습니다.
• 목표: 불확실성이 높은 가려진 보행자 상황에서 인간과 유사한 인지 과정을 통해 사전에 위험을 감지하고, 안전하면서도 설명 가능한 (Explainable) 주행 행동을 보이는 에이전트를 개발하는 것입니다.

2. 방법론 (Methodology)

저자들은 능동적 추론 (Active Inference) 프레임워크를 기반으로 한 새로운 상호작용 구조를 제안합니다. 이는 자유 에너지 (Free Energy) 최소화 원리를 통해 지각 (Perception) 과 행동 (Action) 을 통합합니다.

핵심 구성 요소

1. Rao-Blackwellized Particle Filter (RBPF):

   • 보행자의 존재 유무 (이산 상태) 와 운동 상태 (연속 상태) 를 효율적으로 추정하기 위해 사용됩니다.
   • 보행자의 잠재적 행동 의도 (Latent intentions) 를 모델링하기 위해 하이브리드 상태 추정을 수행합니다.

2. 조건부 리셋 메커니즘 (Conditional Reset Mechanism):

   • 목적: 가려진 상태 (Occlusion) 에서 보행자가 보이지 않을 때, 에이전트의 '위험에 대한 믿음 (Belief)'이 과도하게 감소하는 것을 방지합니다.
   • 작동 원리: 관측이 없더라도 가려진 영역이 해결되지 않았을 경우, 입자 (Particle) 의 상태를 초기 가설 상태로 되돌려 인간 운전자의 경계심 (Vigilance) 을 모방합니다. 이를 통해 보행자가 갑자기 나타났을 때 대비할 수 있습니다.

3. 가설 주입 기술 (Hypothesis Injection Technique):

   • 목적: 불확실성 하에서 인간의 '만약 (What-if)' 추론을 모방하여 사전 예방적 (Proactive) 계획을 수립합니다.
   • 작동 원리: 계획 단계 (Planning as Inference) 에서 현재 믿음뿐만 아니라, 보행자의 급격한 가속, 정지, 후진 등 최악의 시나리오 (Counterfactual scenarios) 를 일부 입자에 주입합니다. 에이전트는 이러한 최악의 경우를 가정하여 방어적 주행 전략을 수립합니다.

4. 계획 알고리즘 (CEM-Enhanced MPPI):

   • Cross-Entropy Method (CEM) 와 Model Predictive Path Integral (MPPI) 를 결합한 제어기를 사용합니다.
   • CEM 을 통해 효율적으로 최적의 행동 시퀀스를 탐색하고, MPPI 의 강건성을 활용하여 기대 자유 에너지 (Expected Free Energy, EFE) 를 최소화하는 행동을 선택합니다. 이는 실용적 가치 (목표 달성) 와 인식적 가치 (불확실성 해소) 를 균형 있게 조절합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 능동적 추론 프레임워크: 가려진 보행자 시나리오를 부분 관측 마르코프 결정 과정 (POMDP) 으로 공식화하고, 잠재 보행자 상태를rich하게 모델링한 새로운 프레임워크를 제안했습니다.
2. 인지적 메커니즘 도입:
   • 조건부 리셋: 불확실성 하에서 믿음의 지속성을 보장하여 위험을 간과하지 않도록 합니다.
   • 가설 주입: 반사실적 추론 (Counterfactual reasoning) 을 통해 최악의 상황을 대비한 사전 예방적 계획이 가능하게 합니다.
3. 검증 및 성능: 복잡한 시뮬레이션 환경에서 기존 반응형 (Reactive), 규칙 기반, 강화학습 (RL) 기반 방법론보다 충돌률을 획기적으로 낮추었으며, 에이전트의 내부 믿음 상태를 반영한 설명 가능한 인간 유사 주행 행동을 보였습니다.

4. 실험 결과 (Results)

• 실험 환경: 보행자의 행동이 매우 불규칙한 5 가지 시나리오 (주저하는 보행자, 기만적 가속 보행자, 되돌아가는 보행자, 급정거 보행자, 급작스러운 출현 보행자) 를 포함한 Gym 시뮬레이션 환경.
• 성능 비교 (Table 3):
  • 충돌률 (Collision Rate): 제안된 방법은 **5.3%**의 충돌률을 기록하여, 규칙 기반 (41.3%), PPO-LSTM 기반 (27.5%), 반응형 (82.2%) 방법론보다 월등히 우수한 안전성을 입증했습니다.
  • 통과율 (Pass Rate): 94.7% 로 가장 높았습니다.
  • 효율성: 안전성을 유지하면서도 통과 시간 (Pass Time) 이 합리적인 수준을 유지했습니다.
• Ablation Study:
  • Conditional Reset이 없으면 가려진 구간에서 속도를 높이다가 충돌하는 경우가 발생했습니다.
  • **Hypothesis Injection 비율 ($\rho_H$)**을 높일수록 에이전트는 더 보수적이고 안전한 경로 (더 넓은 간격, 더 큰 감속) 를 선택하여 충돌률이 크게 감소했습니다.
• 계산 효율성: NVIDIA RTX 3090 GPU 에서 평균 17.69ms (100Hz 제어 루프 요구 사항인 100ms 이내) 의 계산 지연 시간을 보여 실시간 적용 가능성이 입증되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 해석 가능성 (Intelligibility): 이 접근법의 가장 큰 강점은 에이전트의 행동이 내부의 '믿음 (Belief)' 상태에 직접적으로 기반한다는 점입니다. 즉, 왜 차량이 감속했는지, 왜 회피 기동을 했는지에 대한 명확한 논리적 근거를 제공합니다.
• 인간 - 로봇 상호작용 (HRI): 단순한 장애물 회피를 넘어, 인간과 유사한 인지 과정 (경계심, 시나리오 예측) 을 통해 신뢰할 수 있는 자율주행 시스템을 구축하는 중요한 단계입니다.
• 적용 가능성: Vision-Language Model (VLM) 등을 통해 시나리오의 의미적 맥락을 파악하고 초기 믿음 ($B_0$) 을 설정하는 모듈과 결합하면, 실제 자율주행 시스템에 배포 가능한 구조를 제시합니다.

이 논문은 불확실성이 높은 교통 환경에서 안전성과 설명 가능성을 동시에 확보하기 위해 능동적 추론 이론을 효과적으로 적용한 선구적인 연구로 평가됩니다.