From GEV to ResLogit: Spatially Correlated Discrete Choice Models for Pedestrian Movement Prediction

이 논문은 자율주행차와 보행자의 상호작용 데이터에 기반하여, 기존 공간 GEV 모델보다 학습 기반 잔차 보정 (ResLogit) 모델이 보행자의 다음 이동 방향 예측에서 더 우수한 성능과 해석 가능성을 제공함을 입증합니다.

핵심

이 논문은 자율주행차가 보행자를 어떻게 예측하고 반응해야 하는지에 대한 새로운 방법을 제시합니다. 복잡한 수학적 용어 대신, 일상적인 비유를 들어 쉽게 설명해 드리겠습니다.

🚶‍♂️ 핵심 주제: "보행자가 다음 한 걸음을 어떻게 내딛을까?"

자율주행차가 보행자를 만나면, "저 사람이 앞으로 갈까, 뒤로 물러날까, 멈출까?"를 1 초 단위로 예측해야 합니다. 이 논문은 보행자의 행동을 **9 개의 칸으로 나눈 격자판 (3x3 그리드)**으로 생각했습니다.

• 격자판의 의미:
  • 가로: 왼쪽, 직진, 오른쪽 (방향 전환)
  • 세로: 속도 줄이기, 속도 유지, 속도 늘리기
  • 즉, 보행자는 이 9 가지 옵션 중 하나를 매 순간 선택합니다.

🧩 두 가지 예측 방법의 대결

연구진은 보행자의 다음 행동을 예측하기 위해 두 가지 다른 접근법을 비교했습니다.

1. 전통적인 방법: "지도에 미리 그린 네스트 (GEV 모델)"

• 비유: 미리 짜인 레시피
• 이 방법은 연구자가 "가까운 두 칸은 서로 비슷할 거야 (예: 직진과 오른쪽은 비슷해)"라고 미리 규칙을 정해두고 수학적 모델을 만듭니다.
• 마치 요리사가 "소금과 후추는 항상 함께 들어간다"라고 정해두고 요리를 하는 것과 같습니다.
• 결과: 이 방법은 규칙을 정해두었지만, 실제 보행자의 복잡한 움직임에는 딱히 큰 도움이 되지 않았습니다. 미리 정한 규칙이 실제 상황과 잘 맞지 않았기 때문입니다.

2. 새로운 방법: "ResLogit (잔여 신경망)"

• 비유: 현장 경험 많은 요리사의 '요리감 (Intuition)'
• 이 방법은 기본 레시피 (기존 규칙) 를 사용하되, 데이터를 직접 학습하여 "아, 실제 상황에서는 이 두 가지가 더 자주 같이 움직이는구나"라고 스스로 규칙을 찾아냅니다.
• 마치 요리사가 레시피를 보지만, "오늘 재료가 좀 다르네, 조금 더 간을 보자"라고 상황에 맞춰 즉흥적으로 조절하는 것과 같습니다.
• 핵심: 기본 원리 (왜 보행자가 멈추는지 등) 는 이해하면서도, 데이터에서 발견된 미세한 패턴을 스스로 학습합니다.

🏆 누가 이겼을까?

결과는 새로운 방법 (ResLogit) 의 압도적인 승리였습니다.

1. 정확도: 새로운 방법이 보행자의 행동을 훨씬 더 정확하게 예측했습니다.
2. 오류의 성질 (가장 중요한 점):
   • 전통적인 방법: 예측을 틀렸을 때, 엉뚱한 곳으로 크게 빗나가는 경우가 많았습니다. (예: 멈출 걸로 예측했는데 갑자기 뛰어가는 걸로 예측)
   • 새로운 방법: 예측을 틀렸을 때, 가까운 이웃 칸으로만 빗나갔습니다. (예: 멈출 걸로 예측했는데, 아주 천천히 움직이는 걸로 예측)
   • 왜 중요한가? 자율주행차에게 "멈출 걸로 예측했는데 뛰어가는 걸로 예측"하는 것은 치명적인 사고로 이어질 수 있습니다. 하지만 "멈출 걸로 예측했는데 아주 천천히 움직이는 걸로 예측"하는 것은 큰 문제가 되지 않습니다. 새로운 방법은 안전한 오류를 범했습니다.

💡 이 연구가 우리에게 주는 메시지

이 논문은 **"보행자의 행동을 예측할 때, 우리가 미리 정한 복잡한 규칙보다는, 실제 데이터를 보고 스스로 배우는 AI 가 더 안전하고 현실적인 예측을 한다"**는 것을 보여줍니다.

• 해석 가능성 유지: 보통 AI 는 "왜 그런 예측을 했는지"를 설명하기 어렵습니다 (블랙박스). 하지만 이 새로운 방법은 "기본적인 규칙 (목적지로 가려는 성향, 차가 오면 멈추려는 성향 등)"을 유지하면서, 그 위에 학습된 보정을 더했기 때문에 왜 그런 행동을 했는지 설명할 수 있습니다.

🚀 결론

자율주행차가 보행자를 마주쳤을 때, 단순히 "가까우니까 비슷할 거야"라고 미리 정해두는 것보다, 실제 보행자들의 수많은 과거 데이터를 학습하여 "가까운 행동들 사이의 미세한 연결고리"를 스스로 찾아내는 방식이 훨씬 더 안전하고 현실적인 예측을 가능하게 합니다. 이는 자율주행차가 보행자와 더 자연스럽게 소통하고, 사고를 예방하는 데 중요한 첫걸음이 될 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 자율주행차 (AV) 와 보행자의 상호작용 시, 고빈도 (high-frequency) 로 발생하는 보행자의 다음 단계 이동 예측은 안전하고 효율적인 주행 계획에 필수적입니다.
• 문제점:
  • 공간적 상관관계 (Spatial Correlation): 보행자의 이동 선택지 (속도 조절 및 방향 변경) 는 인접한 그리드 셀 간에 강한 상관관계를 가집니다. 예를 들어, '약간 가속'과 '약간 가속 + 우회전'은 서로 유사한 속성을 공유하므로 독립적이지 않습니다.
  • 기존 모델의 한계:
    • MNL (Multinomial Logit): 선택지 간 독립성 (IIA) 을 가정하여 인접한 유사한 대안 간의 상관관계를 무시하므로 치환 패턴 (substitution patterns) 을 왜곡할 수 있습니다.
    • GEV (Generalized Extreme Value) 계열 모델 (SCL, GSCL 등): 공간적 상관관계를 분석가가 사전에 정의한 '중첩 구조 (nesting)'나 '거리 기반 할당 규칙'을 통해 모델링합니다. 그러나 고밀도이고 대칭적인 3x3 그리드와 같은 밀집된 선택지 세트에서는 분석가가 정의한 기하학적 구조가 실제 데이터의 국소적 치환 패턴을 잘 포착하지 못하거나, 매개변수 식별이 어렵다는 한계가 있습니다.
  • 머신러닝 접근법의 한계: 기존 딥러닝 기반 궤적 예측 모델은 예측 정확도는 높지만, 해석 가능한 행동 규칙 (탄력성, 대체 패턴 등) 을 제공하지 못하며, 인접한 이동 대안 간의 오류가 실제 운영에 미치는 영향 (위험도) 을 고려하지 않습니다.

2. 방법론 (Methodology)

이 연구는 보행자의 다음 단계 이동을 속도 조절 (감속, 유지, 가속) 과 방향 변경 (좌, 직진, 우) 으로 구성된 3x3 공간 이산 선택 (Spatial Discrete Choice) 문제로 정의하고, 다양한 모델을 비교 평가했습니다.

2.1 데이터 및 선택지 구성

• 데이터: nuScenes 및 Argoverse 2 의 자연스러운 보행자 -AV 상호작용 데이터 사용 (1 초 간격 의사결정).
• 선택지 (Choice Set): 3x3 그리드 (총 9 개 대안) 로 구성. 각 대안은 보행자의 다음 위치를 나타내며, 속도 변화와 방향 변화의 조합으로 정의됨.
• 변수: AV 와의 거리, 충돌 위험 근접도 (FCRP, RCRP), 목적지까지의 거리 및 방향 편차 등.

2.2 비교 대상 모델

1. Baseline: MNL (Multinomial Logit).
2. Spatial GEV 모델 (분석가 지정 상관관계 구조):
   • SCL (Spatially Correlated Logit): 인접성 (contiguity) 행렬을 기반으로 중첩.
   • GSCL (Generalized SCL): 거리 기반 할당 규칙 사용.
   • SCNL (Spatially Correlated Nested Logit): 다중 중첩 계수 사용.
   • GSCNL (Generalized SCNL): 데이터에서 할당 패턴을 추정.
3. ResLogit (잔차 신경망 로짓):
   • 구조: 해석 가능한 선형 유틸리티 (MNL 기반) 에 잔차 신경망 (Residual Neural Network) 레이어를 추가.
   • 동작: 선형 유틸리티 $V_t$ 를 입력받아 잔차 레이어를 통해 비선형 교차 효과 (cross-effects) 와 관찰되지 않은 구조를 학습하여 수정된 유틸리티 $U_t = V_t + g_t$ 를 생성.
   • 장점: 해석 가능성 (선형 계수) 을 유지하면서 데이터 기반의 상관관계 구조를 학습.

3. 주요 결과 (Results)

3.1 모델 적합도 (Model Fit)

• GEV 모델: MNL 대비 적합도 향상 (Mean Log-Likelihood) 이 미미함 (약 -2.147 에서 -2.137 수준). 분석가가 정의한 공간적 상관관계 구조가 고밀도 3x3 그리드에서는 추가적인 설명력을 크게 제공하지 못함.
• ResLogit: MNL 대비 상당한 적합도 향상 (Mean Log-Likelihood -1.716). 학습된 잔차 보정이 선형 유틸리티만으로는 설명되지 않는 교차 효과를 효과적으로 포착함.

3.2 예측 성능 및 오류 구조

• 혼동 행렬 (Confusion Matrix):
  • GEV 모델은 MNL 과 유사하게 특정 대안으로 예측이 집중됨.
  • ResLogit은 오류가 인접한 그리드 셀 (이웃 대안) 에 집중되는 경향을 보임. 이는 보행자의 미세한 움직임 변동이나 센서 노이즈를 고려할 때 행동적으로 일관된 (behaviorally coherent) 오류 구조임.
• 정확도:
  • Top-1 정확도: 약 32% (Test set).
  • Top-3 정확도: 약 67% (Test set).
  • 이는 정확한 셀 예측은 어렵지만, 모델이 실제 이동과 유사한 국소적 대안 집단에 높은 확률을 부여함을 의미함.

3.3 계수 해석 (Interpretation)

• 목적지 지향성: 목적지까지의 거리 ($\beta_{ddist}$) 와 방향 편차 ($\beta_{ddir}$) 계수가 음수이므로, 보행자는 목적지에 더 가깝고 방향이 일치하는 대안을 선호함.
• 상호작용 영향:
  • 전면 충돌 위험 (FCRP): 감속 대안의 유틸리티를 증가시킴 (위험 인식 시 감속).
  • 후면 충돌 위험 (RCRP): 가속 대안의 유틸리티를 감소시킴 (차량이 뒤따를 때 불필요한 가속 회피).
  • 거리: AV 와의 거리가 가까울수록 속도 변경 (가속/감속) 의 유틸리티가 증가함.

4. 주요 기여 (Key Contributions)

1. 고밀도 공간 선택에 대한 새로운 평가: 고빈도 보행자 이동 예측에서 분석가가 사전 정의한 GEV 중첩 구조 (SCL, GSCL 등) 가 밀집된 그리드 환경에서는 한계가 있음을 실증적으로 입증.
2. ResLogit 의 유효성 입증: 해석 가능한 선형 유틸리티를 유지하면서 잔차 학습을 통해 인접 대안 간의 상관관계를 더 효과적으로 포착하는 하이브리드 모델 (ResLogit) 이 기존 GEV 모델보다 우수한 성능과 행동적 일관성을 보임을 증명.
3. 행동적 일관성 (Behavioral Coherence) 강조: 단순한 예측 정확도뿐만 아니라, 예측 오류가 행동적으로 타당한 범위 (인접한 대안 간) 에 분포하는지 평가 기준을 제시. 이는 자율주행 계획 (Planning) 에 있어 오류의 위험도를 평가하는 데 중요함.
4. 해석 가능한 AI: 완전한 블랙박스 딥러닝 모델이 아닌, 행동 경제학적 해석이 가능한 선형 계수를 유지하면서 머신러닝의 예측 능력을 결합한 접근법 제시.

5. 의의 및 결론 (Significance)

• 자율주행 계획 (AV Planning) 에의 시사점: 보행자의 다음 행동을 예측할 때, 단순히 좌표만 예측하는 것이 아니라 이동 대안 간의 치환 패턴과 상관관계를 이해하는 것이 중요함. ResLogit 은 이러한 국소적 상관관계를 학습하여 AV 가 보행자의 미세한 움직임 변화에 더 유연하고 안전하게 대응할 수 있는 기반을 제공.
• 모델링 패러다임 전환: 고밀도 공간 선택 문제에서 분석가가 정의한 복잡한 기하학적 구조 (GEV) 보다는 데이터 기반의 잔차 보정 (ResLogit) 이 더 효과적일 수 있음을 시사.
• 향후 연구 방향: 단일 보행자 -AV 상호작용에서 벗어나 다른 도로 사용자 (다중 에이전트) 와의 상호작용, 시간적 의존성 (다중 단계 예측), 그리고 보행자와 차량의 양방향 적응 (coupled adaptation) 을 고려한 모델로 확장 필요.

요약하자면, 이 논문은 고밀도 보행자 이동 예측에서 기존 GEV 모델의 한계를 지적하고, 해석 가능성과 예측 정확도를 동시에 잡은 'ResLogit' 모델이 인접 대안 간의 상관관계를 더 잘 포착하여 자율주행 시스템에 더 적합한 행동 기반 예측 모델임을 증명했습니다.