Towards Explainable Deep Learning for Ship Trajectory Prediction in Inland Waterways

이 논문은 내수면 항로에서 LSTM 기반의 선박 궤적 예측 모델에 학습된 선박 영역 파라미터를 도입하여 예측 정확도를 유지하면서도 모델의 해석 가능성을 높이고, 주의 메커니즘이 기대와 다른 방식으로 작동함을 발견함으로써 설명 가능한 딥러닝의 중요성을 강조합니다.

핵심

🚢 1. 문제 상황: "혼잡한 강 위의 예측 불가"

강은 바닷길보다 훨씬 좁고 복잡합니다. 배들이 서로 마주치거나, 뒤따라가거나, 좁은 수로에서 피해야 하는 상황이 빈번합니다.
이 논문은 **인공지능 (AI)**이 이런 복잡한 강 위에서 "앞으로 5 분 뒤 배가 어디에 있을지"를 정확히 예측하는 기술을 연구했습니다.

• 기존의 문제: 최신 AI 는 예측 정확도는 높지만, "왜 그렇게 예측했는지" 이유를 알려주지 않습니다. 마치 "정답은 맞췄는데, 풀이 과정은 알려주지 않는 학생"처럼, AI 가 엉뚱한 이유 (예: 배 A 가 배 B 와 충돌할 것 같아서가 아니라, 단순히 배 A 가 빨랐기 때문에) 로 예측을 했을 수도 있는데, 우리는 그걸 모릅니다.

🧠 2. 해결책: "배들의 눈과 귀를 분리한 AI"

연구진은 LSTM이라는 AI 모델을 사용했는데, 여기에 **'배의 영역 (Ship Domain)'**이라는 개념을 도입했습니다.

• 비유: "배의 눈 (시야)"
  • 배가 다른 배를 볼 때, "저 배는 내 눈에 들어오지 않아서 무시해도 돼" 혹은 "저 배는 너무 가까워서 피해야 해"라고 판단하는 가상의 영역입니다.
  • 이 AI 는 학습을 통해 이 '시야의 범위'를 스스로 배웁니다.

🔍 3. 핵심 발견: "정답은 맞췄지만, 이유는 엉뚱했다?"

연구진이 이 AI 를 분석해보니 놀라운 사실이 드러났습니다.

1. 예측은 잘 맞췄다: 5 분 뒤 배의 위치를 예측하는 오차 범위가 약 40 미터로, 다른 연구들과 비슷하게 잘 나왔습니다.
2. 하지만 이유는 이상했다: AI 가 "배 A 와 배 B 가 서로 마주치니까 피해야겠다"라고 판단해서 예측을 잘한 것이 아니었습니다.
   • AI 는 실제로 마주치는 배들을 '시야'에서 제외하거나, 오히려 가장 멀리 있는 배를 더 중요하게 여겨서 예측을 했습니다.
   • 비유: "혼잡한 도로에서 차가 끼어들지 않게 하려고 옆 차를 보고 피하는 게 아니라, 가장 멀리 있는 나무를 보고 방향을 잡는 것과 비슷합니다." 결과적으로는 차가 길을 잘 찾았지만, 그 이유는 논리적으로 맞지 않는 것입니다.

🛠️ 4. 개선된 모델: "의사결정 과정을 분리하다"

이 문제를 해결하기 위해 연구진은 AI 의 구조를 바꿨습니다.

• 기존 모델 (EA-DA, E-DA): AI 가 "누구를 볼지 (시야)"와 "그 정보를 어떻게 합칠지 (주의)"를 한 번에 처리했습니다. 그래서 AI 가 엉뚱한 이유를 찾아도 우리가 알 수 없었습니다.
• 새로운 모델 (E-DDA):
  • 1 단계 (맹목적인 예측): 다른 배를 무시하고 내 배만 보고 앞으로 갈 길을 예측합니다.
  • 2 단계 (주목하는 예측): 다른 배들을 보고 그 영향을 계산합니다.
  • 결과: 이렇게 분리하자 AI 가 **"진짜 마주치는 배를 더 잘 인식하고, 그 배를 피하는 논리"**를 배우기 시작했습니다.

💡 5. 결론: "정답보다 '이유'가 중요하다"

이 연구의 가장 중요한 메시지는 다음과 같습니다.

"AI 가 정답을 맞췄다고 해서, 그 AI 가 안전하다고 믿을 수는 없습니다. AI 가 왜 그렇게 판단했는지 (설명 가능성) 를 확인해야 진짜 안전을 보장할 수 있습니다."

• 미래의 계획: 이제 이 기술을 이용해 "만약 저 배가 조금만 더 빨리 갔다면 어떻게 됐을까?"라는 **가상의 시나리오 (Counterfactual Analysis)**를 분석하여, 실제 사고를 예방하는 데 활용하려고 합니다.

📝 한 줄 요약

"배의 위치를 예측하는 AI 가 정답을 맞췄지만, 그 이유가 엉뚱할 수 있음을 발견했고, AI 가 '왜' 그렇게 생각했는지 우리가 이해할 수 있도록 구조를 고쳐서 더 안전하고 신뢰할 수 있게 만들었습니다."

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 내수면 운송은 비용 및 에너지 효율이 높아 지속 가능한 물류의 핵심이지만, 밀집된 교통 환경에서의 안전을 보장하기 위해 선박 궤적 예측이 필수적입니다. 최근 딥러닝 기술은 복잡한 상황에서도 높은 정확도를 보여주지만, 모델의 '설명 가능성 (Explainability)'이 간과되어 있습니다.
• 핵심 문제:
  • 기존 상호작용 인식 (Interaction-aware) 모델은 예측 정확도는 높일 수 있으나, 어떤 논리로 예측을 수행하는지 불투명합니다.
  • 정확도 향상이 실제 '선박 간 상호작용 (Ship-to-ship interaction)'을 올바르게 학습했기 때문인지, 아니면 우연히 다른 요인과 상관관계를 맺었는지를 구분하기 어렵습니다.
  • 내수면 (강) 은 해역과 달리 수로 형상, 유체 역학, 규제 등 고유한 특성이 있어 기존 해양용 모델의 적용에 한계가 있습니다.

2. 제안된 방법론 (Methodology)

이 연구는 LSTM 기반의 다중 선박 궤적 예측 (MSTP) 모델을 내수면 환경에 맞게 수정하고, 학습 가능한 선박 도메인 (Learnable Ship Domain) 파라미터를 도입하여 모델의 해석 가능성을 높이는 데 중점을 두었습니다.

A. 기본 모델 구조 (EA-DA)

• Encoder-Attention-Decoder-Attention (EA-DA): 기존 연구 [3] 의 접근법을 내수면에 적용한 모델입니다.
• 선박 도메인 파라미터 (S): 학습 가능한 텐서로, 두 선박 간의 상대적 관계 (측방 거리, 상대 이동 방향, 거리 변화율) 를 이산화하여 특정 '만남 유형 (Encounter Type)'에 대한 주의 범위 (Awareness Range) 를 정의합니다.
• 작동 원리:
  1. 가중치 (Weighting): 현재 선박 간의 관계 파라미터 ($\Gamma, \Theta, \Phi$) 를 기반으로 도메인 파라미터 $S$와 실제 거리를 비교하여 가중치 $w_{ij}$를 계산합니다. (거리가 도메인 값보다 크면 가중치를 0 으로 설정하여 해당 선박을 무시).
  2. 어텐션 (Attention): 가중치가 부여된 숨겨진 상태 (Hidden States) 를 융합하여 상호작용을 고려한 상태를 생성합니다.

B. 모델 변형 및 개선 (Key Architectural Changes)

모델의 인과관계와 설명 가능성을 분석하기 위해 두 가지 변형 모델을 제안했습니다.

1. E-DA (Encoder-Decoder-Attention): 인코더 단계의 어텐션을 제거하고 디코더 단계에서만 상호작용을 고려하여, 어텐션 구성 요소의 영향을 국소화했습니다.
2. E-DDA (Encoder-Dual-Decoder-Attention):
   • 디코더를 상호작용 무관 (BlindLSTM) 및 상호작용 인식 (AttLSTM) 두 경로로 분리했습니다.
   • BlindLSTM: 대상 선박 자신의 궤적만 학습.
   • AttLSTM: 주변 선박의 가중치 부여된 숨겨진 상태만 처리.
   • 핵심 차이: 대상 선박을 주변 선박 목록에서 제외 ($N_i = V \setminus \{i\}$) 하여, 대상 선박이 스스로를 '상호작용 대상'으로 잘못 인식하는 것을 방지하고, 상호작용의 순수한 영향을 분리합니다.

3. 주요 실험 결과 (Results)

• 데이터: 라인강 (Rhine) 의 특정 구간 (km 595-611) 에서 3 년 이상 (2021~2024) 수집된 AIS 데이터를 사용 (훈련 15,920 상황, 검증/테스트 각 약 2,000 상황).
• 예측 성능 (FDE - Final Displacement Error):
  • 5 분 예측 시간 기준, **E-DDA 모델이 가장 낮은 평균 오차 (38.4m)**를 보였습니다.
  • 순서: E-DDA < E-DA < EA-DA < E-D (상호작용 무관 베이스라인).
  • 상호작용을 고려한 모델들이 베이스라인보다 성능이 우수함을 확인했습니다.
• 설명 가능성 분석 (Ship Domain Values):
  • EA-DA 및 E-DA: 학습된 선박 도메인 값이 기대와 달랐습니다. 특히 **상대방 선박 (Opposing ships)**에 대해 도메인 값이 증가하지 않았거나 오히려 감소하여, 모델이 실제 상호작용을 제대로 학습하지 않고 다른 패턴 (예: 궤적의 단순 경향성) 에 의존하여 높은 정확도를 낸 것으로 추정됩니다.
  • E-DDA: 학습된 도메인 값이 **기대된 물리적 행동 (접근하는 상대 선박을 더 중요하게 인식)**을 따르는 경향을 보였습니다. 이는 모델 구조가 상호작용을 더 명확하게 분리했기 때문입니다.
  • 의외의 발견: E-DDA 모델은 오히려 측방 거리가 먼 선박을 더 중요하게 여기는 경향을 보였는데, 이는 강변에서 회피 후 중앙으로 복귀하는 선박의 행동 등 특정 상황과 관련 있을 수 있으나 추가 분석이 필요합니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 설명 가능한 아키텍처 제안: 상호작용 인식 메커니즘을 '선택 (Weighting)'과 '융합 (Fusion)' 단계로 분리하고, 상호작용 무관 경로와 인식 경로를 분리 (E-DDA) 함으로써 모델이 왜 특정 선박을 중요하게 여기는지 분석할 수 있는 기반을 마련했습니다.
2. 정확도 vs. 인과관계의 괴리 발견: 단순히 예측 오차 (FDE) 가 낮다고 해서 모델이 상호작용을 올바르게 학습했다고 볼 수 없음을 증명했습니다. E-DA/E-DA 모델은 높은 정확도를 냈지만, 학습된 도메인 파라미터는 상호작용을 무시하는 경향을 보였습니다. 이는 기존 평가 방법의 한계를 지적합니다.
3. 내수면 특화 모델링: 해양용 모델과 달리 내수면의 복잡한 교통 상황 (강의 곡선, 수로 제한 등) 을 고려한 이산화된 관계 파라미터 ($\Gamma, \Theta, \Phi$) 를 도입했습니다.

5. 결론 및 향후 과제

• 결론: 제안된 모델 (특히 E-DDA) 은 내수면 환경에서 높은 예측 정확도를 달성하면서도, 학습된 파라미터를 통해 모델의 내부 논리를 검증할 수 있는 가능성을 열었습니다. 그러나 정확도 향상이 항상 올바른 상호작용 학습을 의미하지는 않으므로, 단순 오차 지표 이상의 평가 방법이 필요함을 강조합니다.
• 향후 연구:
  • 학습된 가중치 함수를 활용한 반사실적 분석 (Counterfactual Analysis) 수행 (예: "만약 이 선박이 없었다면 예측은 어떻게 변했을까?").
  • 더 정교한 어텐션 메커니즘 도입 및 만남 유형 (Encounter Type) 정의 개선.
  • 모델의 설명 가능성을 바탕으로 한 신뢰성 있는 자율 항해 시스템 구축.

이 논문은 딥러닝 기반 선박 궤적 예측 분야에서 성능 (Accuracy) 과 해석 가능성 (Interpretability) 의 균형을 맞추기 위한 중요한 시도로 평가됩니다.