기술 요약: Smooth-Mamba 심층 강화학습을 활용한 차량 유형별 보행자 충돌 회피 행동 모델링

1. 문제 제기

자동화 차량 (AV) 이 인간이 운전하는 차량 (HDV) 과 도로를 increasingly 공유함에 따라, 안전 위기 상황에서 보행자가 이러한 서로 다른 차량 유형에 어떻게 다르게 반응하는지 이해하는 데 중요한 연구 공백이 존재합니다. HDV 운전자와 달리 AV 는 보행자가 우선권을 협상하는 데 의존하는 비언어적 사회적 단서 (예: 시선 접촉, 제스처) 가 부재하여, 보행자의 신뢰, 위험 인식 및 회피 전략이 변경될 수 있습니다.

기존 문헌은 세 가지 주요 한계를 겪고 있습니다:

1. 차량 중심적 초점: 대부분의 연구는 보행자와의 상호작용 중 발생하는 보행자 행동 변화를 모델링하기보다는 AV 안전 시스템 (예: 긴급 제동, 경로 계획) 을 우선시합니다.
2. 구분 부족: 현재 프레임워크는 AV 와 HDV 상호작용을 종종 집계하여, 특정 차량 유형이 보행자 의사결정에 미치는 영향을 포착하지 못합니다.
3. 안전 위기 사건의 간과: 전통적인 모델은 일상적인 횡단이나 초기 접근 행위에 초점을 맞추어, 충돌이 임박했을 때의 긴급 회피에 대한 순차적 역동성을 간과합니다.

또한, 표준 심층 강화학습 (DRL) 아키텍처는 안전 위기 데이터의 '희귀 사건' 특성에 직면하여, 갑작스러운 상태 전환 (예: 급제동 또는 급커브) 중 훈련 불안정성을 보이며 장기 시간적 의존성을 효과적으로 포착하지 못합니다.

2. 방법론

2.1. 데이터 소스 및 처리

본 연구는 25 만 개의 고해상도 도시 주행 시나리오로 구성된 Argoverse 2 모션 예측 데이터셋을 활용합니다.

• 구분: 데이터셋은 가시성 LiDAR 와 카메라가 장착된 AV 인 자차 (ego-vehicle) 와 모든 다른 차량 (HDV) 을 구분합니다.
• 추출: 안전 위기 상호작용은 전통적인 직선 TTC 와 달리 곡선 차량 궤적과 비선형 보행자 움직임을 고려하는 곡선 시간-충돌 (CurvTTC) 지표를 사용하여 식별되었습니다.
• 데이터셋 분할: 411 개의 보행자-AV 및 2,404 개의 보행자-HDV 안전 위기 상호작용이 추출되었으며, 이를 80% 는 훈련용, 20% 는 테스트용으로 분할했습니다.

2.2. SMamba-DDPG 프레임워크

보행자 충돌 회피를 모델링하기 위해 저자들은 Smooth-Mamba 심층 결정론적 정책 경사 (SMamba-DDPG) 프레임워크를 제안합니다. 이 아키텍처는 구조화된 상태 공간 모델과 평활화 메커니즘을 통합하여 희귀 사건 학습에서 표준 DRL 의 불안정성을 해결합니다.

• 아키텍처: 이 프레임워크는 두 네트워크 모두 SMamba 블록을 내장한 Actor-Critic 구조를 사용합니다.
• Mamba 통합: Mamba(선택적 상태 공간 모델) 구성 요소는 LSTM 또는 Transformer 기반 DRL 보다 장기 시간적 의존성을 포착하고 노이즈를 더 효율적으로 필터링합니다.
• 평활화 메커니즘: 분포 불균형과 긴급 기동 시 발생하는 활성화 스파이크를 해결하기 위해, 저자들은 Smooth-SiLU(S-SiLU) 활성화 함수를 도입하고 Mamba 블록 내 게이트 및 출력 투사에 평활화 벡터를 적용합니다. 이는 추론 오버헤드를 추가하지 않으면서 갑작스러운 상태 전환 중 기울기 흐름을 안정화합니다.
• 정책 학습:
  • 상태 공간 ($S_t$): 보행자와 차량 간의 상대 종방향/횡방향 거리, 속도 및 상대 속도를 포함합니다.
  • 행동 공간 ($A_t$): 보행자의 종방향 및 횡방향에 대한 연속 가속 명령입니다.
  • 보상 함수: 2 단계 보상 시스템이 테스트되었습니다. 단계별 보상에는 거리 기반, 상대 속도 기반 및 절대 속도 기반 공식이 포함되었습니다. 에피소드별 보상에는 충돌 페널티와 목표 달성 보너스가 포함되었습니다. 절대 속도 기반 보상 ($R_V$) 이 가장 안정적이고 현실적인 행동을 산출하는 것으로 확인되었습니다.

2.3. 실험 설계

• 별도 훈련: 보행자-AV 상호작용용과 보행자-HDV 상호작용용 두 개의 별도 모델을 독립적으로 훈련했습니다.
• 기준 모델: 제안된 모델은 지도 학습 모델 (NN, LSTM, Transformer) 과 표준/하이브리드 DRL 모델 (DDPG, DQN, LSTM-DDPG, Transformer-DDPG, Mamba-DDPG) 과 비교되었습니다.
• 검증: 본 연구는 궤적 재구성, 반응 시간 분석, 반사실 시나리오 테스트 및 모델 생성 데이터를 활용한 대규모 안전 분석을 활용했습니다.

3. 주요 기여

1. 차량 유형별 특이성의 정량적 모델링: 이는 DRL 프레임워크를 사용하여 AV 대 HDV 에 대한 보행자 충돌 회피 행동을 정량적으로 모델링하고 비교한 초기 연구 중 하나입니다.
2. SMamba-DDPG 프레임워크: 희귀 안전 위기 사건에서 학습을 안정화하고 분포 불균형을 해결하기 위해 Mamba 상태 공간 모델과 평활화 메커니즘을 통합한 새로운 DRL 아키텍처를 개발했습니다.
3. 종합 분석 프레임워크: 반응 시간 분석, 반사실 실험 (차량 유형 간 정책 교체) 및 대규모 충돌 위험 평가를 포함하는 검증 파이프라인을 구축하여 행동 차이를 정량화했습니다.

4. 결과

4.1. 모델 성능

• 우수한 정확도: SMamba-DDPG 프레임워크는 모든 기준 모델보다 우수한 성능을 보였습니다. 속도 기반 변형 ($SMamba-DDPG_V$) 은 운동 변수 전반에 걸쳐 가장 낮은 평균 제곱근 오차 (RMSE) 를 달성했습니다.
  • 보행자-AV: 종방향 속도 RMSE = 0.62 m/s; ADE = 0.65 m; FDE = 1.12 m.
  • 보행자-HDV: 종방향 속도 RMSE = 0.63 m/s; ADE = 0.64 m; FDE = 1.13 m.
• 안정성: 평활화 메커니즘은 표준 DDPG 및 기타 하이브리드 모델과 비교하여 훈련 분산을 성공적으로 줄이고 수렴성을 개선했습니다.

4.2. 행동 차이

• 반응 시간: 보행자는 HDV 보다 AV 에 대해 훨씬 빠르게 반응했습니다. 모델은 인간과 유사한 반응 지연을 정확하게 재현했으며, 재구성된 데이터와 실제 세계 데이터 간에 통계적으로 유의미한 차이가 없었습니다.
• 반사실 분석:
  • AV 훈련 정책이 HDV 궤적에 적용되었을 때, 보행자는 더 낮은 횡단 속도 (14.7% 감소) 와 더 부드러운 가속 프로파일을 보였으며, 이는 더 보수적인 전략을 시사합니다.
  • HDV 훈련 정책이 AV 궤적에 적용되었을 때, 보행자는 더 높은 횡단 속도 (2.17 m/s 대 1.08 m/s) 와 더 공격적인 행동을 보였습니다.
• 양보 행동: 대규모 시뮬레이션에서 보행자는 HDV(37.15%) 에 비해 AV(46.07%) 에 더 자주 양보하여 AV 의사결정에 대한 더 큰 주의 또는 불확실성을 나타냈습니다.

4.3. 안전 분석

모델 생성 데이터에 대한 대규모 분석 결과, 보행자-AV 상호작용은 모든 속도 조건에서 보행자-HDV 상호작용보다 일관되게 낮은 충돌 발생률을 보였습니다. 고속 (>3.5 m/s) 에서 AV 충돌 발생률은 HDV 발생률보다 10~15 퍼센트 포인트 낮았습니다.

5. 의의 및 주장

본 논문은 다음과 같은 이유로 차량 유형별 보행자 행동 모델을 통합할 필요성을 강조합니다:

• 더 안전한 AV 설계: 보행자가 AV 에 대해 더 빠르지만 더 신중하게 반응한다는 이해는 AV 제어 전략 및 상호작용 설계 (예: 외부 인간 - 기계 인터페이스) 에 정보를 제공할 수 있습니다.
• 현실적인 교통 시뮬레이션: AV 와 HDV 상호작용을 단일 모델로 집계하는 것은 혼합 교통 시뮬레이션의 정확성을 훼손합니다. 위험 및 양보 행동을 정확하게 예측하려면 별도의 정책이 필요합니다.
• 위험 평가: 본 연구는 보행자의 위험 인식이 정적이지 않고 접근하는 차량의 지각된 유형에 의해 역동적으로 영향을 받으며, AV 는 더 빠른 반응 시간에도 불구하고 더 보수적인 (양보하는) 반응을 유도함을 입증했습니다.

저자들은 SMamba-DDPG 프레임워크가 보행자 회피의 순차적이고 급격한 역동성을 포착하는 강력한 방법을 제공하며, 더 현실적이고 안전한 자동화 주행 시스템 배포를 위한 길을 제시한다고 결론지었습니다.