From Correlation to Causation in Lane Change Prediction for Automated Driving: A Causal Explanation Framework

기술 요약: 차선 변경 예측에서 상관관계에서 인과관계로

문제 정의
차선 변경 예측은 주변 차량의 기동을 예측함으로써 더 안전하고 매끄러나운 의사결정을 가능하게 하는 자율 주행의 핵심 과제입니다. 머신러닝과 딥러닝을 활용한 기존 방식들은 높은 정확도를 달ей 성취했지만, 주로 입력 변수(예: 속도, 간격, 충돌 시간(TTC))와 기동 클래스 사이의 통계적 상관관계에 의존합니다. 이러한 상관관계 중심 모델의 주요 한계는 입력 변수들 자체 사이의 물리적 및 인과적 의존성을 명시적으로 모델링하지 못한다는 점입니다. 실제 주행 상황에서 종방향 간격, 상대 속도, 충돌 시간(TTC)과 같은 변수들은 독립적이지 않으며 물리적으로 연결되어 있습니다(예: TTC는 간격과 상대 속도로부터 유도됨). 결과적으로, 표준 모델들은 기동을 올바르게 예측할 수는 있지만, 특정 변수가 직접적인 기여 요소인지, 상위 원인인지, 매개체인지, 아니면 단순히 상관된 특징인지를 구분하는 데 실패합니다. 이러한 인과 구조의 부재는 해석 가능성을 제한하며, 시스템이 왜 특정 기동이 다른 대안보다 선호되는지에 대한 '이유'를 이해하는 것을 방면합니다.

방법론
저자들은 단순한 분류를 넘어 메커니즘을 인식하는 추론으로 나아가는 인과 추론 기반 프레임워크를 제안합니다. 이 방법론은 네 가지 주요 단계로 구성됩니다:

1. 언어적 특징 구축 (Linguistic Feature Construction): highD 데이터셋(독일 고속도로 궤적)의 수치형 주행 데이터를 임계값 기반 이산화를 사용하여 해석 가능한 언어적 범주(예: "위험(critical)", "안전(safe)", "빠름(fast)", "느림(slow)")로 변 변환합니다. 이는 연속형 변수를 운동학, 차선 맥락, 주변 차량 점유, 상호작용 척도 및 교통 밀도를 포함하는 47개의 범주형 특징으로 변환합니다.
2. 전문가 제약 기반 인과 발견 (Expert-Constrained Causal Discovery): 전문가의 운전 지식과 LLM 보조 검토(PyWhy-LLM 활용)를 사용하여 인과 방향의 탐색 공간을 정의하는 제약 행렬을 구축합니다. 이 행렬은 물리적으로 불가능한 인과 관계(예: 미래의 기동이 현재의 교통 밀도나 TTC를 유발하는 것)를 차단하는 동시에, 데이터 기반 학습이 가능한 타당한 방향은 열어둡니다.
3. 심층 구조적 인과 모델링 (Deep Structural Causal Modeling, SCM): 프레임워크는 전문가 제약 조건 하에서 관측 데이터로부터 Directed Acyclic Graph(DAG)로 표현되는 구조적 인과 모델(SCM)을 학습하기 위해 Deep End-to-end Causal Inference (DECI)를 채택합니다. DECI는 인과 그래프 구조와 변수들을 연결하는 구조적 메커니즘(비선형 함수)을 공동으로 학습하며, 범주형 데이터의 불확실성을 처리하기 위해 노이즈 항을 포함합니다.
4. 인과 분석 및 설명 (Causal Analysis and Explanation):
   • 중재 기반 효과 분석 (Intervention-Based Effect Analysis): do-calculus를 사용하여 특정 특징 상태(예: TTC를 "safe"에서 "critical"로 변경)를 변화시키는 것이 기동 확률에 미치는 평균 처치 효과(Average Treatment Effect, ATE)를 추정합니다. 이를 통해 영향력이 큰 변수와 약한 변수를 구분합니다.
   • 반박 테스트 (Refutation Testing): DoWhy 라이브러리를 사용하여 플라세보 처치(placebo treatments), 무작위 공통 원인, 데이터 서브셋 테스트를 통해 추정된 효과의 견고성을 검증합니다.
   • 대조적 인과 체인 설명 (Contrastive Causal-Chain Explanation): 학습된 SCM을 재귀적으로 추적하여 설명을 생성합니다. 시스템은 예측된 기동에 대한 직접적인 기여자(direct contributors)를 식별하고, 상위 원인 및 매개체를 추적하며, 관찰된 상태가 특정 기동의 확률을 어떻게 감소시키는지 식별함으로써 왜 대안적 기동들이 덜 지지되는지를 설명합니다.

주요 기여

• 메커니즘 인식 예측 파이프라인: 본 논문은 전문가 제약 기반 인과 발견과 딥러닝을 통합하여 차선 변경 예측을 평면적인 상관관계 작업이 아닌 인과 체인으로 모델링하는 프레임워크를 소개합니다.
• 전문가 제약 학습: 도메인 지식을 제약 행렬을 통해 통합하여, 모델이 데이터 적응성을 유지하면서도 물리적으로 불가능한 인과 방향을 학습하는 것을 방지하는 방법을 제안합니다.
• 중재 및 견고성 분석: 중재 분석을 활용하여 특징의 영향력을 정량화하고, 반박 테스트를 통해 이러한 인과 추정치의 안정성을 확보함으로써 단순한 특징 중요도 점수를 넘어섭니다.
• 대조적 설명: 프레임워크는 재귀적 인과 체인 설명을 생성하여, 단순히 왜 기동이 예측되었는지뿐만 아니라 왜 대안적 기동이 억제되었는지까지 명확히 하며, 직접적 기여자, 매개 변수, 혼란 변수를 구분합니다.

결과

• 예측 성능: DECI 기반 SCM은 차선 표시 교차 이벤트 직전 3초 동안 매크로 F1-score에서 95% 이상의 높은 성능(구체적으로 96.3%, 96.0%, 95.4%)을 달입니다. 또한 이벤트 발생 7~8초 전까지도 예측 능력(F1 > 59%)을 유지하여 효과적인 조기 예측 능력을 보여줍니다.
• 인과 구조 타당성: 학습된 그래프는 시간적 및 물리적 제약(예: 기동 노드는 나가는 엣지가 없음)을 준수합니다. 모델은 맥락적 변수(예: 러시아워)가 교통 밀도 및 간격과 같은 매개체를 통해 기동에 간접적으로 영향을 미치고, 상호작용 변수(예: 상대 속도, TTC)가 직접적인 기여자로 작용함을 정확히 식별합니다.
• 중재 분석: 횡방향 운동 변수(속도, 가속도)와 상호작용 변수(상대 속도, TTC, 간격)가 기동 확률에 가장 강력한 중재 효과를 생성했습니다. 맥락적 변수는 상위 원인으로서의 역할에 부합하게 더 작은 직접적 효과를 보였습니다.
• 견고성: 반박 테스트(플라세보, 무작위 공통 원인, 데이터 서브셋)를 통해 주요 변수(예: 횡방향 속도, TTC)에 대한 추정된 중재 효과가 플라세보 처치에 대해 안정적이고 0에 가깝게 유지됨을 확인하였으며, 이는 해당 효과가 가짜(spurious)가 아님을 나타냅니다.
• 진단 검증: 절제 연구(ablation study)에 따르면, 약한 중재 효과를 가진 것으로 추정된 변수(특정 횡방향 운동 전 설정에서의 횡방향 속도 및 가속도)를 제거하더라도 예측 성능의 저하가 미미했습니다. 이는 중재 분석이 특징 선택(feature selection)에 유용함을 입증합니다.

의의 및 주장
저자들은 본 연구가 상관관계 기반 분류에서 인과 추론으로 전환함으로써 해석 가능한 자율 주행 시스템을 향한 중요한 진전을 제공한다고 주장합니다. 이 프레임워크는 확정적인 실제 세계의 인과관계를 발견한다고 주장하는 것이 아니라, 학습된 인과 구조 하에서 직접적 기여자, 매개 변수, 상위 원인을 구분할 수 있는 "메커니즘 인식 예측 프레임워크"를 제공하는 것을 목표로 합니다. 그 의의는 예측의 물리적 논리(예: 속도 차이로 인해 발생하는 결정적인 TTC의 결과로서의 좌측 차선 변경을 설명함)를 명확히 하는 대조적 인과 체인 설명을 생성하고, 어떤 변수가 단순히 상관된 것이 아니라 진정으로 영향력이 있는지 식별할 수 있는 능력에 있습니다. 이러한 접근 방식은 예측이 통계적 우연이 아닌 주행 역학의 구조적 이해에 근거하도록 보장함으로써 신뢰성과 안전성을 높입니다.