A Generative Model for Closed-Loop Microsimulation of Signalized Intersections

기술 요약: 신호 교차로의 폐쇄 루프 마이크로시뮬레이션을 위한 생성 모델

문제 정의
교통 마이크로 시뮬레이터(예: SUMO)는 전통적으로 집합적 흐름은 재현하지만, 신호 교차로에서의 차량 간 이질적이고 때로는 공격적인 상호작용을 포착하는 데 실패하는 수작업 기반의 행동 모델에 의존한다. 반대로, 학습된 궤적 예측 모델은 더 풍부한 상호작용을 포착하지만, 일반적으로 단기 지평(short-horizon)에 국한되며, 오픈 루프(open-loop) 방식으로 평가되고, 장기 지평에서 폐쇄 루프로 실행될 때 오차 누적으로 인해 불안정하다. 또한, 기존의 데이터 기반 접근 방식은 방대한 데이터셋 없이는 물리적으로 타당하고 사회적으로 일관된 행동을 모델링하는 데 어려움을 겪는 경우가 많으며, 비정상 상태의 액터 코호트(차량이 지속적으로 유입되고 유출됨)를 유지하면서도 특정 구조적 제약(신호, 차선 토폴로지, 기하학적 구조)을 다루는 연구는 거의 없다.

방법론: Enactor
저자들은 신호 교차로의 폐쇄 루프 마이크로시뮬레이션을 위해 설계된 액터 중심의 생성 모델인 Enactor를 제안한다. 주요 아키텍처 및 훈련 구성 요소는 다음과 같다:

• 상태 표현: 모델은 교차로 기하학에 정렬된 극좌표(polar-coordinate) 상태 표현을 활용한다. 각 액터의 상태는 $(r, \sin \theta, \cos \theta, s, \sin \alpha, \cos \alpha)$로 정의되며, 여기서 $r$은 교차로 중심으로부터의 반지름 거리, $\theta$는 각도 위치, $s$는 선속도, $\alpha$는 헤딩(방향)이다. 정적 요소(차선)는 폴리라인(polylines)으로 인코딩되며, 교통 신호는 원-핫 페이즈 인코딩(one-hot phase encoding)이 적용된 차선 끝 벡터로 표현된다.
• 입력 특징: 핵심적인 혁신은 각 액터에 대한 **선행 차량의 후방 범퍼 위치(leader's rear-bumper position)**를 명시적인 입력 특징으로 포함시킨 것이다. 이 기하학적 단서는 감속이 어디서 종료되어야 하는지에 대한 참조를 제공하여 "정지선(stop-line)" 문제를 해결한다. 보행자는 차량의 주의(attention)에 영향을 미치는 문맥적 이웃으로 포함되지만, 주요 예측 대상으로는 다뤄지지 않는다.
• 아키텍처: Enactor는 두 개의 순차적인 어텐션 블록을 사용하는 트랜스포머 기반 아키텍처를 채택한다:
  1. 공간 블록(Spatial Block): 이웃, 맵 폴리라인, 신호 벡터에 대한 셀프 어텐션을 사용하여 각 타임스텝에서 액터-액터 및 액터-맵 상호작용을 포착한다.
  2. 시간 블록(Temporal Block): 히스토리 윈도우에 걸쳐 공간 임베딩을 집계하여 다음 단계의 운동 파라미터(속도 $s$ 및 헤딩 변화 $\alpha$)에 대한 분포를 예측한다.
• 출력 및 운동학: 모델은 $(s, \alpha)$에 대한 혼합 가우시안(mixture-of-Gaussians) 분포를 출력한다. 추론 시에는 샘플을 추출하고, 결정론적 운동학 업데이트를 통해 액터의 다음 위치를 계산한다.
• 훈련 체계: 모델은 **폐쇄 루프 커리큘럼(closed-loop curriculum)**을 사용하여 훈련된다. 초기에는 모델이 정답(ground-truth) 문맥을 받지만, 점진적으로 정답 문맥이 모델 자신의 예측값으로 대체된다. 이는 공변량 변화(covariate shift)를 완화하여, 모델이 추론 중에 자신의 예측에 의존하도록 학습하게 한다.
• 평가 체계:
  1. 시뮬레이터 체제: 두 개의 교차로 기하학 구조에서 지속적으로 갱신되는 액터 코호트를 대상으로 Enactor가 모든 동적 차량을 제어하는 4,000초(40,000 타임스텝) 동안의 "시뮬레이션 인 더 루프(simulation-in-the-loop)" 테스트를 수행한다.
  2. 실세계 체제: 피쉬아이 카메라에서 얻은 자연주의적 데이터를 사용하여 단일 패스(single-pass), 다중 지평(multi-horizon) 예측 프로토콜(2초, 5초, 10초)로 평가한다. 또한 스플라인 평활화(spline smoothing) 전처리가 궤적 노이즈에 미치는 영향을 조사한다.

주요 기여

1. 기하학 인식 표현: 교차로 기하학에 특화되어 정렬된 극좌표 상태 표현.
2. 폐쇄 루프 마이크로시뮬레이션: 지속적으로 변하는 액터 코호트에 대해 4,000초 동안 안정적인 롤아웃을 유지하며 전체 마이크로 시뮬레이터로서 작동하는 트랜스포머 기반 생성 모델. 이는 표준적인 고정 코호트 평가와 구별된다.
3. 선행 차량 후방 범퍼 특징: 교차로 인식 안전 지표(특히 규칙 준수)에 가장 큰 영향을 미치는 단일 입력 특징으로서 선행 차량의 후방 범퍼 위치를 분리하여 규명한 절제 연구(ablation study).
4. 포괄적 평가: 동일한 폐쇄 루프 프로토콜 하에서 IntTrajSim 베이스라인과 직접 비교하고, 실제 현장 데이터에 대한 평가를 수행.
5. 노이즈 분석: 상류 탐지 노이즈(횡방향 드리프트)의 영향과 훈련 입력으로서의 스플라인 평활화의 트레이드오프에 대한 경험적 조사.

결과

• 집합적 흐름의 현실성: 시뮬레이터 체제에서 Enactor는 SUMO 데이터 생성기의 속도 및 이동 시간 분포를 IntTrajSim 베이스라인보다 현저히 낮은 KL 발산(이동 시간의 경우 1개 차수 이상 낮음, Site 1의 속도의 경우 약 5배 낮음)으로 회복한다.
• 규칙 준수: Enactor는 IntTrajSim에 비해 적색 신호 위반을 1개 차수 이상 줄인다 (Site 1에서 169/175건 대 5건). 절제 연구는 선행 차량의 후방 범퍼 특징을 제거할 경우 규칙 준수가 크게 저하됨(199건의 위반)을 확인하였으며, 이는 정확한 정지 동작을 위한 해당 특징의 필요성을 강조한다.
• 안전 지표: Enactor가 적색 신호 준수를 개선함에도 불구하고, 충돌 시간(TTC) 이벤트는 여전히 raw SUMO 데이터보다 높게 나타나며, 이는 근거리 상호작용의 현실성이 여전히 해결해야 할 과제임을 나타낸다.
• 실세계 성능: 자연주의적 데이터에서 Enctor-Smooth와 Enctor-Raw 모두 모든 지평(2초, 5초, 10초)에서 등속도(constant-velocity) 베이스라인보다 우수한 성능을 보인다. Enctor-Smooth는 2초 지점에서 약간의 우위를 보이는 반면, Enctor-Raw는 긴 지평(5초, 10초)에서 최종 변위 오차(FDE) 및 임계값 내 성공률 측면에서 더 나은 성능을 보여, 지터(jitter) 제거와 평활화 편향 도입 사이의 트레이드오프를 시사한다.

의의 및 주장
본 논문은 안정적인 장기 폐쇄 루프 롤아웃, 집합적 흐름의 현실성, 그리고 교차로 인식 안전 현실성이 서로 다른 설계 선택을 요구하는 별개의 목표라고 주장한다.

• 극좌표 표현과 폐쇄 루프 커리큘ikulum은 주로 안정성과 집합적 흐름을 다룬다.
• 선행 차량 후방 범퍼 특징은 교차로 인식 안전(규칙 준수)을 위한 핵심 구성 요소로 식별되었다.
• 저자들은 Enctor가 단기 궤적 예측과 장기 마이크로 시뮬레이션 사이의 간극을 성공적으로 메웠다고 주장하며, 학습된 모델이 도로 네트워크에서 벗어나지 않고 수천 타임스텝 동안 동적인 비정상 상태 교통 장면을 제어할 수 있음을 입증하였다.
• 본 논문은 근거리 상호작용의 현실성(특히 TTC 이벤트 최소화)이 현재 모델의 주요 한계점으로 남아 있음을 겸허히 인정한다.
• 실세계 배포와 관련하여, 저자들은 아키텍처가 자연주의적 데이터에서 작동하지만, 현재의 평활화 방식은 인과적(causal)이지 않으므로 실제 배포를 위해서는 인과적 전처리 파이프라인과 더 넓은 현장 검증이 필요하다고 언급한다.