Urban Deceleration Behavior Modes Under Scene Context: An Early-Kinematic Classifier from Argoverse 2 Multi-Agent Trajectories

기술 요약: 장면 맥락에 따른 도시 지역 감속 행동 모드

문제 정의
도시 지역의 감속은 차량 추종(car-following) 연구에서 경험적으로 가장 많이 연구되었음에도 불구하고 분류학적으로는 체계화되지 않은 행동 중 하나로 남아 있다. 기존 문헌은 감속 프로파일(시간적 전개)과 메커니즘(코스팅 대 브레이킹)에 대한 개념적 프레임워크를 확립하였고, 대규모 인지 기능이 탑재된 자율주행 자동차(AV) 데이터셋은 지면 진실(ground-truth) 다중 에이전트 궤적을 제공하고 있으나, 이러한 개별 분석 블록들이 도시 환경을 위한 하나의 통합된 파이프라인으로 결합되지는 않았다. 본 연구는 안정적인 운동학적 모드의 소수 집합을 통해 도시 감속을 특징짓고, 장면 맥락이 이러한 모드를 어떻게 조절하는지 정량화하며, 페달 센서나 시선 데이터 없이 초기 이벤트 관찰 창(window)으로부터 모드 멤버십의 예측 가능성을 결정하는 공백을 메우고자 한다.

연구 방법론
본 연구는 Argoverse 2 센서 데이터셋을 활용하여 234개의 도시 주행 로그에서 1,219개의 지속적인 감속 이벤트를 추출하였다. 방법론은 8단계 파이프라인을 따른다:

1. 데이터 처리: Savitzky–Golay 필터링을 사용하여 큐보이드 주석(10 Hz)으로부터 궤적을 재구성한다. 50m 종방향 코리더 내에서 선행 차량-후행 차량 쌍을 식별하고, $a_{long} \le -0.5$ m/s² 임계값을 기준으로 지속적인 감속 이벤트를 탐지한다.
2. 특징 공학: 각 이벤트는 19차원의 운동학적 특징 벡터(Family A 및 B)와 별도의 장면 맥락 변수 세트(Family C)로 인코딩된다.
   • Family A (강도/타이밍): 피크/평균 감속도, 저크(jerk), 이벤트 지속 시간, 초기 간격/시간 차(time-headway), 시각적 러밍(looming, $\lambda = \dot{g}/g$), DRAC, MTTC를 포함한다.
   • Family B (프로파일/메커니즘): 감속 프로파일의 함수적 주성분(functional Principal Components)과 페달 센서 없이 코스팅과 브레이킹을 구분하기 위한 메커니즘 프록시($m = |j_{peak}|/|a_{peak}|$)를 포함한다.
   • Family C (맥락): 쌍 형성 이후 경과 시간(pair age), VRU(취약 도로 사용자) 근접성, 차량 밀도, 장면 기하 구조를 포함한다.
3. 모드 발견: K-means, HDBSCAN, Gaussian Mixture Models를 사용하여 비지도 클러스터링을 수행한다. 안정성은 50회의 재표본 추출을 통한 부트스트랩 Adjusted Rand Index(ARI)를 통해 평가한다. 순수한 운동학적 분류를 보장하기 위해 클러스터링 과정에서 Family C 변수는 제외한다.
4. 맥락 조절: 카이제곱 검정(범주형 변수용)과 Kruskal–Wallis 검정(연속형 변수용)을 사용하여 클러스터 멤버십과 장면 맥락 간의 연관성을 테스트하며, 효과 크기는 Cramér's V와 epsilon-squared($\varepsilon^2$)로 측정한다.
5. 체제 층화(Regime Stratification): 초기 속도(저속: <5 m/s, 중속: 5–15 m/s, 고속: $\ge$15 m/s)에 따라 이벤트를 층화하여 체제 불변성을 테스트한다.
6. 초기 이벤트 분류: 0.5초, 1.0초, 1.5초의 관찰 창을 사용하여 HistGradientBoosting 분류기가 모드 멤버십을 예측한다. 세 가지 모델 변형(운동학 전용(M1), 운동학 + 맥락(M2), 맥락 전용(M3))을 비교한다.

주요 결과

• 안정적 모드: $K=4$인 K-means가 가장 안정적인 해를 제공한다 (Bootstrap ARI = 0.897). HDBSCAN은 밀도 분리 가능한 클러스터를 식별하는 데 실패했으며, 이는 연속적인 경사 구조(gradient structure)를 시사한다. 네 가지 모드는 다음과 같다:
  1. 예측적 완만 감속 (Anticipatory Soft, 62.8%): 완만한 감속, 낮은 간격 좁힘률, 낮은 DRAC.
  2. 반응적 접근 (Reactive Closing, 30.6%): 강한 간격 좁힘 역학, 높은 러밍, 높은 DRAC.
  3. 브레이크형 저크 (Brake-like Jerk, 4.8%): 급격한 브레이킹 적용을 나타내는 메커니즘 프록시와 함께 극단적인 저크 크기 발생.
  4. 이상치 (Outlier, 1.8%): 여러 변수에서 극단적인 통계치 발생.
• 맥락 조절: 11개의 장면-맥락 변수 중 **쌍 형성 경과 시간(pair age)**만이 중간 정도의 효과($\varepsilon^2 = 0.085$)를 보인다. 클러스터 0(Reactive Closing)은 가장 젊은 쌍(중앙값 1.0초)에 해당하여 "컷인(cut-in)" 해석을 뒷받침하며, 클러스터 3(Brake-like Jerk)은 가장 오래된 쌍(중앙값 4.7초)에 해당한다. 장면 기하 구조, VRU 근접성, 교차로 거리는 무시할 만한 영향을 미쳤다.
• 체제 의존성: 모드는 중속 주행(MSR, ARI = 0.817)에서는 체제 불변적이지만, 저속 주행(LSR, ARI = 0.166)에서는 체제 의존적이다. 즉, 저속 주행에서는 데이터셋 전체의 분류 체계가 저속 특유의 패턴과 일치하지 않는다.
• 분류 성능: 1.0초 관찰 지평에서 결합 모델(M2)은 0.758의 macro-F1을 달성하였으며, 이는 운동학 전용 모델(M1)의 0.699와 비교된다. 장면 맥락을 추가함으로써 얻은 이득은 +0.059 F1이다. 초기 창의 저크(RMS 및 피크)가 섭동 중요도(permutation importance)에서 맥락 변수를 크게 상회하는 지배적인 예측 특징이다.

의의 및 주장
본 논문은 확립된 개념적 도구들(러밍, 코스팅 대 브레이킹, 컷인 대 지속적 추종, 소규모 카디널리티 클러스터링, 기여도 기반 해석 가능성)을 최초로 도시 인지-AV 데이터에 적용된 단일한 일관된 파이프라인으로 결합했다고 주장한다.

본 연구는 도시 지역의 감속이 일련의 안정적인 운동학적 모드에 의해 구조화되어 있음을 결론짓는다. 본 연구는 다음을 입증한다:

1. 궤적만으로 메커니즘 추론이 가능하다: 페달 데이터 없이도 저크 기반의 메커니즘 프록시를 통해 코스팅과 브레이킹의 구분이 가능하다.
2. 쌍 형성 경과 시간이 주요 맥락 조절자이다: 장면 기하 구조나 VRU 근접성과 달리, 선행 차량-후행 차량 관계의 지속 시간이 감속 행동을 구조화한다.
3. 초기 예측이 가능하다: 모드 멤버십은 이벤트의 첫 1.0초로부터 예측 가능하며, 초기 창의 저크가 주요 신호를 제공한다.
4. 체제 특이성이 중요하다: 혼합 속도로 학습된 단일 모델은 저속 도시 시나리오에서 실패할 수 있으며, 따라서 체제 층화된 접근 방식이 필요하다.

저자들은 본 연구를 고속도로 중심의 기존 NGSIM 기반 연구에서 도시 인지-AV 영역으로 감속 모드 발견을 확장하는 전이 가능한 방법론으로 포지셔닝하며, 이를 통해 ADAS 평가 및 행동 모방 모델링을 위한 토대를 제공한다.