Beyond Line of Sight: Hybrid Validation of V2X Collective Perception in Complex Scenarios

기술 요약: 가시선 너머(Beyond Line of Sight): 복잡한 시나리오에서의 V2X 집합적 인지(Collective Perception) 하이브리드 검증

문제 정의
자율주행 자동차(AV)는 폐쇄(occlusion) 및 제한된 시야각(FoV)과 같은 온보드 센서의 내재적 제약으로 인해 상황 인식에 상당한 한계에 직면해 있다. V2X 통신을 통한 집합적 인지(Collective Perception, CP)는 타 차량의 눈을 통해 보는 것과 같은 솔루션을 제공하지만, 이러한 시스템을 검증하는 것은 여전히 도전적인 과제이다. 기존 연구들은 종종 통신 효율성을 인지 융합으로부터 분리하여 다루거나, 복잡한 혼합 교통 시나리오에서 불확실성과 신뢰성을 정량화하는 강력한 방법을 결과적으로 결여하고 있다. 또한, 순수 시뮬레이션 평가와 실제 배포 사이에는 간극이 존재하며, 가상 영역과 물리적 영역을 연결하면서 설명 가능한 안전 지표를 제공할 수 있는 하이브리드 테스트 프레임워크가 필요하다.

방법론
저자들은 연결된 차량과 비연결 차량이 모두 포함된 라운드어바웃(회전 교차로) 주행 시나리오를 대상으로 설계된 확률적 프레임워크와 하이브리드 검증 방법론을 제안한다. 이 접근 방식의 핵심은 이기적(heterogeneous) 센서 관측치를 공유된 확률적 점유 격자(probabilistic occupancy grid)로 통합하는 베이지안 융합 알고리즘이다.

1. 시스템 아키텍처 및 입력:
   본 프레임워크는 에고 상태(위치, 속도, 헤딩), 센서 FoV 파라미터, 관측된 객체 정보(위치, 속도, 헤딩)를 포함한 실시간 데이터를 전파하는 연결된 협력 자율주행 차량(CCAV)을 활용한다. 시스템은 ETSI 표준화된 집합적 인지 메시지(CPM)의 가용성을 가정하지만, 지연 시간이나 혼잡과 같은 네트워킹 측면은 추상화하여 제외한다.

2. 알고리즘 구현:
   알고리즘은 환경을 나타내는 이산화된 $N \times N$ 격자 위에서 작동하며, 각 셀은 점유 확률을 보유한다. 과정은 다음 네 단계로 구성된다:

• 입자 필터 위치 추정(Particle Filter Localization): 각 CCAV의 위치는 운동 모델(Ackermann 조향)과 온보드 센서 데이터(GPS/오도메트리)를 기반으로 하는 입자 필터를 사용하여 추정된다. 필터는 입자 퇴화(degeneration)에 대한 견고성을 보장하기 위해 가법 노이즈(additive noise)를 포함한다.
• FoV 추정: 커스텀 GPU 구현 알고리즘은 추정된 위치와 센서 특성을 기반으로 각 CCAV의 가시 격자 셀을 계산한다. 측정 불확실성을 고려하여 관측된 객체는 팽창(dilation) 처리된다.
• 베이지안 융합(Bayesian Fusion): 핵심 융합 단계는 베이즈 법칙을 재귀적으로 적용하여 각 격자 셀의 점유 확률을 업데이트한다. 이는 여러 에이전트의 관측치에 가중치를 두기 위해 순방향 센서 모델을 활용한다. 만약 특정 에이전트가 특정 셀을 관측할 수 없는 경우(FoV 외부), 사전 확률은 변경되지 않는다. 이를 통해 시스템은 여러 관찰자로부터의 증거를 집계하는 동시에 불확실성에 대한 확률적 표현을 유지할 수 있다.
• 추적(Tracking): 점유 격자는 후속 타임 스텝의 사전 확률 역할을 하기 위해 추정된 속도를 사용하여 시간에 따라 전파되지만, 현재 구현에서는 단순성을 위해 각 단계마다 셀 확률을 0.5(미지 상태)로 초기화한다.

3. 온라인 신뢰성 평가:
   프레임워크에는 출력의 신뢰성을 실시간으로 평가하기 위한 메커니즘이 포함되어 있다:

• 위치 추정 신뢰성: 입자 필터의 공분산으로부터 도출된다; 높은 불확실성 타원체는 위치 추정치가 신뢰할 수 없음을 나타낸다.
• 일관성 검사(Consistency Checks): 시스템은 자기 모순(예: 에이전트의 추정 FoV 외부에서 보고된 객체) 및 에이전트 간 모순(예: 중첩된 FoV 내에서 상충하는 점유 보고)을 감지한다.
• 확률적 불확실성: 점유 확률이 0.5에 가까운 셀은 데이터 누락 또는 상충하는 관측을 반영하여 불확실한 것으로 표시된다.

4. 하이브리드 검증:
   시뮬레이션과 현실을 연결하기 위해 저자들은 CARLA 시뮬레이션과 차량 투입 루프(vehicle-in-the-loop) 실험을 결합한 하이브리드 테스트 환경을 사용한다. 이 설정은 위치 노이즈 수준(0~2미터)에 따른 제어된 시나리오 기반 테스트를 가능하게 한다.

주요 기여

• 확률적 융합 알고리즘: 다중 에이전트 데이터를 공유 점유 격자로 융합하여 AV의 인지 지평을 확장하고, 셀 단위에서 불확실성을 명시적으로 정량화하는 베이지안 접근 방식을 제공한다.
• 하이브리드 검증 프레임워크: 복잡한 교통 시나리오(특히 라운드어바웃)에서 CP 성능을 평가하기 위해 CARLA 시뮬레이션과 물리적 실험을 결합한 재현 가능한 방법론을 제공한다.
• 신뢰성 지표: 위치 추정, FoV 일관성 및 융합 출력의 신뢰성을 평가하기 위해 확률적 프레임워크에서 도출된 일련의 온라인 지표를 제공하며, 이는 설명 가능한 안전 검증의 필요성을 해결한다.
• 확장성 분석: 협력 에이전트의 수가 하나(에고 단독)에서 여섯 개로 증가함에 따라 시스템 성능을 평가한다.

결과
실험은 세 가지 구성(에고 단독, 3개 에이전트와의 CP, 6개 에이전트와의 CP)으로 라운드어바웃 시나리오에서 수행되었으며, 위치 노이즈 수준(0, 0.5, 1, 1.5, 2 미터)에 걸쳐 테스트되었다.

• 시야각(Field-of-View) 커버리지: 집합적 인지 접근 방식은 에고 단독 센싱보다 성능이 현저히 우수했다. 결합된 FoV 커버리지는 에고 단독 시의 약 0.23에서 6개 에이전트 시 약 0.86으로 약 260% 증가했다.
• 점유 셀 재현율(Occupated Cell Recall): 명목상 위치 조건(0m 노이즈) 하에서, 점유 셀의 재현율은 에고 단독 시 0.82에서 6개 에이전트 시 0.94로 향상되었다. 2미터의 위치 노이즈가 있는 상황에서도 6개 에이전트 구성은 0.80의 재현율을 유지한 반면, 에고 단독 베이스라인은 0.72를 기록했다.
• 정밀도 및 강건성: 에이전트 수가 많아짐에 따라(중첩된 FoV 및 융합 불확실성으로 인해) 정밀도는 약간 감소했으나, 시스템은 높은 강건성을 입증했다. 비점유 셀 지표는 모든 구성과 노이즈 수준에서 일관되게 높게 유지되었다(재현율 >0.98 및 정밀도 >0.99).
• 노이즈 내성: 베이지안 융합은 위치 오차의 영향을 효과적으로 완화했다. 2미터 노이즈 하에서 CP 구성의 성능 저하는 에고 단독 베이스라인보다 현저히 낮았다.

의의 및 주장
본 논문은 집합적 인지 시스템을 검증하기 위한 재현 가능하고 해석 가능한 토대를 제공한다고 주장한다. 확률적 융합을 시나리오 기반 평가와 통합함으로써, 이 접근 방식은 협력형 자율주행차의 안전하고 인증 가능한 배포를 지원한다. 저자들은 본 방법론이 신뢰성을 단순히 일반적인 지표로 취급하는 것이 아니라 그 **국소성(locality)**을 고려한다는 점을 강조한다. 즉, 시스템은 특정 격자 셀이 신뢰할 수 있는지 아니면 불확실한지를 식별할 수 있다. 이러한 세밀함은 단 하나의 신뢰할 수 없는 셀이 행위자 근처에서 치명적일 수 있는 자율 주행에서 매우 중요하다. 이 연구는 불확실성 정량화의 집합적 인지 통합에 관한 기존 문헌의 공백을 메우며, 설명 가능한 확률적 추론을 향한 단계로서 자신을 포지셔ชัน하고 있으며, 안전 검증을 위한 하이브리드 테스트 인프라의 표준화에 기여한다.