로봇에게 자동차 운전을 가르치려 한다고 상상해 보십시오. 가장 어려운 점은 단순히 도로를 보는 것이 아니라, 다른 모든 이들이 다음에 무엇을 할지 추측하는 것입니다. 저 차가 왼쪽으로 회전할까요? 저 보행자가 연석에서 발을 내디딜까요? 이것이 바로 차량, 자전거 이용자, 그리고 사람들의 미래 움직임을 예측하는 데 전념하는 인공지능의 한 분야인 **교통 상황 예측(traffic scene prediction)**의 세계입니다. 이를 위해 컴퓨터는 보통 모든 차량의 위치를 초 단위로 기록한 비디오 녹화와 같은 방대한 양의 데이터에 의존합니다. 하지만 노래를 부르는 가수의 숨소리 하나하나까지 모두 기억하며 노래를 외우려는 것과 마찬가지로, 이러한 "초 단위" 방식은 지저분하고, 노이즈가 많으며, 계산 집약적일 수 있습니다. 또한 일반화 능력이 떨어지는 경우가 많은데, 이는 캘리포니아의 도시 거리에서 훈련된 로봇이 독일의 로터리(roundabout)를 보았을 때 혼란을 겪을 수 있음을 의미합니다. 연구자들이 던지는 핵심 질문은 이것입니다. "로봇이 노이즈에 휘둘리지 않고 움직임의 본질을 이해할 수 있도록, 사물의 움직임을 설명하는 더 단순하고 매끄러운 방법이 있을까?"

"자율 주행을 위한 다항식 표현을 이용한 장기 교통 상황 예측(Long-term Traffic Scene Prediction via Polynomial Representations in Autonomous Driving)"이라는 제목의 이 논문은 그 답이 "예"라고 주장합니다. 저자인 예 야오(Yue Yao)는 자동차의 경로를 수천 개의 개별 점으로 이루어진 들쭉날쭉한 선으로 취급하는 대신, **다항식(polynomial)**이라 불리는 매끄러운 수학적 곡선으로 기술해야 한다고 제안합니다. 다항식을 유연한 자나 모양에 맞춰 구부릴 수 있는 매끄러운 점토라고 생각해 보십시오. 컴퓨터는 자동차가 있었던 모든 지점을 일일이 저장하는 대신, 곡선의 형태를 정의하는 몇 개의 "제어점(control points)"만을 기억하면 됩니다. 이 논문은 이 방법이 더 효율적일 뿐만 아니라, 로봇의 예측을 더 현실적으로 만들고 본 적 없는 새로운 환경을 더 잘 다룰 수 있게 해준다고 제안합니다.

매끄러운 곡선 vs. 들쭉날쭉한 선

이것이 왜 중요한지 이해하기 위해, 당신이 차가 코너를 도는 모습을 그린다고 상상해 보십시오. 한 가지 방법은 차가 움직임에 따라 차지하는 모든 픽셀을 찍어서 센서 오류 때문에 흔들릴 수 있는 들쭉날쭉하고 노이즈 섞인 선을 만드는 것입니다. 다른 방법은 회전의 개념을 포착하는 매끄럽고 연속적인 곡선을 사용하는 것입니다. 논문은 실제 교통 흐름이 실제로 이러한 매끄러운 곡선처럼 작동한다는 것을 증명하는 것으로 시작합니다. 저자는 **경험적 베이즈 분석(Empirical Bayes analysis)**이라는 통계적 방법(이는 수천 번의 과거 게임을 살펴봄으로써 게임의 규칙을 똑똑하게 추측하는 것과 같습니다)을 사용하여 Argoverse 1, Argoverse 2, Waymo Open이라는 세 가지 주요 데이터셋에서 추출한 수백만 개의 실제 교통 장면을 분석했습니다.

결과는 명확했습니다. 적절한 유연성을 가진 중간 차수의 다항식(곡선)은 자동차, 자전거, 보행자의 움직임을 놀라울 정도로 높은 정확도로 포착할 수 있었습니다. 사실, "적합 오차(fit error)"—매끄러운 곡선과 실제 노이즈 섞인 데이터 사이의 아주 작은 차이—는 매우 작아서(종종 불과 몇 센티미터 수준), 이 곡선들이 실제 현실에 완벽하게 들어맞는다는 것을 입증했습니다. 결정적으로, 이 논문은 이러한 매끄러운 곡선을 사용하는 것이 예측 정확도를 떨어뜨리지 않으며, 오히려 도움이 된다는 것을 보여줍니다. 이는 모델을 혼란스럽게 만드는 "떨림(jitter)"과 노이즈를 걸러내는 역할을 하여, 마치 교통 데이터용 노이즈 캔슬링 헤드폰처럼 작동합니다.

"다항식" 로봇의 마법

저자가 매끄러운 곡선이 움직임을 설명하는 올바른 방법임을 확립한 후, 이 아이디어를 테스트하기 위해 두 가지 새로운 유형의 AI 모델을 구축했습니다.

1. 개별 예측기 (EP):
먼저, 지도와 다른 차량들을 고려하면서 단일 에이전트(예: 자동차 한 대)의 경로를 예측하도록 설계된 모델을 만들었습니다. 이들은 자동차의 과거 경로와 도로 차선을 모두 이러한 매끄러운 다항식 곡선으로 표현했습니다. 이 모델을 테스트했을 때, 익숙한 데이터에 대해서는 가장 진보되고 복잡한 모델들과 대등한 성능을 보였습니다. 하지만 핵심은 이것입니다. 익숙하지 않은 데이터(다른 도시나 다른 데이터셋)에서 테스트했을 때, 이 다항식 모델은 현저히 더 견고(robust)했습니다. 이 모델은 새로운 환경 때문에 혼란을 겪지 않았습니다. 더욱이, 이 모델은 매우 효율적이어서 경쟁 모델들이 요구하는 컴퓨터 자원(파라미터)의 약 **3.9%**만을 사용했습니다. 이는 마치 연료를 가득 채우는 대신 커피 한 잔으로 달리는 고성능 스포츠카와 같습니다.

2. 장면 생성기 (EP-Diffuser):
한 대의 차를 예측하는 것도 어렵지만, 서로가 서로에게 영향을 미치는 교통 체증 전체를 예측하는 것은 훨씬 더 어렵습니다. 이를 위해 저자는 **확산 기반 생성 모델(diffusion-based generative model)**을 구축했습니다. 확산을 노이즈가 섞인 형체 없는 찰흙 덩어리에서 시작하여 노이즈를 조금씩 깎아내어 완벽한 조각상을 드러내는 조각가라고 생각하십시오. 모델은 무작위 노이즈에서 시작하여 단계적으로 "노이즈를 제거(denoise)"함으로써 현실적인 교통 장면을 만들어냅니다. 이 과정에서 궤적을 표현하기 위해 다항식을 사용함으로써, 모델은 정확할 뿐만 아니라 그럴듯한(plausible) 전체 교통 장면을 생성할 수 있었습니다.

이곳의 결과는 매우 흥istic했습니다. 새로운 모델인 EP-Diffuser는 경쟁 모델들보다 훨씬 더 실제 인간의 운전과 유사한 교통 장면을 생성했습니다. 이 모델은 더 매끄러운 회전, 차량 간의 더 나은 상호작용, 그리고 불가능한 시나리오(예: 건물을 뚫고 지나가는 자동차)를 적게 만들어냈습니다. 테스트에서 이 모델은 0.809의 "현실성" 점수를 기록하며 다른 상위 모델들을 앞질렀습니다. 더욱 인상적인 점은, 가장 가까운 경쟁 모델이 1,250만 개의 파라미터를 필요로 했던 반면, 이 모델은 단 300만 개의 파라미터만으로 이를 해냈다는 것입니다. 이는 거대하고 비대한 뇌가 없어도 자동차를 운전할 수 있다는 것을 증명하는 가벼운 챔피언입니다.

왜 "완벽한 정확도"보다 "그럴듯함"이 더 중요한가

이 논문에서 발견된 가장 흥미롭고 중요한 발견 중 하나는 성공을 판단하는 방식의 변화입니다. 전통적으로 AI 모델은 예측된 위치가 실제 위치와 얼마나 가까운지(변위 오차라는 지표)를 기준으로 평가받습니다. 이 논문은 모델이 거리 측면에서는 매우 "정확"할 수 있지만, 여전히 기괴하고 비현리적인 행동—예를 들어 자동차가 불규칙하게 멈췄다 가다를 반복하거나 인간이 하지 않을 방식으로 운전하는 것—을 만들어낼 수 있다는 점을 발견했습니다.

저자는 **그럴듯함(plausibility)**이 더 중요하다고 주장합니다. 예측이 인간이 실제로 할 법한 행동처럼 보인다면 그것은 그럴듯한 것입니다. 다항식 모델은 이 부분에서 탁월했습니다. 이 모델들은 운동학적으로 일관된(매끄러운 가속 및 제동) 사회적으로 인지된 궤적을 만들어냈습니다. 논문은 가능한 낮은 "오차 수치"를 쫓는 것이 오히려 함정이 될 수 있으며, 이는 정밀하지만 기괴한 모델로 이어질 수 있다고 시사합니다. 움직임의 매끄럽고 물리적인 특성을 다항식을 통해 구현함으로써, 모델은 수학적으로 가장 가까운 지점이 아니더라도 인간 관찰자에게 "옳게" 느껴지는 행동을 자연스럽게 만들어냈습니다.

결론

결국, 이 논문은 자율 주행의 미래가 더 크고 복잡한 신경망을 구축하는 것이 아니라, 수학의 우아함으로 돌아가는 데 있을 수 있음을 시사합니다. 교통을 들쭉날쭉하고 노이즈가 섞인 시퀀스가 아닌 매끄럽고 연속적인 곡선으로 표현함으로써, 우리는 더 빠르고, 효율적이며, 예측 불가능한 현실 세계를 더 잘 다룰 수 있는 시스템을 구축할 수 있습니다. 이 논문은 모든 문제를 해결했다고 주장하는 것이 아닙니다. 복잡한 상호작용이나 충돌 제로를 보장하는 데에는 여전히 과제가 남아 있습니다. 하지만 다항식 표현이 근본적인 업그레이드라는 점을 강력하게 시사합니다. 다항식은 로봇이 현재의 최첨단 방식들을 능가하거나 대등한 수준의 직관을 가지고 미래를 예측할 수 있게 해주는, 압축적이고 일반화 가능하며 물리적으로 일관된 토대를 제공합니다. 이는 때때로 미래를 예측하는 가장 좋은 방법은 모든 발걸음을 일일이 세는 것이 아니라, 그 흐름을 이해하는 것임을 상기시켜 줍니다.