PersonaDrive: Controllable Trajectory Prediction with Multi-Dimensional Driving Personas

자율주행차가 번잡한 도시의 거리에서 주행할 때마다, 차량은 어디로 갈지, 그리고 얼마나 빨리 도착할지에 대해 일련의 찰나의 결정을 내려야 합니다. 수년간 연구자들은 이 차량들에게 다른 자동차와 보행자의 미래 경로를 예측하도록 가르쳐 왔지만, 차량 자체는 주로 단일하고 안전하며 예측 가능한 방식으로 주행하도록 훈련되어 왔습니다. 이들은 불필요하게 속도를 높이지 않고 급격한 회전을 하지 않는 이상적이고 신중한 운전자가 되도록 프로그래밍되어 있습니다. 이러한 접근 방식은 안전하지만, 인간 현실의 핵심적인 부분을 놓치고 있습니다. 즉, 사람들은 자신이 누구인지, 어디로 가는지, 그리고 어떤 기분인지에 따라 다르게 운전한다는 사실입니다. 아픈 아이를 데리고 병원으로 서둘러 가는 부모는 비록 서두르고 있더라도 부드럽고 완만한 주행을 필요로 하는 반면, 화재 현장으로 달려가는 소방관은 시간을 아끼기 위해 더 거칠고 공격적인 경로를 수용해야 할 수도 있습니다. 지금까지 자율 시스템은 이러한 미묘하고 상충하는 인간의 요구를 이해하는 데 어려움을 겪어 왔으며, 종종 로봇 같고 승객의 실제 상황과 동떨어진 느낌을 주는 '일률적인(one-size-fits-all)' 방식을 기본값으로 채택해 왔습니다.

한국의 연구진은 자율주행차에게 운전대 뒤에 숨겨진 성격을 이해하도록 가르치는 새로운 방법을 개발함으로써 이 문제를 해결했습니다. 그들은 인간의 운전 행동이 단순히 빠르거나 느린 것만이 아니라, 두 가지 뚜렷한 힘에 의해 형성된다는 점을 깨달았습니다. 첫 번째는 목적지에 얼마나 빨리 도착하고 싶은지를 결정하는 '긴급성(urgency)'입니다. 두로 번째는 운전자가 얼마나 부드럽게 이동하고 싶은지를 결정하여, 속도보다 완만한 주행을 우선시하는 '안락함(comfort)'입니다. 이 두 요소를 분리함으로써, 연구진은 차량이 단순히 "빨리 가라" 또는 "천천히 가라"는 지시를 받는 것을 넘어, 이러한 상충하는 욕구 사이의 균형을 맞추는 특정 '운전 페르소나'를 채택할 수 있도록 하는 새로운 프레임워크를 만들었습니다.

이 아이디어를 테스트하기 위해 연구진은 먼저 새로운 형태의 훈련 라이브러리를 구축해야 했습니다. 그들은 수천 개의 실제 주행 장면을 가져와 고급 언어 모델을 사용하여 동일한 여정에 대한 9가지 서로 다른 버전을 생성했습니다. 각 버전은 긴급성과 안락함의 고유한 조합에 대응하며, 절박한 위기 상황에 처한 사람을 위한 정신없이 거친 주행부터 몸이 좋지 않은 승객을 위한 느리고 매우 부드러운 여정까지 다양합니다. 이 9가지 시나리오 각각에 대해, 연구진은 "제발, 좀 밟아주세요! 아이가 차 안에 갇혀 있어요" 또는 "조금만 부드럽게 운전해 주시겠어요? 뜨거운 커피를 들고 있어서요"와 같이 승객이 실제로 운전자에게 말할 법한 자연어 설명을 작성했습니다. 그들이 'PCT 데이터셋'이라 부르는 이 컬렉션은 이러한 텍ек스트 설명과 해당 기분에 딱 맞는 정밀한 물리적 경로를 쌍으로 연결합니다.

이 새로운 데이터를 바탕으로 연구진은 '페르소나 드라이브(PersonaDrive)'라고 명명한 시스템을 개발했습니다. 이 시스템은 통역사 역할을 하여, 승객의 텍스트 요청을 자동차의 조향 및 가속을 위한 구체적인 명령으로 변환합니다. 모든 지시를 단순한 스위치처럼 취급하는 대신, 이 시스템은 두 개의 별개 축을 따라 자동차의 경로를 조정하는 법을 배웁니다. 만약 승객이 속도를 요구하면, 자동차는 더 짧은 시간 안에 더 많은 거리를 이동하는 법을 배웁니다. 만약 승객이 안락함을 요구하면, 자동차는 회전을 부드럽게 하고 갑작스러운 충격을 피하는 법을 배웁니다. 결정적으로, 이 시스템은 "서둘러야 하지만 정밀 의료 장비를 운반하고 있으니 부드러운 주행이 필요하다"는 식의 혼합된 요구를 처리할 수 있습니다. 연구진은 자동차에게 두 축을 동시에 존중하도록 가르침으로써, 단일한 주행 모드에 갇히기 일쑤였던 이전 방식들보다 훨씬 더 승객의 의도에 정확한 궤적을 생성할 수 있다는 것을 발견했습니다.

실험 결과, 이 접근 방식은 기존 모델보다 현저히 우수한 성능을 보였습니다. 표준 주행 시뮬레이션에서 테스트했을 때, 새로운 시스템은 9가지의 서로 다른 운전 페르소나 모두에 대해 일관되게 올바른 경로를 예측한 반면, 기존 시스템들은 빠르게 가고 싶어 하는 운전자와 부드럽게 가고 싶어 하는 운전자를 구분하는 데 자주 실패했습니다. 또한 연구진은 단순히 자동차에 코드나 라벨을 부여하는 것보다 텍스트 설명을 제공하는 것이 더 효과적이라는 사실을 발견했습니다. 언어 자체가 시스템이 요청의 미묘한 차이를 이해하는 데 도움을 주어, 몇 가지 경직된 카테고리가 아닌 연속적인 범위의 운전 스타일을 생성할 수 있게 해주었습니다. 이는 자율주행의 미래가 완벽하고 감정이 없는 기계를 프로그래밍하는 것이 아니라, 여정 뒤에 숨겨진 인간의 이야기를 이해하고 모든 승객의 고유한 요구에 맞춰 행동을 조정하는 법을 가르치는 데 있을 수 있음을 시사합니다.