Validation of a driver model for energy consumption simulations of road vehicles

트럭이 연료를 얼마나 사용하는지 이해하기 위해, 엔지니어들은 오랫동안 차량을 기차의 승객처럼 취급하는 방식에 의존해 왔습니다. 그들은 엄격한 속도 제한과 일련의 정지 지점이 있는 특정 경로를 정의한 다음, 차량이 그 대본을 얼마나 잘 따르는지 관찰합니다. 이 접근 방식은 실험실에서 엔진을 테스트하는 데는 효과적이지만, 결정적인 현실을 놓치고 있습니다. 바로 실제 운전자는 대본을 따르지 않는다는 점입니다. 운전자는 도로의 곡선, 속도 제한 표지판의 변화, 또는 언덕을 보고 그에 맞춰 속도를 조절하며 주변 환경에 반응합니다. 인간의 판단과 인지에 의해 유발되는 이러한 찰나의 결정은 차량이 에너지를 얼마나 소비하는지에 막대한 영향을 미칩니다. 만약 우리가 현실 세계에서 연료 사용량을 정확하게 예측하고 싶다면, 단순히 기계를 시뮬레이션하는 것을 넘어 운전대를 잡은 사람까지도 시뮬레이션해야 합니다.

이것이 바로 스웨덴의 연구팀이 해결하고자 했던 과제이며, 그들은 트럭 운전자의 디지털 모델을 구축하기 위해 나섰습니다. 그들의 목표는 인간의 정신을 완벽하게 복제하는 것이 아니라, 도로의 형태나 법적 속도 제한과 같은 환경적 단서를 현실적인 속도 프로필로 변 변환할 수 있는 단순한 규칙 세트를 만드는 것이었습니다. 그들은 컴퓨터 프로그램이 인간처럼 운전하는 법을 배울 수 있는지, 특히 대형 트럭의 에너지 소비를 예측하는 데 도움이 될 수 있는지를 알고 싶었습니다. 이 아이디어를 테스트하기 위해, 그들은 두 가지 매우 다른 진실의 원천, 즉 전문 트럭 운전자들이 가상 경로를 주행하도록 요청한 소규모 운전 시뮬레이터와, 공공 도로를 이동하는 수백 대의 실제 트럭에서 얻은 방대한 양의 실제 주행 로그 데이터베이스를 활용했습니다.

연구진은 마치 인간 운전자처럼 두 가지 뚜렷한 방식으로 사고하도록 모델을 설계했습니다. 첫째, "전술적(tactical)" 부분으로, 이는 운전자의 뇌에 해당합니다. 이 부분은 전방의 도로를 살피고, 곡선이나 속도 제한 표지판을 확인하며, 이상적인 속도가 얼마가 되어야 할지 결정합니다. 둘째, "운용적(operational)" 부분으로, 이는 운전자의 손과 발 역할을 합니다. 이 부분은 그 이상적인 속도를 바탕으로, 트럭이 그 속도에 도달하기 위해 가속 페달이나 브레이크 페달을 얼마나 세게 밟아야 하는지를 계산합니다. 연구팀은 이 분리된 접근 방식이 시뮬레이터와 실제 환경 모두에서 관찰된 행동을 정확하게 재현할 수 있는지 확인하고자 했습니다.

모델의 "운용적" 측면을 시뮬레이터 데이터를 사용하여 테스트했을 때, 운전자들은 단순한 기계만큼 일관적이지 않다는 것을 발견했습니다. 연구진은 운전자의 페달 움직임에 맞추기 위해 모델의 제어 장치를 조정하려 했으나, 가파른 언덕을 오를 때와 내려갈 때처럼 특정 상황이나 운전자에 따라 설정값을 변경해야 했습니다. 실제로 모델은 트럭이 언덕을 오를 때 상당한 어려움을 겪었습니다. 운전자들은 이러한 상황에서 다르게 행동하는 것처럼 보였는데, 이는 아마도 트럭의 엔진 출력이 제한되었거나 기어를 변속해야 하는 등의 요인 때문일 것이며, 단순한 모델은 이러한 요소들을 충분히 포착하지 못했습니다. 또한 연구진은 운전자들이 페달을 지속적이고 매끄러운 선 형태로 끊임없이 조절하는 것이 아니라, 속도가 목표치에서 너무 멀어질 때까지 기다렸다가 수정을 가한다는 점을 알아차렸습니다. 이는 단순하고 지속적인 제어 시스템만으로는 인간이 실제로 운전하는 방식을 설명하기에 부족할 수 있으며, 멈춤과 갑작스러운 조정을 허용하는 모델이 더 정확할 수 있음을 시사했습니다.

곡선을 돌 때 얼마나 빨리 갈지를 결정하는 모델의 "전술적" 측면은 시뮬레이터와 실제 세계를 비교했을 때 흥미로운 통찰을 제공했습니다. 연구진은 곡선의 반경이 변함에 따라 속도가 어떻게 변하는지 살펴보았습니다. 실제 트럭의 실측 데이터에서 운전자들은 물리적인 경험칙과 밀접하게 일치하는 방식으로 속도를 조절했습니다. 즉, 곡선이 좁아질수록 속도가 예측 가능한 수학적 관계에 따라 줄어들었습니다. 이 관계는 실제 운전자들이 주로 편안함과 안전이라는 물리적 한계에 의해 유도된다는 것을 시사했습니다. 그러나 운전 시뮬레이터에서는 운전자들이 다르게 행동했습니다. 그들은 실제 세계의 운전자들만큼 급격한 곡선에서 속도를 줄이지 않았습니다. 연구진은 이것이 시뮬레이터 환경이 운전자가 속도와 거리를 판단하는 데 도움이 되는 미세한 시각적, 물리적 단서들을 결여하고 있기 때문이라고 추측합니다. 시뮬레이터 내에서 운전자들은 곡선의 좁기를 덜 인지하는 듯 보였고, 이는 약한 반응으로 이어졌습니다.

이 두 세계를 비교함으로써, 연구팀은 자신들의 단순한 모델이 운전자의 일반적인 행동 경향은 포착할 수 있지만 명확한 한계가 있다는 것을 배웠습니다. 모델은 운전자가 곡선에서 속도를 줄이고 언덕에서 속도를 높인다는 일반적인 경향을 보여주는 데는 충분히 작동했지만, 매번 정확한 속도를 예측할 수는 없었습니다. 실제 데이터는 동일한 도로에서도 어떤 운전자는 훨씬 빠르고 어떤 운전자는 훨씬 느리게 운전하는 등 운전자 간의 많은 차이를 보여주었습니다. 시뮬레이터 데이터는 훨씬 더 많은 변동성을 보여주었지만, 동시에 시뮬레이션 속의 운전자들이 현실보다 덜 설득력 있는 버전에 반응하고 있다는 사실도 드러냈습니다. 연구는 제안된 모델이 운전자 행동을 시뮬레이션하는 데 있어 실행 가능하고 투명한 도구이지만, 실제 교통의 무질서하고 예측 불가능한 특성과 인간의 불완전한 지각 방식을 설명하기 위해서는 개선이 필요하다고 결론지었습니다.

궁극적으로, 이 연구는 미래의 교통을 위한 더 나은 시뮬레이션을 구축하는 방법에 대한 더 명확한 그림을 제공합니다. 이는 에너지 소비를 진정으로 이해하기 위해서는 엔진을 넘어 인간이라는 요소를 고려해야 함을 보여줍니다. 비록 이 모델이 아직 인간 운전자의 완벽한 복제품은 아니지만, 문제를 전술적 결정과 운용적 행동으로 나누는 것이 유망한 경로임을 성공적으로 입증했습니다. 연구진은 향후 버전의 모델이 더욱 신뢰할 수 있는 도구가 되기 위해서는 환경에 대한 더 상세한 정보와 인간 행동의 무작위성을 포함해야 한다고 제안합니다.