Predicting Driver Adaptability: A Hierarchical Computational Rationality Model of Bounded-Optimal Visual Sampling in Lateral and Longitudinal Vehicle Control

운전은 우리가 보는 것과 우리가 예측하는 것 사이의 끊임없는 협상입니다. 우리의 눈은 차선을 확인하고 속도계를 점검하며 도로를 훑지만, 모든 세부 사항을 영원히 고정된 채로 바라볼 수는 없습니다. 인간의 뇌는 연속적인 비디오를 기록하는 카메라가 아니라, 세상에 대한 정신적 이미지를 구축하고 필요할 때만 그 이미지를 업데이트하는 프로세서입니다. 우리가 아주 짧은 순간 눈을 돌릴 때, 뇌는 단순히 공백 상태가 되는 것이 아닙니다. 대신, 마지막으로 보았던 시점과 방금 수행한 행동을 바탕으로 차가 어디에 있고 얼마나 빠르게 가고 있는지에 대한 내부적인 추정치, 즉 최선의 추측에 의존합니다. 이 정신적 이미지는 유용하지만, 동시에 취약하기도 합니다. 새로운 시각 정보 없이 시간이 흐를수록 추측의 확실성은 떨어지며, 오류의 위험은 커집니다. 연구자들이 오랫동안 의문을 품어온 질문은 운전자가 얼마나 오래 눈을 돌릴 수 있는가 하는 것뿐만 아니라, 제한된 시간 내에 여러 가지를 모니터링해야 할 때 무엇을 볼지 어떻게 결정하느냐는 것입니다.

수십 년 동안 과학자들은 운전자가 차선을 유지하는 것과 같은 단일 과제에 집중하며 주의력을 어떻게 관리하는지 연구해 왔습니다. 그러나 실제 운전은 그렇게 단순하지 않습니다. 운전자는 차선을 유지하기 위해 조향을 하는 동시에, 교통 상황이나 도로 표지판에 맞춰 속도를 조절해야 합니다. 이 두 가지 과제는 서로 연결되어 있습니다. 도로가 급격히 휘어지면 속도를 줄여야 하며, 차가 너무 빠르면 안전하게 조향하기가 더 어려워집니다. 지금까지 운전자의 주의력을 시뮬레이션하려 했던 컴퓨터 모델들은 주로 이러한 과제들을 별개로 취급해 왔습니다. 그 모델들은 운전자가 차선을 유지하기 위해 도로를 언제 보는지, 혹은 속도를 유지하기 위해 속도계를 언제 보는지에 대해서는 설명할 수 있었지만, 두 가지 모두 불확실한 상황에서 운전자가 무엇을 선택하는지에 대해서는 설명할 수 없었습니다. 이러한 이해의 공백은 인간이 안전한 운전을 위해 필요한 복잡한 찰나의 결정을 실제로 어떻게 관리하는지에 대한 불완전한 그림을 남겼습니다.

요츠켈라 대학교와 코치 공과대학교의 연구팀은 이 간극을 메우기 위한 새로운 컴퓨터 모델을 구축했습니다. 그들은 디지털 운전자가 시뮬레이션 환경에서 운전하는 법을 배우도록 만들었는데, 여기에 반전이 있습니다. 바로 운전자의 시야가 마치 검은색 고글을 쓴 것처럼 자주 차단된다는 점입니다. 디지털 운전자는 언제 고글을 들어 올려 도로를 볼지, 언제 속도계를 볼지, 그리고 언제 고글을 닫고 자신의 내부 추측에 의존할지를 결정해야 합니다. 모델의 목표는 언제 볼지에 대한 특정 규칙을 프로그래밍하는 것이 아니라, 인간처럼 시행착오를 통해 도로를 유지하고 속도를 안전 범위 내로 유지하면서 보는 노력을 최소화하는 방식으로 학습하는 것이었습니다. 연구자들은 컴퓨터에게 운전의 기본 목표와 모든 것을 볼 수 없다는 제약 조건만을 주었을 때, 인간이 보이는 행동과 유사한 관찰 전략을 자연스럽게 개발할 수 있을지 알고 싶었습니다.

이를 테스트하기 위해 연구진은 먼저 운전 시뮬레이터에 참여한 30명의 사람으로부터 데이터를 수집했습니다. 참가자들은 시야를 차단할 수 있는 특수 안경을 착용한 채 구불구로 이어진 언덕길을 운전했습니다. 참가자들은 차선의 중앙을 유지하고 속도를 시속 100에서 110킬로미터 사이로 유지하라는 지시를 받았습니다. 그들은 도로를 확인하거나 속도를 확인해야 한다고 느낄 때마다 레버를 당겨 0.5초 동안 시야를 일시적으로 회복할 수 있었습니다. 연구진은 운전자가 눈을 감고 있는 시간, 눈을 뜨는 빈도, 그리고 도로와 속도계에 각각 얼마만큼의 시간을 할애했는지를 정확하게 기록했습니다. 이 인간 데이터는 컴퓨터 모델이 측정 기준이 될 실세계의 표준 역할을 했습니다.

컴퓨터 모델은 인간의 뇌가 이러한 과제들을 조직하는 방식과 유사하게 계층적 의사결정 구조를 갖도록 설계되었습니다. 모델은 세 개의 뚜렷한 부분이 함께 작동합니다. 첫 번째 부분은 조향을 담당하고, 두 번째는 속도 제어를 담당하며, 세 번째는 앞선 두 부분 중 어느 곳에 새로운 정보가 필요한지를 결정하는 감독관 역할을 합니다. 감독관이 보기로 결정하면 도로 또는 속도계 중 하나를 선택하며, 한 번에 둘 다 보지는 않습니다. 이는 운전자의 시선이 한 번에 한 곳에 집중된다는 사실을 시뮬레이션한 것입니다. 모델은 강화 학습을 통해 학습했는데, 이는 차선을 유지하고 적절한 속도를 유지하면 보상을 받고, 충돌하거나 과속하면 벌칙을 받는 방식입니다. 결정적으로, 모델은 주의를 전환할 때 발생하는 정신적 비용을 나타내는 작은 벌칙을 매번 받았습니다. 이는 모델이 불확확실성이 무시할 수 없을 정도로 높아졌을 때만 효율적으로 보도록 강제했습니다.

연구진이 인간 운전자들이 사용했던 것과 동일한 시뮬레이션 조건에서 모델을 실행했을 때, 결과는 놀라울 정도로 유사했습니다. 컴퓨터 운전자는 인간 데이터와 밀접하게 일치하는 관찰 패턴을 개발했습니다. 평균적으로 모델은 시간의 약 24% 동안 도로를 보고, 10% 동안 속도계를 보았으며, 나머지 시간은 눈을 감거나 다른 곳을 보았습니다. 이 분포는 운전자가 도로를 약 29%, 속도계를 약 12%의 시간 동안 보았던 인간의 평균치와 매우 근접했습니다. 모델 또한 눈을 감고 있는 시간(한 번 볼 때 평균 1초 미만)과 확인 빈도(10초당 약 7회) 면에서 인간과 일치했습니다. 모델의 주행 속도와 목표 속도 범위를 약간 벗어난 횟수 역시 인간 참가자들과 일치했습니다.

가장 중요한 발견은 모델이 어떻게 행동해야 하는지 직접적인 지시를 받지 않고도 이러한 유사성을 달ach했다는 점입니다. 모델에는 "5초마다 도로를 봐라"와 같은 사전 프로그래밍된 규칙이 없었습니다. 대신, 모델은 경로를 이탈하거나 속도가 빨라질 위험과 보는 데 드는 비용 사이의 균형을 맞추어야 한다는 것을 학습했습니다. 도로가 직선이고 속도가 안정적일 때, 모델은 내부 예측을 신뢰하며 더 긴 시간 동안 눈을 감고 있는 법을 배웠습니다. 반면 도로가 굽어지거나 속도가 변하기 시작하면, 모델은 추측을 수정하기 위해 더 자주 보는 법을 배웠습니다. 이는 인간의 주의 배분이 무작위적인 습관이 아니라, 불확실성을 효율적으로 관리하려는 욕구에서 비롯된 적응적 전략임을 시사합니다. 모델은 운전자가 본질적으로 주의력이라는 예산을 관리하며, 알지 못함에서 오는 비용이 너무 높아질 때만 이를 소비한다는 것을 보여주었습니다.

그러나 이 연구는 모델이 가진 인간의 불완전성에 대한 이해의 한계도 드러냈습니다. 인간 운전자는 가끔 차선 밖으로 벗어나기도 하는데, 이는 실제 운전에서 흔히 발생하는 일이지만 컴퓨터 모델은 이러한 실수를 전혀 하지 않았습니다. 모델은 조향에 있어 너무 완벽했는데, 이는 아마도 오류를 피하도록 너무 엄격하게 훈련되었기 때문에 인간이 자연스럽게 취하는 작은 위험들을 감수하지 않았기 때문일 것입니다. 이는 모델이 운전자가 무엇을 볼지 결정하는 논리는 포착할 수 있지만, 인간의 통제력에 대한 안정성을 여전히 과대평가하고 있음을 시사합니다. 실제 운전자는 단순히 불확실성을 관리하는 것이 아니라, 현재의 모델이 완전히 재현하지 못하는 물리적 한계와 간헐적인 집중력 저하 문제도 함께 다루고 있습니다.

이 연구의 함의는 우리가 어떻게 운전하는지를 이해하는 것을 넘어 확장됩니다. 주의력이 내부 예측을 정확하게 유지하기 위해 관리되는 동적인 자원임을 보여줌으로써, 이 모델은 새로운 방식의 운전자 안전 시스템을 제안합니다. 현재의 경고 시스템은 운전자가 2초 이상 눈을 돌리면 경보를 울리는 것과 같은 단순한 규칙에 의존하는 경우가 많습니다. 그러나 이 연구는 눈을 돌리는 것의 위험도가 전적으로 상황에 달려 있다는 점을 시사합니다. 직선의 빈 도로에서 2초간 눈을 돌리는 것은 운전자의 내부 추측이 여전히 정확하기 때문에 매우 안전할 수 있습니다. 하지만 똑같은 2초간의 시선 이탈이 굽이진 언덕길에서는 이미 추측이 신뢰할 수 없게 되었기 때문에 위험할 수 있습니다. 이 모델에 기반한 시스템은 단순히 초를 세는 것이 아니라, 운전자의 내부 불확실성을 추정하여 시각 결여가 실제로 안전을 위협할 때만 경고를 보낼 수 있을 것입니다.

궁극적으로 이 연구는 우리 모두가 생각 없이 수행하는 행동, 즉 언제 보고 언제 직관을 믿을지를 아는 기술에 대한 공식적인 설명을 제공합니다. 이는 운전 중에 눈을 돌리는 능력이 주의력의 실패가 아니라, 정교한 적응의 형태임을 입증합니다. 주의력을 세상에 대한 정신적 모델을 업데이트하기 위한 도구로 다룸으로써, 연구진은 뇌가 끊임없이 정보의 비용과 오류의 위험 사이에서 계산을 수행하고 있음을 보여주었습니다. 단순함에도 불구하고, 컴퓨터 모델은 이 복잡한 균형 잡기를 성공적으로 재현해 냈으며, 인간의 주의 패턴이 임의적인 것이 아니라 불확실한 세상에서 안전을 지키기 위한 합리적이고도 제한적인 노력의 결과임을 증명했습니다.