Data-Driven Predictive Control of Mixed Vehicular Platoon with ELM-AdaBoost Enabled Human Driving Policy

도로 위에서 플래툰(platoon)은 단순히 여러 대의 차량이 하나의 단위처럼 움직이며 서로 가깝게 붙어 이동하는 행렬을 의미합니다. 수십 년 동안 엔지니어들은 연료를 절감하고 교통 정체를 방지하기 위해 정확한 거리와 속도를 유지하며 이를 완벽하게 수행할 수 있는 자율주행 차량을 꿈꿔왔습니다. 하지만 현실 세계는 시뮬레이션이 아닙니다. 앞으로 오랫동안, 이 자율주행 차량들은 인간 운전자와 고속도로를 공유하며 혼합 교통 환경을 만들어낼 것입니다. 이러한 혼합은 복잡한 문제를 야기합니다. 바로 인간 운전자는 예측 불가능하다는 점입니다. 어떤 이들은 공격적으로 앞차에 바짝 붙기도 하고, 어떤 이들은 신중하게 넓은 간격을 유지하기도 하는 등 사람마다 교통 상황에 반응하는 방식이 다릅니다. 그들의 반응은 단순히 무작위적인 것이 아니라, 수년간의 습관과 개인적 스타일에 의해 형성됩니다. 자율주행 차량이 인간을 따라가려 하거나 인간이 자율주행 차량을 따를 때, 시스템은 이러한 인간적 요소를 반드시 고려해야 합니다. 만약 자율주행 차량이 인간의 주행 스타일을 무시한다면, 너무 급격하게 브레이크를 밟거나 너무 가까이 따라붙어 전체 차량 행렬이 흔들리거나 예상치 못하게 멈춰 서게 될 수 있습니다. 목표는 모든 차량에게 동일한 방식으로 운전하도록 강요하는 것이 아니라, 앞차 운전자의 고유한 개성을 이해하고 적응하는 시스템을 만드는 것입니다.

동북교통대학교와 절강대학교를 포함한 중국의 여러 대학 연구진은 이러한 혼합 차량 행렬을 관리하는 새로운 방법을 개발했습니다. 그들은 이 접근 방식을 "인간 중심적(human-anchored)" 제어 전략이라고 부릅니다. 모든 인간의 사고방식을 완벽한 수학적 모델로 구축하려는 시도(인간의 행동은 매우 무질서하고 가변적이기에 거의 불가능합니다) 대신, 그들은 데이터가 스스로 말하게 하기로 했습니다. 그들은 차량의 실제 움직임으로부터 직접 학습하는 시스템을 구축했습니다. 차량이 시간이 지남에 따라 앞차에 어떻게 반응하는지를 관찰함으로써, 시스템은 차량의 정확한 무게나 운전자의 정확한 반응 시간을 알 필요 없이 도로 역학의 지도를 그려냅니다. 이 데이터 기반 방식은 복잡하고 오류가 발생하기 쉬운 인간 심리에 관한 공식들을 우회하여, 이전에 일어났던 일을 바탕으로 다음에 어떤 일이 일어날지를 예측할 수 있게 해줍니다.

그들의 혁신의 핵심은 인간 운전자를 처리하는 방식에 있습니다. 연구진은 모든 운전자가 다르지만, 종종 인식 가능한 패턴을 보인다는 점에 주목했습니다. 어떤 이는 공격적이고, 어떤 이는 보통이며, 어떤 이는 보수적입니다. 이를 포착하기 위해 그들은 매우 예리한 관찰자 역할을 하는 정교한 학습 도구를 사용했습니다. 이 도구는 두 가지 다른 학습 기법을 결합하여 차량의 속도, 가속도, 그리고 전방 차량과의 거리를 관찰합니다. 마치 잡음이 섞인 라디오 신호에서 음악을 명확히 듣기 위해 신호를 정화하는 것처럼, 이 도구는 울퉁불퉁한 도로 상황이나 센서 오류로 인한 노이즈를 걸러냅니다. 데이터가 깨끗해지면, 시스템은 운전자의 스타일을 식별합니다. 단순히 추측하는 것이 아니라, 도로 위의 실제 행동을 바탕으로 운전자를 특정 범주로 분류합니다.

시스템이 운전자의 스타일을 파악하면, 자율주행 차량의 행동 방식이 바뀝니다. 만약 앞의 운전자가 공격적이고 가깝게 붙어 운전하는 것을 선호한다면, 뒤따르는 자율주행 차량들은 부자연스럽게 느껴지거나 인간 운전자의 급브레이크를 유발할 수 있는 표준 안전 거리를 강요하는 대신, 그 선호도에 맞춰 목표 거리를 조정합니다. 만약 운전자가 신중하다면, 자율주행 차량들은 더 많은 공간을 확보합니다. 연구진은 이를 "유연한 주행 정책(flexible driving policy)"이라고 부릅니다. 이는 자율주행 차량이 무모하게 운전하도록 만드는 것이 아니라, 인간 운전자에게 자연스럽게 느껴지는 방식으로 운전하게 하여 결과적으로 전체 교통 흐름을 원활하게 만드는 것입니다. 시스템은 차량이 얼마나 가까워질 수 있는지, 얼마나 빠르게 가속할 수 있는지에 대한 부드러운 경계선을 설정하지만, 이 경계선은 운전자가 누구냐에 따라 달라집니다.

이 아이디어가 실제로 작동하는지 테스트하기 위해 연구팀은 단순히 컴퓨터 시뮬레이션을 실행하는 데 그치지 않고, 현실적인 테스트 환경을 구축했습니다. 그들은 평균 연령 31세에 최소 2년 이상의 운전 경력을 가진 34명의 실제 자원봉사자들이 운전대를 잡는 드라이빙 시뮬레이터를 사용했습니다. 이 운전자들은 세 대의 차량 행렬 중 한 대를 직접 제어했고, 나머지 두 대는 새로운 소프트웨어에 의해 제어되었습니다. 연구진은 이 새로운 "인간 중심적" 시스템을 두 가지 다른 방식, 즉 모든 운전자를 동일하게 취급하는 표준 자율주행 제어 시스템과, 여전히 개별 스타일을 고려하지 않는 약간 더 발전된 데이터 기반 시스템과 비교했습니다. 테스트에는 선두 차량이 속도를 높이거나 줄여서 행렬 전체의 반응을 유도하는 복잡한 교통 시나리오가 포함되었습니다.

결과는 명확한 차이를 보여주었습니다. 표준 시스템과 발전된 데이터 기반 시스템은 모두 행렬을 안정적으로 유지하는 데 어려움을 겪었습니다. 차량들이 목표 거리를 초과하여 너무 멀리 떨어졌다가 다시 따라잡기 위해 급하게 브레이크를 밟는 등, 행렬을 따라 전달되는 속도 변화의 파동(ripple effect)을 만들어냈습니다. 반면, 새로운 인간 중심적 시스템은 간격을 목표치인 50미터에 훨씬 더 가깝게 유지했습니다. 자율주행 차량들은 다른 테스트에서 나타난 급격한 진동 없이 인간 운전자의 흐름을 잘 따랐습니다. 차량의 속도는 매끄럽게 유지되어, 불편함이나 사고를 유발할 수 있는 급격한 속도 변화를 피했습니다. 심지어 인간 운전자가 공격적일 때도 시스템은 적응하여, 인간의 행동을 강제로 바꾸지 않으면서도 안정성을 유지했습니다.

연구팀은 또한 이 시스템이 다양한 유형의 운전자들과 함께할 때 얼마나 잘 작동하는지도 조사했습니다. 인간 운전자가 보수적일 때, 시스템은 간격 오차를 매우 작게 유지하여 안전하고 안정적인 주행을 보장했습니다. 운전자가 공격적일 때는 간격 오차가 약간 더 커졌지만, 이는 거리를 좁히는 것을 선호하는 운전자를 따를 때 예상되는 결과였습니다. 결정적으로, 시스템은 이러한 작은 오차가 차량 행렬을 따라 내려가며 더 커지는 것을 방지했습니다. 교통 공학에서는 이를 "군집 안정성(string stability)"이라고 하며, 이는 단 한 번의 브레이크 조작이 교통 정체로 이어지는 것을 막는 데 매우 중요합니다. 새로운 방법은 인간 운전자의 스타일을 존중함으로써 자율주행 차량이 전체 그룹을 더 안전하고 편안하게 만들 수 있음을 입증했습니다.

이 연구는 미래의 교통 제어가 인간에게 로봇이 될 것을 요구하는 것이 아님을 보여줍니다. 대신, 로봇이 더 인간을 이해하도록(human-aware) 만들어야 한다는 것을 보여줍니다. 데이터를 사용하여 개별 운전 습관을 이해하고 그에 따라 자율주행 반응을 조정함으로써, 연구진은 인간과 기계가 도로 위에서 더 매끄럽고 안전하게 공존할 수 있는 길을 제시했습니다. 이 시스템은 안전에 대한 필요성과 개인화된 주행 경험에 대한 욕구 사이의 균형을 성공적으로 맞추었으며, 약간의 이해가 교통 흐름을 유지하는 데 얼마나 큰 역할을 하는지 증명했습니다.