거리 잠재장 계산 방법 비교와 효율성 분석

초록

본 논문은 보행자 시뮬레이션에서 사용되는 거리 잠재장(Static Floor Field)의 계산 방법을 체계적으로 정리하고, 기존의 맨해튼·체스보드 메트릭 기반 플러드 필, 가시성 그래프 기반 다익스트라, 레이 캐스팅 등 여러 정확·근사 기법을 제시한다. 각 방법의 수학적 정확성, 오류 특성, 그리고 실제 복잡한 지오메트리(미로, 대형 방 등)에서의 연산 속도를 실험적으로 비교해 장단점을 도출한다.

상세 분석

이 논문은 보행자 동역학 모델에서 거리 잠재장을 어떻게 효율적으로 생성할 것인가라는 실용적 문제를 다룬다. 먼저 2차원 격자에서 p‑norm을 정의하고, p=1(맨해튼)과 p→∞(체스보드) 메트릭은 플러드 필(Flood Fill) 방식으로 매우 빠르게 계산할 수 있지만, 유클리드 거리(p=2)를 정확히 재현하지 못한다는 근본적 한계를 지적한다. 이를 보완하기 위해 네 가지 변형을 제안한다.

1. Variant 1 (Manhattan + Chessboard 결합): 맨해튼 거리와 체스보드 거리를 각각 구한 뒤, 두 값의 차(minimum norm)를 이용해 각 셀의 직교 성분을 추출하고, 피타고라스 정리를 적용해 유클리드 거리의 제곱을 복원한다. 이 방법은 가시선이 직접 연결된 셀에 대해서는 정확하지만, 여러 구간을 합산할 때 제곱근 연산이 누락돼 누적 오차가 발생한다. 수식 (9)‑(11)에서 보듯 두 번의 플러드 필을 필요로 하며, 최악의 경우 전체 거리의 약 ‑15.9 % 정도의 언더샷이 발생한다.

2. Variant 2 (코너에서 √2 가중): 대각선 이동 시 비용을 1이 아닌 √2로 설정한다. 이는 45° 방향 이동을 정확히 재현하고, 수평·수직 이동은 그대로 유지한다. 결과적으로 전체 오차는 최대 약 +8.2 %이며, 평균적으로는 약 ‑5 % 수준으로, Variant 1보다 편향이 적다. 특히 복잡한 장애물 경로에서 대각선 구간이 많이 포함될 경우 유리하다.

3. Variant 3 (넓은 이웃 영역): 2‑3칸 이웃을 허용해 재귀 깊이를 줄이지만, 작은 장애물을 놓치게 되는 위험이 있다. 논문에서는 구현 상세를 생략했지만, 메모리와 스택 사용량을 크게 절감할 수 있다는 점을 강조한다.

4. 가시성 그래프 + 다익스트라: 모든 셀을 노드로 하는 대신, 장애물 코너와 출구·입구를 연결한 가시성 그래프를 구축한다. 이 그래프에서 다익스트라 알고리즘을 수행하면 정확한 유클리드 거리(가시선 기반)를 얻을 수 있다. 그러나 그래프 생성 자체가 O(N²) 복잡도를 가지며, 특히 격자 크기가 커질수록 전처리 시간이 급증한다.

5. 레​이 캐스팅: 출구에서 보이는 셀을 먼저 계산하고, 가장 가까운 미계산 셀을 중심으로 가시성을 재검사한다. Bresenham 라인 알고리즘을 활용해 라인 드로잉 비용을 최소화한다. 이 방법은 가시성 검사 횟수를 ‘보드’ 크기로 제한함으로써 O(N·B) 정도의 복합성을 달성한다.

오류 분석 파트에서는 맨해튼·체스보드 메트릭의 절대·상대 오차를 각각 (√2‑1)·DE와 (√0.5‑1)·DE 로 정량화하고, Variant 1·2의 오차식을 전개해 최악 상황에서의 비율을 제시한다. 특히 Variant 1은 경로 구간 수(N)에 비례해 누적 오차가 커지는 반면, Variant 2는 각 셀별 오차가 독립적이라 평균 오차가 일정하게 유지된다.

실험에서는 200×200 미로, 4000×4000 대형 방, 원형·링형 방 등 다섯 가지 지오메트리를 사용해 각 알고리즘의 실행 시간을 측정한다. 결과는 플러드 필 기반 방법이 가장 빠르지만 오차가 크고, 가시성 그래프·다익스트라가 가장 정확하지만 수백 배 이상의 계산 시간이 소요됨을 보여준다. 레이 캐스팅은 정확도와 속도 사이의 균형을 제공하며, 특히 실시간 시뮬레이션에서 동적 장애물(문 열림·닫힘) 처리에 적합하다.

전체적으로 논문은 “정확도 vs. 연산 비용”이라는 트레이드오프를 명확히 제시하고, 시뮬레이션 목적(정적·동적, 실시간·오프라인)에 따라 적절한 방법을 선택할 수 있는 가이드라인을 제공한다.