GPU 가속 양방향 보행자 흐름 모델링

초록

본 논문은 동일한 수의 보행자가 서로 반대 방향으로 이동하는 양방향 군중 흐름을 시뮬레이션한다. 최소 노력 모델(LEM)과 개량된 개미 군집 최적화(ACO)를 적용해 보행자의 경로 선택과 상호작용을 구현하고, CUDA 기반 GPU 병렬 처리를 통해 2천~10만 명 규모의 시뮬레이션을 18배 가속한다. 구현상의 데이터‑드리븐 병렬화 전략과 대규모 인구 모델링에 대한 도전 과제를 상세히 논의한다.

상세 분석

이 연구는 보행자 흐름 시뮬레이션에 두 가지 자연 영감 방법을 적용하고, GPU의 데이터‑드리븐 병렬성을 활용해 실행 효율을 극대화한다는 점에서 의미가 크다. 첫 번째 방법인 최소 노력 모델(LEM)은 보행자가 목표 지점까지 직선 경로를 유지하려는 경향을 수학적으로 표현한다. 여기서 ‘최소 변화’는 현재 진행 방향과 목표 방향 사이의 각도 차이를 최소화하는 비용 함수로 정의되며, 격자 기반 환경에서 인접 셀 선택 시 확률적 가중치를 부여한다. 이는 전통적인 사회적 힘 모델이나 셀룰러 오토마타와 달리 경로 최적화를 명시적으로 고려한다는 점에서 차별화된다.

두 번째 방법은 개미 군집 최적화(ACO)의 변형이다. 개미가 남긴 페로몬 트레일을 보행자의 선택에 반영함으로써 집단적 경로 강화 현상을 모사한다. 기존 ACO는 전역 최적 경로 탐색에 초점을 맞추지만, 본 논문은 ‘최소 노력’ 목표와 결합해 보행자가 개인적 효율성과 집단적 정보 사이에서 균형을 잡도록 설계했다. 페로몬 증감 규칙은 이동 거리와 충돌 회피 정도에 따라 동적으로 조정되며, 이는 실제 군중에서 관찰되는 ‘흐름 형성’과 유사한 현상을 재현한다.

GPU 구현 측면에서는 보행자 각각을 스레드 하나에 매핑하고, 인접 셀 탐색과 비용 계산을 완전 병렬화한다. 특히 데이터‑드리븐(parallelism is data driven) 접근을 채택해, 각 스레드가 자신의 현재 위치와 주변 환경 데이터를 직접 읽어 연산하도록 함으로써 메모리 접근 패턴을 최적화했다. 이는 전통적인 스레드‑베이스 루프와 비교해 메모리 병목을 크게 감소시켰으며, 2K~100K 보행자 시뮬레이션에서 평균 18배의 속도 향상을 달성했다.

실험 결과는 두 모델 모두 양방향 흐름에서 충돌 회피와 흐름 안정성을 유지하지만, ACO 기반 모델이 더 높은 집단적 정렬도와 흐름 효율성을 보인다는 점을 강조한다. 또한, 페로몬 소멸 파라미터와 최소 노력 가중치의 민감도 분석을 통해 모델 파라미터가 시뮬레이션 결과에 미치는 영향을 정량화하였다. 이러한 분석은 실제 대규모 행사나 비상 대피 시나리오에 적용 가능한 보행자 모델링에 중요한 설계 지침을 제공한다.