비정형 베이지안 기반 운전자 행동 모델링 CRH GP SHS 프레임워크

초록

본 논문은 인간 운전, 반자동, 완전 자율 차량이 혼재하는 복합 교통 환경에서 모델 기반 통신(MBC)을 지원하기 위해, 비정형 베이지안 추론인 가우시안 프로세스(GP)를 활용한 계층적 확률 혼합 시스템(CRH‑GP‑SHS)을 제안한다. 제안 모델은 운전자·차량 행동을 확률적 객체로 표현하고, 누적된 유사 운전 이력을 실시간으로 학습에 반영한다. NGSIM‑US101 데이터셋의 차선 변경 사례를 통해 기존 상수 속도 모델 대비 예측 정확도가 크게 향상됨을 입증하였다.

상세 분석

CRH‑GP‑SHS 프레임워크는 크게 세 계층으로 구성된다. 첫 번째는 ‘모드’(long‑term maneuver) 수준으로, 차선 변경, 급정거 등 운전자의 의도적 행동을 구분한다. 두 번째는 각 모드 내부의 ‘단기 행동’(short‑term) 수준으로, 위치·속도·가속도와 같은 연속적인 동적 상태를 시간 연속 함수로 모델링한다. 세 번째는 ‘누적 관련 이력(Cumulative Relevant History)’ 관리 계층으로, 동일 운전자가 과거에 수행한 동일 모드 데이터를 저장하고, 새로운 관측이 들어올 때마다 온라인으로 업데이트한다.

핵심 추론 엔진은 비정형 베이지안 회귀인 가우시안 프로세스(GP)이다. GP는 사전(mean)와 커널(공분산) 함수만 지정하면 무한 차원의 함수 공간에 대한 사후 분포를 계산할 수 있다. 논문에서는 차량 동역학의 응답 시간(≈100 ms)과 데이터 샘플링 간격(10 Hz)을 고려해 선형 커널을 선택했으며, 이는 비정상(non‑stationary) 특성을 갖는 입력에 적합하다. 선형 커널은 입력 차이뿐 아니라 절대값에도 의존하므로, 차량 위치와 같은 절대적인 물리량을 모델링하는 데 유리하다.

모델 학습 과정은 두 단계로 이루어진다. (1) 초기 학습 단계에서는 동일 운전자가 과거에 수행한 동일 모드(예: 차선 변경) 데이터를 집합으로 모아 GP의 초기 훈련 데이터로 사용한다. (2) 온라인 업데이트 단계에서는 현재 진행 중인 운전 행동에서 실시간으로 수집된 관측값을 기존 데이터에 추가하고, GP의 사후 분포를 재계산한다. 이렇게 하면 운전자의 인지 상태 변화(피로, 주의 산만 등)에도 빠르게 적응할 수 있다.

전이(모드 전환) 판단은 GP 예측 오차와 사전 정의된 전이 임계값을 비교함으로써 수행된다. 즉, 현재 모드의 GP 예측이 일정 수준 이상 불확실해지면 다른 모드로 전환한다는 신호로 해석한다. 이는 전통적인 고정 모델(예: 상수 가속도, 상수 속도)에서는 불가능한 동적 구조 변화를 자동으로 포착한다.

성능 평가에서는 NGSIM‑US101 데이터셋에서 추출한 1,200여 개의 차선 변경 시나리오를 사용하였다. 평가 지표는 평균 제곱 오차(MSE)와 예측 신뢰 구간의 커버리지였다. 결과는 GP 기반 모델이 상수 속도 모델 대비 MSE를 45 % 이상 감소시켰으며, 특히 네트워크 혼잡도가 높은 상황에서 예측 신뢰 구간이 더 넓게 유지되어 안전 애플리케이션에 유리함을 보여준다. 또한, GP와 상수 속도 모델을 혼합한 ‘증강 모델’은 네트워크 신뢰도(패킷 손실률)에 따라 동적으로 모델을 전환함으로써 전반적인 통신 효율과 예측 정확도를 동시에 최적화하였다.

이 논문이 제시하는 주요 기여는 다음과 같다. 첫째, 비정형 베이지안 방법을 차량·운전자 행동 모델링에 적용함으로써 모델 구조의 진화와 불확실성 표현을 동시에 달성했다. 둘째, 누적 이력 관리와 온라인 GP 업데이트 메커니즘을 통해 개인화된 운전자 모델을 실시간으로 유지·전파할 수 있다. 셋째, 모델 기반 통신(MBC) 프레임워크와 결합하여 제한된 DSRC 대역폭 하에서도 중요한 행동 정보를 효율적으로 전송할 수 있는 방안을 제시했다. 이러한 접근은 향후 CAV(Connected Autonomous Vehicle) 시스템에서 안전성·효율성을 동시에 확보하는 핵심 기술로 활용될 가능성이 크다.