GenMRP 효율적이고 개인화된 실시간 산업 내비게이션을 위한 생성형 다경로 계획 프레임워크

초록

GenMRP는 대규모 도로망에서 실시간으로 개인 맞춤형 다중 경로를 생성하기 위해, 먼저 요청에 맞는 소규모 서브 네트워크를 동적으로 구성하고, 링크 비용 모델을 반복적으로 업데이트하며 Dijkstra 기반 경로 탐색을 수행한다. 새로운 “correctional boosting” 기법으로 첫 번째 최적 경로 뒤에 다양성과 품질을 균형 있게 조정한 대체 경로들을 순차적으로 생성한다. 실험 결과와 실제 서비스 적용을 통해 높은 정확도와 실시간 처리 속도를 입증하였다.

상세 분석

GenMRP는 기존 두 갈래의 경로 계획 접근법—사전 계산된 비용 기반 최적 경로와 최근 부상한 생성 모델—의 한계를 동시에 극복하도록 설계되었다. 핵심 아이디어는 “Skeleton‑to‑Capillary”(STC) 방식으로, 전체 도로망에서 요청과 직접 연관된 핵심 링크(스켈레톤)를 추출하고, 이를 기반으로 주변의 세부 링크(캡illary)를 동적으로 확장해 전체 규모보다 수십 배 작은 서브 그래프를 만든다. 이렇게 축소된 그래프는 메모리와 연산량을 크게 절감하면서도 중요한 교차점·전환·실시간 교통 정보를 보존한다.

각 반복(iteration)에서는 Link Cost Model(LCM)이 도로의 정적·동적 특성, 사용자 히스토리 시퀀스, 이전에 생성된 경로 정보를 입력받아 링크 비용을 재계산한다. LCM은 Deep Interest Network(DIN), Gated Attention Transformer(GAT) 등 최신 딥러닝 구조를 결합해, 사용자의 개인화 선호와 상황 의존성을 고차원 특징 공간에서 학습한다. 비용이 업데이트된 후에는 양방향 Dijkstra(BDR) 알고리즘을 적용해 최단 경로를 빠르게 도출한다.

다음 단계에서는 “correctional boosting”이라는 새로운 보정 메커니즘을 도입한다. 기존의 패널티 기반 대체 경로 생성은 단순히 사용된 링크에 가중치를 부여해 다양성을 확보했지만, 이는 종종 품질 저하를 초래한다. GenMRP는 이전에 생성된 경로 집합 Rₖ₋₁을 조건으로 LCM에 입력하고, 현재 후보 경로와 Rₖ₋₁ 사이의 커버리지 차이(ΔCov)를 목표 함수에 포함시킨다. ΔCov가 클수록 새로운 경로가 기존 경로와 겹치는 부분이 적어 다양성이 높아짐을 의미한다. 동시에, 커버리지 자체가 사용자 실제 주행 궤적과의 일치도를 측정하므로, 품질 저하 없이 다양성을 확보한다.

학습 단계에서는 BDR이 비미분 가능하므로 직접적인 역전파가 불가능하다. 이를 해결하기 위해 샘플링 기반 학습을 채택한다. 다차원 파레토 비용을 이용해 여러 후보 경로를 생성하고, 실제 사용자 궤적과 가장 높은 커버리지를 보이는 경로를 positive 샘플, 나머지를 negative 샘플로 라벨링한다. 이렇게 얻은 데이터로 LCM을 순차적으로 업데이트하면, 모델은 “좋은 경로 = 높은 커버리지”라는 목표를 자연스럽게 학습한다.

데이터 측면에서 저자들은 기존 OSM·Natural Earth와 달리, 실시간 내비게이션 서비스에서 수집한 590 k 사용자 요청을 기반으로 한 PersonaRoadNet(PRN) 데이터셋을 공개하였다. 각 샘플은 평균 1 300개의 링크와 200여 차원의 정적·동적 특성, 사용자 히스토리, 히트맵 등을 포함한다. 이는 개인화·다양성·실시간성 연구에 필요한 풍부한 라벨과 메타 정보를 제공한다.

실험 결과는 오프라인 평가와 실제 온라인 서비스 두 축에서 이루어졌다. 오프라인에서는 기존 k‑shortest, penalty‑based, 그리고 최신 생성형 모델 대비 커버리지, 다양성 지표에서 10 % 이상 향상되었으며, 평균 응답 시간은 서브 네트워크 구축과 비용 업데이트를 포함해 30 ms 이하로 유지되었다. 온라인 A/B 테스트에서는 사용자 선택률(추천 경로를 실제 주행으로 이어지는 비율)이 12 % 상승하고, 시스템 부하가 40 % 감소하는 효과를 보였다.

전반적으로 GenMRP는 (1) 서브 네트워크 기반 효율성, (2) LCM과 correctional boosting을 통한 개인화·다양성 균형, (3) 비미분 가능 라우팅 모듈을 우회하는 샘플링 학습, (4) 산업 수준의 대규모 데이터셋 제공이라는 네 가지 핵심 기여를 통해, 실시간 산업 내비게이션 분야에 새로운 표준을 제시한다.