스케일러블 차량추종 모델 보정 위한 능동 시뮬레이션 기반 베이지안 추정

초록

본 논문은 대규모 자연주의 운전 데이터에 적용 가능한, 차량추종 모델의 불확실성을 정량화하는 새로운 프레임워크인 Active Simulation‑Based Calibration(ASBC)를 제안한다. 잔차를 포함한 IDM 시뮬레이터와 조건부 정규화 흐름을 이용한 amortized posterior estimator를 결합하고, 파라미터와 운전 상황을 공동으로 선택하는 능동 설계 전략으로 시뮬레이션 비용을 최소화한다. HighD 데이터셋 실험을 통해 기존 MCMC 기반 베이지안 보정보다 예측 정확도와 분포 일치도가 향상됨을 보인다.

상세 분석

ASBC는 세 가지 핵심 구성요소로 이루어진다. 첫째, 기존의 결정론적 Intelligent Driver Model(IDM)에 가법형 잔차 가속도 항을 추가한 residual‑augmented IDM을 도입한다. 여기서는 i.i.d. Gaussian 잔차와 Matérn‑5/2 커널을 이용한 시간상관 잔차 두 가지 옵션을 제공함으로써, 측정 노이즈와 모델 미스매치를 효과적으로 포착한다. 둘째, 관측된 선행‑추종 궤적 x를 입력으로 받아 드라이버별 파라미터 θ의 사후분포 p(θ|x)를 한 번의 전방 패스로 생성하는 amortized posterior estimator를 설계한다. 이 추정기는 Transformer 기반 인코더로 x를 컨텍스트 벡터로 압축하고, Conditional Masked Autoregressive Flow(CMAF)를 통해 복잡한 다변량 사후를 모델링한다. 셋째, 시뮬레이션 비용을 절감하기 위한 joint active acquisition 전략을 제안한다. 기존 SBI는 파라미터 공간만 탐색했으나, ASBC는 파라미터와 리더 차량의 시나리오 윈도우를 동시에 선택한다. 현재 추정 모델의 불확실성이 높은 영역을 탐지하고, 그 영역에서 가장 정보량이 큰 (θ, 시나리오) 쌍을 시뮬레이션하도록 설계함으로써 고정된 예산 내에서 학습 효율을 극대화한다. 알고리즘 1은 이러한 루프를 구체화하며, 시뮬레이션 결과를 이용해 신경망을 반복적으로 업데이트한다. 실험에서는 HighD 데이터셋의 수천 개 궤적에 대해 ASBC‑Gaussian과 ASBC‑Matérn 두 변형을 평가하였다. 베이지안 캘리브레이션(MCMC)과 비교했을 때, 평균 절대 오차(MAE)와 RMSE가 각각 12%·9% 감소했으며, 시뮬레이션된 궤적 분포와 실제 관측 분포 사이의 Wasserstein 거리도 유의하게 감소했다. 또한, posterior calibration curve을 통해 추정된 불확실성이 실제 오류와 잘 정렬됨을 확인하였다. 수렴 실험에서는 시뮬레이션 예산이 10 % 수준으로 감소해도 성능 저하가 미미했으며, ablation study를 통해 joint acquisition이 단일 파라미터 선택보다 월등히 효율적임을 입증했다. 마지막으로, 모델의 한계로는 잔차 프로세스가 실제 운전자의 인지·반응 메커니즘을 완전히 대변하지 못한다는 점과, 고속도로 외 다른 도로 유형에 대한 일반화 검증이 부족하다는 점을 언급한다. 전반적으로 ASBC는 대규모 자연주의 데이터에 베이지안 보정을 적용할 수 있는 실용적인 솔루션을 제공한다.