자율 셔틀 전방 추종 모델 캘리브레이션 및 다중 기준 평가 프레임워크

초록

본 연구는 실제 필드에서 수집한 자율 셔틀(AS) 궤적 데이터를 활용해 8개의 머신러닝 알고리즘과 2개의 물리 기반 모델을 캘리브레이션하고, 예측 정확도·궤적 안정성·통계적 유사성을 동시에 평가하는 다중 기준 프레임워크를 제안한다. 평가 결과 XGBoost 모델이 전반적인 성능에서 가장 우수했으며, LSTM·CNN은 장기 위치 안정성은 높지만 단기 동적 반응에서는 다소 부족함을 보였다. 전통 모델(IDM, ACC)과 커널 기반 방법은 대부분의 ML 모델에 비해 정확도와 안정성이 낮았다.

상세 분석

이 논문은 자율 셔틀(AS)이라는 특수 차량군에 대한 전방 추종(car‑following) 모델링 연구가 아직 미비한 점을 정확히 짚어낸다. 기존 연구는 주로 물리 기반 모델(IDM, ACC)이나 제한된 데이터셋에 의존했으며, 머신러닝(ML) 기법을 적용한 사례는 전무했다. 저자들은 이러한 격차를 메우기 위해 두 가지 핵심 기여를 제시한다. 첫째, 플라스틱 GPS와 라이다 기반 센서로 수집한 실제 AS 궤적(약 4,000 초)을 정제·칼만 필터링하여 고품질 입력 변수(속도 차, 간격, 전시점 가속·속도 등)를 구축하고, 이를 바탕으로 8개의 대표적인 ML 알고리즘(SVM, Random Forest, XGBoost, LightGBM, Feed‑forward NN, CNN, LSTM, Transformer)과 2개의 전통 물리 모델(IDM, ACC)을 동일한 학습/검증 프로세스로 캘리브레이션했다.

두 번째 기여는 “다중 기준 평가 프레임워크”이다. 기존 연구가 RMSE·MAE와 같은 점‑wise 오류에만 집중했지만, 저자들은 이를 넘어 궤적 안정성(진동·진동 감쇠, 충격파 전파)과 통계적 유사성(시간 정렬, 누적 편차, 분포 차이)까지 포함한 3가지 카테고리(오류 예측, 궤적 안정성, 궤적 유사성)를 정의하고, 각 카테고리별 지표를 정량화했다. 이렇게 하면 모델이 단순히 평균 오차가 낮은 것에 그치지 않고, 장기 시뮬레이션에서 비현실적인 가속 진동을 일으키지 않는지, 전체 흐름을 얼마나 잘 재현하는지를 종합적으로 판단할 수 있다.

실험 결과는 흥미롭다. XGBoost는 높은 예측 정확도와 동시에 비교적 낮은 진동 지표를 기록해 전체 점수에서 최고를 차지했다. LSTM과 CNN은 시계열 패턴을 잘 포착해 장기 위치 안정성에서는 우수했지만, 급격한 가감속 상황에서 반응 속도가 늦어 단기 오류가 증가했다. 반면 전통 모델인 IDM과 ACC은 구조적 제약으로 인해 비선형 동작을 충분히 재현하지 못했고, 커널 기반 SVM·RF도 전반적인 성능에서 뒤처졌다.

이 논문은 실무적 의미도 크게 갖는다. 캘리브레이션된 XGBoost 모델을 교통 시뮬레이션에 적용하면, 도시 내 AS 배치 시 도로 용량·안전성·운행 안정성을 보다 정확히 예측할 수 있다. 또한 제안된 다중 기준 프레임워크는 향후 다른 유형의 자율주행 차량이나 혼합 교통 시뮬레이션에서도 재사용 가능하며, 모델 선택 과정의 투명성과 재현성을 크게 향상시킨다. 다만 데이터 규모가 제한적(4 일, 단일 구간)이고, GPS 노이즈 보정에 칼만 필터를 사용했음에도 불구하고 센서 오차가 남아 있을 가능성이 있다. 향후 연구에서는 다양한 도로·환경·교통량 조건을 포함한 대규모 데이터셋을 확보하고, 실시간 적용 가능성을 검증하기 위해 온라인 학습 기법을 도입하는 것이 필요하다.