신호 교차로 운전자 행동 예측을 위한 물리 제약 트랜스포머 모델
Driver Behavior Estimation at Signalized Intersections Using a Physics-Constrained Decision-Conditioned Autoregressive Transformer
arXiv신호등 교차로에서 발생하는 운전자의 급제동이나 위반 행동을 예측하기 위해, 인간의 의사결정 과정을 반영한 AI 모델이 개발되었습니다.
- 이 모델은 물리적 제약 조건과 트랜스포머 구조를 결합하여 운전자의 이진 결정(행동 선택)과 가속도 궤적을 동시에 높은 정확도로 예측합니다.
- 단순히 행동만 예측하는 것을 넘어, 노란불 순간의 데이터만으로 운전자의 미래 편안함 수준까지 추정하며 안전성을 높일 수 있습니다.
- RTK-GNSS로 측정된 실제 데이터를 기반으로 하며, 심박수나 주관적 편안함 등 생체 신호까지 고려해 인간 행동의 복잡성을 반영했습니다.
신호등 교차로에서의 위반 및 급제동은 교통사고의 주요 원인으로 지적됩니다. 본 연구는 이러한 상황에서 인간 운전자의 의사결정 과정과 종방향 이동 궤적을 분석하고 예측하는 것을 목표로 합니다. 이를 위해 다양한 속도와 거리 조건 하에 수집된 449개의 실제 주행 데이터셋이 활용되었으며, 차량의 움직임은 센티미터급 정확도의 RTK-GNSS를 통해 기록되었습니다. 또한 운전자의 심박수 및 다단계 편안함 등 생체 신호까지 모니터링하여 인간 행동의 복잡성을 반영했습니다.
제안된 모델은 두 단계의 프레임워크로 구성됩니다. 첫 번째 단계는 운전자가 취할 이진 기동 결정(binary maneuver decision)을 예측하며, 두 번째 단계에서는 물리적 제약 조건과 목표 상태 조건을 포함하는 의사결정 기반 자기회귀 를 사용하여 종방향 가속도 궤적을 생성합니다. 이 구조는 현실적인 인간의 브레이킹 행동을 재현할 뿐만 아니라, 노란불이 시작된 순간의 데이터만을 이용해 운전자의 미래 정지 편안함 수준까지 추정하는 능력을 보여줍니다.
제시된 아키텍처는 기존의 기준 모델들보다 우수한 성능을 입증했으며, 가속도 MAE(Mean Absolute Error)에서 0.49m/s², 거리 MAE에서 0.62m를 달성했습니다. 연구진은 이 데이터셋과 소스 코드를 공개하여 학계와 산업계의 활용을 독려하고 있습니다.
용어 풀이
- 트랜스포머
- 오늘날 대부분의 언어 모델이 쓰는 신경망 구조. 문장 속 단어들의 관계를 한꺼번에 계산해요.