비정형 베이지안 기반 운전자 행동 모델링 CRH GP SHS 프레임워크

본 논문은 인간 운전, 반자동, 완전 자율 차량이 공존하는 복합 교통 환경에서, 제한된 무선 통신 자원을 효율적으로 활용하고 차량 간 상황 인식을 고도화하기 위한 모델 기반 통신(MBC) 접근법을 제안한다. 기존의 MBC 연구는 주로 정형 모델(예: 상수 가속도, 상수 속도)을 사용했으며, 이러한 모델은 운전자의 행동 변화를 반영하지 못해 예측 정확도가 제한적이었다. 이를 극복하고자 저자들은 비정형 베이지안 추론인 가우시안 프로세스(GP)를 핵심 추론 엔진으로 채택한 계층적 확률 혼합 시스템, 즉 “Gaussian Process‑Stochastic Hybrid System with Cumulative Relevant History”(CRH‑GP‑SHS)를 설계하였다. 프레임워크는 크게 세 부분으로 나뉜다. 첫 번째는 ‘모드’ 수준으로, 차선 변경, 급정거, 가속 등 운전자의 장기 의도(롱텀 행동)를 구분한다. 두 번째는 각 모드 내부의 ‘단기 행동’ 수준으로, 차량의 위치·속도·가속도와 같은 연속적인 동적 상태를 시간에 따라 연속 함수로 모델링한다. 세 번째는 ‘누적 관련 이력(CRH)’ 관리 계층으로, 동일 운전자가 과거에 수행한 동일 모드 데이터를 저장하고, 새로운 관측이 들어올 때마다 이를 실시간 학습 데이터에 추가한다. 이 구조는 운전자의 인지 상태 변화(피로, 주의 산만 등)와 외부 환경 변화(날씨, 도로 상황)를 반영해 모델이 지속적으로 진화하도록 만든다. GP는 사전(mean)와 커널(공분산) 함수만 정의하면 무한 차원의 함수 공간에 대한 사후 분포를 계산할 수 있는 비정형 베이지안 회귀 방법이다. 논문에서는 차량 동역학의 응답 시간과 10 Hz 샘플링 간격을 고려해 선형 커널을 선택했으며, 이는 입력값의 절대값에 의존하는 비정상(non‑stationary) 특성을 갖는다. 선형 커널은 차량 위치와 같은 절대적인 물리량을 효과적으로 모델링할 수 있다. 학습 과정은 초기 학습과 온라인 업데이트 두 단계로 진행된다. 초기 학습에서는 동일 운전자가 과거에 수행한 동일 모드 데이터를 집합으로 모아 GP의 초기 훈련 데이터로 사용한다. 온라인 업데이트 단계에서는 현재 진행 중인 운전 행동에서 실시간으로 수집된 관측값을 기존 데이터에 추가하고, GP의 사후 분포를 재계산한다. 이를 통해 운전자의 행동이 급변하더라도 모델이 빠르게 적응한다. 모드 전환 판단은 GP 예측 오차와 사전에 정의된 전이 임계값을 비교함으로써 수행된다. 현재 모드의 GP 예측이 일정 수준 이상 불확실해지면 다른 모드로 전환한다는 신호로 해석한다. 이는 고정된 모델에서는 불가능한 동적 구조 변화를 자동으로 포착한다. 성능 평가는 NGSIM‑US101 데이터셋에서 추출한 1,200여 개의 차선 변경 시나리오를 대상으로 수행되었다. 평가 지표는 평균 제곱 오차(MSE)와 예측 신뢰 구간의 커버리지이며, GP 기반 모델은 상수 속도 모델 대비 MSE를 45 % 이상 감소시켰다. 특히 네트워크 혼잡도가 높은 상황에서 GP는 예측 신뢰 구간을 넓게 유지해 안전 애플리케이션에 유리한 특성을 보였다. 또한, GP와 상수 속도 모델을 조합한 ‘증강 모델’은 네트워크 신뢰도(패킷 손실률)에 따라 동적으로 모델을 전환함으로써 통신 효율과 예측 정확도를 동시에 최적화하였다. 논문의 주요 기여는 다음과 같다. 첫째, 비정형 베이지안 방법을 차량·운전자 행동 모델링에 적용해 모델 구조의 진화와 불확실성 표현을 동시에 달성하였다. 둘째, 누적 이력 관리와 온라인 GP 업데이트 메커니즘을 통해 개인화된 운전자 모델을 실시간으로 유지·전파할 수 있다. 셋째, 모델 기반 통신 프레임워크와 결합해 제한된 DSRC 대역폭 하에서도 중요한 행동 정보를 효율적으로 전송할 수 있는 방안을 제시하였다. 이러한 접근은 향후 연결·자율 차량(CAV) 시스템에서 안전성·효율성을 동시에 확보하는 핵심 기술로 활용될 가능성이 크다.