상대 차량 효용 추정 기반 게임이론을 활용한 자율주행차의 차선 변경 알고리즘 개발

2.1 Stackelberg Game

Stackelberg 게임 이론의 기본 전제는 리더가 먼저 행동하고 팔로워는 관측된 리더의 행동을 바탕으로 자신의 행동을 결정한다(Sequential game). 이때 리더는 팔로워가 리더의 효용을 가장 최소화하면서 본인의 효용을 최대화하는 의사 결정을 한다는 가정(Risk minimization)하에 본인의 효용이 가장 높은 행동 후보지를 선택(Utility maximization)한다.¹⁵⁾ 팔로워는 리더의 선제적 행동을 관측한 후 주어진 상황에서 자신의 효용을 최대화할 수 있는 행동 후보를 선택한다.

Fig. 1은 리더와 팔로워가 각각 L, A, D 세 가지 행동과 C, A, D 세 가지 행동 선택지를 가지며 각 선택지에 따른 효용은 그림과 같이 제시되었을 때의 Stackelberg 게임의 예시를 보여준다. 리더는 자신의 행동 L, A에 따라, 팔로워가 리더의 행동에 따른 본인의 효용이 가장 높은 C, A의 선택지를 선택하리라고 예측할 것이다. 만약 리더의 행동이 D일 경우, 팔로워는 본인의 효용이 최대인 두 가지 선택지 C, A 중 리더의 효용이 더 낮은 A를 선택하리라고 예측된다. 리더의 행동에 따른 팔로워의 반응이 {L-C, A-A, D-A} 쌍으로 예측되는 가운데, 리더는 Stackelberg 게임 이론이 제시하는 팔로워의 행동에 대한 가설에 따라 팔로워가 A의 행동을 할 것이라 예측을 하고 본인의 효용을 가장 높이는 D의 행동을 취한다.

Fig. 1

An example of the Stackelberg game process

Stackelberg 게임 이론의 장점 중 하나는 리더의 입장에서 상대 행동의 불확실성에 대한 위험을 최소화하도록 선택을 유도한다는 것이다. 차선 변경 상황에서 차선 변경을 시도하려는 차량을 리더로, 리더가 가려는 차선에 달리고 있는 차량을 팔로워로 설계하면, 게임 수행 동안 자신의 효용 함수를 최대화하려는 리더의 차선 변경 행동이 타 차량과의 상호작용이 반영된 자율주행차의 최적의 차선 변경 전략이 된다.

2.2 Vehicle Dynamics Model

차량은 문제를 간략화하기 위해 질점으로 가정하며 순차적인 Stackelberg 게임에 적용하기 위한 이산화된 차량의 동역학 모델은 다음과 같다

• where,

이 때 X와 Y는 차량의 종 방향 및 횡 방향 위치이며, v_x와 v_y는 차량의 종 방향 및 횡 방향 속도, a_x는 차량의 종 방향 가속도, dt는 샘플링 시간을 의미한다. 운전자의 입력은 차량의 종 방향 가속도 a_x와 조향에 따른 횡방향 속도 v_y로 표현되며 이는 게임 이론을 통해 결정되는 운전자의 의도이다.

2.3 Action Space

Stackelberg 게임에서 차선 변경에 관련된 차량들이 취할 수 있는 행동 후보지는 다음과 같다.

이때 a와 b는 임의로 설정된 종방향 가속도 크기 및 횡속도 크기이다.

차선 변경 시나리오에서 차선 변경하려는 차량인 리더는 종⋅횡방향에 대한 거동이 둘 다 고려되어야 하며 차선을 유지하는 차량인 팔로워는 종방향에 대한 거동만 고려한다. 따라 리더가 선택 가능한 주행 전략은 종방향의 행동 후보 {C, A, D}와 횡방향에 대한 행동 후보 {LC, LK}의 조합, 총 6가지이며, 팔로워가 선택 가능한 주행 전략은 종방향의 행동 후보 {C, A, D} 3가지이다.

2.4 Driving Strategy

설계된 게임 이론 기반의 차선 변경 주행 전략은 리더와 팔로워가 충분히 상호작용하는 구간 내에서 리더의 의사 결정에 적용된다. 차선 변경 시나리오에서 상호작용은 리더의 위치 x_l이 팔로워의 위치 x_f보다 앞서 있으면서 두 차량이 서로를 인식할 수 있는 범위 x_th 내에 있을 때 발생한다. 즉, Stackelberg 게임 기반 주행 전략은 다음과 같은 구간에서 작동한다.

상호작용 발생 시에는 게임 이론을 기반으로 운전자들이 정해진 규칙에 따라 합리적인 판단을 하지만, 상호작용이 발생하지 않는 일반적인 상황에서 각 차량은 교통 흐름에 따라 속도를 제어한다. 이러한 일반적인 주행 전략을 모사하기 위하여 차선 변경 게임 진행 전후에는 Intelligent driver model(IDM) 전략을 적용하여 차량의 종방향 움직임을 제어한다.¹⁸⁾

• where,

여기서 v는 실제 자 차량 속도, v_des는 목표 주행 속도, Δv는 타차량과의 상대 속도, a_max는 최대 가속도, δ은 가속도 지수, s는 타차량과의 상대 거리를 의미한다. s_des는 원하는 타 차량과의 간격을 의미하며, 최소 안전 거리 s₀, 자 차량의 속도 v, Time headway T, 상대속도 Δv, 가속도 a_max와 타겟 감속도 b_des의 함수로 정의된다. 전방 차량이 없는 경우 s_des는 무시된다. IDM 주행 전략은 상대 차량과의 상호작용이 없을 때, 즉 리더가 차선 변경을 완료하거나 차선 변경을 시도하더라도 팔로워와의 상대 거리가 멀어 상호작용이 굳이 필요하지 않을 때 적용된다.

3.1 효용 함수 정의

차선 변경 시나리오에 관여하는 합리적인 운전자들은 주행 목표 달성과 안전 확보 두 종류의 가치를 고려하며 의사 결정을 하게 된다. 주행 성능 목표 달성 가치는 운전자가 원하는 대로 주행하고자 하는 욕구를 의미하며, 원하는 속도로 주행하려는 종 방향에 대한 목표와 타 차선으로 변경하고 싶은 횡 방향에 대한 목표로 구성된다. 안전 확보 가치는 안전감을 확보하려는 욕구를 의미하며, 충돌 회피와 앞 차량과의 안전 거리 확보로 구성된다. 효용 함수 U는 이러한 가치들을 고려하여 패널티 개념으로 정의된다.

• where,

이 때 U_v, U_lc, U_c, U_h는 각각 종방향에 대한 주행 욕구, 횡방향에 대한 주행 욕구, 충돌에 대한 안전 확보, 앞 차량과의 거리에 대한 안전 확보에 대해 정의된 효용 함수다.

종방향에 대한 주행 욕구를 나타내는 효용 U_v는 운전자 행동에 의한 속도 v가 원하는 종 방향 속도 v_des를 추종하도록 정의되었다. 횡방향에 대한 주행 욕구를 나타내는 효용 U_lc는 차선 변경 시 차선 변경을 하지 않는 LK 상태 이거나 차선 변경이 끝났음에도 불구하고 차선 변경을 하는 LC 상태인 경우, 즉 차선 변경 의도와 차량 상태가 어긋난 경우에 대하여 패널티를 부과하도록 정의되었다. 충돌에 대한 안전 확보 효용 U_c는 충돌 c의 발생 여부에 따라 정의되었다. 앞 차량과의 안전 거리 확보에 대한 효용 U_h는 특정 거리 h_th 앞에 있는 차량이 인식될 경우 현재 앞차와의 거리 h가 원하는 안전 거리 h_des를 추종하도록 정의되었다.

w_v, w_lc, w_c, w_h는 각 효용 함수에 대한 가중치로 운전자 개개인의 성향 및 주행 상황에 따라 결정된다. 예를 들어, 충돌 위험에 대한 두려움보다 속도를 유지하려는 욕구가 큰 공격적인 성향을 가진 운전자의 경우 w_c 대비 w_v가 크게 설정되도록 설계한다. 또한 차선을 변경하지 않으려는 차량, 즉 설계된 시나리오에서의 팔로워의 경우 차선을 변경하려는 의도가 없기 때문에 w_lc는 0으로 설계된다.

3.2 상대 차량 효용 함수 추정

이상적인 상호작용을 위해서는 자 차량의 의사 결정에 따른 상대 차량의 효용을 정확하게 알아야한다. 본 연구에서 설계된 효용은 운전자의 주행 목표 달성 욕구와 안전 확보 욕구와 같이 일반적인 운전자의 보편적인 가치로 구성되었으므로 각 차량의 효용은 주행 목표 욕구와 안전 확보 욕구에 대한 운전자 성향, 즉, w_v, w_lc, w_c, w_h에 의해 결정된다. 그러므로 상대 차량의 효용을 정확하게 알아야 한다는 것은 상대 운전자의 w_v, w_lc, w_c, w_h를 파악해야 한다는 것을 의미한다.

하지만 운전자 성향은 운전자의 내적인 것이므로 관측이 불가능하다. 관측 가능한 정보는 자 차량의 의사 결정에 따른 상대 차량의 실제 거동, 즉, a_tk-1에 따른 S_tk 다. 일반적으로 게임 참가자는 상대 게임 참가자가 동일한 효용 가치, 즉 동일한 운전 성향을 갖는다고 가정하고 상대의 효용 가치(Expected U)를 계산하여 그에 맞게 본인의 행동 a_tk을 결정한다. 교통 환경에서 상대 운전자의 운전 성향에 대한 단순한 가정에 따른 의사 결정은 예기치 못한 사고 및 교통 흐름 방해 등을 불러일으킬 수 있다. 따라서 상대 차량의 운전 성향이 내포된 상대 차량의 실제 거동으로부터 상대 차량의 효용 함수를 조정할 필요가 있다.

Fig. 2는 측정된 상대 차량의 거동을 기반으로 효용 함수를 조정하여 자 차량의 행동을 결정하는 개념을 보여준다. 차선을 변경하는 차량인 리더는 자신의 성향에 따라 계산된 본인의 효용 Self Uleader과 기대하는 팔로워의 효용 Expected Ufollower을 기반으로, 팔로워가 $$ {\hat{a}}_{t_{k-1}}$$라고 행동할 것이라는 가정하에 본인의 거동 a_tk-1을 결정한다. 하지만 팔로워의 실제 거동 a_tk-1이 리더가 예측한 거동과 다르게 나타날 경우, 리더는 관측된 팔로워의 a_tk-1에 따른 s_tk를 바탕으로 다음과 같이 팔로워의 운전 성향, 즉 효용 함수의 가중치를 갱신하여 Updated Ufollower를 기반으로 a_tk를 결정한다. 효용 함수의 가중치 갱신은 다음과 같이 보편적인 운전자 성향에 대한 가정을 기반으로 설계되었다.

Fig. 2

Concept for decision making based on target vehicle’s utility update

• ⟶ 공격적인 주행 성향을 가진 운전자는 안전 확보에 대한 효용 대비 주행 목표 달성 욕구에 대한 효용이 높다.
• ⟶ 보수적인 주행 성향을 가진 운전자는 안전 확보에 대한 효용 대비 주행 목표 달성 욕구에 대한 효용이 낮다.
• ⟶ 상대 차량이 자 차량 운전자의 예상보다 빠르게 가속하는 경우 상대 운전자는 공격적인 주행 성향을 가졌을 확률이 높다.
• ⟶ 상대 차량이 자 차량 운전자의 예상 대비 감속하는 경우 상대 운전자는 보수적인 주행 성향을 가졌을 확률이 높다.
• ⟶ 상대 차량이 자 차량 운전자의 예상과 다르게 차선 변경을 하는 경우 상대 운전자는 공격적인 성향을 가졌을 확률이 높다.
• ⟶ 상대 차량이 자 차량 운전자의 예상과 다르게 차선 유지를 하는 경우 상대 운전자는 보수적인 성향을 가졌을 확률이 높다.
• ⟶ 종 방향의 속도를 유지하는 경우 상대 운전자의 운전 성향을 파악하는 것은 모호하다.

제시된 가정을 바탕으로 상대 차량의 실제 거동 a_tk-1과 자 차량 운전자가 예측한 거동 $$ {\hat{a}}_{t_{k-1}}$$ 간의 확연한 차이가 나타날 경우, 상대 운전자의 성향을 나타내는 효용 함수의 가중치들은 다음과 같이 갱신된다.

여기서 dw_i는 가중치를 갱신하는 값이며 정의된 Action space에 따른 운전자의 성향을 구분하는 기준은 Table 1에 제시되어 있다. 모호한 경우에는 운전자의 성향을 갱신하지 않는다. 갱신된 가중치 w_i를 기반으로 수정된 효용 함수를 통해 리더는 t_k 시간에서의 거동 $$ a_{t_k}={\left[a_x,{ v}_y\right]}_{t_k}^T$$를 최종 결정한다.

Table 1

Criteria for follower’s driving characteristic depending on the difference between predicted and actual driving action

4.1 주행 시나리오

차선 변경에 대한 Stackelberg 게임은 Fig. 3과 같이 차선 변경에 대한 효용을 고려하기 좋도록 차선 병합 구간에서의 주행 시나리오에 대해 검증한다. 해당 시나리오에서 합류지점이 임박함에 따라 Car3는 반드시 차선을 변경해야 한다. 그러나 변경하려는 차선에 같은 방향으로 주행하고 있는 2대의 차량 Car1과 Car2의 간격이 좁아 Car2와 상호작용하지 않고는 차선 변경이 불가능하다. 이때 이미 Car3보다 앞서 주행 중인 Car1은 상호작용 대상이 되지 않는다. 따라서 Car3는 본인을 리더로 Car2를 팔로워로 고려하여 정의된 Action space와 효용 함수 기반의 Stackelberg 게임 전략을 통해 차선을 변경하는 전략을 수립하게 된다.

Fig. 3

Lane change scenario for validation

각 차량들의 초기 위치 조건 (x₀, y₀)은 Table 2에 제시되었으며 초기 속도 v₀는 모두 동일하며 모든 차량은 다른 차량들의 행동을 관측 가능하다고 가정한다. 또한 Action space에 정의된 행동 후보지에 필요한 파라미터 a, b는 각각 1.5와 2로 설정하였다.

Table 2

Initial conditions of vehicles in the scenario

4.2 주행 전략 조건

설계된 게임 이론 기반 차선 변경 주행 전략은 Car3와 Car2가 충분히 상호작용이 일어나는 구간 내에서 Car3의 의사 결정 시 동작한다. 그 이외에는 Table 3에 제시된 파라미터 기반의 IDM 전략으로 차량들이 제어된다. 이때 두 차량이 서로를 인식할 수 있는 범위 x_th는 7.5 m로 설정하였다.

Table 3

Parameters of the IDM driving strategy

상호작용 시 리더인 Car3의 주행 성향, 즉 효용 함수를 이루는 가중치는 [w_v, w_lc, w_c, w_h]_leader = [1, 1, 5, 3]으로 설정되었다. 리더가 생각하는 팔로워 Car2의 주행성향은 [w_v, w_lc, w_c, w_h] _follower = [5, 0, 0.5, 3]로 설정되었다. 이는 리더인 Car3 본인이 다소 보수적인 주행 성향을 가지며 리더가 생각하기에 상대 차량은 자신보다 공격적인 주행 성향을 가지고 있다고 여기는 것이다.

리더가 생각하는 팔로워 효용 함수 가중치는 리더가 예측한 팔로워의 거동 $$ {\hat{a}}_{t_{k-1}}$$과 팔로워의 실제 거동 a_tk-1의 차이가 극명히 드러날 때 다음과 같이 갱신된다.

이때 리더는 팔로워가 종 방향 거동만 하며 최소 안전 거리에 대한 효용은 변하지 않는다고 가정한다. dw_v와 dw_c는 모두 0.05로 설정하였다. 효용 함수 계산 시 요구되는 원하는 종 방향 속도 v_des, U_h를 고려할 때 사용되는 특정 거리 h_th, 원하는 안전 거리 h_des는 각각 2.5 m/s, 1 m, 1 m로 설정하였으며, 이는 리더 본인의 효용 함수 및 리더가 생각하는 팔로워의 효용 함수에 동일하게 적용된다.

상호작용 시 팔로워인 Car2는 운전자 성향에 따라 0.3 m/s²으로 가속하거나 -0.3 m/s²으로 감속하도록 설계되었다. Car3의 게임 이론 기반 의사 결정에 대해 상대 차량 효용 추정에 대한 효과를 명확하게 살피기 위해, Car3가 상대 차량을 공격적인 주행 성향을 가진다고 생각하였으므로, 상호작용 시 Car2는 보수적으로 -0.3 m/s²으로 감속하도록 설정하였다. 리더인 Car3가 이미 Car2의 주행 차선으로 넘어온 경우 Car2의 주행 전략은 IDM으로 변경된다.

4.3 검증 결과

Fig. 4, Fig. 5는 리더의 팔로워에 대한 효용 함수 추정 알고리즘 적용 여부에 따른 차선 변경 결과 그래프를 제시한다. 이때 시뮬레이션의 샘플링 시간 dt는 상호작용이 전개됨에 따라 리더가 충분히 팔로워의 효용 함수 수렴성을 확보할 수 있도록 0.01초로 설정되었다.

Fig. 4

Simulation results without estimation of follower’s utility

Fig. 5

Simulation results with estimation of follower’s utility

Fig. 4에서 보이는 것처럼 제안하는 알고리즘이 적용되지 않은 경우 Car3는 공격적인 운전 성향을 가진 Car2가 자신의 차선 변경 행동에 대해 비양보적으로 가속할 것이라고 예측하여 충돌을 회피하기 위해 대기하다가 Car2의 뒤로 진입하는 결과를 보였다. 그 결과 Car3는 어떠한 충돌 없이 차선 변경을 완수하였다. 하지만 Car3의 예상과 달리 Car2가 감속하였기에 전체적인 차선 변경 시간이 10.9초가 소모되었다.

반면 Fig. 5와 같이 제안하는 알고리즘을 적용한 경우 Car2가 Car3의 예상과 달리 감속하며 양보하는 행위 관측을 통해 Car3는 실시간으로 Car2의 운전 성향을 갱신한다. Fig. 6은 Car2 실제 거동에 따라 Car3가 갱신한 Car2의 운전 성향 가중치를 보여준다. 처음에 Car3는 Car2가 [w_v, w_c] = [5, 0.5]를 가진다고 효용을 계산하였지만 거동관측을 통해 실시간으로 가중치를 갱신한다. Car2의 예측 거동과 실제 거동이 일치되는 1초 이후에는 운전자의 성향을 제대로 파악하였다고 가정하고 더 이상 가중치는 갱신되지 않고 최종 [w_v, w_c] = [-0.05, 5.55]로 수렴된다. 실시간 갱신된 가중치 기반으로 효용을 계산하여 차선 변경 판단 결과 장기간 대기하지 않고도 3.4초 내에 안전하게 차선 변경을 완수하였다. 즉, 제안하는 알고리즘은 상대 운전자의 운전 성향을 실시간으로 조정함으로써 훨씬 효율적으로 차선 변경 전략을 제시 가능하게 한다.

Fig. 6

Estimated follower’s driving characteristic weight in utility

4.4 고찰

현재 차선 변경을 포함한 자율주행차량용 기술들은 인간 운전자가 공격적인 성향을 가진다고 가정하여 보수적으로 설계되고 있다. 그러나 실제 인간 운전자가 예상과 다르게 보수적인 거동을 구현하더라도 그에 대한 대책이 없어 시스템 전체적으로 보면 교통 흐름을 저해할 수 있다. 제안하는 알고리즘은 실제 운전자의 행동이 예측한 운전 성향과 다른 경우 상대 운전자의 운전 성향을 조정하여 자율주행차량이 안전을 유지하면서도 빠르게 차선 변경을 완료할 수 있도록 도와준다.

제안한 알고리즘은 다른 시나리오에 대해서도 기존 알고리즘보다 운전자 성향을 반영한 효율적인 차선 변경 전략을 제공한다. Fig. 7은 리더인 Car3의 효용 함수를 이루는 가중치가 [w_v, w_lc, w_c, w_h]_leader = [5, 1, 3, 1]일 때, 즉 리더가 공격적인 주행 성향을 가지고 있을 때 [w_v, w_lc, w_c, w_h] _follower = [5, 0, 3, 1]의 공격적일 것이라고 여겨진 팔로워 Car2가 리더의 예상과 달리 감속한 경우에 대하여 효용 함수 추정 알고리즘 유무에 따른 차선 변경 결과를 보여준다. 그 외 모든 조건은 위와 동일하다. 제안한 알고리즘이 적용된 결과의 경우에 대해서는 실선으로, 적용되지 않은 결과의 경우에 대해서는 점선으로 표시하였다.

Fig. 7

Simulation results for a scenario in which a follower predicted to be aggressive adopts conservative driving behavior

두 경우 모두 처음 t = 1.5초 정도 까지는 차량들이 동일하게 거동하며, Car3의 경우 차선 병합 지점이 점점 다가옴에 따라 차선 변경을 시작하려고 한다. 추정 알고리즘을 적용한 경우 Car3는 Car2가 자신과 비슷하게 공격적인 운전 성향을 가지고 있다고 판단하였다. 하지만 상대방의 보수적인 거동을 관측하여 Fig. 8과 같이 Car2에 대한 운전 성향 가중치를 갱신하면서 더 적극적으로 차선 변경을 시도한다. 그 결과 추정 알고리즘을 적용하지 않은 경우 Car3의 차선 변경이 4.01초에 완료된 반면 추정 알고리즘을 적용한 경우 3.4초에 차선 변경이 완료되었다. 그러나 t = 4초일 때 제안된 알고리즘을 적용하였을 때의 결과가 그렇지 않았을 때의 결과보다 종 방향 진행 위치가 더 느리게 나타난다. 이는 차선 변경 완료에 따른 IDM 주행 전략으로의 변경 시점이 다르기 때문이다. 제안된 알고리즘의 경우 Car3는 이미 차선 변경을 완료하였기 때문에 IDM 주행 전략을 기반으로 Car1과 적절한 거리를 유지한 채 주행하고 있다. 반면 제안된 알고리즘이 적용되지 않은 경우 t = 4.01초일 때 차선 변경이 완료되었으므로 IDM 주행 전략으로의 변경이 늦어져 Car1과의 거리 유지 명령이 늦게 전달된다. 그 결과 Car3는 앞 차량과의 안전 거리를 확보하기 위해 제안된 알고리즘이 적용된 경우보다 훨씬 큰 감속도로 급 감속을 수행하며, 그 여파가 Car2에까지 영향을 미치는 것을 확인할 수 있다. 따라서 상호작용이 발생하는 동안에는 제안된 운전자 성향 추정 알고리즘이 더 시간 효율적인 주행 전략을 제공한다는 것을 알 수 있다.

Fig. 8

Estimated follower’s driving characteristic weight in utility for the scenario of Fig. 7

Fig. 9는 리더인 Car3의 효용 함수를 이루는 가중치가 [w_v, w_lc, w_c, w_h]_leader = [5, 1, 2, 1]일 때, 즉 리더가 공격적인 주행 성향을 가지고 있을 때 [w_v, w_lc, w_c, w_h] _follower = [1, 0, 3, 1]의 보수적인 성향이라고 여겨진 팔로워 Car2가 (x₀, y₀) = (-12.8, 2) m인 위치에서 리더의 예상과 달리 가속한 경우에 대하여 효용 함수 추정 알고리즘 유무에 따른 차선 변경 결과를 보여준다. 그 외의 모든 조건 역시 위와 동일하다. Car3 본인이 공격적인 주행 성향을 가지고 있는데 상대적T으로 멀리 떨어진 Car2가 보수적일 것으로 추측하여 제안하는 추정 알고리즘이 없는 경우 Car3는 바로 차선 변경을 시도한다. Car3가 Car2의 차선으로 진입 후, IDM 전략으로 주행 전략을 전환한 Car2는 Car3와의 간격 유지를 위한 급격한 감속을 수행하면서 Car3의 차선 변경을 허용함에 따라 Car3는 1.95초 내에 차선 변경을 완료하였다. 하지만 Car2의 운전 성향 예측 실패에 따른 Car3의 행동 결정은 t = 1초에서의 차량 궤적에서 볼 수 있듯이 충돌 위험성이 상당히 높다. 반면 추정 알고리즘이 적용된 경우 Fig. 10에서 볼 수 있듯이 Car2가 실제로는 공격적인 주행성향을 가졌음을 0.4초 내에 확신하고 t = 1초에서 Car2의 주행에 대해 좀 더 신중하게 거동함을 확인할 수 있었다. 그 결과 4.06초 내에 차선 변경을 완료하였다. 즉, 제안된 알고리즘 적용 결과 Car3는 Car2의 공격적인 운전 성향을 반영하여 본인이 공격적인 주행 성향을 가지고 있더라도 전체적인 충돌 효용을 고려하여 차선 변경에 대한 욕구를 양보하는 경향을 보였다.

Fig. 9

Simulation results for a scenario in which a follower predicted to be conservative adopts aggressive driving behavior

Fig. 10

Estimated follower’s driving characteristic weight in utility for the scenario of Fig. 9

여러 시나리오에 대한 검증을 통해 제안하는 알고리즘은 단순히 리더 본연의 운전 욕구 충족을 위해 시간면에서만 효율적인 차선 변경 전략을 제공하는 것이 아니라 상대 운전자의 운전 성향에 맞춰 시스템 전체에서의 안전과 리더 운전자 개인의 운전 성향에 맞는 차선 변경 전략을 제공한다는 것을 알 수 있다. 즉, 자율주행차량이 상대 차량에 대해 무조건 보수적인 거동만 하는 것이 아닌 시스템 전체의 효율적인 면을 고려하여 주행을 하는 전략을 가질 수 있도록 설계 가능하다.