관측 노이즈에 강건한 V2I 기반 xLSTM 운전 성향 추론 모델 연구

1. 서 론

인공지능 기술의 급격한 발전과 함께 자율주행 기술에 대한 연구가 빠르게 진행되고 있다.^1-3) 완전 자율주행을 실현하기 위해서는 자율 주행 자동차와 주변 차량 간 원활한 상호작용이 필수적이지만,^4,5) 현재 자율주행 시스템은 인접 운전자의 성향 및 행동 패턴을 명시적으로 고려하지 않는다는 어려움을 가진다. 특히 차선 변경이나 차량 밀집도가 높은 상황에서는 운전 성향에 따른 차량의 행동 패턴이 주변 차량의 주행에 직접적인 영향을 미칠 수 있다. 따라서 자율 주행 자동차가 인접 차량의 운전 성향을 파악하고 주행 전략을 조정함으로써, 보다 원활한 상호작용과 유연한 주행 환경을 조성하는 것이 중요하다.^6-9)

최근 차량의 운전 성향을 파악하는 데 차량-인프라 간 통신(Vehicle-to-Infrastructure; V2I) 기술을 활용하는 방법론이 주목받고 있다.^10,11) V2I 기술은 도로에 설치된 노변 장치(Roadside units; RSUs)와 같은 인프라를 활용하여 차량과 도로 간 실시간 정보 교환을 가능하게 한다. 또한, RSU 간 정보 공유를 통해 거리의 제한 없이 장기적인 주행 정보를 수집할 수 있어 자율주행 기술의 핵심 요소로 고려된다.^12,13) 이러한 특성으로 인해 차량의 센서 모듈만으로 주행 정보를 수집하는 방법에 비해 더 많은 정보를 제공할 수 있으며, 이에 따라 V2I 기술을 활용하여 차량의 운전 성향을 추론하는 연구가 활발히 수행되고 있다.^10,11)

V2I 기술을 활용하는 대부분의 연구는 RSU를 통해 수집된 정보가 완벽하다고 가정한다.^13,14) 그러나 실제 환경은 이상적인 조건을 만족하기 어려우며, RSU의 센싱 과정에서 오류가 발생해 관측 데이터에 노이즈가 포함될 가능성이 있다.¹⁵⁾ 따라서 V2I 기술을 활용한 운전 성향 추론 시스템의 설계 시 노이즈에 대한 강건성을 충분히 고려하지 않는다면, 성능 저하가 발생할 수 있으며 실제 환경의 적용에 어려움이 있을 수 있다. 따라서 추론 모델을 설계하는 과정에서 노이즈가 포함된 정보를 다룸으로써 노이즈에 강건한 운전 성향 추론 모델을 설계해야 한다.

센싱 노이즈를 고려하는 환경에서 주행하는 차량의 운전 성향을 추론하는 경우, 차량의 주행 정보를 연속적으로 다룰 수 있는 궤적 데이터(Trajectory data)를 고려하는 방법론이 중요한 역할을 할 수 있다.^16,17) 궤적 데이터는 시간에 따른 차량의 행동 변화를 포함할 수 있어 단일 시점 데이터에 비해 운전자의 주행 패턴이나 의도를 파악하는 데 더욱 유용하다. 이러한 정보를 활용하는 경우 차량 간 상호작용을 정확히 파악할 수 있으며, V2I 기술을 결합함으로써 차량의 운전 성향을 보다 명확하게 추론할 수 있다.

이러한 궤적 데이터는 일반적인 인공 신경망이 아닌 시계열 기반 신경망을 활용하는 것이 효과적이다. 예를 들어, 추론 모델의 설계 시 어텐션 메커니즘 기반의 Transformer¹⁸⁾나 순환 신경망 계열의 Long short-term memory(LSTM)¹⁹⁾를 활용할 수 있다.^20-23) 최근에는 Transformer와 LSTM의 데이터 처리 방식을 결합한 Extended LSTM(xLSTM)²⁴⁾이 제안되었다. xLSTM은 입력 데이터를 병렬적으로 처리할 수 있어 궤적 데이터 내 복잡한 패턴과 관계를 파악하는 데 유리하다.^25,26) 이는 노이즈가 포함된 복잡한 주행 데이터에서도 주요 특징을 효과적으로 파악할 수 있음을 의미하므로, 운전 성향 추론 모델의 설계 시 xLSTM을 활용하는 것은 적절한 접근법일 수 있다.

본 연구는 RSU를 활용하여 차량의 주행 정보를 수집하고, 이를 기반으로 운전 성향을 추론하는 모델을 구축하는 것을 목표로 한다. 이를 위해 궤적 데이터 기반의 관측 정보를 정의하고, xLSTM을 활용하여 추론 모델을 설계한다. 이때 센싱 과정에서 발생가능한 노이즈를 고려하여 제안하는 시스템의 노이즈 강건성을 입증하며, 실제 도로에서 수집된 주행 데이터셋²⁷⁾을 활용하여 추론 모델의 성능을 분석하고 평가한다. 이를 위해 데이터 수집 방식에 따른 성능을 평가하고, 학습 모델에 따른 성능을 분석한다.

본 논문의 주된 기여는 다음과 같다.

• • RSU로부터 수집한 차량의 주행 정보를 활용하여 운전 성향 추론 모델을 설계한다.
• • xLSTM에 기반한 운전 성향 추론 모델을 설계함으로써 제안하는 시스템의 노이즈 강건성을 입증한다.
• • 실제 차량 주행 데이터를 활용하여 제안하는 시스템의 실용성을 확인한다.
• • 제안하는 시스템은 98.74%의 높은 추론 정확도를 달성했으며, 비교 모델 대비 노이즈가 포함된 환경에서 노이즈 강건성이 높음을 실험적으로 확인하였다.

본 논문의 구성은 다음과 같다. 먼저 2장에서 운전 성향 추론에 대한 선행 연구와 xLSTM에 대해 살펴본 후, 3장에서 제안하는 RSU 수집 정보 기반 운전 성향 추론 모델을 소개한다. 이후 4장에서는 시뮬레이션 데이터셋을 활용하여 추론 모델의 노이즈 강건성을 분석하며, 5장에서는 실제 차량 데이터셋을 활용하여 추론 모델의 성능을 분석한다. 마지막으로 6장에서는 향후계획과 함께 결론을 맺는다.

2. 선행연구

3. RSU 수집정보 기반 운전 성향 추론 전략

본 연구는 RSU로부터 수집한 차량의 주행 정보를 활용하여 운전 성향을 추론하는 것을 목표로 한다.³⁵⁾ 본 절에서는 주행 환경과 RSU로부터 수집된 정보, 제안 모델의 구조 및 학습 방식을 설명한다. 제안하는 모델의 전체적인 시스템은 Fig. 1에서 확인 가능하다.

Fig. 1

An illustrative explanation for the proposed driving characteristics inference model

3.1 도로 환경 및 차량 정의

본 연구는 차선 감소 구간(Lane reduction zone)을 포함하는 도로 환경을 고려하며, 도로 내 각 차량은 고유한 운전 성향을 가지고 주행한다. 이때 운전 성향은 집합 S = {s₁,s₂,···,s_J}으로 정의되며, 각 시점마다 도로 내 최대 J 종류의 운전 성향을 가진 차량들이 동시에 존재할 수 있다.

RSU는 센싱 모듈을 활용하여 차량을 식별하고 타겟 차량에 대한 주행 정보를 수집할 수 있다. 한 대의 RSU는 도로 내 설치된 위치를 기준으로 전, 후방 최대 D길이 내에서 모든 정보를 수집 가능하다(Fig. 2). 이때 t 시점에서 RSU의 관측 범위에 위치한 차량(Observable vehicle)은 집합 C_t,obs 으로 나타낼 수 있으며, 이 중 운전 성향 추론 대상이 되는 차량을 타겟 차량(Target vehicle) c_t,target ∈ C_t,obs으로 정의한다.

Fig. 2

Target vehicle and observation of RSU

3.4 xLSTM 기반 운전 성향 추론 모델 설계

본 연구에서는 타겟 차량의 행동 패턴을 고려하여 운전 성향을 파악하기 위해 궤적 데이터 기반의 주행 정보를 활용한다. 이때, 단일 시점의 주행 정보 $$ {\tilde{d}}_t$$를 특정 시점 α부터 일정 시간 간격 T 동안 수집된 시계열 데이터 $$ {\left\{{\tilde{\mathit{d}}}_t\right\}}_{t=\alpha }^{\alpha +T}$$로 정의함으로써 궤적 데이터로 변환할 수 있다. 이러한 궤적 데이터를 효과적으로 다루기 위해, 본 연구에서는 xLSTM 기반의 운전 성향 추론 모델 f을 설계한다(Fig. 3). 이때 추론 모델 f은 정답 운전 성향 s_j ∈ S에 대해 다음과 같은 방식으로 학습된다.

$\[ f\leftarrow f-\eta \nabla L_{CE}\left(\left\{{\left\{{\tilde{\mathit{d}}}_t\right\}}_{t=\alpha }^{\alpha +T},s_j\right\};f\right) \]$

(6)

Fig. 3

Structure of xLSTM-based driving characteristics inference model

식 (6)에서 L_CE는 크로스 엔트로피 손실 함수를 의미하고, 학습률 η는 모델이 업데이트되는 크기를 나타낸다. xLSTM 기반 모델은 mLSTM을 활용하여 입력된 궤적 데이터 $$ {\left\{{\tilde{\mathit{d}}}_t\right\}}_{t=\alpha }^{\alpha +T}$$를 병렬적으로 처리하고, sLSTM을 통해 셀 상태를 지수 게이팅으로 조정하여 운전 성향을 예측한다. 이후 손실 함수 L_CE를 기반으로 예측값과 실제 운전 성향 레이블 s_j과의 차이를 계산한다. 이 차이는 손실 함수의 기울기 ∇L_CE 계산에 활용되고, 경사 하강법을 통해 학습률 η에 따라 손실 함수 값을 최소화하는 방향으로 모델이 업데이트된다. 따라서 xLSTM은 병렬 연산을 통해 연산 속도를 향상시키면서 중요한 특징을 추출하여 운전 성향을 효과적으로 추론할 수 있다.^25,26)

4. 시뮬레이션 데이터셋 기반 운전 성향 추론 모델 성능 분석

본 장에서는 시뮬레이션 데이터셋을 활용하여 운전 성향 추론 모델을 분석하고 성능을 평가한다. 먼저 시뮬레이터 환경과 운전 성향 설정을 살펴본 후, 학습 모델 설정을 살펴본다. 이후 RSU를 활용한 주행 데이터 수집 방법과 주행 차량 기반의 데이터 수집 방법에 따른 성능을 평가하며 학습 모델에 따른 성능을 분석한다. 이때, 학습 모델별로 노이즈에 대한 강건성을 분석하고자 센싱 노이즈에 따른 추론 성능을 비교한다.

4.1 추론 모델 학습을 위한 시뮬레이터 및 운전 성향 설정

본 연구에서는 추론 모델의 학습을 위한 주행 정보 수집을 위해 교통 제어 시뮬레이터 SUMO⁴¹⁾ 기반의 Flow⁴²⁾ 프레임워크를 사용한다. 도로 환경은 Fig. 4와 같이 1개의 전환 지점(Transition point)을 포함하고, 타겟 차량 위치에서의 총 차선 H은 최대 4차선 및 최소 2차선으로 설정함으로써 병목 현상으로 인해 차량 간 상호작용이 빈번히 발생하는 상황을 고려한다. 도로 내 총 45대의 차량이 주행하며, RSU의 데이터 수집 범위는 D = 108 m로 설정한다. 타겟 차량의 환경 범위는 타겟 차량의 차선 h_t,target을 기준으로 [h_t,target - 1, h_t,target + 1] 범위에서 (H_env = 3), 전, 후방 각 W = 300 m로 정의한다.

Fig. 4

Road environment with lane reduction zone

도로 내 각 차량은 J = 3 종류의 운전 성향으로 분류 가능하다. 운전 성향은 시뮬레이터에서 제공하는 제어 이론 기반 모델의 파라미터를 조정하여 정의했으며, Intelligent Driver Model(IDM),⁴³⁾ Gipps,⁴⁴⁾ Car Following Model(CFM)⁴⁵⁾을 활용한다. 이때 운전 성향은 차량 간 정지 거리와 목표 속도 달성 이익, 앞 차량과의 속도 차이에 대한 이익을 조정하여 설계하였다. 여기서 차량 간 정지 거리는 차량이 정지할 때 동일 차선 Leader와 유지해야 하는 거리를 의미하며, 목표 속도 달성 이익은 각 차량이 달리고자 하는 속도에 빠르게 도달할수록 얻는 이익의 정도를 나타낸다. 또한 앞 차량과의 속도 차이에 대한 이익은 동일 차선 Leader와의 속도 차이가 줄어들수록 얻는 이익의 정도를 나타낸다. 각 운전 성향에 따른 구체적인 설정은 다음과 같다.

• • 보수적(Conservative)⁴³⁾: 차량 간 정지 거리를 가장 길게 설정하여 모든 교통 상황에서 동일 차선 Leader와의 거리를 최대로 한다. 이때 안전한 주행을 최우선으로 하며, 차선 변경 행동을 최소화하여 교통 흐름에 미치는 영향을 최소화한다.
• • 중립적(Neutral)⁴⁴⁾: 차량 간 정지 거리를 보수적인 성향의 약 0.4배로 설정함으로써 상황에 따라 주행한다. 예를 들어, 정체 상황이나 차량 밀집도가 높은 상황에서는 차선 변경 횟수를 줄이고, 교통 흐름이 원활한 경우 목표 속도 달성을 위해 주행한다.
• • 공격적(Aggressive)⁴⁵⁾: 차량 간 정지 거리를 보수적인 성향의 약 0.06배로 설정하여 동일 차선 Leader와 최소한의 거리를 유지한다. 또한 목표 속도 달성 이익과 앞 차량과의 속도 차이에 대한 이익을 높게 설정하여 잦은 가속과 차선 변경 행동을 보인다.

모델 학습을 위해 시뮬레이터를 활용하여 총 2,100,706개의 궤적 데이터를 생성하였으며, 학습 및 테스트 데이터셋의 비율을 4:1로 나누었다. Table 1은 데이터 수집 환경을 나타내며, 구체적인 실험 환경과 각 운전 성향별 Hyperparameter, 시뮬레이터의 설정은 Appendix A1과 A2, A3에서 확인 가능하다.

Table 1

Simulator settings

4.3 운전 성향 추론 모델의 성능 평가

본 절에서는 제안하는 RSU 수집 정보 기반 운전 성향 추론 모델의 성능을 비교하고 분석한다. 먼저 데이터 수집 방식에 따른 성능을 분석하기 위해 RSU 기반 데이터 수집 방법과 주행 차량 기반 데이터 수집 방법에 따른 성능을 정량적으로 분석한다. 이후, 제안하는 시스템에서 학습 모델별 성능을 비교한다. 이때, 현실적인 주행 환경을 반영하기 위해 노이즈가 포함된 시나리오에서 정량적 및 정성적인 성능을 종합적으로 분석한다.

4.3.1 데이터 수집 방식에 따른 추론 모델 성능 분석

Table 2는 xLSTM 기반 추론 모델의 데이터 수집 방식에 따른 성능을 나타낸다. 각 실험은 5개의 랜덤 시드에 대한 평균 성능을 나타내며, 1차 표준편차를 함께 표시하였다. 해당 결과는 제안하는 RSU 기반 데이터 수집 방식이 주행 차량 기반 데이터 수집 방식보다 타겟 차량의 운전 성향을 추론하는 데 더 효과적임을 보여준다. 이러한 성능 차이는 관측 주체의 주행 정보 수집 방식의 차이에서 비롯된다. 구체적으로 RSU는 거리의 제약 없이 타겟 차량에 대한 주행 정보를 수집할 수 있는 반면, 주행 차량은 타겟 차량이 인접한 경우에만 제한적인 관측 범위에서 정보를 수집할 수 있으며 주행 차량의 운전 성향이 타겟 차량을 관측하는 과정에 영향을 미칠 수 있다. 이는 주행 차량이 타겟 차량에 대해 상대적인 정보를 수집하고, 결국 동일한 타겟 차량을 관측하여도 주행 차량의 운전 성향에 따라 상이하게 추론할 수 있음을 의미한다. 따라서 해당 결과는 RSU 기반 데이터 수집 방식이 타겟 차량의 운전 성향을 추론하는 데 더 효과적임을 나타낸다.

Table 2

Inference accuracy of xLSTM model according to data collection entity

보다 구체적으로, 데이터 수집 방식에 따른 결과를 심층 분석하기 위해 Confusion matrix를 활용하여 분석을 진행한다(Fig. 5). Fig. 5(a)는 주행 차량 기반 데이터 수집 방식에 따른 결과를 나타내고, Fig. 5(b)는 RSU 기반 데이터 수집 방식에 따른 결과를 나타낸다. 가로축은 추론 모델이 추론한 타겟 차량의 운전 성향 $$ {\widehat{s}}_j$$을 의미하고 세로축은 타겟 차량의 실제 운전 성향 s_j을 의미한다. 오른쪽 위로 향하는 대각선은 추론한 운전 성향과 실제 운전 성향이 일치하는 경우를 나타내며, 색상이 진할수록 모델의 추론 정확도가 높음을 의미한다. 해당 결과는 데이터 수집 방식에 관계 없이 특정 운전 성향에 치우치지 않고 모든 운전 성향을 성공적으로 추론할 수 있음을 나타낸다. 특히, 제안하는 시스템을 주행 차량 기반 데이터 수집 방식과 비교했을 때 각 운전 성향별로 높은 추론 정확도를 보인다. 이를 통해 RSU를 활용함으로써 타겟 차량의 운전 성향을 효과적으로 추론할 수 있음을 확인할 수 있다.

Fig. 5

Confusion matrix of xLSTM according to data collection entity: (a) driving vehicle-based and (b) RSU-based

추가적으로 각 데이터 수집 방식에 따른 모델 복잡도를 분석하였다. Fig. 6은 주행 차량 기반 데이터 수집 방식을 기준으로 Floating point operations per second(FLOPS)와 파라미터 수를 상대적으로 나타낸 막대 그래프이며,¹⁾ 꺾은선 그래프는 추론 성능을 나타낸다. 실험 결과, 제안하는 RSU 기반 데이터 수집 방식은 낮은 FLOPS와 적은 파라미터 수를 가짐에도 우수한 추론 성능을 보여준다. 구체적으로 FLOPS는 비교 방식 대비 약 0.1배 낮았으며, 파라미터 수는 약 0.5배 적게 나타났다. 이는 제안하는 시스템이 모델 효율성 측면에서도 더 우수함을 의미한다.

Fig. 6

Comparison of complexity according to data collection entity

4.3.2 학습 모델별 추론 모델 성능 분석

본 절에서는 제안하는 시스템의 성능을 학습 모델별로 분석하기 위해 실험을 진행하였다. Table 3은 학습 모델에 따른 운전 성향 추론 성능을 나타낸다. 노이즈가 없는 환경(σ_t = 0.0)과 노이즈가 포함된 주행 정보를 다루는 환경(σ_t = 0.15)에서 실험을 수행하였으며, 각 모델에 대해 평균이 0이고 분산이 $$ {\sigma }_t^2$$인 정규 분포 $$ N\left(0,{\sigma }_t^2\right)$$에서 샘플링한 노이즈를 추가하였다. 각 환경에서 높은 성능을 보이는 모델에 대해 볼드로 표시하였으며 오차 범위 내 성능을 보이는 경우 함께 표시하였다. 이때 3.3절 식 (5)의 노이즈 모델링을 활용하였으며, 주행 정보 내 노이즈 양을 파악하기 위해 신호 대 잡음 비(Signal-to-noise ratio; SNR)를 함께 표시하였다. SNR은 원본 신호 대비 노이즈 양이 많을수록 값이 작아지며, 일반적으로 25 dB 이상인 경우 신뢰할 수 있는 정보임을 의미한다.⁴⁶⁾ 만약 15 dB 이상 25 dB 이하인 경우 연결 상태가 불안정하거나 노이즈에 의한 영향이 크게 반영된 최소 허용 수준의 정보를 의미한다.⁴⁷⁾

Table 3

Inference accuracy according to training model(Synthetic dataset)

먼저, Table 3에서 단일 시점 데이터를 다루는 MLP 기반 추론 모델은 궤적 데이터를 활용하는 모델에 비해 낮은 성능을 보임을 확인할 수 있으며, 특히 노이즈를 고려하는 경우 성능 하락이 크게 발생함을 확인할 수 있다. 이에 반해 궤적 데이터를 활용하는 모델은 노이즈가 없는 환경에서 우수한 성능을 보이며, 노이즈가 포함된 환경에서도 성능 하락이 상대적으로 적게 나타났다. 이는 시간에 따른 차량의 행동 변화를 고려하는 것이 운전 성향 추론에 중요한 영향을 미칠 수 있음을 의미한다.

궤적 데이터를 활용하는 모델을 심층 분석하였을 때, 순환 신경망 계열의 LSTM과 xLSTM 기반 모델이 노이즈가 없는 환경에서 98%이상의 높은 성능을 보였다. 그러나 노이즈가 많은 주행 정보를 다루는 환경에서는 제안하는 xLSTM 기반 모델이 LSTM 기반 모델에 비해 성능 감소 정도가 작게 나타났다. xLSTM은 기존 LSTM과 달리 mLSTM 블록을 활용하여 주행 정보를 행렬 벡터로 처리함으로써 운전 성향을 효과적으로 파악할 수 있으므로, 노이즈가 포함된 주행 정보에서도 안정적으로 운전 성향을 추론할 수 있음을 시사한다.

보다 구체적으로, 주행 정보 내 노이즈 양이 증가함에 따른 추론 성능의 경향성을 파악하고자 노이즈 강건성 실험을 진행하였다. Fig. 7은 데이터 내 노이즈 정도에 따른 추론 성능 변화를 나타내며, 해당 그래프에서 x축은 식 (5)의 정규분포에서 샘플링된 노이즈 표준편차 σ_t를 나타내고 y축은 추론 정확도를 나타낸다. Fig. 7(a)는 추론 모델의 입력 데이터 형태에 따른 결과를 비교하며, 단일 시점 데이터를 다루는 MLP 모델이 노이즈 표준편차가 커짐에 따라 성능이 지수적으로 감소하는 것을 확인 가능하다. 반면, 제안하는 궤적 데이터 기반 추론 모델은 노이즈 표준편차가 커짐에도 성능이 선형적으로 감소하며 성능 감소 폭이 작음을 확인할 수 있다. Fig. 7(b)는 궤적 데이터 기반 모델의 성능 변화를 나타내며, 여기서 제안하는 xLSTM 기반 모델과 LSTM 기반 모델 간 성능 차이가 노이즈의 증가에 따라 더 크게 벌어지는 것을 확인 가능하다. 또한, Transformer 기반 모델은 노이즈 양이 많아질수록 성능이 가장 크게 하락하는 경향이 나타났다. 이를 통해 관측 노이즈가 큰 환경에서 제안하는 xLSTM 기반 모델을 활용함으로써 안정적으로 운전 성향을 추론할 수 있음을 확인하였다.

Fig. 7

Inference accuracy over increasing amount of Gaussian noise: (a) xLSTM and MLP (b) trajectory data based models

비정규분포 형태의 노이즈를 고려한 실험 결과는 Fig. 8에서 확인 가능하다. 본 연구에서는 Rayleigh 분포에서 샘플링된 노이즈를 활용하였으며, 제안하는 시스템의 성능을 실제 환경의 복잡성을 반영하여 평가하고자 한다. Fig. 8(a) 결과는 정규 분포 형태의 노이즈를 다루는 환경과 마찬가지로 제안하는 시스템의 유용성을 보여준다. 또한, Fig. 8(b)의 결과를 통해 xLSTM 기반 운전 성향 추론 모델이 비정규분포를 따르는 노이즈를 고려하는 환경에서도 안정적인 추론 성능을 보임을 확인할 수 있다. 이는 실제 환경의 복잡성을 고려하더라도 제안하는 모델이 높은 활용성을 보임을 시사한다.

Fig. 8

Inference accuracy over increasing amount of Rayleigh noise: (a) xLSTM and MLP (b) trajectory data based models

5. 실데이터셋 기반 운전 성향 추론 모델 성능 분석

본 장에서는 제안하는 모델의 실제적 활용 가능성을 분석하고자 실제 주행 데이터셋을 활용하여 성능을 평가한다. 구체적으로, 연방 고속도로 관리국의 차세대 시뮬레이션(Next generation simulation; NGSIM)에서 수집한 USRoute101(US-101) 데이터셋을 활용하며,²⁷⁾ 원본 NGSIM 데이터셋에 대한 전처리와 운전 성향 Pseudo-labeling을 진행한다. 이후 해당 데이터셋을 기반으로 제안하는 추론 모델의 성능을 분석한다.

5.2 NGSIM 데이터셋에서의 운전 성향 추론 모델성능 분석

본 절에서는 실제 차량 주행 데이터셋을 활용하여 추론 모델을 학습하고 제안 모델의 성능을 분석한다. 먼저, Fig. 9는 NGSIM 데이터셋에 대한 각 학습 모델의 추론 성능을 나타낸 Confusion matrix이다. 해당 결과는 제안하는 시스템이 실데이터셋에서도 모든 운전 성향을 성공적으로 추론할 수 있음을 나타낸다. 구체적으로, 단일 데이터를 입력으로 활용하는 MLP 기반 모델과 달리 궤적 데이터를 입력으로 활용하는 모델이 더욱 정확한 추론 성능을 보였으며, 제안하는 xLSTM 기반 모델에서 높은 성능을 보임을 확인할 수 있다.

Fig. 9

Confusion matrix according to training model: (a) MLP-based, (b) LSTM-based, (c) transformer-based and (d) xLSTM-based

Table 4는 추론 성능을 정량적으로 분석한 결과를 나타낸다. 여기서 제안하는 xLSTM 기반 모델과 LSTM, Transformer 기반 모델 모두 99% 이상의 높은 추론 정확도를 보임을 확인할 수 있다. 이러한 결과는 제안하는 RSU 기반 운전 성향 주행 전략이 실제 도로 환경에서 우수한 성능을 기대할 수 있음을 시사한다.

Table 4

Inference accuracy according to training model(NGSIM dataset)

6. 결론 및 토의

본 연구에서는 RSU로부터 수집한 차량의 주행 정보를 활용하여 운전 성향을 추론하는 모델을 제안하였다. 이를 위해 xLSTM 기반의 운전 성향 추론 모델을 설계하고 실험적으로 성능을 분석하였다. 실험 결과, 제안하는 시스템이 주행 차량을 통해 데이터를 수집하는 방식에 비해 우수한 추론 성능을 보임을 확인하였으며, 학습 모델 간 성능 비교를 통해 궤적 데이터 활용의 유용성을 입증하였다. 특히 제안하는 시스템이 모델의 구조적 특성으로 인해 센싱 노이즈가 존재하는 환경에서도 안정적인 추론이 가능하고, 실제 주행 환경에서도 높은 성능을 보임을 실험적으로 입증하였다.

본 논문에서는 차량의 운전 성향 추론 과정을 중심으로 연구하였으며, 추론된 운전 성향의 활용 방안에 대해서는 다루지 않았다. 운전 성향 추론은 자율 주행 자동차의 탑승자 개인화와 판단 제어에 활용될 수 있다. 예를 들어, 자율 주행 자동차는 RSU로부터 인접 차량의 운전 성향을 수신하고 해당 차량의 행동 패턴을 고려한 의사 결정을 수행할 수 있다. 이에 향후 인접 차량의 운전 성향을 반영한 강화학습 기반 자율 주행 자동차의 판단 제어를 연구할 예정이다. 이러한 연구가 진행된다면 자율 주행 기술은 인접 차량에 따른 유연한 주행을 통해 보다 안정적이고 효율적인 교통 시스템을 조성할 것으로 기대된다.

Acknowledgments

A part of this paper was presented at the KSAE 2024 Fall Conference and Exhibition

이 성과는 과학기술정보통신부의 재원으로 한국연구재단의 지원(RS-2023-00278812)과 정보통신기획평가원-대학ICT연구센터(ITRC)의 지원(IITP-2025-RS-2020-II201602)을 받아 수행된 연구임.

References

• Hankyoreh, Was Fully Autonomous Driving Always a Pipe Dream?, https://english.hani.co.kr/arti/english_edition/e_business/1148969.html, (accessed on 2024. 1. 1).
• Y. Jo, H. Jeong and G. Hwang, “Autonomous Vehicle Based on Deep Reinforcement Learning to Prevent Traffic Congestion in V2X,” Journal of the Korean Institute of Communications and Information Sciences, Vol.48, No.10, pp.1235–1237, 2023.
• C. Eom, D. Lee and M. Kwon, “Autonomous Driving Strategy for Bottleneck Traffic with Prioritized Experience Replay,” Journal of the Korean Institute of Communications and Information Sciences, Vol.48, No.6, pp.690–703, 2023. [https://doi.org/10.7840/kics.2023.48.6.690]
• S. Kim, K. Shin, J. Jeon, J. Bang, J. Kim and S. Jung, “A Study on Highway Driving Decision Making with Hybrid Action for Autonomous Vehicles Using Deep Reinforcement Learning,” Journal of the Korean Institute of Communications and Information Sciences, Vol.49, No.12, pp.1671–1684, 2024. [https://doi.org/10.7840/kics.2024.49.12.1671]
• C. Hubmann, M. Becker, D. Althoff, D. Lenz and C. Stiller, “Decision Making for Autonomous Driving Considering Interaction and Uncertain Prediction of Surrounding Vehicles,” Proceedings of the IEEE Intelligent Vehicles Symposium(IV), pp.1671–1678, 2017.
• L. Eboli, G. Mazzulla and G. Pungillo, “How Drivers’ Characteristics Can Affect Driving Style,” Transportation Research Procedia, Vol.27, No.1, pp.945–952, 2017.
• E. Tian, “Driver Characteristics in the Lane Change Process,” Proceedings of the IEEE International Conference on Remote Sensing, Environment and Transportation Engineering(RSETE), pp.3093–3096, 2011. [https://doi.org/10.1109/rsete.2011.5964968]
• L. Jia, D. Yang, Y. Ren, C. Qian, Q. Feng and B. Sun, “A Dynamic Driving-Style Analysis Method Based on Drivers’ Interaction with Surrounding Vehicles,” Journal of Transportation Safety and Security, Vol.16, No.9, pp.972–995, 2024. [https://doi.org/10.1080/19439962.2023.2276185]
• X. Qiu, Y. Pan, M. Zhu, L. Yang and X. Zheng, “Driving Style-Aware Car-Following Considering Cut-in Tendencies of Adjacent Vehicles with Inverse Reinforcement Learning,” Proceedings of the IEEE Intelligent Vehicles Symposium(IV), pp.1329–1336, 2024. [https://doi.org/10.1109/iv55156.2024.10588574]
• S. Zhang, Z. Zhang and C. Zhao, “A Method of Intelligent Driving-Style Recognition Using Natural Driving Data,” Applied Sciences, Vol.14, No.22, Paper No.10601, 2024.
• L. Hu, D. Li, J. Liao, X. Zhang, Q. Li, M. Berecibar and M. S. Hosen, “Highway Main Lane Vehicles Driving Behavior Prediction Based on Residual-Transformer,” IEEE Transactions on Vehicular Technology, Vol.73, No.10, pp.14302–14312, 2024.
• X. Duan, H. Jiang, D. Tian, T. Zou, J. Zhou and Y. Cao, “V2I Based Environment Perception for Autonomous Vehicles at Intersections,” China Communications, Vol.18, No.7, pp.1–12, 2021. [https://doi.org/10.23919/jcc.2021.07.001]
• Y. Mo, R. Vijay, R. Rufus, N. Boer, J. D. Kim and M. Yu, “Enhanced Perception for Autonomous Vehicles at Obstructed Intersections: An Implementation of Vehicle to Infrastructure(V2I) Collaboration,” Sensors, Vol.24, No.3, Paper No.936, 2024. [https://doi.org/10.3390/s24030936]
• J. Yang, T. Chen, B. Payne, P. Guo, Y. Zhang and J. Guo, “Generating Routes for Autonomous Driving in Vehicle-to-Infrastructure Communications,” Digital Communications and Networks, Vol.6, No.4, pp.444–451, 2020. [https://doi.org/10.1016/j.dcan.2020.04.005]
• X. Li, L. Liu, R. Zhou, N. Zhang, C. Wu, M. Atiquzzaman and M. Guizani, “Connectivity Analysis for V2I Communications in Cognitive Vehicular Networks,” IEEE Transactions on Vehicular Technology, Vol.74, No.2, pp.3052–3065, 2025. [https://doi.org/10.1109/tvt.2024.3481300]
• H. Woo, H. Madokoro, K. Sato, Y. Tamura, A. Yamashita and H. Asama, “Prediction of Following Vehicle Trajectory Considering Operation Characteristics of a Human Driver,” Proceedings of the IEEE/SICE International Symposium on System Integration(SII), pp.712–717, 2020.
• Z. Jiang and S. Easa, “Analysis of Driving Characteristics at Roundabout Using High Definition Vehicle Trajectory Data,” Proceedings of the CSCE Annual Conference, 2020.
• A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, L. Kaiser and I. Polosukhin, “Attention is All You Need,” Proceedings of the Advances in Neural Information Processing Systems(NeurIPS), pp.6000–6010, 2017.
• S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Computation, Vol.9, No.8, pp.1735–1780, 1997. [https://doi.org/10.1162/neco.1997.9.8.1735]
• A. Dixit and M. Jain, “Driving Style Based Trajectory Prediction of the Surrounding Vehicles Using LSTM & ARIMA in Autonomous Driving,” Journal of Electrical Systems, Vol.20, No.2, pp.2631–2640, 2024. [https://doi.org/10.52783/jes.2035]
• Y. Nam and C. Kwon, “Integrated Data-Driven Inference and Planning-Based Human Motion Prediction for Safe Human-Robot Interaction,” Proceedings of the IEEE International Conference on Robotics and Automation(ICRA), pp.13404–13410, 2024. [https://doi.org/10.1109/icra57147.2024.10611239]
• B. Guo and J. H. L. Hansen, “T-EnFP: An Efficient Transformer Encoder-Based System for Driving Behavior Classification,” Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing(ICASSP), pp.6830–6834, 2024. [https://doi.org/10.1109/icassp48485.2024.10448392]
• B. Kim, D. Kim, K. Park, S. Kim, S. Kim and S. Jeong, “A Study on the Prediction of Vehicle Driving Information Based on LSTM Using Time Series Data,” Proceedings of the Symposium of the Korean Institute of Communications and Information Sciences, pp.801–802, 2023.
• M. Beck, K. Poppel, M. Spanring, A. Auer, O. Prudnikova, M. Kopp, G. Klambauer, J. Brandstetter and S. Hochreiter, “xLSTM: Extended Long Short-Term Memory,” Proceedings of the Advances in Neural Information Processing Systems(NeurIPS), pp.107547–107603, 2024.
• T. Schmied, T. Adler, V. Patil, M. Beck, K. Poppel, J. Brandstetter, G. Klambauer, R. Pascanu and S. Hochreiter, “A Large Recurrent Action Model: xLSTM Enables Fast Inference for Robotics Tasks,” arXiv preprint arXiv:2410.22391, , 2024.
• M. Alharthi and A. Mahmood, “xLSTMTime: Long-Term Time Series Forecasting with xLSTM,” AI, Vol.5, No.3, pp.1482–1495, 2024. [https://doi.org/10.3390/ai5030071]
• V. Alexiadis, J. Colyar, J. Halkias, R. Hranac and G. McHale, “The Next Generation Simulation Program,” Institute of Transportation Engineers, Vol.74, No.8, pp.22–26, 2004.
• Y. Shin, H. Song, J. Park and J. Choi, “Deep Learning Based Real-Time Driver Style Classification Using Vehicle CAN Data,” KSAE Spring Conference Proceedings, pp.594–598, 2020.
• J. Jeong and S. Kee, “Real-Time Object Behavior Prediction Based on LiDAR Suitable for Urban Autonomous Driving,” Transactions of KSAE, Vol.30, No.7, pp.589–598, 2022.
• H. Song, Y. Shin, H. Na, J. Park, S. You and J. Choi, “Hybrid Deep Learning Model for Classification of Driver’s Driving Characteristics,” KSAE Annual Conference Proceedings, pp.669–673, 2020.
• S. Ju, Y. Kim, S. Oak, D. Lee and S. Kim, “Deep Learning-Based Driver Personality Classification for Personalized Adaptive Cruise Control Using CNN-LSTM,” KSAE Spring Conference Proceedings, pp.798–799, 2024.
• X. Wang, K. Tang, X. Dai, J. Xu, J. Xi, R. Ai, Y. Wang, W. Gu and C. Sun, “Safety-Balanced Driving-Style Aware Trajectory Planning in Intersection Scenarios with Uncertain Environment,” IEEE Transactions on Intelligent Vehicles, Vol.8, No.4, pp.2888–2898, 2023. [https://doi.org/10.1109/tiv.2023.3239903]
• L. Shao, M. Ling, Y. Yan, G. Xiao, S. Luo and Q. Luo, “Research on Vehicle-Driving-Trajectory Prediction Methods by Considering Driving Intention and Driving Style,” Sustainability, Vol.16, No.19, Paper No.8417, 2024. [https://doi.org/10.3390/su16198417]
• G. L. Gil, P. Duhamel-Sebline and A. McCarren, “An Evaluation of Deep Learning Models for Stock Market Trend Prediction,” arXiv preprint arXiv:2408.12408, , 2024.
• S. Park, C. Eom and M. Kwon, “V2I-Based Driving Characteristics Inference Model,” KSAE Fall Conference Proceedings, pp.2265–2266, 2024.
• W. Lee and C. Farmer, “Data Assimilation by Conditioning of Driving Noise on Future Observations,” IEEE Transactions on Signal Processing, Vol.62, No.15, pp.3887–3896, 2014. [https://doi.org/10.1109/tsp.2014.2330807]
• C. Chang, J. Zhang, K. Zhang, Y. Zheng, M. Shi, J. Hu, S. Li and L. Li, “CAV Driving Safety Monitoring and Warning via V2X-Based Edge Computing System,” Frontiers of Engineering Management, Vol.11, No.1, pp.107–127, 2024. [https://doi.org/10.1007/s42524-023-0293-x]
• Y. Li, F. Liu, L. Xing, C. Yuan and D. Wu, “A Deep Learning Framework to Explore Influences of Data Noises on Lane-Changing Intention Prediction,” IEEE Transactions on Intelligent Transportation Systems, Vol.25, No.7, pp.6514–6526, 2024. [https://doi.org/10.1109/tits.2023.3344647]
• J. Zhang, L. Liu, K. Wang, Y. Fan and J. Qiu, “Measurements and Statistical Analyses of Electromagnetic Noise for Industrial Wireless Communications,” International Journal of Intelligent Systems, Vol.36, No.3, pp.1304–1330, 2021. [https://doi.org/10.1002/int.22343]
• I. Singh, P. Smith and P. Dmochowski, “Optimal SNR Analysis for Single-User RIS Systems in Ricean and Rayleigh Environments,” IEEE Transactions on Wireless Communications, Vol.21, No.11, pp.9834–9849, 2022. [https://doi.org/10.1109/twc.2022.3179776]
• P. A. Lopez, M. Behrisch, L. Bieker-Walz, J. Erdmann, Y. Flotterod, R. Hillbrich, L. Lucken, J. Rummel, P. Wagner and E. Wiessner, “Microscopic Traffic Simulation Using SUMO,” Proceedings of the IEEE International Conference on Intelligent Transportation Systems(ITSC), pp.2575–2582, 2018. [https://doi.org/10.1109/itsc.2018.8569938]
• C. Wu, A. R. Kreidieh, K. Parvate, E. Vinitsky and A. M. Bayen, “Flow: A Modular Learning Framework for Mixed Autonomy Traffic,” IEEE Transactions on Robotics, Vol.38, No.2, pp.1270–1286, 2022. [https://doi.org/10.1109/tro.2021.3087314]
• M. Treiber, A. Hennecke and D. Helbing, “Congested Traffic States in Empirical Observations and Microscopic Simulations,” Physical Review E, Vol.62, No.2, pp.1805–1824, 2000. [https://doi.org/10.1103/physreve.62.1805]
• P. Gipps, “A Behavioral Car-Following Model for Computer Simulation,” Transportation Research Part B: Methodological, Vol.15, No.2, pp.105–111, 1981. [https://doi.org/10.1016/0191-2615(81)90037-0]
• R. Rothery, “Car Following Models,” Traffic Flow Theory, 1992.
• R. H. Rasshofer and K. Gresser, “Automotive Radar and Lidar Systems for Next Generation Driver Assistance Functions,” Advances in Radio Science, Vol.3, No.1, pp.205–209, 2005. [https://doi.org/10.5194/ars-3-205-2005]
• Cadence PCB Solutions, What Is Signal to Noise Ratio and How to Calculate It?, https://resources.pcb.cadence.com/blog/2020-what-is-signal-to-noise-ratio-and-how-to-calculate-it, (accessed on 2024. 4. 22).
• Y. Xing, C. Lv and D. Cao, “Personalized Vehicle Trajectory Prediction Based on Joint Time-Series Modeling for Connected Vehicles,” IEEE Transactions on Vehicular Technology, Vol.69, No.2, pp.1341–1352, 2020. [https://doi.org/10.1109/tvt.2019.2960110]