딥러닝 기반 차량 플래툰 역학 모델링의 혁신: 물리적 해석 가능성과 정확도의 조화

본 연구는 물리적 해석 가능성을 유지하면서 높은 정확도를 달성한 AI 기반 차량 플래툰 역학 모델링(PeMTFLN)을 제시합니다. 실제 주행 데이터를 기반으로 학습된 PeMTFLN은 기존 모델보다 우수한 예측 성능을 보였으며, 오픈소스로 공개되어 관련 연구 발전에 기여할 것으로 기대됩니다.

최근 인공지능(AI) 기반 비선형 차량 플래툰 역학 모델링은 차량 간 상호 작용 예측 및 최적화에 중요한 역할을 하고 있습니다. 하지만 기존 연구는 플래툰 규모에서의 차량 행동 상호 작용 특징 추출 및 포착에 어려움을 겪었고, 물리적 해석 가능성을 잃지 않으면서 높은 모델링 정확도를 유지하는 데에도 한계가 있었습니다.

이러한 문제를 해결하기 위해, Hao Lyu 등 6명의 연구원은 물리적 인코딩 심층 학습 네트워크(PeMTFLN) 을 제안했습니다. PeMTFLN은 해석 가능한 매개변수 인코딩 계산 그래프(APeCG) 와 다중 스케일 궤적 특징 학습 네트워크(MTFLN) 로 구성됩니다. APeCG는 플래툰이 선행 차량의 주행 행동에 반응하면서 국부적 안정성을 유지하도록 설계되었고, MTFLN은 플래툰 추종 패턴을 포착하고 APeCG에 필요한 물리적 매개변수를 궤적 데이터로부터 추론합니다.

연구팀은 HIGHSIM(Human-driven vehicle trajectory datasets) 데이터셋을 사용하여 PeMTFLN을 학습했습니다. 실험 결과, PeMTFLN은 속도 및 간격 예측 정확도 측면에서 기존 모델보다 뛰어난 성능을 보였습니다. 뿐만 아니라, APeCG의 물리적 매개변수가 실제 환경에서의 플래툰 안정성을 재현할 수 있음을 확인했습니다. 시뮬레이션 실험에서도 PeMTFLN은 플래툰 궤적 생성에서 낮은 추론 오차를 보였으며, 실제 안전 통계를 정확하게 재현했습니다.

특히, PeMTFLN의 코드는 오픈소스로 공개되어 향후 관련 연구의 발전에 크게 기여할 것으로 기대됩니다. 이 연구는 물리적 해석 가능성과 높은 정확도를 동시에 달성함으로써 AI 기반 차량 플래툰 기술의 새로운 지평을 열었습니다. 자율 주행 기술 발전에 중요한 이정표가 될 이 연구 결과에 많은 관심이 집중되고 있습니다.

주요 내용:

• PeMTFLN: 물리적 인코딩 심층 학습 네트워크 (Physics-Encoded Deep Learning Network)
• APeCG: 해석 가능한 매개변수 인코딩 계산 그래프 (Analyzable Parameters Encoded Computational Graph)
• MTFLN: 다중 스케일 궤적 특징 학습 네트워크 (Multi-scale Trajectory Feature Learning Network)
• 데이터셋: HIGHSIM (Human-driven vehicle trajectory datasets)
• 결과: 속도 및 간격 예측 정확도 향상, 실제 안전 통계 정확하게 재현, 오픈소스 코드 공개