KAIST MOBILE Institute 메인으로 이동

01연구의 필요성

단일 차량 인지 기술의 한계

• 차량에 탑재된 라이다·카메라·레이더는 각기 강점이 있으나 복합적인 도시 환경에서 단독으로는 충분한 신뢰도를 제공하지 못함
• 라이다는 강우나 안개에서 최대 탐지 범위가 50% 이상 감소하며, 카메라는 야간이나 강한 햇빛 환경에서 신호 왜곡이 발생함
• 복잡한 교차로, 터널, 도로 공사 구간 등에서는 시야 제한 문제를 극복하기 어려움

협력 판단의 필요성과 연구 범위

• 한국의 전국 교통 혼잡 비용은 연간 약 65조 원으로 전체 GDP의 3.14%를 차지하여 교통 흐름 최적화의 필요성이 큼
• 도로 인프라와 차량의 협력을 통해 평균 교차로 통행 시간이 99%까지 단축될 수 있다는 선행 결과가 보고된 바 있음
• 본 과제는 V2X 환경에서 다중 차량과 인프라가 협력하여 안전하고 효율적으로 주행하도록 인지 모델과 판단 모델을 각각 개발함

02협력 인지 모델 ParCon

블록 병렬 연결 구조의 설계

• ParCon은 Agent-wise Attention, Spatial Attention, Spatial Convolution 세 블록을 병렬로 배치한 협력 인지 모델임
  • 병렬 배치를 통해 각 블록이 가진 국지·전역·에이전트 정보를 동시에 추출하도록 설계함
• 병렬 구조는 순차 연결 시 발생하는 노이즈 누적을 억제하여 통신 지연, 자세 오차, 위치 오차에 강건한 특성을 확보함

채널 압축을 통한 연산 효율화

• 채널 압축(CCL)은 입력 채널을 4분의 1로 줄여 연산량과 파라미터를 절감하면서 서로 다른 블록의 의도를 혼합해 성능을 유지함
• 라이다 협력을 전제로 한 병렬 연결 기반의 3D 객체 인지 모델로서 연산 효율의 극대화를 핵심 설계 목표로 삼음

03협력 판단 모델 설계

자연어 토큰 기반 상태 인코딩

• 속도·위치의 주행 상태와 목적지 등 주행 의도를 자연어형 시계열 토큰으로 변환하여 다중 에이전트 맥락을 언어 모델이 이해하도록 제공함
• 협력 정보를 자연어형 시계열로 제공함으로써 장거리 시퀀스에서도 정보 손실 없이 의사결정 품질을 유지할 수 있도록 함

오프라인 강화학습 구조와 문제 정의

• Decision Transformer는 state, action, Return-to-Go로 구성된 trajectory를 입력으로 사용하는 오프라인 강화학습 방법임
• MSE 손실 함수로 예측 action과 학습 데이터의 action을 비교해 파라미터를 갱신하며, 추론 시에는 초기 RTG 값에 따라 생성 행동이 달라짐
  • 5대의 차량이 단일 차선의 4지 비신호 교차로로 진입하는 시나리오를 대상으로 함

04실험 결과 및 성능 검증

협력 인지 모델의 정확도와 강건성

• V2XSet, OPV2V, DAIR-V2X 세 데이터셋에서 CoBEVT, V2X-ViT, Where2comm, CoAlign과 동일한 조건으로 비교학습을 수행함
• ParCon은 5.6M 파라미터로 AP@0.7 0.713을 기록해 14M의 V2X-ViT(0.65)와 13M의 CoAlign보다 가벼우면서 최고 정확도를 달성함
• 통신 500ms 지연, 자세 1도, 위치 0.5m의 Hard 조건에서도 AP 약 0.66을 유지한 반면 경쟁 기법은 0.60 이하로 급락함
  • 통신 지연 조건에서 정확도 감소폭은 최대 6%대로 경쟁 모델보다 2~3% 작게 나타남

협력 판단 모델의 데이터 구성 효과

• 일반 데이터셋 512,000개와 그 5%, 10%, 20%에 해당하는 충돌 데이터를 혼합한 데이터셋으로 학습 결과를 비교함
• 모든 모델이 유사한 Return과 Length를 보인 가운데 10% 혼합 데이터셋에서 충돌률 0.08로 가장 낮은 값을 기록함
• 노이즈가 추가된 환경에서도 Return 1258.04, Length 18.49, 충돌률 0.14를 기록해 학습 환경과 다른 조건에서의 제어 가능성을 확인함

데이터셋 구성에 따른 협력 판단 모델 성능 비교

데이터셋	Avg Return	Collision Rate
일반 데이터셋	1259.64	0.14
혼합 데이터셋(5%)	1258.99	0.12
혼합 데이터셋(10%)	1259.36	0.08
혼합 데이터셋(20%)	1259.84	0.12
예약 기반 시스템	1259.25	0.00

05기대효과 및 활용방안

기존 차량 단독 기술과의 비교

• Tesla의 오토파일럿, Waymo와 Cruise의 로보택시, Mobileye의 자율주행 모듈 등은 차량 단독 인지·판단 구조에 의존하고 있음
• 이들 기술은 차량 단독으로 환경을 인지하고 판단하는 구조에 의존해 교통 혼잡과 돌발 상황 대처에 한계를 드러냄

협력형 자율주행 기술 확산 기여

• 본 연구는 차량과 도로 인프라 간 협력적 데이터 공유로 환경 정보를 융합하여 안전성과 교통 효율성을 향상시킬 수 있음
• 차량 간 협력뿐 아니라 전체 도로 네트워크 차원의 효율적인 의사결정을 가능하게 하는 기반 기술로 활용 가능함