희소한 V2X 데이터는 학습된 차량 움직임 예측 모델을 어떻게 시험하는가

Nukhbala Gadzhiev, Alexander Morochko

6 분 읽기•2026년 11월 18일

학습 기반 궤적 예측기는 위치 업데이트가 1 Hz까지 줄어들어도 직선 및 회전 움직임에서 더 강력한 운동학적 기준 모델보다 24–30% 우위를 유지했습니다. 그러나 업데이트 빈도가 낮아질수록 예측 오차는 여전히 커졌으며, 보행자의 경우 더 단순한 일정 속도 모델이 더 정확했습니다. 이는 예측기를 선택할 때 업데이트 빈도와 이동 주체의 유형을 모두 고려해야 함을 보여줍니다.

목차

연구진은 무엇을 만들었나요?

연구진은 예측기 학습에 사용된 데이터보다 위치 업데이트가 드물게 들어올 때, 여러 방법이 이동 주체의 미래 경로를 얼마나 잘 예측하는지 시험했습니다. 이는 차량-사물 간 통신(V2X)에서 현실적으로 중요한 문제입니다. 보고되는 위치 정보는 대략 초당 1–10회 도착할 수 있지만, 궤적 모델은 대개 더 자주 수집된 데이터로 학습되기 때문입니다.

실험에는 Argoverse 2 동작 예측 데이터셋을 사용했습니다. 각 시나리오에서 모델은 하나의 중심 에이전트에 대한 5초간의 위치 이력을 입력받아 이후 6초를 예측했습니다. 연구진은 원래 10 Hz였던 이력의 샘플링 빈도를 5, 2 또는 1 Hz로 낮췄습니다. 예측 과제에는 지도 정보나 주변 에이전트의 위치를 사용하지 않아, 중심 에이전트의 관측된 움직임 자체가 예측에 미치는 영향을 분리했습니다.

학습 기반 방법은 LSTM 기반 순환 신경망(RNN)이었습니다. 이 모델은 관측값의 시퀀스를 처리해 다음에 일어날 일을 추정합니다. 연구진은 관측 빈도마다 별도로 학습한 모델과, 10 Hz 데이터로 학습한 뒤 선형 보간을 거친 희소 관측값에 적용한 모델을 비교했습니다. 또한 학습 기반 예측기를 두 가지 단순 운동 규칙인 일정 속도(CV)와 일정 가속도(CA)와 비교했습니다.

예측 정확도는 어떻게 달라졌나요?

관측 빈도에 맞춰 학습한 RNN은 입력 이력이 희소해질수록 정확도가 낮아졌습니다. 평균 변위 오차(ADE)는 예측 구간에서 예측 위치와 실제 위치 간 거리의 평균을 뜻합니다. 10 Hz 조건과 비교했을 때 ADE는 5 Hz에서 3.1%, 2 Hz에서 10.1%, 1 Hz에서 20.3% 증가했습니다.

오차가 커졌음에도 학습 기반 예측기는 직선 및 회전 움직임에서 두 운동학적 기준 모델 중 더 나은 모델보다 상당한 우위를 유지했습니다. 시험한 모든 빈도에서 보고된 우위는 24–30%였습니다. 연구진의 초기 예상과 달리, 이 우위는 직선 경로에서도 사라지지 않았습니다. 다만 에이전트 유형에 따라 결과는 달랐습니다. 보행자에게는 일정 속도 모델이 학습 기반 모델보다 정확했습니다.

관측 빈도빈도별 RNN의 10 Hz 대비 ADE 변화보간을 적용한 10 Hz 학습 RNN
10 Hz기준기준 조건
5 Hz+3.1%빈도별 모델보다 최대 1.3% 낮은 정확도
2 Hz+10.1%빈도별 모델보다 최대 1.3% 낮은 정확도
1 Hz+20.3%빈도별 모델보다 11.5% 낮은 정확도

평가에는 24,984개의 테스트 시나리오가 포함됐습니다. 주요 RNN 실험은 각각 10개의 학습 시드로 진행했으며, 연구진은 시나리오와 시드를 대상으로 부트스트랩 신뢰구간을 계산했습니다. 초록에는 신뢰구간의 상한·하한이나 절대 ADE 값이 제시되지 않았습니다. 따라서 상대적 변화로 성능이 어떻게 달라졌는지는 알 수 있지만, 특정 배포 환경에서 직접 해석할 수 있는 거리 기반 오차는 확인할 수 없습니다.

빈도 비교는 어떻게 이루어지나요?

이 실험은 실제 배포 환경에서 혼동될 수 있는 두 가지 질문을 나눠 살펴봅니다. 하나는 모델이 더 적은 업데이트를 받을 때 어떤 일이 생기는지, 다른 하나는 잦은 업데이트에 맞춰 학습한 모델이 희소한 업데이트에서도 작동하는지입니다.

첫 번째 질문을 살펴보기 위해 연구진은 각 5초 이력을 10 Hz에서 5, 2 또는 1 Hz로 다운샘플링했습니다. 쉽게 말해, 모델은 동일한 움직임 구간을 나타내는 기록 위치 정보를 더 적게 받았습니다. 연구진은 각 빈도에서 별도의 LSTM 기반 RNN을 학습한 뒤, 6초간의 미래 움직임을 예측하게 했습니다.

두 번째 질문을 살펴보기 위해 10 Hz로 학습한 RNN에 희소한 이력을 입력하되, 선형 보간으로 그 사이의 빈 위치를 채웠습니다. 보간은 기록된 두 지점 사이를 직선으로 잇는 방식으로 중간 위치를 추정합니다. 이렇게 하면 입력 시퀀스는 더 촘촘해지지만, 에이전트의 실제 움직임에 대한 새로운 관측값이 추가되지는 않습니다. 이 설정은 재학습 없이 잦은 데이터로 학습한 모델이 낮은 빈도의 입력을 처리할 수 있는지 시험합니다.

연구진은 학습 기반 예측을 CV 및 CA 규칙과 비교했습니다. CV는 에이전트의 현재 속도를 그대로 연장하며, CA는 가속도도 고려합니다. 이 단순한 기준 모델은 계산량이 적고, 학습 기반 모델이 예측 성능을 실제로 높이는지 명확하게 비교할 수 있게 해줍니다.

연구진은 학습 전에 가설과 판단 기준을 설정했습니다. 이를 통해 결과를 본 뒤 성공 기준을 선택할 가능성을 낮췄습니다. 또한 여러 학습 시드와 부트스트랩 신뢰구간을 사용해 모델 실행과 테스트 시나리오 양쪽의 변동성을 고려했습니다. 실험 범위는 의도적으로 제한적입니다. 배포된 주행 시스템에서 이용할 수 있는 지도, 주변 교통, 기타 신호를 모두 사용하는 대신 단일 에이전트의 관측 위치만 살펴봅니다.

이 결과가 로봇공학에서 중요한 이유는 무엇인가요?

로봇과 자율주행 차량은 정보가 불규칙하거나 제한된 빈도로 들어오는 상황에서 작동해야 하는 경우가 많습니다. V2X 메시지는 유용한 위치 업데이트를 제공할 수 있지만, 다음 메시지가 도착할 때까지 계획기는 다른 에이전트가 어디로 이동할지 추정해야 합니다. 이 연구는 특정 빈도에 맞춰 예측 모델을 학습했더라도 업데이트 빈도가 낮아지면 궤적 오차가 커질 수 있으며, 특히 1 Hz에서 그럴 수 있음을 보여줍니다.

또한 모든 이동 객체에 하나의 예측기가 가장 적합하다고 가정해서는 안 된다는 점도 보여줍니다. 학습 기반 모델은 직선 및 회전 움직임에서 단순한 운동학적 규칙보다 뚜렷한 우위를 보였지만, 이 실험에서 보행자는 일정 속도 모델로 더 잘 예측됐습니다. 따라서 차량과 사람을 모두 다루는 운영 시스템은 에이전트의 유형과 관측 정보의 품질에 따라 예측 방법을 선택하거나 결합해야 할 수 있습니다.

엔지니어링 팀은 빈도별 학습과 보간의 비교에서 실용적인 단서를 얻을 수 있습니다. 이 벤치마크에 따르면 입력이 5 또는 2 Hz로 들어올 때는 매번 업데이트 빈도에 맞춰 재학습할 필요가 없을 수도 있습니다. 반면 1 Hz에서는 정확도 차이가 더 커져, 누락된 위치를 단순히 채우는 방법의 효과가 떨어지는 것으로 나타났습니다. 이러한 결과는 이동형 자동화 전반에도 적용될 수 있습니다. 예를 들어 안정적인 움직임 추정은 안전한 내비게이션과 경로 계획을 뒷받침하며, 구매자는 Robot Overflow에서 창고 로봇을 살펴볼 수 있습니다.

이 연구의 한계는 무엇인가요?

결과는 하나의 데이터셋과 제한된 예측 설정에서 도출됐습니다. 설정은 중심 에이전트의 5초 이력, 6초 예측, 지도 및 주변 에이전트 정보 미사용으로 구성됩니다. 이러한 선택은 관측 빈도의 영향을 분리하기 쉽도록 하지만, 교통 상호작용, 도로 형상 또는 추가 센서 입력이 움직임을 좌우할 때 동일한 모델이 어떻게 작동하는지는 보여주지 않습니다.

초록은 절대 오차가 아닌 상대적 ADE 변화만 보고하며, 부트스트랩 신뢰구간의 수치도 제공하지 않습니다. 따라서 오차의 실제 크기를 미터 단위로 판단하거나 보고된 비율의 불확실성을 평가하기 어렵습니다. 또한 이 실험만으로는 해당 예측이 실제 차량의 안전성이나 제어 성능을 개선한다고 결론 내릴 수 없습니다. 마지막으로 보행자 결과는 학습 기반 모델의 우위를 모든 에이전트 유형에 일반화해서는 안 된다는 점을 보여줍니다.

독자들이 자주 묻는 질문은 무엇인가요?

학습 기반 모델은 모든 경우에 두 운동학적 기준 모델보다 성능이 좋나요? 아니요. 직선 및 회전 움직임에서는 더 나은 운동학적 모델보다 성능이 좋았지만, 보행자는 일정 속도 모델로 더 정확하게 예측됐습니다.

연구진은 어떤 업데이트 빈도를 시험했나요? 10, 5, 2, 1 Hz로 샘플링한 이력을 비교했습니다.

예측기에 지도 정보나 주변 에이전트 정보가 사용됐나요? 아니요. 중심 에이전트의 위치 이력만 사용해 해당 이력에 기반한 예측을 분리해 살펴봤습니다.

10 Hz로 학습한 모델은 재학습 없이 희소한 입력을 처리할 수 있나요? 2 Hz까지는 빈도별 모델보다 정확도가 최대 1.3% 낮았지만, 1 Hz에서는 11.5% 낮았습니다.

결론

이 연구는 위치 업데이트가 희소해도 학습 기반 궤적 예측이 단순한 움직임 규칙보다 정확할 수 있지만, 그 격차는 관측 빈도와 에이전트 유형에 따라 달라진다는 점을 보여줍니다. 또한 누락된 입력을 보간하는 방법은 1 Hz보다 2 Hz에서 빈도별 학습에 더 가까운 대안임을 확인했습니다.