5.11 불확실성 하의 의사 결정

1. 개요

자율주행의 판단 모듈은 다양한 소스로부터 발생하는 불확실성(Uncertainty) 하에서 안전한 의사결정을 수행하여야 한다. 인지, 예측, 지도 정보, 차량 상태 등 모든 입력에는 불확실성이 존재하며, 이를 무시한 결정론적 의사결정은 실제 주행 환경에서 안전을 보장하기 어렵다.

2. 불확실성의 유형

2.1 인지 불확실성 (Perception Uncertainty)

센서 잡음, 차폐, 악천후 등으로 인해 객체의 위치, 크기, 분류에 오차가 존재한다. 미검출(False Negative)과 오검출(False Positive)도 인지 불확실성의 중요한 형태이다.

2.2 예측 불확실성 (Prediction Uncertainty)

교통 참여자의 미래 행동은 본질적으로 불확실하다. 보행자가 횡단보도를 건널 것인지, 전방 차량이 차선을 변경할 것인지 등은 확정적으로 예측할 수 없다. 이러한 불확실성은 인식론적 불확실성(Epistemic Uncertainty)과 우연적 불확실성(Aleatoric Uncertainty)으로 구분된다.

• 인식론적 불확실성: 학습 데이터의 부족이나 모델의 한계에 기인하는 불확실성으로, 추가 데이터나 모델 개선을 통해 감소시킬 수 있다.
• 우연적 불확실성: 환경 자체의 무작위성에 기인하는 불확실성으로, 데이터를 더 수집하더라도 감소시킬 수 없다.

2.3 지도 불확실성

HD Map 정보가 현재 도로 상태와 일치하지 않는 경우(공사, 차선 변경, 임시 표지 등)에 발생하는 불확실성이다.

3. 불확실성 하의 의사결정 프레임워크

3.1 확률적 궤적 계획 (Stochastic Trajectory Planning)

예측 불확실성을 확률 분포로 표현하고, 기대 비용(Expected Cost)을 최소화하는 궤적을 계획하는 방법이다.

\boldsymbol{\tau}^* = \arg\min_{\boldsymbol{\tau}} \mathbb{E}_{\hat{\mathbf{o}} \sim p(\hat{\mathbf{o}})} \left[ J(\boldsymbol{\tau}, \hat{\mathbf{o}}) \right]

여기서 p(\hat{\mathbf{o}})는 주변 객체의 미래 상태에 대한 확률 분포이다.

3.2 강건 궤적 계획 (Robust Trajectory Planning)

최악의 경우를 고려하여 불확실성의 어떤 실현(Realization)에서도 안전이 보장되는 궤적을 계획하는 방법이다.

\boldsymbol{\tau}^* = \arg\min_{\boldsymbol{\tau}} \max_{\hat{\mathbf{o}} \in \mathcal{U}} J(\boldsymbol{\tau}, \hat{\mathbf{o}})

여기서 \mathcal{U}는 불확실성 집합(Uncertainty Set)이다. 강건 접근법은 안전을 보장하나, 과도하게 보수적인 행동을 초래할 수 있다.

3.3 확률적 제약 궤적 계획 (Chance-Constrained Planning)

충돌 확률이 허용 임계값 이내가 되도록 궤적을 계획하는 방법이다.

P(\text{collision} \mid \boldsymbol{\tau}) \leq \delta

여기서 \delta는 허용 충돌 확률(예: 10^{-6})이다. 강건 접근법보다 덜 보수적이면서도 확률적 안전 보장을 제공한다.

3.4 비상 궤적 (Contingency Planning)

주요 궤적과 함께, 예측이 빗나갈 경우에 대비한 비상 궤적을 사전에 준비하는 방법이다(Hardy & Campbell, 2013). 주요 궤적은 가장 가능성 높은 예측에 대해 최적화되며, 비상 궤적은 대안적 시나리오에 대해 안전을 보장한다. 주요 궤적과 비상 궤적은 초기 구간에서 분기점(Branching Point)까지 공유된 경로를 가진다.

4. 안전 마진의 동적 조정

불확실성의 크기에 따라 안전 마진을 동적으로 조정하는 것이 합리적이다. 인지 또는 예측의 불확실성이 높을수록 안전 마진을 확대하고, 불확실성이 낮을수록 안전 마진을 축소하여 효율성을 확보한다.

d_{\text{safe}}(t) = d_{\text{base}} + \alpha \cdot \sigma(t)

여기서 \sigma(t)는 시점 t에서의 예측 불확실성(표준편차)이며, \alpha는 안전 계수이다.

5. 참고 문헌

• Hardy, J., & Campbell, M. (2013). Contingency planning over probabilistic obstacle predictions for autonomous road vehicles. IEEE Transactions on Robotics, 29(4), 913–929.
• Hubmann, C., Schulz, J., Becker, M., Althoff, D., & Stiller, C. (2018). Automated driving in uncertain environments: Planning with interaction and uncertain maneuver prediction. IEEE Transactions on Intelligent Vehicles, 3(1), 5–17.

v1.0