자율 레이싱에서는 단순히 충돌을 피하는 것만으로는 충분하지 않다. 상대가 어디서 어떻게 파고드는지까지 읽어야 하므로, 차량 동역학과 경쟁적 상호작용을 함께 다루는 계획기가 필요하다. 이 논문은 그러한 요구에 맞춰, 게임이론적 추론을 샘플링 기반 운동 계획기에 결합한 하이브리드 구조를 제안한다. 동료심사 전 arXiv 프리프린트이며, 검증은 야스 마리나 서킷을 모사한 고정밀 시뮬레이션에서 이뤄졌다.
핵심은 전체 동적 게임을 온라인에서 직접 풀지 않는 데 있다. 대신 α-potential game 틀 위에서 오프라인 학습 잠재함수를 이용해 다중 차량 상호작용을 표현하고, 주행 중에는 경사상승 최적화로 상호작용 파라미터 θ를 다듬어 Interaction Reference Path(IRP)를 만든다. 이 IRP는 고주파 샘플링 플래너의 비용을 살짝 비트는 편향으로 들어가, 반응형 경로만으로는 나오기 어려운 방어 행동을 유도한다.
구체적으로는 샘플링 기반 로컬 플래너가 기본 경로를 만들고, 여기에 상대의 접근을 반영한 전략적 횡방향 변위를 더한다. 경사 최적화는 신경망 Φ(·)를 통해 역전파로 수행되며, 온라인 가능성을 유지하기 위해 20회 반복으로 제한된다. 또한 최종 경로는 트랙 좌우 경계를 벗어나지 않도록 잘린다. 즉, 전략은 별도 게임 해법이 아니라 기존 운동 계획의 비용 구조 안에 얹힌다.
시뮬레이션 데이터는 2,247개 에피소드로 잠재함수 학습에 사용됐다. 질적 평가는 직선 수비(T1)와 헤어핀 수비(T5) 같은 장면에서 비교가 이뤄졌고, 경쟁 주체가 없는 반응형 기준기와 달리 IRP를 넣은 방법은 차단(blocking) 동작을 나타냈다. 정량적으로는 기준기에서 충돌 14건, 평균 순위 변화 ΔP=0.54였고, 균형 조합으로 제시된 전략 가중치 wstrat=10^4에서는 충돌 6건, 평균 ΔP=0.61을 기록했다.
반대로 wstrat를 10^2로 낮추면 충돌 11건, ΔP=0.56이었고, 10^6에서는 9건, 0.48이었다. 10^8에서는 충돌이 21건으로 늘고 ΔP는 0.32로 떨어졌다. 잠재함수 학습 손실은 50,000 반복 동안 99.92% 감소했고, 잠재함수 자체의 손실도 99.82% 줄었다. IRP 생성과 θ 최적화에 걸린 총 추론 시간은 실험 전반에서 10~17 ms였다. 논문은 이 정도 지연이면 자율 레이싱의 10~20 Hz 로컬 플래너 주기와 맞물릴 수 있다고 본다.
| 항목 | 값 | 근거 위치 |
|---|---|---|
| 학습 데이터 에피소드 수 | 2247 simulated racing episodes | p.4 | source_excerpt | Dataset Generation |
| 기준기 성능 | 14 collisions; average net position change ΔP = 0.54 | p.6 | source_excerpt | Table II |
| 균형 설정 성능 | wstrat = 10^4; 6 collisions; average ΔP = 0.61 | p.6 | source_excerpt | Table II |
| 추론 시간 | 10 ms to 17 ms | p.6 | source_excerpt |
자료: STORIUM 정리
결국 이 작업은 고속 경쟁 주행에서 “빠른 계산”과 “상대 읽기”를 함께 만족시키려는 시도다. 완전한 동적 게임의 계산 부담을 피하면서도, 샘플링 플래너가 방어적 차단 같은 상호작용 행동을 재현하도록 만든 점이 검증 범위 안에서 확인됐다. 한편 결과는 모두 야스 마리나 서킷 기반 고정밀 시뮬레이션과 특정 하이퍼파라미터 설정에 한정된다.
저작권자 © STORIUM 무단전재 및 재배포 금지
