보행자–자동차 인터랙션 모델(Pedestrian-Vehicle Interaction Model)

보행자–자동차 인터랙션 모델(Pedestrian-Vehicle Interaction Model)은 교통 환경에서 보행자와 차량이 시공간상에서 상호 인지하고 반응하는 행동 역학을 수학적으로 표현하고, 교차로, 횡단보도, 비신호 구간 등 다양한 상황에서 충돌 위험 분석, 경로 예측, 우선권 판단 등을 가능하게 하는 모델링 체계이다. 특히 자율주행차, 스마트시티 교통관리, 보행자 안전 정책, 도시설계 분야에서 필수적으로 요구되는 핵심 기술이다. 이 모델은 물리적 거리뿐만 아니라, 시선, 속도 변화, 멈춤·주저 행동, 사회적 규범 등의 ‘행위 기반 요소’를 통합적으로 고려한다는 점에서, 단순한 위치 예측 모델보다 훨씬 복잡하고 정교한 구조를 갖는다.

 

---

1. 보행자–차량 상호작용의 기본 구조와 특징

보행자와 차량의 상호작용은 단방향이 아닌 양방향 동적 상호반응(bidirectional dynamic interaction)*으로 이루어진다. 이때의 핵심 요소는 다음과 같다

• 인지(Perception): 보행자는 차량의 거리, 속도, 방향을 시각적으로 판단하고, 차량은 보행자의 위치와 주시 방향을 센서를 통해 감지한다.
• 예측(Prediction): 보행자는 ‘차량이 멈출 것인가’를 예측하며, 차량은 ‘보행자가 건널 것인가’를 판단한다.
• 의사결정(Decision-making): 보행자는 멈출지, 건널지를 결정하고, 차량은 감속, 정지, 회피 등 행동을 선택한다.
• 동시 반응(Mutual Adaptation): 보행자의 움직임이 차량에 영향을 주고, 차량의 반응이 다시 보행자의 행동을 수정시킨다.

이러한 구조는 시간 지연(Time Lag), 주관적 판단(Opponent Modeling), 불확실성(Uncertainty)을 함께 고려해야 하며, 단순 회피 경로 계산만으로는 상호작용을 설명하기 어렵다.

---

2. 수학적 모델링 방식

보행자–차량 인터랙션은 크게 물리 기반 모델, 행동 기반 모델, 확률 기반 모델로 구분된다

① 물리 기반 모델 (Physics-based Interaction)

• 차량과 보행자를 입자(Particle) 또는 에이전트로 보고, 운동학/동역학 방정식으로 경로 예측
• 보행자는 목표지점까지 최단 경로를 가되, 일정 거리 이내 차량의 존재 시 방향과 속도를 조정
• 대표 모델: Social Force Model, Velocity Obstacle Model

② 행동 기반 모델 (Behavioral Modeling)

• 보행자의 심리적 요인(위험 인지, 우선권 기대, 주저함)을 고려한 규칙 기반 또는 인지 기반 모델
• 예: ‘차량과의 거리 > 10m이고 속도 < 20km/h → 건너기 시작’
• 차량도 보행자의 행동을 관찰하여 감속 또는 정지 결정

③ 확률 기반 모델 (Probabilistic or Learning-based)

• 보행자의 위치·속도 데이터를 바탕으로 경로 예측 분포(Predicted Path Distribution)를 생성
• 딥러닝을 이용한 Intent Estimation (예: GAN, LSTM 기반 보행 예측)
• 차량은 확률 기반 예측을 통해 위험도(Risk Level)를 평가하고, 사전 제동 등 대응

---

3. 대표적 모델 프레임워크와 구성

모델명	주요 특징
Social Force Model (SFM)	보행자를 사회적 힘에 의해 움직이는 입자로 간주. 차량 접근 시 반발력 발생
Hybrid Intention Model	보행자 동작(걸음 수, 머리 방향), 도로 상황, 보행신호 유무 등 결합 판단
Interaction-Aware Trajectory Prediction (IATP)	GAN이나 LSTM을 활용해 다수 차량과 보행자의 미래 경로를 공동 예측
Bayesian Inference Model	보행자의 의도(건너기/기다리기)를 확률적으로 추정 후 차량 제어 결정
CAMP Model (Crossing Awareness Motion Planning)	자율차가 보행자의 눈맞춤, 주저 행동 등을 인식해 우선권 판단에 반영

---

4. 실제 사례 및 적용 분야

① 자율주행차량의 보행자 대응 알고리즘

구글 웨이모, 현대모비스, 토요타 등은 보행자 예측 + 상호작용 판단 모델을 탑재하여 횡단보도 및 비신호 구간에서 차량이 정지 or 회피 or 감속 중 선택할 수 있도록 하고 있다. 웨이모의 경우, 보행자의 시선 움직임과 걸음 속도 데이터를 동시에 활용해 의도 기반 예측(Pedestrian Intention Prediction)을 구현하였다.

② 스마트횡단보도 및 도시 안전 시스템

서울시는 '스마트횡단보도 시범사업'에서 차량 접근 속도에 따라 LED 바닥 신호 색상을 바꾸고, 보행자가 도로 중간에 멈춰 설 경우 자동으로 경고를 보내는 시스템을 적용했다. 이 시스템은 보행자-차량 인터랙션을 실시간으로 감지 및 중재하는 형태로 진화하고 있다.

③ VR 기반 도시 보행 안전 평가

TU Delft, MIT 등에서는 VR 환경에서 보행자의 주행 반응을 실험하고, 차량 접근 상황별 보행자 반응 시간 및 경로 편차를 측정하여 도로 설계 적정성, 신호체계 평가 등에 활용 중이다.

---

5. 설계 고려 요소 및 정책적 시사점

보행자–자동차 인터랙션 모델을 정책에 적용하거나 시스템화할 때는 다음 요소들을 고려해야 한다

• 보행자 특성 다양성: 고령자, 어린이, 시야각 제한자 등은 반응 양상이 다름
• 문화·사회 규범 차이: 국가별 보행자 우선 문화가 보행자 반응에 영향 (예: 일본 vs. 미국)
• 환경적 요소: 조명, 날씨, 시야 확보 여부 등 외부 요인
• 도로 구조: 교차로의 반경, 신호기 위치, 대기 공간 유무

정책 적용 시사점:

• AI 기반 교통신호 연계: 보행자 흐름 예측을 신호주기와 자동 연동
• 자율차 규제 기준 강화: 보행자 존재 예측률 및 대응률을 차량 인증 요건에 포함
• 보행 친화형 도로 설계: ‘보행자 반응 거리’를 기준으로 도로 반사경, 조명 위치 등 조정

---

6. 향후 발전 방향

보행자–자동차 인터랙션 모델은 다음과 같은 방향으로 진화하고 있다

• 다중 주체 상호작용(Multi-agent Interaction) 모델 → 차량–보행자–자전거 등 복합 상호작용 대응
• 강화학습 기반 반응 최적화 → 보행자 반응 패턴을 학습한 자율차의 실시간 대응 전략
• VR+AI 기반 행태 데이터 확대 → 다양한 연령·상황의 반응 데이터셋 확보 및 모델 정교화
• 디지털트윈 기반 인터랙션 실시간 시뮬레이션 → 도심 내 실시간 위험 예측 및 대응 시나리오 생성
• 비접촉 센서 기반 반응 감지 → 카메라·레이더만으로 보행자 의도 감지 정확도 향상