PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13439v1cs.MA

자율주행차의 집합적 경로 선택에는 인간 운전자와의 공존을 위한 사회적 인식이 필요하다

Collective Autonomous Vehicle Routing Needs Social Awareness for Coexistence with Human Drivers

실제 교통 네트워크에서 자율주행차(AV)의 집합적 경로 선택은 인간 운전 차량(HDV)에 외부효과를 유발할 수 있는데, AV에게 유리한 경로가 다른 도로 이용자의 통행 시간을 증가시킬 수 있기 때문이다. 이를 해결하기 위해 우리는 이기적인 통행 시간 기반 AV 보상에 사회적 요소인 한계 비용(marginal cost)을 도입한다. 한계 비용은 해당 AV를 제거한 반사실적(counterfactual) 시뮬레이션에서의 통행 시간과 비교하여, 해당 AV가 다른 도로 이용자에게 미치는 영향을 포착한다. 우리는 다중 에이전트 강화학습(Multi-Agent Reinforcement Learning, MARL)을 사용하여 혼합 자율주행(mixed-autonomy) 교통 환경에서 AV의 경로 선택을 연구하며, 여기서 AV는 교통 환경과의 반복적인 상호작용을 통해 경로 선택 정책을 학습한다. Ingolstadt와 Provins의 실제 네트워크에 대한 실험 결과, 한계 비용을 AV 보상에 포함하면 이기적인 AV 경로 선택에 비해 HDV 통행 시간 증가를 제한하고 AV 통행 시간을 단축할 뿐만 아니라, 전체 시스템 성능도 향상되는 것으로 나타났다. Ingolstadt에서 AV 40%의 이기적인 경로 선택은 다른 차량의 통행 시간을 1.7% 증가시키지만, 사회적 보상을 포함하면 이 수치는 1.1%로 감소한다. 흥미롭게도 전체 시스템 성능이 향상될 뿐만 아니라, AV 자신도 사회적으로 행동할 때 더 나은 결과를 얻는다. 이러한 효과는 실험 대상 도시, 보급률(penetration rate), 반복 실험 전반에 걸쳐 일관되게 나타나지만, 보상에서 사회적 요소의 가중치가 증가하면 시스템이 원하는 성능에 도달하지 못한다. 혼합 자율주행 교통에서 사회적 AV 경로 선택을 보다 확장 가능하게 만들기 위해, 우리는 교통 시스템에 가장 큰 영향을 미치는 경로 선택을 하는 AV에 대해서만 한계 비용을 계산한다. 이를 통해 반사실적 시뮬레이션의 횟수를 줄이면서도 훨씬 낮은 계산 비용으로 유사한 성능을 달성한다. 우리의 결과는 AV 경로 선택이 이기적인 보상을 넘어, 모든 교통 참여자의 이익을 위해 목적 함수에 사회적 요소를 포함해야 함을 시사한다.

arXiv:2511.06260v2cs.GT

교통 모델링을 위한 대표 에이전트 기반 LLM 유도 강화학습

LLM-Guided Reinforcement Learning with Representative Agents for Traffic Modeling

에이전트(agent) 기반 교통 모델에서 사익을 추구하는 여행자의 행동 대리자로서 대규모 언어 모델(LLM)이 점점 더 널리 활용되고 있습니다. 기존 모델보다 더 유연하고 일반화 능력이 뛰어남에도 불구하고, 모든 여행자마다 LLM을 호출하는 비용으로 인한 확장성 문제 때문에 이러한 접근 방식의 실제 적용은 여전히 제한적입니다. 더욱이 LLM 에이전트는 불투명한 결정을 내리고 일별 동역학(day-to-day dynamics)을 불안정하게 만드는 경우가 많다는 점이 밝혀졌습니다. 이러한 문제를 해결하기 위해, 우리는 동일한 의사결정 맥락에 직면한 각 동질적 여행자 집단을 집단의 총 통행 흐름 비율과 일치하는 경로 혼합 전략을 유지하고 업데이트하는 단일 대표 LLM 에이전트로 모델링할 것을 제안합니다. 이 에이전트는 모집단의 평균처럼 행동합니다. 매일 LLM은 통행 경험을 검토하고 더 자주 이용하기를 희망하는 경로에 긍정적 강화 신호를 표시하며, 해석 가능한 업데이트 규칙은 조정 가능한(점진적으로 감소하는) 스텝 크기를 사용하여 이러한 판단을 전략 조정으로 변환합니다. 대표 에이전트 설계는 확장성을 향상시키는 한편, 추론과 업데이트의 분리는 학습을 안정화하면서 의사결정 논리를 명확하게 합니다. 전형적인 통행 배분 환경에서 제안된 접근 방식이 사용자 평형(user equilibrium)으로 빠르게 수렴함을 확인했습니다. 소득 이질성, 다기준 비용, 복합 교통수단 선택이 존재하는 더 풍부한 환경에서도 생성된 동역학은 안정적이고 해석 가능하게 유지되며, 심리학 및 경제학에서 잘 입증된 타당한 행동 패턴을 재현합니다. 예를 들어 유료 도로와 무료 도로 선택 시의 미끼 효과(decoy effect), 그리고 자가용, 대중교통, 환승 주차(park-and-ride) 옵션 중에서 선택할 때 고소득 여행자가 편의성에 대해 더 높은 지불 용의(willingness-to-pay)를 보이는 현상 등이 이에 해당합니다.

arXiv:2607.11632v1cs.AI

대규모 언어 모델을 활용한 경로 선택에서의 인간 편향 재현: 확장 가능한 행동 모델링을 향하여

Reproducing human biases in route choice using large language models: Toward scalable behavioral modeling

경로 선택을 포함한 인간의 선택 행동은 완전한 합리성 가정에서 벗어나는 체계적인 행동 편향을 나타낸다. 누적 전망 이론(Cumulative Prospect Theory, CPT)은 이러한 행동 패턴을 특성화하는 효과적인 프레임워크로 널리 인정받아 왔다. 그러나 시뮬레이션 및 에이전트 기반 모델링과 같은 대규모 적용에는 개인 수준의 CPT 파라미터 지정이 필수적이며, 이는 여전히 주요 병목으로 남아 있다. 기존 접근법은 CPT 파라미터를 보정하기 위해 설문조사와 통제 실험에 의존하는 경우가 많으나, 이러한 방법은 일반화하기 어렵고 인간 의사결정의 다양성을 충분히 포착하지 못하는 경우가 많다. 이 문제를 해결하기 위해, 본 논문은 대규모 언어 모델(LLM)이 전망 이론적 파라미터의 명시적 지정 없이도 선택 과정에서 인간의 행동 편향을 재현할 수 있는지를 탐구한다. 경로 선택을 대표적인 시나리오로 활용하여 행동 평가 프레임워크를 설계하고, LLM이 생성한 결정을 CPT가 예측하는 기존의 인간 행동 패턴과 체계적으로 비교한다. 실험 결과, LLM은 비합리적인 인간의 선택 편향을 재현할 수 있으며, 불확실성 하에서 전망 이론적 효과와 일치하는 의사결정 행동을 나타낼 수 있음을 보여준다. 이러한 결과는 생성형 AI 모델이 인간 의사결정 과정을 모델링하기 위한 확장 가능한 대안을 제공할 수 있으며, 차세대 대규모 에이전트 기반 시뮬레이션 및 AI 기반 행동 연구를 위한 유망한 토대가 될 수 있음을 시사한다.