드론 교통 혼잡 제어에서 예측이 감지보다 효과적

드론 편대의 센싱이 하류 교통 신호 제어로 이어지는 폐루프 시스템에서 편대 규모를 늘리는 효과가 순수 센싱과 어떻게 다른지, 로봇을 추가하는 것보다 센싱을 예측형으로 바꾸는 것이 더 가치 있는지 검증한다.

교통 혼잡은 분산적이고 시변하며 지상 고정 센서를 촘촘히 설치하기 어렵다. 기존 드론 기반 교통 모니터링 연구는 대부분 관측 성능만 평가하고 감지 결과를 신호 제어로 연결하지 않았으며, 유일한 폐루프 사례인 AVARS도 혼잡이 이미 완전히 나타난 뒤에만 반응했다. 이 때문에 초기 개입이 어렵고 편대 규모 확장이 실제 제어 성능까지 이어지는지 불분명했다.

UAV 기반 교통 감지는 pNEUMA처럼 대규모 공중 관측을 시연했고, 지상 루프 검지기와 융합해 흐름 예측을 개선하는 연구가 있었다. 적응 신호 제어는 TUC, 연결차량 기반 제어, 카메라 피드백 모델예측제어 등이 제안됐지만 대부분 이미 나타난 혼잡에 반응한다. AVARS는 UAV 카메라로 심층강화학습 신호 제어를 수행했지만 사후 반응형이며 편대 규모에 따른 효과를 분석하지 않았다.

Mesa 기반 다중 에이전트 시뮬레이션에서 Nagel-Schreckenberg 셀룰러 오토마타 차량 모델과 교통 신호 제어기, UAV 순찰, 확률적 장애물을 결합했다. UAV는 라운드로빈으로 교차로를 순찰하고 처리 지연 10에서 40틱 후 한 신호 주기 동안 모든 접근로를 스캔한다. 정체 판정은 15셀 창에서 밀도 0.30 이상, 평균 속도 1.6 cells/tick 미만, 정지선 대기열 1대 이상을 동시에 충족하는 3변수 기준을 사용한다. 예측은 밀도 문턱을 0.6배로 낮추고 속도 2.56 cells/tick 미만 또는 시간 밀도 기울기 0.02 초과, 대기열 1대 이상을 함께 사용해 정체 형성 전에 신호를 만든다. 신호 제어는 현재 축과 반대 축의 혼잡 여부에 따라 녹색 시간을 기본값의 절반 범위에서 늘리거나 줄이고, 반대 축 유입량이 0.3 vehicles/tick을 넘는 예측이 있으면 현재 녹색을 기본값의 4분의 1만큼 추가 단축한다.

120x120 셀 그리드(0.81 km²)에서 교차로 2개, 6개, 10개와 드론 1~10대, 저, 중, 고 교통 수준(p=0.25, 0.5, 0.75, 기대 유입 3p vehicles/tick)을 바꿔 조건당 20회 시드 반복, 2000틱씩 시뮬레이션했다. 감지율은 드론 수가 교차로 수에 근접할 때 정체됐고 100%에는 도달하지 못했다. 10개 교차로에서 감지 지연의 중고교통 간 격차는 드론 1대일 때 약 25틱, 2대일 때 약 9틱, 10대일 때 약 2.5틱으로 줄었다. 예측율은 모든 조건에서 최대 55%를 넘지 않았고 저교통에서 가장 높았다. 6개 교차로에서 감지 기반 신호 조정은 고교통에서 정체 지속 시간을 약 5틱 줄였고, 예측 기반 조정은 최대 8틱 줄여 대부분 약 2배 개선이었다. 저교통에서는 측정 가능한 개선이 없었다.

저자들은 문턱 기반 예측기의 예측율이 최대 55%에서 머물러 예측 신호 자체가 병목이라고 밝혔다. 라운드로빈 순찰은 단순하지만 최적이 아니며, 신호 파라미터와 교통, 장애물 변수를 실제 도시 데이터와 맞추는 작업은 범위 밖이었다. 실험은 시뮬레이션에 국한돼 실물 드론이나 실제 교차로에서의 검증은 보고되지 않았다. 100% 감지율에 도달하지 못한 것은 10에서 40틱의 센서 처리 지연 때문으로 분석됐다.