혼합 자율 주행 및 인간 교통 모델링 및 시뮬레이션을 위한 인공지능

Artificial Intelligence for Modeling and Simulation of Mixed Automated and Human Traffic

자율주행차(AV)가 공공 도로에서 운행되면서, 자율주행차의 성능 검증 및 유효성 확인이 그 어느 때보다 중요해졌습니다. 시뮬레이션은 다양한 환경 조건에서 자율주행차의 성능을 안전하고 통제된 환경에서 평가할 수 있는 수단입니다. 그러나 기존 시뮬레이션 도구는 주로 그래픽 리얼리즘에 초점을 맞추고 단순한 규칙 기반 모델에 의존하기 때문에, 실제 운전 행동 및 상호작용의 복잡성을 정확하게 반영하지 못하는 경우가 많습니다. 인공지능(AI)은 이러한 한계를 극복할 수 있는 강력한 잠재력을 보여주었지만, AI 방법론의 빠른 발전에도 불구하고, 혼합 자율 주행 환경 시뮬레이션에 AI가 적용된 사례에 대한 종합적인 연구는 부족합니다. 기존 연구들은 시뮬레이션 도구에만 초점을 맞추거나, AI 방법론을 간과하거나, 자율 주행차의 의사 결정에만 초점을 맞춰 주변 교통 모델링의 더 넓은 문제 해결에는 미흡합니다. 또한, 개별 행동 모델링부터 전체 장면 시뮬레이션까지 포괄하는 AI 방법론에 대한 통일된 분류 체계도 제공하지 않습니다. 이러한 격차를 해소하기 위해, 본 연구는 혼합 자율 주행 환경 시뮬레이션에서 자율주행차 및 인간의 운전 행동 모델링에 사용되는 AI 방법론에 대한 체계적인 검토 및 종합 분석을 제공합니다. 본 연구는 방법론을 세 가지 범주로 분류하는 분류 체계를 제시합니다. 즉, 에이전트 수준 행동 모델, 환경 수준 시뮬레이션 방법, 그리고 인지 및 물리 기반 방법입니다. 본 연구는 기존 시뮬레이션 플랫폼이 혼합 자율 주행 연구의 요구 사항을 충족하지 못하는 부분을 분석하고, 이러한 격차를 줄이기 위한 방향을 제시합니다. 또한, AI 방법론의 연대기적 개요를 제공하고, 평가 프로토콜 및 지표, 시뮬레이션 도구, 데이터셋을 검토합니다. 본 연구는 교통 공학 및 컴퓨터 과학적 관점을 모두 다루어, 이 두 분야 간의 격차를 해소하는 것을 목표로 합니다.

Autonomous vehicles (AVs) are now operating on public roads, which makes their testing and validation more critical than ever. Simulation offers a safe and controlled environment for evaluating AV performance in varied conditions. However, existing simulation tools mainly focus on graphical realism and rely on simple rule-based models and therefore fail to accurately represent the complexity of driving behaviors and interactions. Artificial intelligence (AI) has shown strong potential to address these limitations; however, despite the rapid progress across AI methodologies, a comprehensive survey of their application to mixed autonomy traffic simulation remains lacking. Existing surveys either focus on simulation tools without examining the AI methods behind them, or cover ego-centric decision-making without addressing the broader challenge of modeling surrounding traffic. Moreover, they do not offer a unified taxonomy of AI methods covering individual behavior modeling to full scene simulation. To address these gaps, this survey provides a structured review and synthesis of AI methods for modeling AV and human driving behavior in mixed autonomy traffic simulation. We introduce a taxonomy that organizes methods into three families: agent-level behavior models, environment-level simulation methods, and cognitive and physics-informed methods. The survey analyzes how existing simulation platforms fall short of the needs of mixed autonomy research and outlines directions to narrow this gap. It also provides a chronological overview of AI methods and reviews evaluation protocols and metrics, simulation tools, and datasets. By covering both traffic engineering and computer science perspectives, we aim to bridge the gap between these two communities.