주차 인식 네비게이션 시스템은 좌절감과 배출을 예방할 수 있다

Source: MIT News - AI

Source:

Overview

매일 운전자는 내비게이션 앱을 확인하지만, 도착했을 때 주차 공간이 없다는 사실을 알게 됩니다. 마침내 주차하고 목적지까지 걸어갈 때쯤이면 예상보다 훨씬 늦게 도착하게 됩니다.

대부분의 인기 내비게이션 시스템은 주차를 찾는 데 필요한 추가 시간을 고려하지 않고 운전자를 목적지로 안내합니다. 이는 운전자에게 골칫거리를 만들 뿐만 아니라 교통 혼잡을 악화시키고 배출가스를 증가시키며, 운전하고 주차하는 것보다 대중교통이 더 빠를 수 있다는 사실을 인식하지 못하게 하여 대중교통 이용을 저해할 수 있습니다.

MIT 연구원들은 원하는 위치와 주차 가능성 사이의 최적 균형을 제공하는 주차장을 식별하는 시스템을 개발함으로써 이 문제에 접근했습니다. 이들의 적응형 방법은 사용자를 목적지 자체가 아니라 이상적인 주차 구역으로 안내합니다.

시애틀의 실제 교통 데이터를 사용한 시뮬레이션 테스트에서, 이 기술은 가장 혼잡한 상황에서 **최대 66 %**의 시간 절감을 달성했으며, 이는 가장 가까운 주차장에서 자리를 기다리는 경우에 비해 운전자가 약 35분을 절약한 것에 해당합니다.

생산 단계의 시스템은 아직 구축되지 않았지만, 시연을 통해 접근 방식의 실현 가능성이 입증되었으며 구현을 위한 경로가 제시되었습니다.

“이러한 좌절감은 실제이며 많은 사람들이 겪고 있습니다. 더 큰 문제는 이러한 주행 시간을 체계적으로 과소평가함으로써 사람들이 정보에 입각한 선택을 하지 못하게 만든다는 점입니다. 이는 사람들이 대중교통, 자전거 또는 다른 대체 교통수단으로 전환하는 것을 더욱 어렵게 만듭니다.”
— Cameron Hickert, MIT 대학원생이자 주요 저자

Hickert는 논문에서 Sirui Li, PhD ’25; Zhengbing He, 정보·결정 시스템 연구소(LIDS) 연구 과학자; 그리고 수석 저자 Cathy Wu, 1954년 졸업생 직업 개발 부교수(토목·환경공학, CEE) 및 MIT 데이터·시스템·사회 연구소(IDSS) 소속이며 LIDS 회원인 연구자와 함께했습니다. 이 연구는 오늘 IEEE Transactions on Intelligent Transportation Systems에 발표되었습니다(arXiv pre‑print).

Probable parking

주차 문제를 해결하기 위해 연구진은 다음을 고려하는 확률 인식 접근법을 개발했습니다:

• 목적지 근처의 모든 공용 주차장
• 출발지에서 각 주차장까지의 운전 거리
• 각 주차장에서 최종 목적지까지의 도보 거리
• 각 주차장에서 성공적으로 주차할 확률

동적 프로그래밍에 기반한 이 접근법은 바람직한 결과에서 역으로 시작하여 사용자를 위한 최적 경로를 계산합니다. 또한 운전자가 “이상적인” 주차장에 도착했지만 공간을 찾지 못하는 경우도 처리합니다. 알고리즘은 대체 주차장의 거리와 성공 확률을 평가하고, 경우에 따라 조금 낮은 확률이지만 더 가까운 주차장을 추천하여 전체 예상 이동 시간을 줄일 수 있습니다.

“근처에 여러 주차장이 약간 낮은 성공 확률을 가지고 있지만 서로 매우 가깝다면, 높은 확률의 주차장으로 가서 빈 자리를 기다리는 것보다 그곳으로 이동하는 것이 더 현명할 수 있습니다. 우리 프레임워크는 이를 고려할 수 있습니다.” — Cameron Hickert

최종 결과물은 운전, 주차 및 도보에 필요한 예상 총 시간을 최소화하는 최적 주차장입니다.

운전자는 독립적으로 주차하지 않기 때문에, 이 방법은 다른 운전자의 행동도 포함합니다. 이는 개별 운전자의 주차 성공 확률에 영향을 미칩니다. 예시:

• 다른 운전자가 사용자가 선호하는 주차장의 마지막 자리를 차지함
• 운전자가 인근 주차장에서 주차에 실패하고 사용자가 선호하는 주차장으로 이동함
• 다른 곳에 주차한 운전자로 인한 여파가 전체 가용성을 감소시킴

“우리 프레임워크를 사용하면 이러한 모든 시나리오를 매우 깔끔하고 원칙적으로 모델링할 수 있습니다.” — Cameron Hickert

크라우드소싱 주차 데이터

정확한 주차‑가용성 데이터는 여러 출처에서 얻을 수 있습니다:

고정 센서는 널리 배치되지 않으므로, 연구자들은 크라우드소싱 데이터를 보다 실현 가능한 대안으로 평가했습니다. 시뮬레이션 결과, 크라우드소싱 관측은 실제 가용성과 비교했을 때 **오차율이 약 7 %**에 불과하여, 이러한 데이터가 확률 모델에 신뢰성 있게 활용될 수 있음을 보여줍니다.

Results

• 혼잡한 도시 환경(Seattle) – 이 접근 방식은 자리를 기다리는 경우에 비해 총 이동 시간을 ≈ 60 % 줄였으며, 다음 가장 가까운 주차장으로 계속 운전하는 순진한 전략에 비해 ≈ 20 % 감소시켰습니다.
• 교외 환경 – 비슷하지만 약간 더 작은 개선이 관찰되었습니다.
• 크라우드소싱 데이터 정확도 – 실제 가용성과 비교했을 때 약 7 % 오류가 있었습니다.

Future work

팀은 다음을 계획하고 있습니다:

1. 도시 전체의 실시간 경로 정보를 사용한 대규모 연구 수행.
2. 위성 이미지 및 열린 공간의 컴퓨터 비전 탐지와 같은 추가 데이터 소스 탐색.
3. 실시간 업데이트와 다중 사용자 협조를 처리하도록 동적 프로그래밍 모델을 정교화.

잠재적 배출 감소

“교통 시스템은 규모가 크고 복잡해서 변화시키기가 정말 어렵습니다. 우리가 찾고자 했던 것, 그리고 이 접근법을 통해 발견한 것은 작은 변화가 큰 영향을 미쳐 사람들이 더 나은 선택을 하고, 혼잡을 줄이며, 배출량을 감소시키는 데 도움이 된다는 점입니다,” 라고 우는 말합니다.

이 연구는 부분적으로 Cintra, MIT Energy Initiative, 그리고 National Science Foundation의 지원을 받았습니다.