Modeling Real-Time Adaptive Pedestrian Behavior Based on Social Force Model

Jinsoo Kim; Changhoon Shin; Hoontae Park

doi:10.7470/jkst.2026.44.1.038

Preview

Article

Journal of Korean Society of Transportation. 28 February 2026. 38-52
https://doi.org/10.7470/jkst.2026.44.1.038

Modeling Real-Time Adaptive Pedestrian Behavior Based on Social Force Model

Social Force Model 기반 실시간 적응형 보행자 행태 모형 개발

Jinsoo KIM¹

Changhoon SHIN¹

Hoontae PARK²^*

김 진수¹

신 창훈¹

박 훈태²^*

¹3D Developer, Research and Development Department, MIMLAB Co., Ltd, Seoul 06744, Korea

²Adjunct Professor, Department of Urban Engineering, University of Seoul, Seoul 02504, Korea

¹주식회사 밈랩 연구개발부서 3D개발자

²서울시립대학교 도시공학과 겸임교수

^{*Corresponding Author}

License (open-access, http://creativecommons.org/licenses/by-nc/4.0/):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

This study proposes a real-time adaptive pedestrian behavior model that integrates a speed-based dynamic parameter adjustment algorithm with a visibility-based temporary path setting algorithm to overcome the limitations of the conventional social force model, which is widely used in pedestrian simulations. The traditional model, based on fixed parameters, lacks adaptability and fails to reproduce pedestrian behavior realistically in high-density or complex environments. The proposed model addresses these shortcomings by dynamically adjusting key parameters according to the ratio of a pedestrian's current speed to the desired speed and by correcting driving force through visibility-based temporary goal updating. To evaluate its performance, six scenarios―including low and high density, unidirectional and bidirectional flows, bottleneck sections, and complex paths―were designed to compare the proposed model with the conventional model. The results demonstrated that the proposed model outperforms the traditional model in terms of collision avoidance, maintenance of comfort levels, bottleneck passage, and navigation in complex routes. Furthermore, in the validation stage based on empirical comparison using the relationships among pedestrian occupancy space, walking speed, and pedestrian flow, the proposed model consistently produced lower errors than the conventional model, thereby verifying its precision and ability to generalize.

Keywords

parameter adjustment

pedestrian behavior model

pedestrian simulation

social force model

vision-based local pathfinding

본 연구는 보행 시뮬레이션의 대표 모형으로 활용되는 사회역학모형(Social Force Model)의 한계를 극복하기 위해 보행자 속도 기반 동적 파라미터 조정 알고리즘과 국지적 가시성 기반 임시 경로 설정 알고리즘을 통합한 실시간 적응형 보행자 행태 모형을 제안한다. 전통적인 사회역학모형은 고정된 파라미터 체계를 전제로 하여 다양한 보행 환경 변화에 대한 적응력이 제한적이며, 특히 고밀도 상황이나 복잡한 경로 조건에서 현실적인 보행 행태를 재현하지 못하는 한계를 지니고 있다. 반면 본 연구에서 제안하는 모형은 보행자의 현재 속도와 목표 속도의 비율에 따라 주요 파라미터를 실시간으로 조정하고, 가시성 영역을 기반으로 임시 목표 방향을 갱신하며 추진력을 보정함으로써 기존 모형의 한계를 보완한다. 본 연구에서는 저밀도/고밀도, 단방향/양방향, 병목 구간, 복잡 경로 등의 6개 시나리오를 설정해 제안 모형과 기존 모형의 성능을 비교 분석하였으며, 분석 결과 제안 모형이 보행자의 회피 기동, 쾌적 상태 확보, 병목 통과, 복잡 경로 진행 부문에서 월등한 성능을 보였다. 또한 보행점유공간, 보행속도, 보행교통류율의 관계식에 기반하여 실증 데이터를 통한 유효성 검증 단계에서도 제안 모형이 기존 모형과 비교하여 일관되게 낮은 오차를 보임으로써 모형의 정밀성 및 일반화 가능성을 입증하였다.

키워드

파라미터 조정

보행 행태 모형

보행 시뮬레이션

사회역학모형

가시성 기반 경로 탐색

MAIN

서론
선행연구
1. 선행연구 고찰
2. 연구의 차별성 및 범위
연구 방법론
1. Social Force Model(SFM)의 기본형 정의
2. 보행자 속도 기반 동적 파라미터 조정 알고리즘
3. 국지적 가시성 기반 임시 경로 설정 알고리즘
4. 알고리즘 통합 및 실시간 보행자 행태 모형
적용 사례 분석
모형 유효성 검증
결론

서론

도시 환경은 인구 구조의 변화, 모빌리티 수단의 다양화, 스마트시티 기술 도입 등으로 빠르게 변화하고 있다(Müller-Eie and Kosmidis, 2023; Gracias et al., 2023). 보행공간 또한 전통적인 통행 기능을 넘어 공유 모빌리티 존, 보행자 우선도로, 복합 환승센터, 대형 상업·문화 시설 등 다양한 기능을 담는 복합 공간으로 확장되었다. 공간적 변화에 더불어, 보행자 구성 또한 유례없는 변화를 보이고있다. 2025년 ‘장래인구추계’(Korean Statistical Information Service, 2025)에 따르면 65세 이상의 고령 인구 비중은 2023년 18.2%, 2024년 19.2%, 2025년 20.3%로 꾸준히 증가하고 있으며, 이들이 사용하는 전동 휠체어가 중요한 보행 주체로 인식되고 있다. 또한 보행로를 주행하는 배달로봇 역시 점차 증가하는 추세를 보이고 있다(Kovacic et al., 2024). 이러한 보행환경의 변화는 새로운 정책 및 제도 마련을 요구하며, 이를 위해 시뮬레이션을 통한 보행자 이동 행태 분석, 공간 효율성 평가, 긴급 상황 대응, 혼잡 관리 등 다각적 분석이 모색되고 있다(Johora et al., 2017).

보행 시뮬레이션 모형은 도시계획, 건축설계, 교통 운영, 재난 대응 등 다양한 분야에 걸쳐 인간의 이동 행태를 분석하고 공간 환경 설계의 적절성을 평가하기 위한 핵심 도구로 활용되고 있다. 특히 복잡한 도시 환경에서 발생하는 보행자의 상호작용, 장애물 회피, 경로 선택 등 이동 행태를 정밀하게 모사할 수 있는 모형의 필요성이 지속적으로 제기되어 왔다. 대표적으로 Lee(2008)는 지속가능한 교통 정책 수립과 관련하여 행위자 기반 보행 시뮬레이션 모형을 개발하여 보행자 주변 환경 요소에 대해 미시적 측면에서 고려할 것을 강조했다.

한편 Social Force Model(SFM)은 보행자의 움직임을 물리적 상호작용 힘의 합산으로 표현하여 행위자의 의사결정 없이 군중 전체의 거동 흐름을 시뮬레이션할 수 있는 대표적인 보행 상호작용 모형이다. 하지만 기존의 SFM은 고정된 파라미터 체계를 전제로 하여 실시간으로 변화하는 보행환경에 대해서 보행자의 상황 인식 및 유동적 대응을 충분히 반영하지 못하는 한계를 갖는다. 또한 단순 직선 경로가 아닌 복잡한 경로의 시뮬레이션을 수행하기 위해서는 사전에 정의된 전역적 네비게이션 네트워크에 의존하는 방식이 일반적이며, 이는 실제 보행자가 주변 상황에 적응하며 경로를 조정하는 능력을 현실적으로 재현하는데 미흡함이 있다. 이러한 한계를 극복하기 위해, 보행자의 상태 변화 및 시공간적 환경 인지에 따라 모형 파라미터를 실시간으로 조정하고, 전역 경로 내에서 자율적인 임시 경로 설정이 가능한 보행 시뮬레이션 모형의 개발이 요구된다.

본 연구는 전통적인 SFM의 틀 안에서 실시간으로 보행자의 상태 변화와 환경 인지를 반영할 수 있는 적응형 보행자 행태 모형을 개발하는 것을 목적으로 한다. 제안 모형은 기존 SFM의 상호작용 기능을 확장하여 i) 보행자의 속도 기반 동적 파라미터 조절 알고리즘 개발, ii) 국지적 가시성 기반 경로 조정 알고리즘 개발, iii) 두 알고리즘의 실시간 통합 순으로 개발된다. 이후 시뮬레이션 사례분석 및 실증 데이터와의 비교를 통한 모형의 유효성 검증을 진행한다. 마지막으로 보차혼용도로에서의 차량, 고령자, 전동 휠체어, 배달 로봇 등 근미래 보행공간을 공유하게 될 다양한 이동 주체를 포괄하는 시뮬레이션 모형 개발을 위한 기초 연구로서 본 연구가 갖는 가치 및 한계를 논의한다.

선행연구

1. 선행연구 고찰

보행자 행태를 분석하기 위한 연구는 보행자의 의사결정 과정을 전략 단계(strategic level), 전술 단계(tactical level), 실행 단계(operational level)의 3단계로 구분한다(Hoogendoorn, 2001). 본 연구에서 개발하는 보행자 모형은 실행 단계와 밀접한 관련이 있으며, 이 단계에서 보행자는 실제로 이동하며 다른 보행자 또는 장애물과의 상호작용을 고려한다. 실행 단계에서 보행자의 이동 행태에 대한 접근은 크게 거시적(macroscopic) 접근법과 미시적(microscopic) 접근법으로 구분된다. 거시적 접근법은 보행자 전체의 그룹 관점에서 그룹 내 보행자의 움직임을 연속된 흐름으로 가정하고, 보행량, 밀도, 속도로 이루어진 관계식으로 해석한다(Fruin, 1971). 이러한 접근 방식은 보행 알고리즘의 개발과 보행 모형의 적용이 간단하지만, 보행자-보행자 및 보행자-장애물 간의 상호작용을 분석할 수 없다. 반면 미시적 접근법은 개별 보행자 단위의 움직임 및 상호작용을 분석할 수 있으며, 대표적인 모형으로 사회역학모형(Social Force Model)이 있다.

Helbing and Molnar(1995, 1998)는 보행자의 이동 행태를 사회적 상호작용과 물리적 힘의 유추를 통해 수리적으로 묘사하는 미시적 보행 시뮬레이션 모형으로써 Social Force Model(SFM)을 제안하였다. SFM은 보행자가 특정 목적지를 향해 이동할 때의 행위 동기(motivation to act)를 반영하는 추진력(driving force), 보행자-보행자 또는 보행자-장애물 간 거리 유지 및 충돌 회피를 위한 반발력(repulsive force), 집단이나 관심 요소에 의한 인력(attractive force)의 합력으로 보행자의 움직임을 기술한다. SFM은 현실적인 보행자 행동을 수학적 모형으로 표현해 다양한 보행환경에서의 자율적인 보행 흐름 및 집단행동 현상을 효과적으로 설명할 수 있다는 장점을 가진다. 그러나 기존의 모델은 보행자가 모든 방향으로 자유롭게 움직일 수 있다는 가정하에 구성되어 있으며, 이는 현실에서 전방 방향을 선호하는 보행자의 특성을 반영하지 못했다. 이러한 한계를 극복하기 위해 Farina et al.(2017)는 보행자의 방향성을 고려한 Headed Social Force Model을 제안하여 보행자의 실제 이동 경로를 더욱 현실적으로 구현하였다. 한편, Chen et al.(2018)은 SFM의 발전을 포괄적으로 정리한 리뷰 논문을 통해 보행자 속성, 움직임의 기본 유형, 자기조직화(self-organization) 현상, 특수 환경 대응 등으로 구성된 일련의 벤치마크를 제시하고 SFM의 다양한 변형 체계를 종합적으로 비교하였다.

보행자 행태 분석 및 보행 시뮬레이션 분야에 대한 연구는 이처럼 SFM을 주축으로 확장되어 왔다. Chiraibi et al.(2010)는 공간적으로 연속적인 힘 기반 모형을 통해 보행자의 충돌 회피 및 움직임의 정밀 묘사를 시도했으며, 특히 보행자의 상호작용을 타원형 배제 영역(elliptical volume exclusion)으로 표현함으로써 오버래핑과 진동 현상을 줄였다. Kim et al.(2019)은 보행자들이 주변 보행자의 현재 위치 및 속도 정보를 기반으로 미래의 충돌 가능성을 사전에 고려하여 경로를 계획하는 모형을 제안해 보행자가 미래 상황을 미리 예측하여 충돌을 회피하고 이동 시간을 최소화하는 효율적 보행이 가능함을 보였다. Han et al.(2022)은 기존 SFM이 보행자의 행동을 결정론적으로 묘사하는 한계를 극복하기 위해 퍼지추론 기법을 적용한 확률적 이동행태 모형을 제안하였다. 해당 모형은 보행자의 이동속도나 방향 변경에 대한 확률적 의사결정 과정을 수학 모델에 적용하여 실제 보행자의 주관적이고 비확정적인 행태를 현실적으로 반영하였다. Chen et al.(2024)은 확산 방정식 접근을 통해 거시적 수준에서 군중의 흐름과 집단적 행태를 설명했으며, 미시적 모형인 SFM과 상호보완적으로 활용했다. Yan et al.(2024)은 딥러닝 기반 신경망을 활용하여 군중 궤적의 특징을 학습하고, 이를 SFM 구조에 결합한 모형을 제안했다. Kim et al.(2024)은 기존의 기계적 가정에 기반한 보행 모형 개발 방식에서 벗어나 군중의 스트레스 상황에서의 비선형적 행동을 영상 기반 데이터로부터 추출하고, 이를 재현하는 파라미터를 역산 과정으로 도출했다.

2. 연구의 차별성 및 범위

상기 연구들은 다양한 기법을 접목하여 기존 SFM의 한계를 보완하고자 하였다. 그러나 대부분의 연구가 특정 알고리즘 또는 특정 상황을 주목하고, 이를 해결하기 위한 수단으로 맞춤형 모형을 개발하는 과정이 주를 이뤘다. 이러한 시도들은 특정 상황에서의 알고리즘의 이론적 확장과 특정 데이터 기반 학습에는 용이하지만, 일반화 가능한 시뮬레이션 모형으로 적용하기에는 제약이 존재한다.

본 연구에서 제안하는 실시간 적응형 보행자 행태 모형은 부분적으로 다루어진 보행자의 적응성, 환경 인지, 경로 탐색에 대한 개선 방향을 단일 엔진을 활용해 설계하고, 개발 언어의 호환성 및 통일성이 보장된 단일 프레임워크 내에서 구현한다는 점에서 차별성을 가진다. 종래의 보행 시뮬레이션은 에이전트의 움직임을 정밀하게 구현하기 위해 복수의 보행 모형을 결합하는 것이 일반적이며, 이 과정에서 알고리즘 간 충돌이 빈번하게 발생하고 여러 상호작용의 호환 불가 및 중복 등 낮은 안정성을 보여준다. 제안 모형은 단일 프레임워크로 알고리즘을 통합하여 충돌이 발생하지 않으며, 최적화에 이점을 가져 빠른 연산을 가능하게 한다는 장점이 있다.

단, 본 연구는 이러한 단일 프레임워크 기반 모형 개발이 주목적으로, 특정 보행 주체의 행태에 관한 설명과 예측을 시도하는 대신 일반(generic) 보행 주체 및 가상의 보행환경 가정하에서 모형의 유효성을 검증하는 수준으로 그 범위가 한정된다. 따라서 보행 주체 및 보행환경의 다변화, 실증 데이터 기반 모형 파라미터 조정 과정 등 모형 고도화 작업과 교통계획·설계 및 운영상의 시사점 제시는 향후 연구의 과제로 남겨진다.

연구 방법론

1. Social Force Model(SFM)의 기본형 정의

본 연구에서는 기존의 SFM 상호작용 힘의 성분인 추진력, 반발력, 흡인력 중 흡인력을 배제한 추진력과 반발력만을 고려한다. 보행 환경에서의 흡인 요소로 대표되는 개별 보행자의 주관적인 매력 요인과 그룹 행동 등을 배제하고 가능한 객관적이고 일반적인 보행 상황을 가정하며, 보행자와 다른 보행자, 보행 경로에서 마주칠 수 있는 보행 장애요소의 회피에 중점을 두고 보행자 행태 모형을 개발한다. 보행 환경은 평지로 제한하여 경사도에서의 이동 또는 보행자의 수직동선에 대한 고려를 배제하며, 보행자의 체내적 동기는 '보행'의 동기로 한정해 모든 보행자 에이전트는 생성 이후 목표 지점에 도달할 때까지 지속적으로 보행하려는 목적만 지닌 상태를 가정한다. 따라서 보행자는 시뮬레이션의 전 과정에서 고유속도를 유지하려는 성향을 지닌 채로 이동하며, 진행 경로를 가로막는 다른 보행자 또는 보행 장애요소와의 상호작용이 발생할 때 실제 속도가 변화한다.

연구에 적용하는 보행 모형은 다음과 같은 순서로 개발한다. SFM 알고리즘을 보행 시뮬레이션 환경에 적용할 수 있는 알고리즘으로 변환하여 제작한 후, 주요 알고리즘인 보행자 속도 기반 동적 파라미터 조정 알고리즘과 국지적 가시성 기반 임시 경로 설정 알고리즘을 결합한 통합 보행 행태 모형을 개발하고 다양한 시나리오별 기존 SFM과의 시뮬레이션 양상 비교 분석을 진행한다.

시뮬레이션 개발 및 시나리오 사례 분석에 적용할 SFM의 기본형은 보행자 에이전트 $P$ 에게 작용하는 상호작용 힘의 합력 $\vec{F}$ 를 다음 Equation 1과 같이 정의하며, 사용된 파라미터를 Table 1로 작성한다. 설정한 연구 범위에 따라 $\vec{F}$ 는 추진력 ${\vec{F}}_{d s t}$ 와 반발력 ${\vec{F}}_{r e p}$ 의 합으로만 구성되며, ${\vec{F}}_{r e p}$ 는 다시 $P$ 와 다른 보행자와의 반발력 ${\vec{F}}_{p e d}$ , 그리고 보행 장애물과의 반발력 ${\vec{F}}_{o b s}$ 로 분리됨을 보여주고 있다. 시뮬레이션 연산 최적화를 위해 $P$ 와 다른 상호작용 대상의 거리 관계에 따라 ${\vec{F}}_{p e d}$ , ${\vec{F}}_{o b s}$ 를 구성하는 힘의 성분인 사회적 힘 성분 ${\vec{F}}_{s o c}$ , 물리적 힘 성분 ${\vec{F}}_{p h y}$ 를 별도로 연산하도록 알고리즘을 제작했다. 이는 설정된 시뮬레이션 환경에서 보행자 에이전트와 상호작용 대상과의 거리가 최소 임계거리 $d_{0}$ 보다 클 경우 ${\vec{F}}_{s o c}$ , 작을 경우 ${\vec{F}}_{p h y}$ 를 적용해 합력 $\vec{F}$ 를 구하는 방식이다. 기존 SFM 식에서는 ${\vec{F}}_{s o c}$ 와 ${\vec{F}}_{p h y}$ 을 함께 연산하지만, ${\vec{F}}_{p h y}$ 계산 과정에서 접촉이 발생하지 않을 경우 크기를 0으로 만드는 ReLU 함수를 사용하여 결과적으로 동일한 연산 과정을 거친다.

(1)

\vec{F} : = {\vec{F}}_{d s t} + {\vec{F}}_{p e d} + {\vec{F}}_{o b s} = \frac{{\vec{v}}_{d e s i r e d} - \vec{v}}{τ} + \{\begin{array}{lc} \sum_{i} (R A_{s} e^{\frac{d_{0} - d_{p q}}{R A_{d}}} (λ + (1 - λ) \frac{1 + \cos (ϕ)}{2}) {\vec{n}}_{p q}) (d_{0} < d_{p q}) & [social force] \\ \sum_{i} (k_{p e d} |d_{p q} - d_{0}| {\vec{n}}_{p q} + κ_{p e d} |{\vec{v}}_{p} - {\vec{v}}_{q}| {\vec{t}}_{p q}) (d_{0} \geq d_{p q}) & [physical force] \end{array} + \{\begin{array}{lc} \sum_{i} (R O_{s} e^{\frac{d_{0} - d_{p o}}{R O_{d}}} (λ + (1 - λ) \frac{1 + \cos (ϕ)}{2}) {\vec{n}}_{p o}) (d_{0} < d_{p o}) & [social force] \\ \sum_{i} (k_{o b s} |d_{p o} - d_{0}| {\vec{n}}_{p o}) (d_{0} \geq d_{p o}) & [physical force] \end{array}

Table 1.

Descriptions of parameters in social force model

Relation	Symbol	Description
${\vec{F}}_{d s t}$	${\vec{v}}_{d e s i r e d}$	Desired velocity vector
	$\vec{v}$	Current velocity vector
	𝜏	Relaxation time (time to adjust to the desired velocity)
${\vec{F}}_{s o c}$	$R A_{s}$	Magnitude coefficient of pedestrian-pedestrian social force
	$R A_{d}$	Range coefficient of pedestrian-pedestrian social force
	$R O_{s}$	Magnitude coefficient of pedestrian-obstacle social force
	$R O_{d}$	Range coefficient of pedestrian-obstacle social force
	𝜆	Anisotropic factor
	𝜙	Angle between movement direction and interaction vector
${\vec{F}}_{p h y}$	$k_{p e d}$	Normal physical compression coefficient between pedestrians
	$k_{o b s}$	Normal physical compression coefficient between pedestrian and obstacle
	$κ_{p e d}$	Tangential physical friction coefficient between pedestrians
General	$d_{0}$	Minimum allowable distance (sum of safety margin)
	$d_{p q}$	Distance between the centers of pedestrians
	$d_{p o}$	Distance between the centers of pedestrian and obstacle
	${\vec{n}}_{p q}$	Unit normal vector from pedestrians
	${\vec{n}}_{p o}$	Unit normal vector from pedestrian and obstacle
	${\vec{t}}_{p q}$	Unit tangential vector from pedestrians

2. 보행자 속도 기반 동적 파라미터 조정 알고리즘

기존 SFM은 힘 성분의 우선순위에 대한 개념이 존재하지 않으며, 보행자의 추진력 및 상호작용 힘 계산에 있어 모든 파라미터를 고정값으로 가정한다. 이러한 전통적인 SFM 알고리즘을 그대로 사용할 경우 설정한 연구 범위에서 병목 현상을 유도했을 때 병목이 영구적으로 지속되며 모든 보행자의 보행 속도가 0에 가까워진다. 본 연구에서는 보행자의 실제 이동 속도와 목표 속도의 비율을 기반으로 주요 파라미터를 동적으로 조정하는 Adaptive Parameter Adjustment 기법을 제안한다. 해당 기법은 고밀도 보행환경을 유도했을 때 보행자의 속도 비율에 의거하여 파라미터를 조정함으로써 현실에서의 보행자 행태를 물리적 상호작용 연산으로 모사한다.

먼저 시뮬레이션 내의 보행자 $P$ 의 목표 속도 ${\vec{v}}_{d e s i r e d}$ 와 현재 속도 $\vec{v}$ 의 크기를 실시간으로 비교하여, 속도 비율 $η_{p}$ 를 다음 Equation 2와 같이 정의한다.

(2)

η_{p} = \frac{‖ \vec{v} ‖}{||\vec{v_{desired,}}||}

이때, 0< $η_{p}$ <1인 경우 $P$ 는 어떠한 보행 상황에 의해 본인의 목표 속도를 달성할 수 없는 상태, $η_{p}$ ≈1인 경우 $P$ 의 보행 상황에 영향을 주는 외부 요인이 거의 없는 상태(쾌적 상태)라고 판단할 수 있다. $η_{p}$ >1인 경우, $P$ 는 어떤 특수한 상황에 의해 목표 속도보다 빠르게 움직이고 있는 상태이며, 이를 시뮬레이션 상황에 대입하면 특정 구역에서 빠져나오는 행동, 어떤 지점으로 급하게 움직이는 경우를 상정할 수 있다.

SFM 고도화를 위한 핵심 알고리즘 중 하나인 보행자 속도 기반 동적 파라미터 조정 알고리즘은 시뮬레이션 실행 시 $P$ 의 $η_{p}$ 를 측정해 Equation 3과 같이 $P$ 의 ${\vec{F}}_{p e d}$ 성분에 실시간으로 반영되며, 이때 $η_{p}$ 는 동적으로 변동하는 scale factor의 역할과 유사하다. 해당 알고리즘을 결합한 함수식에서의 총 힘의 합력은 ${\vec{F}}_{A}$ 로 정의한다.

(3)

{\vec{F}}_{A} : = {\vec{F}}_{d s t} + η_{p} \cdot {\vec{F}}_{p e d} + {\vec{F}}_{o b s}

$P$ 는 설정된 시뮬레이션 환경에서 고정된 장애물 및 다른 보행자와의 관계성만 파악하며, 다른 보행자의 개입으로 인해 목표 속도를 유지하는데 방해를 받는다. 예를 들어, $P$ 가 보행밀도가 높은 지역(고밀도 환경)에서 보행 중인 상황을 가정하면, $P$ 는 고밀도 보행 그룹의 중심에 속해 있을수록 다른 보행자와 충분한 거리를 확보할 수 없고 실제 보행속도가 감소한다. 위와 같은 상황에서 $P$ 는 우선적으로 ${\vec{F}}_{d s t}$ 의 영향을 강하게 받아 현재의 상황에서 벗어나고자 할 것이다. 따라서 $P$ 는 쾌적 상태가 붕괴되는 시점인 고밀도 보행 그룹의 경계 부근 진입 단계에서 ${\vec{F}}_{d s t} > η_{p} \cdot {\vec{F}}_{p h y} > η_{p} \cdot {\vec{F}}_{s o c}$ 을 만족하며, 중심에 가까워질수록 $η_{p}$ 값이 감소해 고밀 및 병목 구간을 돌파할 수 있는 강한 추진력이 작용한다. 반대로 $P$ 가 저밀도 환경에서 쾌적 보행 상태인 상황을 가정하면, 다른 보행자와의 신체 접촉이 발생하기 이전에 거리를 확보하고자 할 것이며, 따라서 $P$ 에 대한 ${\vec{F}}_{s o c}$ 의 영향력이 높아져야 한다. 이때 $P$ 는 ${\vec{F}}_{d s t} > η_{p} \cdot {\vec{F}}_{s o c} > η_{p} \cdot {\vec{F}}_{p h y}$ 를 만족하며, 쾌적상태에서 $η_{p}$ ≈1이므로 $P$ 는 높은 ${\vec{F}}_{s o c}$ 에 의해 사전 회피를 적극적으로 수행한다. 속도 기반 동적 파라미터 조정 알고리즘은 Figure 1과 같이 $P$ 와 다른 보행자의 상호작용 관계를 파악하여 우선순위가 높은 힘 성분에 대한 가중치를 적용한다. 해당 알고리즘을 통해 $P$ 는 실시간으로 변동하는 보행 환경에 대응하여 우선할 힘 성분의 유형과 강도를 조정한다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-01/N0210440103/images/kst_2026_441_038_F1.jpg

Figure 1.

Dynamic parameter adjustment based on pedestrian density

3. 국지적 가시성 기반 임시 경로 설정 알고리즘

기존 SFM은 보행자의 보행 시작지점인 $O$ (origin)에서 최종 목적지 $D$ (destination)까지의 $O D$ 경로를 설정함에 있어 $D$ 를 향한 고정 방향으로 추진력을 설정한다. 그러나 이러한 구조에서는 보행자가 보행 경로 자체의 복잡성 및 상호작용 탐지 범위 밖의 대형 장애물(벽, 구조물 등)을 사전에 인지할 수 없다. 그 결과, 보행자 에이전트는 장애물 전면에서 정체하거나 불필요한 회피 동작의 반복 및 특정 보행 구간을 영구적으로 배회하는 비현실적 행동을 보이기도 한다.

이러한 한계를 보완하기 위해, 단순 직선 경로가 아닌 복잡한 경로 환경이나 필수적인 경로 우회가 요구되는 상황에서는 보행자에게 전역 네트워크 기반의 경로를 사전에 부여하고 사전 결정된 경로상에서 보행 환경과 국지적으로 상호작용하게 하는 하이브리드 방식이 일반적으로 채택되어 왔다(Patil et al., 2010; Li et al., 2020). 그러나 전역 경로 설정 방식 또한 모든 에이전트에 대한 사전 경로 연산으로 인한 연산 과부화 및 같은 경로를 따르는 에이전트들의 비현실적인 한 줄 보행 현상 발생 등의 한계가 발생한다.

본 연구에서는 SFM에 별도의 경로 네트워크 모형을 결합하는 대신, 보행자에게 가시성(visibility)을 부여하여 특정 시점에서의 ‘가시영역(isovist)’ 정보를 반영해 경로를 조정하는 알고리즘을 제안한다. 가시영역 개념은 보행자의 외부 환경인지에 작용하는 체외적 정보를 포착하기 위해 건축 및 도시설계 분야에서 처음 도입되었으며(Benedikt, 1979), 보행자의 경로 선택을 시뮬레이션하는 과정에서 중요한 환경적 단서로 활용되어왔다 (Penn and Turner, 2002). 본 연구에서는 이러한 가시영역 개념을 SFM 알고리즘에 결합하여, 보행자가 최종 목표 지점 $D$ 를 추종하면서도 시야 내 동적/정적 장애요소를 미리 탐지하여 실시간으로 보행 가능 임시 경로를 선택하는 경로 조정 알고리즘을 개발하고자 한다. 가시성 알고리즘의 구체적인 적용 과정은 다음과 같다.

어떤 힘 $\vec{F}$ 에 대하여, 질량을 $m$ , 가속의 크기를 $k$ , 가속의 방향 벡터를 $\vec{u}$ 라고 가정하면, 다음 Equation 4가 성립한다.

(4)

\vec{F} = m k \cdot \vec{u}

본 연구의 SFM 상호작용 힘 관계식에서는 상대적인 힘의 관계에 초점을 맞추었으며 모든 보행자가 비슷한 질량을 갖고 있다고 가정해 $m$ =1로 생략하기로 한다. 따라서 $\vec{F} = k \cdot \vec{u}$ 이 성립하며, 힘은 가속의 방향(unit vector)과 가속의 크기(scalar)의 곱으로 나타낼 수 있다. 이후 기존의 추진력 ${\vec{F}}_{d s t}$ 에 대하여 최종 목표 지점 $D$ 를 향한 추진력을 ${\vec{F}}_{D}$ , 가시성 알고리즘을 적용해 판별한 보행자 $P$ 의 시점 $t$ 의 임시 목표 지점을 $T (t)$ , $T (t)$ 를 향한 추진력을 ${\vec{F}}_{T (t)}$ 라고 정의한다. $P$ 는 $D$ 에 도달할 때까지 모든 시점 $t$ 에 대하여 추진력을 ${\vec{F}}_{T (t)}$ 로 대체하며, $D$ 에 도달하기 직전 마지막 $t$ 시점에 ${\vec{F}}_{T (t)} = {\vec{F}}_{D}$ 이 되며 $O D$ 보행을 완수한다.

$P$ 의 $t$ -1시점에서 보행자의 상호작용 힘의 합에 의해 결정된 합력을 ${\vec{F}}_{t - 1}$ , ${\vec{F}}_{t - 1}$ 의 방향 벡터를 ${\vec{u}}_{t - 1}$ 로 가정했을 때, ${\vec{F}}_{D}$ 의 방향 벡터 ${\vec{u}}_{D}$ 와 비교해서 ${\vec{u}}_{t - 1}$ 는 $t$ -1시점의 $P$ 가 실제로 이동한 정면 방향, ${\vec{u}}_{D}$ 는 $P$ 가 지향하는 목표 방향으로 해석할 수 있다(Figure 2). 이때 다음 Equation 5를 만족하는 시점 $t$ 의 $P$ 의 고개가 향하는 방향 벡터를 ${\vec{u}}_{s i g h t (t)}$ 라고 정의한다.

(5)

{\vec{u}}_{sight (t)} = \frac{{\vec{u}}_{D} + f_{v} {\vec{u}}_{t - 1}}{||{\vec{u}}_{D} + f_{v} {\vec{u}}_{t - 1}||} (0 \leq f_{v} \leq 1)

$f_{v}$ 는 ${\vec{u}}_{D}$ 와 ${\vec{u}}_{t - 1}$ 합을 통해 고개 방향 벡터 ${\vec{u}}_{s i g h t (t)}$ 를 구하는 과정에서 목표 지향점에 대한 추종 가중치를 결정하는 scale factor로, 보행자의 자연스러운 이동 궤적이 나오도록 정합(fitting)하는 과정이 필요하다. ${\vec{u}}_{s i g h t (t)}$ 를 중심으로 시야각을 $R_{a}$ , 최대 가시거리를 $R_{\max}$ 로 가정하고 $P$ 로부터 visibility ray를 방사하여 다른 보행자 및 보행 장애물에 가로막히지 않는 열린 가시영역을 탐지한다. 열린 가시영역에서 ${\vec{F}}_{D}$ 와 가장 내적값이 큰 ray를 ${\vec{R}}_{b e s t (t)}$ 라고 정의하면 ${\vec{R}}_{b e s t (t)}$ 는 ${\vec{F}}_{D}$ 와 가장 방향성이 유사한 진행 가능 경로라고 추정할 수 있다. ${\vec{R}}_{b e s t (t)}$ 로부터 시점 $t$ 에서의 추진력 ${\vec{F}}_{T (t)}$ 의 방향 벡터 ${\vec{u}}_{T (t)}$ 를 추출할 수 있으며, 이때 ${\vec{u}}_{T (t)} = \frac{{\vec{R}}_{best (t)}}{||{\vec{R}}_{best (t)}||}$ 를 만족한다. 가시성 알고리즘을 적용한 시점 $t$ 의 ${\vec{F}}_{T (t)}$ 에 대하여 다음 관계식 Equation 6가 성립하며, 알고리즘 적용 전후로 $P$ 의 보행 경로 양상은 Figure 2와 같이 나타난다.

(6)

{\vec{F}}_{T (t)} = \frac{||{\vec{v}}_{desired}|| \cdot {\vec{u}}_{T (t)} - {\vec{v}}_{p (t - 1)}}{τ}

https://cdn.apub.kr/journalsite/sites/kst/2026-044-01/N0210440103/images/kst_2026_441_038_F2.jpg

Figure 2.

Pedestrian behavior comparison with and without visibility algorithm

국지적 가시성 기반 임시 경로 설정 알고리즘은 단순히 경로를 수정하는 기술적 장치에 머무르지 않고, 실제 보행자가 시야 범위 내에서 끊임없이 장애물과 타 보행자를 탐색하며 경로를 조정하는 인지적 과정을 물리적으로 재현한 시도라 볼 수 있다. SFM의 추진력에 가시성 알고리즘을 적용해 보행자는 전역 경로에 대한 의존 없이 주변 환경 변화에 유연하게 대응할 수 있다. 이러한 접근은 복잡한 공간 구조에서도 보행자 개인의 경로 다변성을 확보할 수 있으며, 이는 결과적으로 거시적 관점에서 시뮬레이션 내 군중 전체의 흐름을 보다 유연하게 만드는 효과를 가져온다. 또한 별도의 모형을 개발해 적용하는 것이 아닌 기존 SFM의 구성 요소를 수정하는 알고리즘 적용으로 추가 연산 비용이 최소한으로 발생하며, 이는 대규모 보행 시뮬레이션 실행 등의 연산 최적화가 필수적으로 요구되는 개발 단계에서 더욱 강점으로 작용할 것으로 예상된다.

4. 알고리즘 통합 및 실시간 보행자 행태 모형

전술한 보행자 속도 기반 동적 파라미터 조정 알고리즘과 국지적 가시성 기반 임시 경로 설정 알고리즘을 기존 SFM에 적용하여 통합한 실시간 적응형 보행자 행태 모형을 개발한다. 보행자 에이전트 $P$ 의 시점 $t$ 의 모형식은 다음 Equation 7과 같이 정리될 수 있다.

(7)

(consider : η) η_{p} : = \frac{‖ \vec{v} ‖}{||{\vec{v}}_{desired}||} {\vec{F}}_{t} : = {\vec{F}}_{T (t)} + η_{p} \cdot {\vec{F}}_{p e d (t)} + {\vec{F}}_{o b s (t)} = \frac{||{\vec{v}}_{desired}|| \cdot {\vec{u}}_{T (t)} - {\vec{v}}_{p (t - 1)}}{τ} + η_{p (t)} \cdot \{\begin{cases} \sum_{i} (R A_{s} e^{\frac{d_{0} - d_{p q (t)}}{R A_{d}}} (λ + (1 - λ) \frac{1 + \cos (ϕ)}{2}) {\vec{n}}_{p q (t)}) (d_{0} < d_{p q (t)}) [social force] \\ \sum_{i} (k_{p e d} |d_{p q (t)} - d_{0}| {\vec{n}}_{p q (t)} + κ_{p e d} |{\vec{v}}_{p (t)} - {\vec{v}}_{q (t)}| {\vec{t}}_{p q (t)}) (d_{0} \geq d_{p q (t)}) [physical force] \end{cases} + \{\begin{cases} \sum_{i} (R O_{s} e^{\frac{d_{0} - d_{p o (t)}}{R O_{d}}} (λ + (1 - λ) \frac{1 + \cos (ϕ)}{2}) {\vec{n}}_{p o (t)}) (d_{0} < d_{p o (t)}) [social force] \\ \sum_{i} (k_{o b s} |d_{p o (t)} - d_{0}| {\vec{n}}_{p o (t)}) (d_{0} \geq d_{p o (t)}) [physical force] \end{cases}

적용 사례 분석

본 연구에서는 앞서 제시한 실시간 적응형 보행자 행태 모형의 성능을 검증하기 위해, 다양한 보행 환경 조건을 반영한 시뮬레이션 시나리오를 구성하고 기존 SFM과 비교 분석을 수행하였다. 시뮬레이션 환경은 연구 방법론에서 정의한 기본 변수와 파라미터를 동일하게 적용하되, 보행 밀도, 장애물 배치, 보행 방향 등 주요 환경 요인을 단계적으로 변화시켜 모형의 적응성과 현실성, 안정성 등을 평가할 수 있도록 설계했다.

구체적으로 저밀도/고밀도 환경, 단방향/양방향 보행, 장애물 유무에 따라 6개의 시나리오 환경을 조성하고, 시나리오별 두 모형의 시뮬레이션 적용 결과를 개별 보행자의 $O D$ 궤적 형태로 추출해 다음 Figure 3과 같이 시각화했다. 모든 시나리오의 기본 보행 환경은 보도 연장 30m, 보도폭 7m의 단순 직선 도로를 기준으로 환경 요인을 조절했으며, 저밀도 환경은 총 보행자 수 20명, 고밀도 환경은 총 보행자 수 100명을 기준으로 분석했다. 개별 보행자 에이전트의 보행속도와 관련해서는 최소 목표 보행속도 1.1m/s와 최대 목표 보행속도 1.46m/s 범위 내에서 정규분포를 따르는 것으로 가정했다. 알고리즘에 의해 실시간으로 조정되는 주요 파라미터와 별도로 보행자 에이전트의 색상, 크기, 움직임(모션 그래픽) 등을 조정하는 기타 파라미터는 모두 통일하여 설정했다. 모든 보행자는 구간의 가장자리에서 생성될 때 균등하게 분포하도록 배치했다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-01/N0210440103/images/kst_2026_441_038_F3.jpg

Figure 3.

Performance comparison of traditional SFM and real-time adaptive pedestrian behavior model

단방향 시나리오의 경우 모든 보행자는 순방향(좌측에서 우측)으로 이동하며, 양방향 시나리오의 경우 보행자는 50%의 비율로 역방향(우측에서 좌측)으로 이동한다. 보행자가 좌측 또는 우측 가장자리 임의의 지점 $O$ 에서 출발해 반대편 가장자리 임의의 지점 $D$ 에 도달하면, 다시 $O$ 로 이동하여 $O D$ 경로를 반복 이동하는 알고리즘을 적용했다. 이때, 보행자 궤적은 순방향의 경우 청색, 역방향의 경우 적색으로 구분해 두 모형의 직관적인 성능 비교가 가능하도록 표현했다. Figure 3에서 (a)에 해당하는 좌측 이미지는 모두 기존 SFM 적용 시뮬레이션 결과, (b)에 해당하는 우측 이미지는 실시간 적응형 보행자 행태 모형을 적용한 결과를 나타낸다. 개별 시나리오의 환경 설정과 시뮬레이션 결과로써 (a)와 비교한 (b)의 차별점은 다음 Table 2로 나타냈다.

Table 2.

Comparison of traditional SFM and real-time adaptive pedestrian behavior model

Scenario	Number of pedestrians	Flow direction	Traditional SFM (a)	Proposed model (b)
1	20	Unidirectional	- Close following behavior - Narrow trajectory spacing	- Wider trajectory dispersion - Forward visibility secured
2	100	Unidirectional	- Single-file queueing - Speed reduction under congestion	- Active avoidance maneuvers - Smoother pedestrian flow
3	20	Bidirectional	- Late avoidance response - Frequent collision events	- Anticipatory detouring - Flocking-type flow formation
4	100	Bidirectional	- Disordered mixing - Repeated close contacts	- Distinct lane formation - Stable flocking behavior
5	100	Bidirectional	- Symmetric force deadlock - Halted movement	- Gap utilization by leaders - Breakthrough of pedestrian stream
6	20	Bidirectional	- Blocked by obstacles - Limited rerouting capability	- Visibility-based updates - Continuous smooth trajectory

note: The physical scale of all simulation environments are set to 7m in width and 30m in length

본 연구에서 정의한 ‘실시간 연산’은 1초에 $N$ 번 모든 에이전트의 상호작용 범위 내 탐지 및 탐지 대상과의 연산을 통해 에이전트의 힘의 크기와 방향을 갱신하는 FPS(frame-per-second)의 적정 수준을 의미하며, 20FPS 수준을 최소 기준치로 규정하였다(Baglietto and Parisi, 2011; Guo and Tang, 2012; Peng et al., 2025). 기준치 이상의 연산을 수행하기 위해 Ryzen 5급 CPU, RTX 3060급 GPU가 최소 하드웨어 조건으로 요구되었으며, 사전 성능 실험을 통해 제안 모형은 에이전트가 1000명이 될 때까지 50FPS 수준의 연산 처리가 가능함을 확인했다.

(1) 저밀도 단방향 보행 환경: 보행 과정에서 장애를 마주할 상황이 거의 발생하지 않는 쾌적 상태이기 때문에 (a)와 (b)의 궤적 차이가 가장 적게 발생했다. 다만 (a)는 시야 확보 개념이 없어 보행자가 앞사람의 뒤를 따라가는 경우가 빈번히 발생했으며 보행자의 앞뒤 간격이 좁게 궤적이 나타났다. 반면 (b)는 보행자가 진행중 전방 시야를 확보하기 위해 상호작용 힘을 받기 이전에 미리 넓게 분산되는 궤적을 보였다.

(2) 고밀도 단방향 보행 환경: (a)는 보행 구간 전체에 걸쳐 마치 정체된 도로의 차량 행렬을 보는 것처럼 여러 개의 한 줄 서기 형태로 움직이는 모습을 보였다. (a)에서 $P$ 는 $D$ 까지의 최단거리 단순 경로를 따라 추진력을 받게 되는데, 앞선 보행자가 더 느린 경우 지속적으로 진행 방해를 받음에도 불구하고 경로를 바꾸지 않고 대신 보행 속도를 감소시키는 상태를 유지했다. 반면 (b)는 모든 보행자가 실시간으로 더 쾌적한 보행 경로를 찾기 위해 회피 기동 및 경로 우회를 적극적으로 시도하는 모습이 나타났으며, $D$ 와 가까워지는 경로 우측 부분에서 밀집 구간을 돌파한 선두 보행자들은 (1)과 같이 쾌적 상태에 돌입하며 다시금 분산하여 $D$ 까지 도달하는 모습을 보였다.

(3) 저밀도 양방향 보행 환경: (a)는 $P$ 를 향해 다가오는 다른 보행자를 사전에 인지하지 못해 충돌 직전 회피 또는 충돌 발생이 빈번하게 일어났다. (b)는 (1)의 경우와 같이 보행자의 전방에 다른 보행자가 오고 있다는 사실을 인지하고 경로를 미리 우회하여 전방 시야를 확보하는 모습을 보였다. 또한 모든 보행자가 전방에 다른 보행자를 피해 사전 우회를 진행하기 때문에, 같은 방향으로 이동하는 보행자들이 보행 흐름(pedestrian flow)을 발생시키며 물고기 떼(flock)처럼 흐름을 따라 무리지어 이동하는 flocking 현상이 발생했다.

(4) 고밀도 양방향 보행 환경: (a)와 (b)를 비교했을 때 전술한 flocking 현상이 더욱 두드러지게 나타났다. (a)는 보행자들이 무질서하게 섞이며 충돌과 회피를 반복했으며, 고밀도 환경이므로 충돌임박의 경우에도 회피 가능 방향에 다른 보행자가 존재해 한동안 회피를 못하고 보행자들이 밀착/접촉 상태를 유지하는 상황이 빈번하게 발생했다. (b)는 좌측 통행 또는 우측 통행의 보행 흐름이 명시적으로 드러났으며, 구간 종방향 중앙 부근에서 서로 반대 방향으로 이동하는 일부 보행자들이 일시적으로 자신의 flock에서 탈출해 반대편 보행 흐름의 flocking에 간섭하는 현상이 발생함을 확인했다.

(5) 고밀도 양방향 병목 환경: 구간 횡방향 중앙에 장벽 형태의 장애물을 배치해 병목 현상을 유도했다. 모든 보행자가 유사한 고정 파라미터를 갖고 있는 (a)는 병목 구간에서 양방향의 힘의 합력이 대칭에 가깝게 발생하므로 양방향의 보행자들이 병목 구간에서 더 이상 진행하지 못하고 고착화되는 현상이 발생했다. (b)의 경우 시뮬레이션 초반부에는 (a)와 마찬가지로 양방향에서 대칭적인 힘이 충돌해 보행자들이 진행하지 못하는 현상이 발생했다. 하지만 고착화된 보행자 집단 내의 선두에 있는 보행자 $P$ 가 반대편 집단의 작은 공간을 포착해 비집고 들어가면서 활로를 만들고, $P$ 가 속한 집단의 다른 보행자들이 $P$ 의 이동에 의해 확보된 공간을 바로 채우면서 이동해 병목 구간을 돌파하는 새로운 보행 흐름이 발생함을 확인했다.

(6) 저밀도 양방향 복잡 경로: 장애물 배치를 통해 단순 직선 경로가 아닌 지그재그 형태의 구간을 조성해 복잡한 경로에서의 보행자 이동 행태를 비교했다. (a)는 시야 개념이 없기 때문에 작은 장애물이나 다른 보행자와의 상호작용에서 발생하는 짧은 회피기동을 넘어서는 보행 경로 수정 수준의 회피가 불가능하다. 따라서 벽 형태의 장애물에 막혀 더 이상 진행하지 못하는 모습을 보였다. (b)는 연구 방법론에서 기술한 가시성 알고리즘에 의해 $D$ 를 추종하면서도 실시간으로 보행 가능한 최적의 방향을 갱신하므로, 복잡한 구간에서도 모든 보행자들이 수월하게 이동함을 확인했다.

모형 유효성 검증

실시간 적응형 보행자 행태 모형을 기존 SFM과 비교하여, Fruin(1971)이 분석지표로 활용한 뉴욕시 버스터미널 통로의 보행 실측 데이터와의 정합률을 분석하는 방법으로 검증하였다. Fruin은 전술한 실측 데이터로부터 거시적 관점에서 보행 흐름을 분석할 수 있는 지표인 보행교통류율( $P$ )과 보행밀도의 역수인 보행점유공간( $M$ )의 관계식을 다음 Equation 8과 같이 나타냈다.

(8)

P = \frac{281 M - 752}{M^{2}}

한편 Han et al.(2019)는 보행자의 흐름을 밀도와 속도의 관계로 설명하는 보행교통류 이론에 적용하여, 보행교통류율, 보행밀도( $D$ ), 보행속도( $S$ )의 관계를 유체역학의 기본식을 적용하여 Equation 9와 같이 나타냈다.

(9)

P = S D = \frac{S}{M}

본 연구에서는 두 관계식을 결합해 현실(실측 데이터)과 시뮬레이션의 보행자 행태 유사도를 정량적으로 분석했다. Fruin의 실측 데이터와 동일한 보행 환경을 가상으로 구현하였으며, 시뮬레이션 실행 시 Equation 8과 $M$ =1/ $D$ 에 따라 실제 보행자의 보행교통류율 $P_{r e a l}$ 의 값이 고정적으로 결정되게 했다. 이때 시뮬레이션 보행자 에이전트의 $D$ 를 변화시키면서 평균 보행속도 $S$ 를 추출하고, Equation 9의 관계식을 이용해 보행자 에이전트의 보행교통류율 $P_{v i r t}$ 를 구한 후 $P_{r e a l}$ 에 대한 $P_{v i r t}$ 의 오차를 분석해 보행점유공간의 변화에 따른 실제 데이터와 시뮬레이션 데이터의 유사도를 평가했다. 이때 기존 SFM을 적용한 $P_{v i r t}$ 를 $P_{(v i r t, O)}$ , 실시간 적응형 보행자 행태 모형을 적용한 $P_{v i r t}$ 를 $P_{(v i r t, A)}$ 라고 정의하여 구분했다. 실증 비교 분석 결과는 Fruin의 실측 데이터의 정의역 구간과 일치하도록 $M$ 이 최소값 0.25(m²/인)에서 최대값 4.6(m²/인)까지 0.05단위로 증가함에 따라 $P_{r e a l}$ , $P_{(v i r t, O)}$ , $P_{(v i r t, A)}$ 값을 구해 Figure 4와 같이 그래프로 표현했다. 또한 기존 SFM의 오차값 $P_{r e a l} - P_{(v i r t, O)}$ 을 $E_{O}$ , 실시간 적응형 보행자 행태 모형의 오차값 $P_{r e a l} - P_{(v i r t, A)}$ 을 $E_{A}$ 라고 정의한 후 전체 구간에서 $E_{O}$ , $E_{A}$ 를 구하고 두 모형의 평가 지표 MAE(평균 절대 오차), MSE(평균 제곱 오차), RMSE(평균 제곱근 오차), MAPE(평균 절대 비율 오차)를 비교하여 Table 3으로 작성했다. 본 연구에서 제시한 실시간 적응형 보행자 행태 모형 적용 시, 전 구간에서 오차값 $E_{A}$ 의 크기가 2 미만으로 나타났으며, 측정한 모든 평가 지표에 대하여 기존 SFM 보다 우수한 결과를 보여주었다.

https://cdn.apub.kr/journalsite/sites/kst/2026-044-01/N0210440103/images/kst_2026_441_038_F4.jpg

Figure 4.

Validation result graph of models with Fruin’s empirical data

Table 3.

Evaluation metric comparison of traditional SFM and real-time adaptive pedestrian behavior model

Evaluation metric	Traditional SFM	Real-time adaptive pedestrian behavior model
MAE (Mean Absolute Error)	1.44	0.28
MSE (Mean Squared Error)	9.31	0.21
RMSE (Root Mean Squared Error)	3.05	0.46
MAPE (Mean Absolute Percentage Error)	8.21	3.19

Fruin은 보행점유공간과 보행교통류율의 관계로부터 보행자 관점에서의 보행 만족도를 평가할 수 있는 지표인 보행 서비스 수준(level of service, LOS) 개념을 제시했다. LOS 수준은 $M$ ≥3.25일 때 가장 쾌적한 보행 상태인 A 등급에서 $M$ ≤0.5에서 관측할 수 있는 보행 흐름 마비 수준인 F 등급까지 6단계로 정의된다. Figure 4에 따르면, 기존 SFM과 실시간 적응형 보행자 행태 모형 모두 $M$ ≥2.3인 LOS B등급 이상의 쾌적 상태에서는 실측 데이터와의 오차가 거의 발생하지 않음을 확인할 수 있다. LOS B등급은 정상적인 보행속도, 즉 보행자 에이전트의 목표 보행속도를 유지할 수 있는 수준의 쾌적 상태를 나타낸다. 그러나 $M$ <2.3 구간에서는 $E_{O}$ 와 $E_{A}$ 의 오차 수준이 크게 벌어지는 현상이 나타났다. $P_{(v i r t, A)}$ 는 전구간에서 $P_{r e a l}$ 와 전반적인 유사성이 높은 반면, $P_{(v i r t, O)}$ 는 LOS C등급 이하 구간에서 $P_{r e a l}$ 과의 오차 $E_{O}$ 의 크기가 급격히 벌어졌으며, 이는 특히 고밀도 보행환경에서 기존 SFM을 적용할 때 보행자 에이전트의 행태가 현실성이 낮음을 의미한다.

결론

본 연구는 보행 시뮬레이션 개발 연구에서 널리 사용되는 사회역학모형(Social Force Model)을 보완하기 위해, 보행자의 상태 변화에 따른 동적 파라미터 조정 알고리즘과 국지적 가시성 기반 경로 설정 알고리즘을 통합한 실시간 적응형 보행자 행태 모형을 제안했다. 제안 모형은 6가지 서로 다른 상황에 대한 시뮬레이션을 통해 기존 모형 대비 현실적인 정밀 보행 경로 형성, 자율 회피 기동 반응 향상, 거시적 보행 흐름 생성 등 다방면에서 현실 보행자 행태를 더욱 우수하게 모사하는 성능을 보였다. 유효성 검증 측면에서는 실측 데이터와의 비교 분석을 통해 기존 SFM 대비 전 구간에서 실측 데이터와의 오차율이 감소하는 현상을 관측했다.

다만 본 연구는 SFM의 흡인력 개념과 군중 행동, 대기(queuing) 상황, 저속/고속 보행, 보행자의 성향 등 다양한 실제 작용 요소들을 배제했으며, 일반적 상황에서 이동 중인 보행자의 움직임을 물리적으로 유사하게 재현하는 모형을 개발했다. 유효성 검증 측면에서는 미시적 모형을 거시적 관점에서만 평가 및 검증하는 작업을 수행하여 정밀한 모형 파라미터 조정이 미흡한 한계도 있다. 이러한 한계점들을 보완하기 위해 이동 주체 및 보행환경 다변화 측면에서 추가적인 연구와 검증 작업이 필요하다.

추후 연구 범위를 확장하여 Belief-Desire-Intention(BDI) 등 비물리적인 보행자 행태 간의 상호작용을 반영할 수 있는 알고리즘을 결합하는 방법으로 모형의 성능을 더욱 향상시킬 수 있을 것으로 기대된다(Caillou et al., 2017). 이는 시뮬레이션 시스템의 완성도를 높여 보행자의 물리적 행동 재현에 대한 설명뿐만 아니라, 특정 보행환경에 대한 보행 스트레스 분석, 보행 공간 설계, 보행 안전 동선 가이드 등의 연구에 기여할 수 있다. 또한 다양한 보행 시나리오별 관측 데이터를 수집하고, 이를 근거로 미시적인 모형 유효성 검증 및 파라미터 교정 작업을 진행하여 여러 알고리즘이 결합된 통합 보행자 행태 모형의 파라미터를 최적화하는 과정이 후속 연구주제로 요구된다. 이를 위해 강화학습(reinforcement learning)과 같은 AI 기술을 적용하는 방안도 검토해 볼 필요가 있다(Zhang et al., 2021). 후속 연구의 사례 분석 단계에서는 전통적인 SFM, 기존 개선 모형, 확장 제안 모형 등 여러 모형 간의 성능 비교를 통해 개선 효과와 모형의 신뢰성을 보다 효과적으로 입증할 필요도 있다.

Funding

This research was funded by government(Ministry of Science and ICT, MSIT) and supported by the National Research Foundation of Korea. (No. NRF-2022M3C1B6083187)

References

Baglietto G., Parisi, D. R. (2011), Continuous-space Automaton Model for Pedestrian Dynamics, Physical Review E—Statistical, Nonlinear, and Soft Matter Physics, 83(5), 056-117.

10.1103/PhysRevE.83.056117

Benedikt M. L. (1979), To Take Hold of Space: Isovists and Isovist Fields, Environment and Planning B: Planning and Design, 6(1), 47-65.

10.1068/b060047

Caillou P., Gaudou B., Grignard A., Truong C. Q., Taillandier P. (2017), A Simple-to-use BDI Architecture for Agent-Based Modeling and Simulation, In Advances in Social Simulation 2015, Cham: Springer International Publishing, 15-28.

10.1007/978-3-319-47253-9_2

Chen H., Ding J., Li Y., Wang Y., Zhang X. (2024), Social Physics Informed Diffusion Model for Crowd Simulation, AAAI Conference on Artificial Intelligence, 38(1), 474-482.

10.1609/aaai.v38i1.27802

Chen X., Treiber M., Kanagaraj V., Li H. (2018), Social Force Models for Pedestrian Traffic-State of The Art, Transport Reviews, 38(5), 625-653.

10.1080/01441647.2017.1396265

Chiraibi M., Seyfried A., Schadschneider A. (2010), Generalized Centrifugal-Force Model for Pedestrian Dynamics, Physical Review E―Statistical, Nonlinear, and Soft Matter Physics, 82(4), 046-111.

10.1103/PhysRevE.82.046111

Farina F., Fontanelli D., Garulli A., Giannitrapani A., Prattichizzo D. (2017), Walking Ahead: The Headed Social Force Model, PloS One, 12(1), e0169734.

10.1371/journal.pone.016973428076435PMC5226724

Fruin J. J. (1971), Pedestrian Planning and Design.

Gracias J. S., Parnell G. S., Specking E., Pohl E. A., Buchanan R. (2023), Smart Cities—A Structured Literature Review, Smart Cities, 6(4), 1719-1743.

10.3390/smartcities6040080

Guo R., Tang T. (2012), A Simulation Model for Pedestrian Flow Through Walkways With Corners, Simulation Modelling Practice and Theory, 21(1), 103-113.

10.1016/j.simpat.2011.10.007

Han M. J., Jung D. J., Lee Y. I., Lee S. B. (2022) Modeling Pedestrian Movement Behavior Using Social Force Model and Fuzzy Inference, J. Korean Soc. Transp., 40(2), Korean Society of Transportation, 218-229.

10.7470/jkst.2022.40.2.218

Han S. J., Jang S. E., Jin J. W. (2019), Understanding of Pedestrian Traffic, Kinema-in Co. Ltd., Seoul, Korea. (보행교통의 이해)

Helbing D., Molnar P. (1995), Social Force Model for Pedestrian Dynamics, Physical Review E, 51(5), 4282-4286.

10.1103/PhysRevE.51.4282

Helbing D., Molnar P. (1998), Self-Organization Phenomea in Pedestrian Crowds, Self-Organization of Complex Structures: From Individual to Collective Dynamics, Gordon and Breach.

Hoogendoorn S. P. (2001), Microscopic Pedestrian Wayfinding and Dynamics Modeling, Pedestrian and Evacuation Dynamics, 123-154.

Johora F. T., Kraus P., Müller J. P. (2017), Dynamic Path Planning and Movement Control in Pedestrian Simulation, arXiv Preprint arXiv:1709.08235.

Kim D., Labate D., Mily K., Quaini A. (2024), Data Driven Learning to Enhance A Kinetic Model of Distressed Crowd Dynamics, arXiv Preprint arXiv:2411.12974.

10.1142/S021820252540007X

Kim J. Y., Yeo H. S. (2019), Pedestrian Simulation Model for Path Planning with Anticipation Behavior, J. Korean Soc. Transp., 37(5), Korean Society of Transportation, 410-421.

10.7470/jkst.2019.37.5.410

Kovacic M., Marvin S., While A. (2024), Regulating Sidewalk Delivery Robots as A Disruptive New Urban Technology, Urban Geography, 45(7), 1236-1255.

10.1080/02723638.2023.2275426

Lee J. H. (2008), Research Trends of Microscopic Pedestrian Simulation Model, Journal of Transport Technology and Policy, 5(4), 23-33.

Li J., Zhang H., Ni Z. (2020), Improved Social Force Model Based on Navigation Points for Crowd Emergent Evacuation, Journal of Information Processing Systems, 16(6).

10.3745/JIPS.04.0199

Müller-Eie D., Kosmidis I. (2023), Sustainable Mobility in Smart Cities: A Document Study of Mobility Initiatives of Mid-Sized Nordic Smart Cities, European Transport Research Review, 15(1), 36.

10.1186/s12544-023-00610-4

Patil S., Van Den Berg J., Curtis S., Lin M. C., Manocha D. (2010), Directing Crowd Simulations Using Navigation Fields, IEEE Transactions on Visualization and Computer Graphics, 17(2), 244-254.

10.1109/TVCG.2010.33

Peng J., Wei Z., Chen Y., Wang S., Li Y., Wang S. et al. (2025), Heterogeneous Pedestrian Simulation in Commercial Complexes: When Attractive Potential Meets Social Force, IEEE Transactions on Intelligent Transportation Systems.

10.1109/TITS.2025.3543613

Penn A., Turner A. (2002), Space Syntax Based Agent Simulation, Springer-Verlag.

Yan D., Ding G., Huang K., Bai C., He L., Zhang L. (2024), Enhanced Crowd Dynamics Simulation With Deep Learning and Improved Social Force Model, Electronics, 13(5), 934.

10.3390/electronics13050934

Zhang Y., Chai Z., Lykotrafitis G. (2021), Deep Reinforcement Learning With A Particle Dynamics Environment Applied to Emergency Evacuation of A Room With Obstacles, Physica A: Statistical Mechanics and its Applications, 571, 125845.

10.1016/j.physa.2021.125845

Journal of Korean Society of Transportation ISSN:1229-1366(Print) 2234-4217(Online) 대한교통학회지

Preview

Modeling Real-Time Adaptive Pedestrian Behavior Based on Social Force Model

ABSTRACT

MAIN

(1)

Table 1.

Descriptions of parameters in social force model

(2)

(3)

Figure 1.

Dynamic parameter adjustment based on pedestrian density

(4)

(5)

(6)

Figure 2.

Pedestrian behavior comparison with and without visibility algorithm

(7)

Figure 3.

Performance comparison of traditional SFM and real-time adaptive pedestrian behavior model

Table 2.

Comparison of traditional SFM and real-time adaptive pedestrian behavior model

(8)

(9)

Figure 4.

Validation result graph of models with Fruin’s empirical data

Table 3.

Evaluation metric comparison of traditional SFM and real-time adaptive pedestrian behavior model

Funding

References