궤적에 대한 고찰: 비디오 생성을 활용한 셀룰러 신호 기반 GPS 궤적 복원

기존의 복잡한 다단계 공학 파이프라인 대신 비디오 생성 모델을 사용하여 지도 위에서 직접 경로를 그리는 직관적인 방식을 제안한다. 이를 통해 추론 속도를 4배 이상 단축하고 정밀도를 높여 도시 모빌리티 분석의 실용성을 극대화한다.

기존의 궤적 복원 방식은 좌표 시퀀스를 직접 회귀(Regression)하거나 복잡한 필터링 단계를 거치는데, 이는 지도 제약 조건을 반영하기 어렵고 오차가 누적되기 쉽다. 이 논문은 전문가가 지도 위에 신호를 뿌려놓고 경로를 스케치하는 직관에 착안하여, 지도를 조건부 입력(Conditioning)으로 주고 비디오 모델이 도로 네트워크를 따라 경로를 '그리도록' 유도한다.

Flow Matching 기반의 비디오 생성 모델을 사용함으로써 시간적 연속성과 공간적 위상(Topology)을 동시에 학습하며, 이는 단순한 수치 예측보다 훨씬 강력한 공간 추론 능력을 제공한다. 모델은 지도라는 시각적 맥락 안에서 신호 기록을 해석하여 도로망에 부합하는 가장 가능성 높은 이동 경로를 비디오 프레임 단위로 생성한다.

전체 프로세스는 SFT(Supervised Fine-Tuning)와 RL(Reinforcement Learning)의 2단계로 구성된다. 먼저 Wan2.2-TI2V-5B 모델을 기반으로 지도 타일 위에 신호와 GPS 경로가 그려지는 비디오 데이터셋을 학습시킨다. 이때 LoRA를 사용하여 효율적인 파라미터 업데이트를 수행한다.

RL 단계에서는 Traj-GDPO를 도입한다. 이는 그룹 상대적 정책 최적화(GRPO)를 확장한 것으로, 거리(Distance), 방향(Direction), 연속성(Continuity)이라는 세 가지 보상을 독립적으로 정규화하여 결합한다. 거리 보상은 특정 프레임 m에서 예측 점 p_hat과 실제 점 p 사이의 측지 거리(Geodesic Distance)를 계산한다. [예측/실제 좌표 입력 → 측지 거리 연산 → 0~1 사이의 점수 출력 → 경로가 실제 도로와 얼마나 일치하는지 측정].

방향 보상은 시작점과 끝점 사이의 변위 벡터를 비교하여 주행 방향의 일치도를 평가한다. [시작/끝점 좌표 입력 → 변위 벡터 정규화 → 내적 연산 → 방향 정확성 산출]. 마지막으로 연속성 보상은 생성된 경로가 끊어지지 않고 하나의 연결된 선으로 나타나는지를 확인하여 비디오 생성의 무결성을 보장한다.

북경 데이터셋 실험 결과, 제안 모델은 MAE 214.96m를 기록하여 기존 최강의 산업용 베이스라인(Rule_sig, 306.12m) 및 Transformer 기반 모델(SigFormer, 329.49m)을 크게 앞질렀다. 특히 대규모 궤적 범위에서 오차 감소 폭이 더 크게 나타나 복잡한 이동 패턴 처리 능력을 입증했다.

추론 효율성 측면에서 기존 다단계 파이프라인이 2분 이상 소요되던 것을 단일 단계 비디오 생성으로 30초 이내에 처리하며 실용성을 확인했다. 이는 실시간 모빌리티 분석 시스템 구축에 있어 중요한 기술적 진보이다.

성두와 서안 데이터셋을 활용한 Next GPS Prediction 작업에서도 타 모델 대비 우수한 성능을 보여 도시 간 전이 학습(Cross-city Transfer) 능력을 확인했다. 이는 모델이 특정 지역의 좌표가 아닌 지도상의 도로 구조와 이동 패턴의 상관관계를 학습했음을 시사한다.

아키텍처는 Wan2.2-TI2V-5B를 백본으로 하며 LoRA(rank=28)를 사용하여 효율적으로 파인튜닝한다. 총 21프레임의 비디오를 생성하여 시간적 흐름을 묘사하며, 각 프레임은 지도 타일 위에 그려지는 GPS 경로의 진행 상황을 담고 있다.

Traj-GDPO는 다중 보상 체계에서 발생하는 수치적 불안정성을 해결하기 위해 각 보상 성분을 개별적으로 정규화(Decoupled Normalization)한 후 합산하며, 전체 미니배치에 대해 다시 한번 정규화를 수행한다. 이는 특정 보상이 학습 과정을 지배하는 것을 방지하고 모든 기준이 균형 있게 최적화되도록 돕는다.

KL Divergence 항을 고정된 SFT 초기 정책에 앵커링하여 강화학습 과정에서 모델이 지도 시각화의 기본 규칙을 잊어버리는 모드 붕괴(Mode Collapse) 현상을 방지한다. 이를 통해 생성된 궤적이 도로 네트워크 제약 조건을 엄격히 준수하면서도 실제 관측된 신호와 높은 일치성을 유지하게 한다.

희소한(Sparse) 신호 환경에서의 강건성 부족과 학습 데이터에 포함되지 않은 새로운 지도 스타일에 대한 적응력 한계가 존재한다. 또한 매우 긴 시간 범위의 궤적 복원 시 프레임 수 제한으로 인한 해상도 저하 가능성이 있다.