선박의 궤적 예측은 해상 안전과 물류 효율성에 매우 중요하지만, 선박의 다양한 행동 양상, 의미론적 정보 활용의 한계, 그리고 장기 예측 시 발생하는 누적 오류로 인해 난제로 꼽혀왔습니다. 최근 발표된 연구에 따르면, 이러한 문제를 해결하기 위해 대규모 언어 모델(LLM)을 활용한 새로운 다중 모달(multimodal) 궤적 예측 프레임워크 'M3-Former'가 제안되었습니다.
M3-Former는 선박의 정적 속성(예: 선종, 크기)과 항해 의도(예: 목적지)를 의미론적 사전 정보로 활용하여 장기 궤적 모델링에 통합합니다. 특히, 사전 학습된 LLM이 정적 의미 정보를 인코딩하고, 이를 동적 궤적 특징과 자기 주의(self-attention) 메커니즘을 통해 정렬하여 통합된 다중 모달 표현 공간을 구축합니다. 또한, 전역적인 항로 계획과 지역적인 움직임 변화를 동시에 포착하기 위해 이중 세분화 전문가 혼합(Mixture-of-Experts, MoE) 아키텍처를 도입했습니다. 이는 시퀀스 수준 전문가가 전역 항해 경향을 모델링하고, 토큰 수준 전문가가 미세한 조종 행동을 정교하게 다듬는 방식입니다. 나아가, 희소한 선회(turning) 샘플의 불균형 분포를 완화하고 중요한 조종 시나리오에서의 예측 정확도를 높이기 위해 '조향 가중 교차 엔트로피 손실(Steering-Weighted Cross-Entropy loss)'이 설계되었습니다.
덴마크의 실제 AIS(선박자동식별장치) 데이터셋을 활용한 실험 결과, M3-Former는 1시간부터 4시간까지의 예측 범위에서 기존 최첨단 기준 모델들을 일관되게 능가했습니다. 특히 4시간 예측 작업에서, 가장 강력한 기준 모델 대비 평균 변위 오차(Average Displacement Error, ADE)를 4.4%, 최종 변위 오차(Final Displacement Error, FDE)를 5.1% 감소시키는 성과를 보였습니다. 이는 의미론적 정보 융합이 장기 궤적 이탈을 효과적으로 줄이고, 이중 세분화 MoE가 복잡한 수로 및 항로 분기 시나리오에서 예측 견고성을 향상시킴을 입증합니다. 이 프레임워크는 고수준 항해 의도와 지역적 움직임 동역학을 통합 모델링하여 견고한 장기 선박 궤적 예측을 가능하게 하는 의미론 기반의 계층적 예측 패러다임을 제시하며, 해상 교통 관리, 충돌 방지, 자율 운항 시스템 등 다양한 분야에 긍정적인 영향을 미칠 것으로 예상됩니다.