보편적인 시계열 표현 학습은 어렵지만 분류, 이상 탐지, 예측과 같은 실제 응용 분야에서 그 가치는 크다. 최근에는 시계열 표현을 다루기 위해 대조 학습(contrastive learning, CL)이 활발히 연구되고 있다. 그러나 핵심 과제는 CL에서의 데이터 증강 과정이 계절성 패턴이나 시간적 의존성을 왜곡할 수 있으며, 이는 불가피하게 의미 정보의 손실로 이어진다는 점이다. 이러한 문제를 해결하기 위해 본 연구에서는 시계열을 위한 위상적 CL(TopoCL)을 제안한다. TopoCL은 변환에 대해 불변으로 남는 데이터의 위상학적 특성을 포착하는 지속적 동형성(persistent homology)을 통합함으로써 이러한 정보 손실을 완화한다. 본 논문에서는 시계열 데이터의 시간적 특성과 위상적 특성을 서로 다른 양식(modality)으로 간주한다. 구체적으로, 지속적 동형성을 계산하여 시계열 데이터의 위상학적 특징을 구성하고, 이를 지속성 다이어그램(persistence diagrams, PDs)으로 표현한다. 이어서 이러한 지속성 다이어그램을 인코딩하기 위한 신경망을 설계한다. 우리의 접근법은 시간 양식(time modality) 내의 CL과 시간-위상 대응(time-topology correspondence)을 함께 공동 최적화함으로써, 시계열의 시간적 의미와 위상적 특성을 모두 포괄적으로 이해하도록 촉진한다. 분류, 이상 탐지, 예측, 전이 학습의 네 가지 하위 작업에 대해 광범위한 실험을 수행하였다. 그 결과, TopoCL은 최첨단 성능을 달성함을 확인하였다.

최근 다수의 연구가 차량-모든-것(V2X) 간 통신을 활용하여 협력적 교통 시스템을 조사해 왔다. 그러나 통신 장애에 노출된 상태에서 여러 자율주행 차량을 동시에 배치할 경우, 다양한 자율주행 차량 사이에 이상적 조건의 충돌이 발생하여 도로상에서 적대적 상황이 초래될 수 있다. 한국에서는 2021년 3월과 11월에 각각 가상 및 실제 도시 환경에서 자율주행 다중 차량 경주가 개최되었다. 경주 중에는 다수의 차량이 동시에 참여하였으며, 이는 저속 차량 추월, 교차로 협상, 교통법규 준수와 같은 기동을 요구했다. 본 연구에서는 경쟁 주행 모델을 배치하기 위해 완전 자율주행 구동 소프트웨어 스택을 도입하였고, 이를 통해 도시 자율주행 다중 차량 경주에서 우승할 수 있었다. 우리는 내비게이션, 인지, 계획과 같은 모듈 기반 시스템을 실제 및 가상 환경에서 평가한다. 또한 통신을 통해 다중 차량의 위치 데이터를 수집한 후 교통 분석을 수행하여 다중 에이전트 자율주행 시나리오에 대한 추가 통찰을 얻는다. 마지막으로, 다중 자율주행 차량의 공간적 분포를 비교하기 위한 교통 분석 방법을 제안한다. 각 팀의 주행 로그 데이터 간 유사도 분포를 연구함으로써 경쟁적 자율주행이 교통 환경에 미치는 영향을 규명한다. 한국에서 도시 자율주행 다중 차량 경주 우승으로 입증된 본 완전 자율주행 소프트웨어 아키텍처는 도시 로봇 택시에의 배치를 위한 준비가 완료되었다. 본 연구의 교통 분석은 다중 에이전트 시나리오를 다루고, 스마트시티 통합과 복잡한 도시 환경에서의 자율주행차 성능 최적화에 핵심적인 로봇 택시 기업 간의 경쟁적 충돌을 해소한다.