본 논문은 비신호 교차로에서의 차량 상호작용 모델링이라는 어려운 문제를 다룬다. 기존 연구들은 게임 이론적 공식에만 의존하여 상호 작용적인 운전 행동을 포착하려 했지만, 본 연구는 자연스러운 운전 데이터셋을 활용하여 심층 가상 플레이(Deep Fictitious Play)를 이용해 사람과 같은 상호 작용적인 운전 정책을 학습한다. 차량 상호 작용을 잠재적 미분 게임(Potential Differential Game)으로 공식화하고, 비용 함수의 가중치를 데이터셋으로부터 학습하여 다양한 운전 스타일을 포착한다. Nash 균형으로의 수렴을 보장하는 이론적 근거를 제시하며, INTERACTION 데이터셋을 사용하여 제안된 심층 가상 플레이 기반 잠재적 미분 게임(DFP-PDG) 프레임워크의 효과를 검증한다. 결과는 제안된 프레임워크가 사람과 같은 운전 정책 학습에서 만족할 만한 성능을 달성함을 보여주며, 학습된 개별 가중치가 운전자의 공격성과 선호도의 변화를 효과적으로 포착함을 확인한다. 추가적으로, ablation study를 통해 모델 내 각 구성 요소의 중요성을 강조한다.
