본 논문은 차량 추종 모델(CFM)의 한계를 극복하기 위해, 사전 훈련된 대규모 언어 모델(LLM)의 일반화 능력을 활용하는 지식 기반 딥 러닝(KIDL) 패러다임을 제안한다. KIDL은 LLM에서 추출한 차량 추종 지식을 경량화된 안정성 인식 신경망 아키텍처로 이전하여, 특정 데이터셋에 의존하는 기존 모델의 제약에서 벗어나 다양한 시나리오에서의 일반화 성능을 향상시킨다. 또한, KIDL은 훈련 목표에 안정성 제약 조건을 직접 통합하여, 인간과 유사한 행동을 모방하는 동시에 자율 주행 차량(AV)의 안전하고 효율적인 작동에 필수적인 국소 및 문자열 안정성 요구 사항을 충족하도록 설계되었다. NGSIM 및 HighD 데이터셋에 대한 평가 결과는 KIDL이 기존 모델보다 뛰어난 행동 일반화와 교통 흐름 안정성을 보여주며, 차세대 교통 시스템을 위한 강력하고 확장 가능한 솔루션을 제공함을 입증한다.
