기술 요약: EnDfuser – 종단간 자율주행의 불확실성 추정을 위한 앙상블 확산

문제 제기

종단간 (E2E) 자율주행 (AD) 시스템은 CARLA 와 같은 폐루프 시뮬레이션 환경 내에서 급속히 발전하고 있습니다. 그러나 중요한 한계가 존재합니다. 많은 E2E 계획 시스템은 계획 과정의 일부로 불확실성을 무시하거나 일반화 능력이 부족한 특수한 표현에 의존합니다. AD 영역에서 불확실성 정량화 (UQ) 는 신뢰할 수 없는 예측이 치명적인 결과를 초래할 수 있으므로 매우 중요합니다. 불확실성의 원인으로는 센서 노이즈, 분포 변화, 아키텍처의 결함 등이 있습니다. 이전 방법들은 베이지안 접근법, 몬테카를로 드롭아웃, 또는 앙상블을 사용하여 이를 해결하려 시도했으나, 복잡한 아키텍처 변경이나 특수한 이산 분류기를 요구하지 않고 불확실성 모델링을 경로 계획 모듈에 직접 통합하는 방법이 필요합니다.

방법론

저자들은 **확산 모델 (DDPM)**을 경로 계획기로 활용하는 종단간 주행 시스템인 EnDfuser를 제안합니다. 이 시스템은 경로에 대한 사후 분포를 모델링하도록 설계되어, 앙상블 확산을 통해 불확실성 추정을 위한 자연스러운 메커니즘을 제공합니다.

아키텍처

EnDfuser 는 RGB 이미지와 LiDAR bird's-eye-view (BEV) 특징을 융합하는 **TransFuser++ (TF++)**의 인식 백본을 기반으로 구축됩니다. 그러나 TF++ 의 트랜스포머+GRU 계획 모듈을 확산 트랜스포머로 대체합니다.

• 입력 조건 설정: 확산 모델은 강화된 BEV 특징에 조건부로 설정되는데, 여기에는 주행 지시 (목표 지점), 현재 속도, 확산 단계 $k$가 포함됩니다.
• 경로 표현: 출력은 2 초 계획 지평을 나타내는 250ms 간격으로 배치된 8 개의 웨이포인트 집합입니다.
• 앙상블 생성: 단일 점 추정에 의존하는 대신, EnDfuser 는 단일 인식 프레임에서 후보 경로들의 분포 (실험에서는 구체적으로 128 개의 후보) 를 생성합니다. 이는 GPU 에서의 병렬 배치 샘플링을 통해 달성됩니다.
• 추론 효율성: 시스템은 DDIM (Denoising Diffusion Implicit Models) 일정을 사용하여 2 단계의 탈노이즈만으로 고품질 경로 생성을 가능하게 하여 실시간 성능 (약 29 FPS) 을 보장합니다.

불확실성 정량화

핵심 혁신은 생성된 경로 앙상블을 활용하여 불확실성을 추정하는 데 있습니다:

1. 제어 명령으로의 변환: 128 개의 경로 후보 집합 ($T_t$) 은 TF++ 의 PID 제어기에서 유래한 논리를 사용하여 원하는 속도와 요 (yaw) 각도라는 일련의 제어 명령 ($K_t$) 으로 변환됩니다.
2. 분산 계산: 시스템은 128 개의 후보에 걸쳐 예측된 속도 분포의 분산 ($\hat{\sigma}^2_s$) 을 계산합니다. 저자들은 이 특정 작업 설계에서 요가 종종 속도에 의존하므로, 속도 분산을 불확실성의 주요 지표로 식별합니다.
3. 안전 규칙: 단순한 규칙 기반의 안전 휴리스틱이 도입됩니다. 속도 분산 $\hat{\sigma}^2_s$가 임계값 $\lambda$를 초과하면, 에이전트는 원하는 속도를 0 m/s (제동) 로 덮어씁니다.

주요 기여

이 논문은 세 가지 주요 기여를 제시합니다:

1. EnDfuser 에이전트: 확산 기반 계획기를 사용하여 폐루프 CARLA 시나리오에서 계획 불확실성을 모델링할 수 있는 간단한 E2E 주행 에이전트의 제시.
2. 성능 향상: 간단한 불확실성 인식 휴리스틱 (제동 규칙) 이 LAV 벤치마크에서 에이전트의 주행 점수를 1.7% 높인다는 입증.
3. 분포 분석: 사후 경로 분포가 주행 분포의 "긴 꼬리 (long tail)"를 드러낼 수 있다는 증거로, 특히 잠재적으로 안전에 치명적인 상황과 데이터 편향 (예: 레이블 노이즈) 발생을 강조함.

실험 결과

이 시스템은 CARLA 시뮬레이터 내의 LAV 및 Longest6 벤치마크에서 평가되었습니다.

• LAV 벤치마크: 기본 EnDfuser 구성 (안전 규칙 없음) 만으로도 TF++ 기준선보다 주행 점수 (DS) 및 위반 점수 (IS) 에서 더 나은 성과를 보였습니다. 안전 규칙을 적용한 결과 (임계값 $\lambda = 0.4$), DS 는 TF++ 의 70.0 대비 78.1로 추가로 향상되었으며, 차량 충돌 횟수 (km 당) 가 감소했습니다.
• Longest6 벤치마크: EnDfuser 변형들은 이 더 복잡한 벤치마크에서 일반적으로 TF++ 보다 낮은 점수를 받았으나, 안전 규칙은 차량 충돌률을 km 당 1.1 에서 1.02 로 성공적으로 감소시켰습니다. 그러나 이는 증가된 경로 시간 초과와 관련된 트레이드오프로 인해 전체 DS 가 높아지지 않았습니다.
• 불확실성 국소화: 속도 분산 맵 분석은 높은 불확실성 ("스파이크") 이 교차로, 커브, 그리고 동적 에이전트와의 상호작용과 일관되게 상관관계가 있음을 드러냈습니다.
• 불확실성 분류: 분산이 가장 높은 100 프레임에 대한 시각적 검사 결과, 83% 가 다른 에이전트와의 상호작용 중에 발생했습니다. 분석은 또한 인과적 혼란 (명확한 시각적 원인 없이 불확실성이 발생하는 경우) 과 측면 레이블 노이즈 (훈련 데이터의 한계로 인해 예측이 알려진 목표 지점을 넘어선 경우) 를 식별했습니다.

중요성과 주장

저자들은 EnDfuser 를 E2E 주행 정책에서의 불확실성 인식 의사결정으로 나아가는 중요한 단계로 위치시킵니다.

• 드롭인 교체: 논문은 앙상블 확산이 사후 경로 분포의 불확실성을 효과적으로 모델링하는 전통적인 점 추정 계획 모듈에 대한 "드롭인 교체 (drop-in replacement)"로 기능할 수 있다고 주장합니다.
• 해석 가능성: 전체 후보 경로 집합을 관찰함으로써, 시스템은 불확실한 다중 모드 미래 공간에 대한 해석 가능성을 제공하여 단일 점 추정기에서는 놓칠 수 있는 안전에 치명적인 상황을 감지할 수 있게 합니다.
• 데이터 마이닝: 이 방법은 특히 주행 분포의 "긴 꼬리"와 레이블 노이즈를 포함한 에이전트 불확실성이 높은 영역을 식별하기 위해 훈련 데이터를 필터링할 수 있는 잠재적 도구를 제공합니다.

이 논문은 현재 안전 휴리스틱이 단순하며 잘 일반화되지 않을 수 있음을 인정하며 제한 사항에 대해 겸손한 어조를 유지합니다. 또한 이 방법은 현재 알레토릭 (aleatoric) 불확실성과 에피스테믹 (epistemic) 불확실성을 구별하지 않으며, 향후 연구는 엔트로피와 같은 더 정교한 측정 방법과 동적 안전 휴리스틱을 탐구해야 한다고 제안합니다.