BridgeDrive: Diffusion Bridge Policy for Closed-Loop Trajectory Planning in Autonomous Driving

이 논문은 폐루프 자율주행 환경에서 안전하고 반응적인 궤적 계획을 위해 전진 및 역과정의 이론적 일관성을 보장하는 '브릿지드라이브 (BridgeDrive)'라는 새로운 앵커 기반 확산 브리지 정책을 제안하고, Bench2Drive 벤치마크에서 기존 최첨단 방법론보다 성공률을 크게 향상시킨 결과를 제시합니다.

핵심

브릿지드라이브 (BridgeDrive): 자율주행차를 위한 '안전한 길찾기' 혁신

이 논문은 자율주행차가 복잡한 도로에서 어떻게 더 안전하고 똑똑하게 길을 찾을 수 있는지 설명하는 새로운 방법론인 **'브릿지드라이브 (BridgeDrive)'**를 소개합니다.

이 기술을 이해하기 위해 일상적인 비유를 들어 설명해 드리겠습니다.

---

1. 문제: "완벽한 지도는 없는데, 어떻게 길을 찾을까?"

자율주행차가 길을 찾을 때 가장 큰 고민은 **"앞에 차가 많고, 날씨도 안 좋고, 갑자기 사람이 튀어나올 수도 있는데, 어떻게 해야 가장 안전하고 자연스럽게 갈 수 있을까?"**입니다.

기존의 최신 기술 (확산 모델, Diffusion Model) 은 마치 **"무작위로 찍은 점들을 이어가며 그림을 그리는 화가"**와 비슷합니다. 처음엔 흐릿한 점들이지만, 점점 선명해지며 멋진 그림 (안전한 주행 경로) 을 만들어냅니다. 이 방식은 다양한 주행 패턴을 학습하는 데 매우 탁월합니다.

하지만 기존 기술에는 치명적인 결함이 하나 있었습니다.

비유: "화가가 그림을 그릴 때, **초기 스케치 (참고 자료)**를 보고 그림을 그리는데, 정작 그리는 과정은 그 스케치와 전혀 상관없는 엉뚱한 방식으로 진행됩니다."

기존 기술은 '참고 자료 (Expert Anchors, 즉 숙련된 운전자들의 주행 기록)'를 시작점으로 삼았지만, 실제 그림을 완성하는 과정 (노이즈 제거) 과 시작점이 서로 맞지 않아 이론적으로 모순이 생겼습니다. 이는 자율주행차가 예측하지 못한 위험한 행동을 할 수 있는 원인이 됩니다.

2. 해결책: "다리를 건너는 브릿지드라이브"

저자들은 이 문제를 해결하기 위해 **'브릿지드라이브 (BridgeDrive)'**라는 새로운 방법을 제안했습니다. 이름 그대로 **두 지점을 연결하는 '다리 (Bridge)'**를 만드는 것입니다.

• 시작점 (A 지점): 숙련된 운전자들의 '대략적인 주행 기록 (앵커, Anchor)'.
• 도착점 (B 지점): 실제 상황에 맞춰 다듬어진 '완벽한 주행 경로'.

브릿지드라이브의 핵심 아이디어:

"시작점 (대략적인 길) 과 도착점 (완벽한 길) 사이에 이론적으로 완벽한 다리를 놓아서, 그 위를 자연스럽게 건너가자."

이 방식은 시작과 끝이 완벽하게 대칭이 됩니다. 마치 강을 건너는 다리를 설계할 때, 강물 (노이즈) 이 어떻게 흐르는지 정확히 계산해서, 그 흐름을 거슬러 올라가며 다리를 지을 때 가장 안전한 경로를 찾아내는 것과 같습니다.

3. 어떻게 작동할까? (3 단계 과정)

브릿지드라이브는 자율주행차가 길을 찾을 때 다음과 같은 3 단계를 거칩니다.

1. 참고 자료 고르기 (앵커 선택):

   • 현재 도로 상황을 보고, 가장 적합한 '숙련된 운전자들의 주행 기록 (앵커)' 하나를 골라냅니다.
   • 비유: "지금 비가 오고 차가 많으니, '비 오는 날의 안전 주행 기록'을 참고하자!"라고 결정하는 것입니다.

2. 다리를 건너기 (확산 브릿지):

   • 고른 '안전 주행 기록'을 바탕으로, 실제 상황에 맞춰 경로를 조금씩 다듬어 나갑니다.
   • 이때 기존 기술처럼 엉뚱하게 수정하는 게 아니라, 수학적 원리에 따라 자연스럽게 '대략적인 길'을 '정교한 길'로 변환합니다.
   • 비유: "참고한 안전 주행 기록을 바탕으로, 내 차의 위치와 주변 차량을 고려해 차선을 부드럽게 변경하는 경로를 그려낸다."

3. 실시간 주행:

   • 이 과정이 매우 빨라 실시간으로 차를 조종할 수 있습니다. (실제 도로에 바로 적용 가능)

4. 왜 이것이 중요한가? (성과)

이 새로운 방법을 테스트한 결과, 기존 최고의 기술들보다 훨씬 좋은 성과를 냈습니다.

• 성공률 대폭 향상: 자율주행이 목표를 무사히 달성하는 비율이 기존 기술보다 7.72%~2.45%나 높아졌습니다.
• 안전성 강화: 복잡한 상황 (차선 변경, 합류, 신호 준수) 에서 훨씬 더 똑똑하게 대처했습니다.
• 실시간성: 이론적으로 완벽한 방법이지만, 계산 속도가 빨라 실제 자율주행차에 바로 쓸 수 있습니다.

5. 요약: 한 마디로 정리하면?

기존 기술이 **"참고서를 보며 그림을 그리는데, 손이 자꾸 미끄러져서 위험할 수도 있다"**면,
브릿지드라이브는 **"참고서와 완성작을 연결하는 튼튼한 다리를 만들어, 그 위를 흔들림 없이 안전하게 건너가게 한다"**는 것입니다.

이 기술은 자율주행차가 더 안전하고, 예측 가능하며, 인간처럼 자연스럽게 운전할 수 있는 미래를 앞당겨 줄 것입니다.

기술 요약

1. 문제 정의 (Problem Statement)

자율주행의 폐루프 (Closed-loop) 환경에서 안전하고 반응적인 궤적 계획 (Trajectory Planning) 을 수행하는 것은 핵심적인 과제입니다. 최근 확산 모델 (Diffusion Models) 은 복잡한 다중 모드 (Multi-modal) 주행 행동을 모델링하는 강력한 도구로 부상했습니다. 그러나 기존 확산 기반 계획기 (예: DiffusionDrive) 는 다음과 같은 근본적인 한계를 가지고 있습니다.

• 비대칭적 확산 과정 (Theoretical Inconsistency): 기존 방법들은 전문가의 주행 궤적 (Anchor) 을 기반으로 확산 과정을 '잘라낸 (Truncated)' 형태로 사용합니다. 즉, 노이즈가 추가된 Anchor 에서 시작하여 실제 정답 (Ground Truth) 궤적을 복원하는 방식으로 학습합니다. 이는 확산 모델의 핵심 원리인 '전진 확산 과정 (Forward Diffusion)'과 '역방향 제거 노이즈 과정 (Reverse Denoising)'의 대칭성을 깨뜨립니다.
• 예측 불가능한 행동: 이론적 불일치는 모델이 학습된 분포와 실제 추론 과정 간의 불일치를 초래하여, 폐루프 환경에서 예측 불가능한 행동이나 성능 저하를 유발할 수 있습니다.
• 폐루프 평가의 어려움: 오픈루프 (Open-loop) 에서 우수한 성능을 보이는 모델들이 폐루프 (주행 중 환경과의 상호작용이 반영됨) 평가에서는 성능이 급격히 떨어지는 현상이 빈번하게 발생합니다.

2. 방법론 (Methodology)

저자들은 위 문제를 해결하기 위해 BridgeDrive를 제안합니다. 이는 Anchor 기반의 안내 (Guidance) 를 통합하면서도 확산 모델의 이론적 엄밀성을 유지하는 확산 브리지 (Diffusion Bridge) 프레임워크입니다.

2.1 확산 브리지 정책 (Diffusion Bridge Policy)

• 개념: 계획 작업을 '주어진 거친 Anchor 궤적 ($x_T$) 에서 정제된 문맥 인식 최종 궤적 ($x_0$) 으로 직접 변환하는 확산 브리지'로 재정의합니다.
• 수학적 형식화:
  • 기존 확산 모델이 순수 가우시안 노이즈에서 시작하는 것과 달리, BridgeDrive 는 **Anchor ($x_T = y$)**를 시작점으로 하고 **Ground Truth ($x_0 = x$)**를 끝점으로 하는 확산 브리지를 학습합니다.
  • 전진 과정 (Forward) 과 역방향 과정 (Reverse) 이 완벽하게 대칭을 이루도록 설계되어, 이론적으로 일관된 확률 흐름 (Probability Flow) 을 따릅니다.
  • 조건부 확률 분포 $p_\theta(x_t | x_T, z)$를 학습하며, 여기서 $z$는 센서 입력 및 목표 지점 등의 문맥 정보입니다.

2.2 아키텍처 구성

BridgeDrive 는 세 가지 주요 모듈로 구성됩니다:

1. 지각 모듈 (Perception Module): LiDAR, 전방 카메라, 목표 지점으로부터 BEV (Bird's Eye View) 특징, 객체 바운딩 박스, 교통 정보를 추출합니다 (TransFuser++ 기반).
2. 디노이저 (Denoiser): 노이즈가 섞인 궤적 ($x_t$), 선택된 Anchor ($x_T$), 지각 정보 ($z$) 를 입력받아 조건부 스코어 함수 (Score Function) 를 추정하고, ODE 솔버를 통해 최종 궤적을 생성합니다.
3. Anchor 분류기 (Anchor Classifier): 주어진 주행 장면 ($z$) 에 대해 가장 적합한 Anchor 를 선택하는 분류기입니다. 이는 반복적인 디노이징 과정 전에 한 번만 실행됩니다.

2.3 학습 및 추론 알고리즘

• 학습: 실제 궤적 ($x$) 과 가장 가까운 Anchor ($y$) 를 쌍으로 사용하여, 노이즈가 추가된 상태 ($x_t$) 에서 원본 궤적 ($x$) 을 예측하도록 MSE 손실 함수를 최소화합니다.
• 추론:
  1. 주행 장면 $z$를 입력받아 최적의 Anchor $y$를 분류기로 선택합니다.
  2. 선택된 Anchor 를 시작점으로 하여, 학습된 디노이저를 통해 ODE 솔버 (예: DDIM) 를 사용하여 $T \to 0$까지 역방향 확산 과정을 수행하여 최종 궤적을 생성합니다.
• 실시간성: 효율적인 ODE 솔버와 호환되어 실시간 배포가 가능합니다.

2.4 궤적 표현 (Geometric Path Waypoints)

• 기존 DiffusionDrive 가 사용한 '시간 기반 속도 웨이포인트 (Temporal speed waypoints)' 대신, **기하학적 경로 웨이포인트 (Geometric path waypoints)**를 사용합니다.
• 이는 궤적의 기하학적 패턴과 속도 스칼라를 분리하여 학습함으로써, 다양한 속도 조건에서의 일반화 성능을 높이고 차선 유지 등의 제약 조건 위반을 줄이는 데 기여합니다.

3. 주요 기여 (Key Contributions)

1. 이론적으로 정합한 확산 브리지 프레임워크: Anchor 기반 안내를 사용하면서도 확산 모델의 전진/역방향 과정 대칭성을 유지하는 최초의 방법론을 제시했습니다.
2. BridgeDrive 모델 제안: 폐루프 자율주행 계획에 특화된 새로운 아키텍처를 설계하고, Anchor 분류기와 디노이저를 결합하여 다중 모드 행동을 효과적으로 생성합니다.
3. SOTA 성능 달성: Bench2Drive 및 LEAD 데이터셋에서 기존 최첨단 (SOTA) 방법들을 크게 상회하는 성과를 거두었습니다.
4. 실시간 배포 가능성: 효율적인 ODE 솔버를 활용하여 폐루프 환경에서의 실시간 추론 속도를 보장합니다.

4. 실험 결과 (Results)

4.1 Bench2Drive 폐루프 평가

• 성능: PDM-Lite 데이터셋을 사용하여 평가한 결과, 성공률 (Success Rate) 74.99%, **주행 점수 (Driving Score) 87.99%**를 기록했습니다.
• 비교: 기존 SOTA 인 SimLingo 대비 성공률 7.72%p, 주행 점수 2.92%p 향상되었습니다. 또한, DiffusionDrive (기존 확산 모델) 대비 성공률 16.81%p의 큰 개선을 보였습니다.
• 다양한 능력: 합류 (Merging, +11.17%), 교통 표지판 (Traffic Sign, +7.02%) 등 다양한 주행 시나리오에서 뛰어난 성능을 보였습니다. 다만, 승차감 (Comfortness) 과 양보 (Give Way) 지표에서는 다소 낮은 성능을 보였는데, 이는 안전성을 최우선으로 하여 급정거가 빈번하게 발생하기 때문으로 분석됩니다.

4.2 LEAD 데이터셋 일반화

• Learner-Expert 비대칭성을 완화하기 위해 설계된 LEAD 데이터셋에서도 성공률 89.25%, 주행 점수 96.34를 기록하여 기존 LEAD 베이스라인 (TFv6) 대비 성공률 2.45%p 향상되었습니다. 이는 모델이 다른 학습 데이터셋에서도 잘 일반화됨을 시사합니다.

4.3 오픈루프 평가 (NAVSIM)

• NAVSIM 오픈루프 벤치마크에서도 경쟁력 있는 성능을 보였으나, 저자들은 폐루프 환경에서의 상호작용과 피드백이 계획의 핵심이므로 폐루프 평가 결과를 더 중시했습니다.

5. 의의 및 결론 (Significance & Conclusion)

BridgeDrive 는 자율주행 계획 분야에서 확산 모델의 이론적 기반을 강화하고, 실제 폐루프 환경에서의 실용성을 입증했다는 점에서 중요한 의의를 가집니다.

• 이론적 엄밀성과 실용성의 조화: 단순히 성능만 높이는 것이 아니라, 확산 모델의 수학적 원리를 준수하면서 Anchor 의 강력한 안내 효과를 결합하여 모델의 안정성과 예측 가능성을 높였습니다.
• 폐루프 계획의 새로운 표준: 기존 방법들이 겪던 오픈루프와 폐루프 간의 성능 격차를 줄이고, 복잡한 교통 환경에서 안전하고 반응적인 주행을 가능하게 하는 새로운 패러다임을 제시했습니다.
• 향후 과제: 추론 속도 향상을 위한 1-스텝 모델 증류 (Distillation) 와, 분포 외 (Out-of-Distribution) 시나리오 처리를 위한 VLA(Vision-Language-Action) 지식 통합 및 강화학습 (RL) 후학습 (Post-training) 이 향후 연구 과제로 남았습니다.

결론적으로, BridgeDrive 는 확산 모델 기반의 자율주행 계획기가 이론적으로 타당하고 실용적으로 뛰어난 성능을 낼 수 있음을 입증한 획기적인 연구입니다.