1. 문제 정의 (Problem Definition)

자율주행 차량의 개발 및 안전성 평가를 위해서는 현실적이고 다양한 다중 에이전트 (Multi-agent) 주행 시나리오가 필수적입니다. 그러나 기존 방법론들은 다음과 같은 한계를 가지고 있습니다:

• 기존 시뮬레이터의 부족: 규칙 기반이나 물리 기반 시뮬레이터는 단순한 교통 패턴은 재현할 수 있지만, 비현실적이거나 과도하게 스크립트된 상호작용을 생성하여 실제와 거리가 멉니다.
• 데이터의 한계: 실제 주행 데이터셋은 안전에 치명적인 (Safety-critical) 장기 꼬리 (Long-tail) 사건 (예: 급정거, 끼어들기 등) 이 매우 드물게 포함되어 있어, 이러한 중요한 상황을 대규모로 포착하기 어렵습니다.
• 기존 생성 모델의 결함: 데이터 기반 생성 모델 (특히 확산 모델, Diffusion Models) 은 복잡한 교통 행동을 학습할 수 있지만, 다음과 같은 두 가지 주요 문제가 있습니다:
  1. 제어 불가능성 및 물리/사회적 제약 위반: 추론 (Inference) 과정에서 학습된 물리 법칙 (운동학) 이나 사회적 규범 (충돌 회피 등) 이 깨져 비현실적인 궤적이 생성됩니다.
  2. 희귀 시나리오 생성의 어려움: 학습 데이터에서 희귀한 사건은 밀도가 낮아, 모델이 일반적인 패턴으로만 수렴하여 안전에 중요한 적대적 (Adversarial) 상황을 생성하기 어렵습니다.

2. 제안 방법론 (Methodology: OMEGA)

저자들은 OMEGA를 제안합니다. 이는 기존 확산 모델의 재학습 없이, 최적화 기반 (Optimization-guided) 가이드를 통해 구조적 일관성과 상호작용 인식을 강제하는 프레임워크입니다.

핵심 기술 요소

1. 최적화 가이드 확산 샘플링 (Optimization-Guided Diffusion Sampling):

   • 기존 확산 모델의 역과정 (Reverse diffusion step) 에서 예측된 '클린 샘플 (Clean sample)'을 기반으로, **제약 최적화 (Constrained Optimization)**를 수행하여 샘플을 다시 고정 (Re-anchoring) 합니다.
   • KL-바운드 신뢰 영역 (KL-bounded Trust Region): 최적화 과정에서 생성된 분포가 학습된 데이터 매니폴드 (Manifold) 에서 너무 멀리 벗어나지 않도록 KL 발산 (KL Divergence) 제약을 둡니다. 이는 물리적으로 타당하고 행동적으로 일관된 궤적을 유도하면서도 모델의 학습된 분포를 유지하게 합니다.
   • 수식적으로는 역전환 분포의 평균을 최적화하여, 운동학 가능성, 충돌 회피, 도로 준수 등의 제약을 만족하도록 조정합니다.

2. 위상 정렬 가이드 스케줄링 (Phase-Aligned Guidance Schedule):

   • 전체 디노이징 과정을 두 단계로 나누어 서로 다른 가이드를 적용합니다:
     • Warm-up Phase (전체 시퀀스): 전체 미래 시간 범위에 걸쳐 에이전트별 구조적 제약 (운동학, 도로 준수 등) 을 적용하여 전역적으로 타당한 운동 레이아웃을 형성합니다.
     • Rolling-Zero Phase (시간 인덱싱): 잔여 노이즈를 제거하며, 에이전트 간 상호작용 (반응적 조정) 을 세밀하게 조정합니다. 이 단계에서는 에이전트 간의 상호작용 가이드를 활성화하여 국소적인 반응성을 높입니다.

3. 민감도 향상 적대적 생성 (Sensitivity-Enhanced Adversarial Generation - OMEGAAdv):

   • 게임 이론적 접근: 주행 차량 (Ego) 과 공격자 (Attacker) 간의 상호작용을 분포 최적화 게임으로 모델링합니다.
   • 민감도 기반 최적화 (SE-IBR): 공격자는 Ego 차량이 충돌 회피 제약을 어떻게 반응할지 예측하는 '민감도 (Sensitivity)' 항을 사용하여, Ego 의 feasible maneuvering set 을 최소화하도록 궤적을 조정합니다.
   • 이를 통해 재학습 없이도 현실적이면서도 안전에 치명적인 (Safety-critical) 적대적 시나리오를 적응적으로 생성할 수 있습니다.

3. 주요 기여 (Key Contributions)

• 재학습이 없는 최적화 가이드 샘플링: 기존 확산 모델의 백본을 변경하지 않고, 추론 단계에서 제약 최적화를 통해 구조적 일관성을 강제하는 새로운 프레임워크를 제시했습니다.
• 위상 정렬 가이드 스케줄: 거시적인 운동 타당성 (Macro-level plausibility) 에서 미시적인 반응성 (Micro-level reactivity) 으로 점진적으로 전환되는 2 단계 디노이징 및 가이드 방식을 도입하여 상호작용의 정밀도를 높였습니다.
• 민감도 기반 적대적 생성: Ego-Attacker 간의 비협력 게임을 분포 최적화 문제로 정식화하여, 명시적인 궤적 지정 없이도 현실적인 위험 시나리오를 생성하는 방법을 제안했습니다.
• 종합적인 실험 결과: nuPlan 과 Waymo 데이터셋에서 기존 SOTA 모델 대비 획기적인 성능 향상을 입증했습니다.

4. 실험 결과 (Results)

nuPlan 및 Waymo 데이터셋 평가:

• 자유 탐색 (Free Exploration):
  • 물리적으로 및 행동적으로 유효한 장면 (Scene Validity) 비율이 **32.35% 에서 72.27%**로 약 2 배 이상 향상되었습니다.
  • Waymo 데이터셋 (Zero-shot) 에서도 유효성 비율이 **61.71% 에서 81.95%**로 크게 개선되어 강력한 일반화 능력을 입증했습니다.
• 목표 기반 제어 (Controllability):
  • 특정 에이전트가 목표 지점에 도달하도록 조건을 부여했을 때, 유효한 장면 생성 비율이 **11% 에서 80%**로 급증했습니다.
  • 기존 방법들은 목표 도달을 위해 비현실적인 궤적 (차선 이탈, 충돌 등) 을 생성했으나, OMEGA 는 타당성을 유지하며 목표를 달성했습니다.
• 적대적 시나리오 생성 (Adversarial Generation):
  • 충돌 위험 (TTC < 3 초) 이 있는 프레임 수가 5 배 증가했습니다.
  • 생성된 시나리오는 위험도가 높음에도 불구하고, 오프로드 (Off-road) 비율은 낮고 운동학 타당성은 유지되었습니다.
  • 다양한 주행 계획기 (Planner) 를 대상으로 한 평가에서도 Ego 차량의 위험 노출을 효과적으로 증가시켰습니다.

5. 의의 및 결론 (Significance)

OMEGA 는 자율주행 시스템의 안전성 평가에 있어 중요한 전환점을 제공합니다.

1. 비용 효율성: 추가적인 모델 학습 (Fine-tuning) 이나 복잡한 가이드 함수 설계 없이, 기존 확산 모델에 최적화 모듈을 추가하는 것만으로 성능을 극대화할 수 있어 확장성이 뛰어납니다.
2. 안전성 평가 강화: 실제 데이터에서 찾기 어려운 희귀하고 위험한 시나리오 (Long-tail events) 를 체계적으로 생성할 수 있어, 자율주행 알고리즘의 견고성 (Robustness) 테스트에 필수적인 도구가 됩니다.
3. 현실성과 제어의 균형: 생성된 시나리오가 물리 법칙과 사회적 규범을 준수하면서도 사용자의 의도 (목표 도달, 특정 공격 시나리오) 를 정밀하게 반영할 수 있어, 실제 시뮬레이션 환경에 통합하기 용이합니다.

결론적으로 OMEGA 는 데이터 기반 생성 모델의 한계를 극복하고, 현실적, 통제 가능하며, 상호작용적인 주행 시나리오 생성을 가능하게 하여 자율주행 기술의 안전하고 효율적인 평가를 위한 핵심 기술로 자리 잡았습니다.