The Impact of Class Uncertainty Propagation in Perception-Based Motion Planning

1. 문제 정의 (Problem)

자율주행 차량 (AV) 은 복잡한 도시 환경에서 센서 데이터를 통해 세상을 지각하며, 이 과정에서 측정 오차, 가림 (occlusion), 에이전트의 미래 운동 다중 모드성 등으로 인해 본질적인 불확실성 (Uncertainty) 이 발생합니다.

• 현황: 기존의 자율주행 스택은 주로 지각 (Perception) 과 예측 (Prediction) 모듈에서 생성된 불확실성을 무시하거나, 불확실성 인식 계획 (Uncertainty-aware planning) 을 수행하더라도 예측 모델의 불확실성 보정 (Calibration) 이 부정확할 때 민감하게 반응하는 문제가 있습니다.
• 핵심 질문: 예측 모델의 불확실성 (특히 클래스 불확실성) 이 계획 단계로 전파될 때, 그 보정 (Calibration) 상태가 폐루프 (Closed-loop) 운동 계획 성능에 어떤 영향을 미치는가? 그리고 이 영향의 크기는 어느 정도인가?
• 기존 연구의 한계: 기존 연구들은 주로 오픈루프 (Open-loop) 환경에서 불확실성 전파를 분석했으나, 이는 계획 결정의 후속 효과를 누락시켜 예측 오차 보정의 누적 효과를 제대로 평가하지 못했습니다.

2. 방법론 (Methodology)

저자들은 nuPlan 계획 벤치마크를 사용하여 불확실성 인식 확률적 모델 예측 제어 (UA-SMPC, Uncertainty-Aware Stochastic MPC) 프레임워크를 개발하고, 이를 두 가지 다른 예측 모델과 결합하여 비교 분석했습니다.

A. 제안된 계획기: UA-SMPC

• 확산 기반 충돌 회피: 기존 SMPC 의 과도한 보수적 접근을 개선하기 위해, 다중 에이전트 GMM (가우시안 혼합 모델) 예측을 직접 활용하여 정확한 확률적 충돌 회피 제약 조건을 도입했습니다.
• 최소 유지 구역 (Minimal Keep-out Region): 예측된 공분산 (Covariance) 을 마할라노비스 좌표계로 변환하여, 충돌 확률이 임계값 $p$를 초과하지 않도록 보장하는 최소 영역을 계산합니다. 이는 근사 오차 없이 예측 불확실성 자체의 영향을 측정할 수 있게 합니다.
• 피드백 정책: 모든 모드 (Mode) 에 대해 첫 번째 제어 입력은 공유되지만, 이후 단계에서는 모드별 피드백 게인을 통해 에이전트의 실제 행동에 적응하도록 설계되었습니다.

B. 비교 대상 예측 모델

두 모델은 Trajectron++ 아키텍처를 공유하지만, 불확실성 처리 방식에서 차이가 있습니다.

1. Trajectron++ (T++): 불확실성 무관 (Uncertainty-agnostic) 모델. 상태 벡터만 사용하여 예측하며, 클래스 불확실성을 전파하지 않습니다.
2. HAICU: 불확실성 인식 (Uncertainty-aware) 모델. T++ 의 백본을 사용하되, 클래스 확률 (Class Probabilities) 을 노드 및 엣지 히스토리에 포함시켜 불확실성을 전파합니다.

C. 실험 설정

• 데이터셋: nuPlan (폐루프 계획 벤치마크) 및 PUP (Perceptual Uncertainty in Prediction, 클래스 불확실성 포함 데이터).
• 평가 방식: 반응형 에이전트가 있는 폐루프 (Closed-loop) 시뮬레이션.
• 비교 기준: T++, HAICU, 그리고 상수 속도 (Constant Velocity) 베이스라인.
• 민감도 분석: 예측 공분산 행렬을 $\alpha$ 인자로 스케일링하여 불확실성 보정 정도가 계획 성능에 미치는 영향을 분석했습니다.

3. 주요 기여 (Key Contributions)

1. 새로운 UA-SMPC 공식화: 다중 모드 GMM 예측을 직접 통합하고 정확한 확률적 충돌 회피 제약을 가진 새로운 계획 프레임워크를 제안했습니다.
2. 폐루프 환경에서의 정밀 분석: nuPlan 벤치마크를 통해 불확실성 전파 (특히 클래스 불확실성) 가 폐루프 운동 계획에 미치는 영향을 상세히 분석했습니다.
3. 민감도 분석: 예측 공분산 보정이 계획 성능에 미치는 영향을 정량화하여, 잘 보정된 불확실성 전파의 중요성을 입증했습니다.

4. 실험 결과 (Results)

A. 예측 성능 (Prediction Metrics)

• PUP 데이터셋: HAICU 가 T++ 보다 정확도 (minADE/minFDE) 와 보정 (NLL, Entropy) 모두에서 우위를 보였습니다.
• nuPlan 데이터셋: 클래스 불확실성 정보가 없는 환경에서는 HAICU 의 점수 정확도가 T++ 보다 다소 떨어지거나 비슷했으나, 분포 품질 (NLL/Entropy) 측면에서 여전히 우월한 보정을 유지했습니다.

B. 폐루프 계획 성능 (Closed-Loop Planning)

• 단기 계획 (3 초): T++ 기반 UA-SMPC 가 진행률 (Progress) 이 가장 높았으나, 이는 위험을 식별하지 못해 공격적으로 주행했기 때문으로 해석됩니다.
• 장기 계획 (8 초): HAICU 기반 UA-SMPC 가 모든 지표 (진행률, 안전성, 편안함, 종합 점수) 에서 가장 우수한 성능을 보였습니다.
  • T++ 기반 계획은 장기 계획 시 성능이 급격히 저하되었습니다.
  • 핵심 발견: GMM 기반 불확실성 인식 계획기에게 점수 정확도 (minADE) 보다는 분포 품질 (NLL/Entropy) 이 계획 성능의 더 강력한 예측 지표였습니다. 잘 보정된 불확실성 전파가 복잡한 시나리오에서의 일반화 능력을 향상시켰습니다.

C. 민감도 분석 (Sensitivity Analysis)

• HAICU: 공분산을 축소 ($\alpha < 1$) 할 때 계획 성능이 개선되었습니다. 이는 HAICU 의 예측이 본래 약간 과잉 보수적 (Over-conservative) 이었음을 시사하며, 보정된 불확실성은 스케일링에 대해 예측 가능하게 반응했습니다.
• T++: 공분산 스케일링에 대해 비일관적이고 불안정한 행동을 보였습니다. 초기 보정이 잘못되어 있어 스케일링을 통해 성능을 개선하기 어려웠습니다.

D. 정성적 결과

• 시각적 시뮬레이션 (Fig. 3) 에서 T++ 은 후방 차량의 우회전 가능성을 예측하지 못해 위험한 경로를 선택하거나 급격한 조향을 취하는 반면, HAICU 는 해당 위험을 정확히 예측하여 안전하고 부드러운 궤적을 생성했습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 연구는 자율주행 시스템에서 불확실성 보정 (Uncertainty Calibration) 의 중요성을 강력하게 입증했습니다.

1. 분포 품질의 우위: 운동 계획 단계에서는 단순히 예측된 위치의 정확도 (Point Accuracy) 보다는 예측된 불확실성 분포의 질 (Distributional Quality, 즉 NLL 및 엔트로피) 이 안전하고 효율적인 계획 수립에 더 결정적입니다.
2. 불확실성 전파의 가치: 클래스 불확실성과 같은 상류 (Upstream) 불확실성을 계획기로 전파하는 것은, 특히 장기 계획 및 복잡한 상호작용이 필요한 폐루프 환경에서 시스템의 견고성 (Robustness) 과 일반화 능력을 크게 향상시킵니다.
3. 보정의 필요성: 불확실성 인식 계획기는 예측 모델의 보정 상태에 민감합니다. 잘못 보정된 예측 (T++ 의 경우) 은 계획기의 성능을 저하시키거나 불안정하게 만들 수 있으므로, 예측 단계에서의 정확한 불확실성 추정과 보정이 필수적입니다.

결론적으로, 안전하고 신뢰할 수 있는 자율주행을 위해서는 지각 및 예측 모듈이 생성하는 불확실성을 정확하게 보정하고, 이를 계획 단계에 효과적으로 전파하는 것이 핵심임을 시사합니다.