Conditional Flow Matching for Continuous Anomaly Detection in Autonomous Driving on a Manifold-Aware Spectral Space

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 레벨 4 자율주행차 (AV) 의 안전성 검증은 현재 '긴 꼬리 (Long-tail)'에 해당하는 드물지만 고위험인 시나리오를 탐지하는 데 있어 병목 현상을 겪고 있습니다.
• 기존 방법의 한계:
  • 규칙 기반 휴리스틱 (Rule-based Heuristics): 감속도 임계값이나 TTC(Time-to-Collision) 와 같은 단순 물리 규칙은 명확한 물리적 위험은 탐지할 수 있으나, 차선 침범이나 사회적 비준수 (Semantic Non-compliance) 와 같은 의미론적 이상 (Semantic Anomalies) 을 놓칩니다.
  • 지도학습 기반 이상 탐지: 사고 데이터의 극심한 부족으로 인해 학습이 어렵습니다.
  • 기존 생성 모델의 결함:
    • 자기회귀 (AR) 모델: 장기 계획 시 시간적 드리프트 (Temporal Drift) 와 노출 편향 (Exposure Bias) 으로 인해 확률 점수가 불안정합니다.
    • 확산 (Diffusion) 모델: 정확한 로그 가능도 (Log-likelihood) 추정이 계산적으로 불가능하며, 확률적 미분방정식 (SDE) 을 사용하여 수치적 불안정성이 발생할 수 있습니다.
    • VAE: 사후 분포 붕괴 (Posterior Collapse) 로 인해 복잡한 도시 주행의 다중 모드 (Multi-modality) 를 해결하지 못합니다.

2. 제안 방법론: Deep-Flow (Methodology)

Deep-Flow 는 **최적 수송 조건부 흐름 매칭 (Optimal Transport Conditional Flow Matching, OT-CFM)**을 기반으로 한 비지도 생성 프레임워크로, 전문가의 주행 행동을 연속적인 확률 밀도 함수로 모델링합니다.

핵심 아키텍처 구성 요소:

1. 스펙트럴 매니폴드 병목 (Spectral Manifold Bottleneck):

   • 고차원 좌표 공간 대신 **PCA(주성분 분석)**를 통해 저차원 (k=12) 의 스펙트럴 계수 공간으로 트래젝토리를 투영합니다.
   • 효과: 고주파 노이즈를 필터링하여 운동학적 매끄러움 (Kinematic Smoothness) 을 보장하고, 저차원 공간에서 **정확한 야코비안 트레이스 (Jacobian Trace)**를 계산하여 수치적으로 안정적인 결정론적 로그 가능도 추정을 가능하게 합니다.

2. 레인 인지 목적지 조건부 인코딩 (Lane-Aware Goal Conditioning):

   • Early Fusion Transformer를 사용하여 에이전트 히스토리, 벡터화된 맵, 그리고 목적지 (Goal) 정보를 융합합니다.
   • Skip-Connection: 목적지 정보가 Flow Head 로 직접 연결되어 복잡한 교차로에서의 다중 모드 모호성을 해결하고, 네트워크 전체에서 의도 (Intent) 의 무결성을 유지합니다.

3. 운동학적 복잡도 가중치 (Kinematic Complexity Weighting):

   • 단순한 주행 (크루징) 보다 고에너지 기동 (급제동, 급회전 등) 을 더 중요하게 학습하도록 **경로 비틀림 (Tortuosity)**과 저크 (Jerk) 에 기반한 중요도 샘플링 (Importance Sampling) 을 도입합니다.

4. 확률 밀도 추정 (Likelihood Estimation):

   • 학습된 벡터 필드를 통해 관측된 트래젝토리를 가우시안 사전 분포 (Prior) 로 역방향 ODE 적분합니다.
   • **연속성 방정식 (Continuity Equation)**을 활용하여 로그 가능도를 계산하며, 이는 관측된 행동이 전문가 분포의 '꼬리 (Tail)'에 위치할수록 높은 이상 점수 (Anomaly Score) 를 받습니다.

3. 주요 기여 (Key Contributions)

1. 스펙트럴 매니폴드 병목: 원시 웨이포인트 대신 스펙트럴 계수를 회귀함으로써 운동학적 실현 가능성과 수치적 안정성을 보장하는 엄격한 저역 통과 필터 역할을 수행합니다.
2. 레인 인지 목적지 조건부: 토폴로지 기반의 차선 기하학을 Flow Head 에 직접 주입하여 복잡한 교차로에서의 다중 모드 모호성을 해결합니다.
3. 운동학적 복잡도 가중치: 물리 법칙에 기반한 중요도 샘플링을 통해 모델이 안전과 관련된 고에너지 기동을 우선적으로 학습하도록 유도합니다.
4. 의미론적 이상 탐지: Waymo 오픈 모션 데이터셋 (WOMD) 에서 규칙 기반 휴리스틱이 놓치는 '예측 불가능성 갭 (Predictability Gap)'을 발견하고, 차선 침범 등 의미론적 위반을 탐지함을 입증했습니다.

4. 실험 결과 (Results)

• 데이터셋: Waymo Open Motion Dataset (WOMD) 사용 (학습 25 만 시나리오, 검증 8,856 시나리오).
• 평가 지표: 안전 임계값 (급제동, 동적 불안정성) 으로 구성된 '골든 테스트 세트'에 대한 AUC-ROC.
• 성능: Deep-Flow 는 0.766의 AUC-ROC 를 달성하여 무작위 추측 (0.5) 및 기존 운동학적 휴리스틱 (0.682) 을 크게 상회했습니다.
• 질적 분석:
  • 이중 모드 분포: 정상 주행은 높은 확률 영역과 복잡한 상호작용 영역으로 이분화되지만, 안전 임계 사고는 높은 확률 영역에서 완전히 배제되는 '안전 천장 (Safety Ceiling)' 현상을 보였습니다.
  • 숨겨진 이상 탐지: 물리적으로 위험하지 않을 수 있으나 사회적/법적으로 비정상적인 행동 (예: 차선 침범, 교차로 모서리 절단 등) 을 성공적으로 탐지하여 기존 휴리스틱이 놓치는 '예측 불가능성'을 포착했습니다.

5. 의의 및 결론 (Significance)

• 수학적 엄밀성: 규칙 기반 접근법을 넘어, 통계적 안전 게이트 (Statistical Safety Gates) 를 정의할 수 있는 수학적 기반을 제공합니다.
• OOD 탐지 능력: 단순히 물리적 충돌 위험뿐만 아니라, 인간 운전자의 기대와 다른 '의미론적 비준수 (Semantic Non-compliance)'를 탐지하여 L4 자율주행의 안전성 검증 범위를 확장합니다.
• 확장성: 대규모 비레이블된 플릿 로그 (Fleet Logs) 에서 OOD 위험을 자동으로 발견하고, 안전성 논증 (Safety Argumentation) 을 위한 객관적인 데이터 기반을 마련합니다.

이 연구는 자율주행 차량의 안전성 검증을 위해 **최적 수송 기반의 흐름 매칭 (OT-CFM)**과 저차원 스펙트럴 매니폴드를 결합하여, 기존 생성 모델의 한계를 극복하고 수치적으로 안정적이고 의미론적으로 풍부한 이상 탐지 시스템을 제시했다는 점에서 의의가 큽니다.