🤖 AI

An Open-Source Modular Benchmark for Diffusion-Based Motion Planning in Closed-Loop Autonomous Driving

이 논문은 ROS 2 와 Autoware 기반의 오픈소스 모듈형 벤치마크를 통해 확산 기반 운동 계획기를 실시간 폐루프 자율주행 환경에 통합하고, ONNX 그래프 분해와 네이티브 C++ 재구현을 통해 런타임 파라미터 조정 및 Denoising 과정의 가시성을 확보하여 기존 단일 모델 배포의 한계를 극복하고 실차 적용을 위한 직접적인 경로를 제시합니다.

원저자: Yun Li, Simon Thompson, Yidu Zhang, Ehsan Javanmardi, Manabu Tsukada

게시일 2026-03-03

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yun Li, Simon Thompson, Yidu Zhang, Ehsan Javanmardi, Manabu Tsukada

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"자율주행차가 길을 찾을 때 사용하는 '뇌'를 더 똑똑하고 빠르게 만드는 방법"**에 대한 이야기입니다.

기존의 기술은 아주 강력했지만, 실제 차에 태우기엔 너무 무겁고 느렸습니다. 이 연구팀은 그 무거운 뇌를 해체해서, 필요한 부분만 따로 꺼내 쓸 수 있도록 레고 블록처럼 모듈화했습니다. 그 결과, 차는 훨씬 더 빠르게, 그리고 더 정확하게 길을 찾을 수 있게 되었습니다.

이 내용을 일상적인 비유로 설명해 드릴게요.

1. 문제점: "무거운 가방을 매고 달리는 마라토너"

기존의 자율주행 기술 (확산 모델 기반) 은 마치 모든 것을 한 번에 다 해결하려는 거인과 같았습니다.

상황: 차가 길을 찾을 때, "지금 내가 어디에 있나?", "주변 차는 어디로 가나?", "내일 날씨는 어떨까?" 같은 모든 정보를 한꺼번에 계산해서 미래를 예측합니다.
문제: 이 계산 과정이 너무 복잡해서, 차가 실제로 움직이는 동안 (실시간) 결과를 내기엔 너무 느렸습니다. 마치 100kg 짜리 무거운 가방을 매고 100m 달리기를 하는 것과 비슷합니다.
또 다른 문제: 이 가방은 한번 만들어지면 내용물을 바꿀 수 없었습니다. "계산 단계를 줄여보자"거나 "더 정밀하게 계산해보자"고 해도, 가방을 다시 뜯어고쳐야 (모델을 다시 만들어야) 했습니다.

2. 해결책: "요리사에게 재료를 미리 준비해 주기"

연구팀은 이 거대한 가방을 해체해서 세 개의 작은 상자로 나누었습니다.

상황 파악 상자 (Context Encoder): "지금 차가 어디에 있고, 주변은 어떤가?"를 한 번만 파악합니다. 이 정보는 계속 변하지 않으므로 한 번만 계산해서 메모리에 저장해 둡니다. (비유: 요리사가 재료를 다 씻고 썰어두는 작업)
미래 예측 상자 (DiT Core): "앞으로 어떻게 갈까?"를 반복해서 계산하는 핵심 부분입니다.
신호등 확인 상자 (Turn Indicator): "좌회전할까, 우회전할까?"를 최종적으로 확인합니다.

핵심 아이디어:
이제 차는 "상황 파악"을 매번 다시 할 필요가 없습니다. 한 번만 해둔 뒤, 그 결과를 재활용하면서 "미래 예측"만 반복해서 빠르게 계산합니다.

비유:

이전 방식: 매번 요리할 때마다 "채소를 사러 가고, 씻고, 썰고"를 반복해서 요리를 함. (매번 30 분 걸림)

새로운 방식: 아침에 채소를 다 씻고 썰어두었다가, 요리할 때 그 준비된 재료만 넣고 볶음. (요리 시간 5 분으로 단축)

3. 성과: "스마트한 운전사"

이 방식을 적용한 결과 놀라운 변화가 일어났습니다.

속도 3.2 배 향상: 불필요한 계산을 줄여서, 차가 길을 찾는 시간이 300ms 에서 100ms 미만으로 줄었습니다. 이제 차는 신호등이 바뀌기 전에 충분히 반응할 수 있게 되었습니다.
정확도 41% 향상: 계산 단계를 줄여도 (빠르게 해도) 오히려 더 정확하게 예측할 수 있는 방법을 찾았습니다. 마치 고급 렌즈를 쓴 카메라처럼, 적은 노력으로도 더 선명한 이미지를 얻은 것입니다.
유연성: "오늘은 길이 복잡하니까 계산 단계를 늘려서 정밀하게 계산하자"거나 "시간이 없으니 빠르게 계산하자"고 운전 중에도 설정을 바꿀 수 있게 되었습니다.

4. 결론: "열린 주방"

이 연구는 단순히 "더 빠른 차"를 만든 것이 아니라, **누구나 이 기술을 연구하고 개선할 수 있는 '오픈 주방'**을 열었습니다.

기존에는 검은 상자 (블랙박스) 안에 모든 것이 숨겨져 있어서, 외부에서 어떻게 고칠지 몰랐습니다.
이제는 레고 블록처럼 각 부분을 분리해서, 어떤 새로운 알고리즘을 끼워 넣어도 바로 테스트해 볼 수 있습니다.

한 줄 요약:

"무겁고 느린 거인 (기존 기술) 을 해체해서, **한 번만 준비한 뒤 빠르게 반복하는 스마트한 요리사 (새로운 기술)**로 만들었습니다. 그 결과 자율주행차는 이제 더 빠르고, 더 정확하게, 그리고 더 유연하게 길을 찾을 수 있게 되었습니다."

이 기술은 앞으로 우리가 타게 될 자율주행차가 실제 도로에서 더 안전하고 자연스럽게 운전하는 데 큰 도움이 될 것입니다.

1. 문제 정의 (Problem Statement)

기존 확산 기반 운동 계획기 (Diffusion Planner) 들은 nuPlan 과 같은 벤치마크에서 최첨단 (SOTA) 성능을 보이지만, 실제 자율주행 스택 (Production AD Stack) 에 배포될 때 다음과 같은 두 가지 주요 문제가 존재합니다.

실제 배포 환경의 부재: 기존 평가는 Python 기반 시뮬레이터나 데이터 재생 (Replay) 방식 (pseudo-closed-loop) 으로 수행됩니다. 이는 ROS 2 통신 지연, 센서 전처리 파이프라인, 실시간 스케줄링 제약 등을 무시하여, '벤치마크 성능'과 '실제 차량 배포 성능' 간의 격차를 측정하지 못합니다.
모놀리식 (Monolithic) ONNX 배포의 경직성: 기존 모델은 전체 확산 과정 (노이즈 스케줄, 솔버 로직, 반복적 DiT 블록 등) 을 단일 ONNX 그래프로 내보내어 TensorRT 엔진으로 컴파일합니다. 이로 인해 솔버 파라미터 (단계 수 $N$ , 솔버 차수 등) 가 내보내기 시점에 고정됩니다. 연구자들은 실시간 제약 하에서 필요한 단계 수를 분석하거나, 2 차 솔버의 이점을 검증하거나, 필요에 따라 단계를 동적으로 조절하는 'Anytime Planning'을 수행할 수 없습니다.

2. 방법론 (Methodology)

저자들은 ONNX GraphSurgeon을 활용하여 단일 모놀리식 모델을 세 개의 독립적으로 실행 가능한 모듈로 분해하고, **네이티브 C++**로 솔버 루프를 재구현하여 Autoware 스택에 통합했습니다.

모듈 분해 (Graph Decomposition):
- Context Encoder (3,417 노드): 장면 컨텍스트 (자차 위치, 이웃 차량, 맵, 신호 등) 를 인코딩합니다. 이는 계획 주기당 한 번만 실행되고 그 결과 (Embedding) 를 캐시 (Cache) 합니다.
- DiT Core (1,237 노드): 확산 변환기 (Diffusion Transformer) 코어로, $N$ 번 반복 실행됩니다.
- Turn Indicator Classifier (7 노드): 후처리 신호 예측을 담당합니다.
C++ DPM-Solver++ 재구현:
- 반복적인 denoising 루프를 ONNX 그래프 내부가 아닌 외부 C++ 솔버에서 제어합니다.
- 이를 통해 단계 수 ( $N$ ), 솔버 차수 (1 차/2 차), 노이즈 스케줄 파라미터 등을 모델 재컴파일 없이 런타임에 동적으로 변경할 수 있습니다.
ROS 2 및 Autoware 통합:
- Autoware 의 planning 모듈로 직접 교체 가능한 ROS 2 노드로 구현되었습니다.
- AWSIM 시뮬레이터와 연동하여 실제 차량 배포 환경과 유사한 폐쇄 루프 조건에서 평가됩니다.

3. 주요 기여 (Key Contributions)

오픈 소스 모듈형 벤치마크: 모놀리식 ONNX 그래프를 분해하여 Autoware + AWSIM 환경에서 진짜 폐쇄 루프 조건으로 솔버를 플러그 앤 플레이 (Plug-and-play) 방식으로 평가할 수 있는 플랫폼을 제공합니다.
런타임 재구성 가능한 C++ 솔버: 모델 재학습 없이 솔버 행동 (단계 수, 차수 등) 을 연구할 수 있는 능력을 제공합니다. 이는 기존 모든 확산 계획기 배포 방식에는 없던 기능입니다.
체계적인 솔버 비교 분석: DPM-Solver++ (1 차/2 차) 와 DDIM 을 다양한 단계 수 ( $N \in \{3, 5, 7, 10, 15, 20\}$ ) 에서 비교 분석했습니다.
실증적 검증: 수치적 동일성 (오차 $< 10^{-5}$ ) 을 입증하고, 인코더 캐싱을 통한 지연 시간 단축 및 AWSIM 내 성공적인 도시 주행 시연을 확인했습니다.

4. 실험 결과 (Key Results)

지연 시간 (Latency) 개선:
- 모놀리식 구조에서는 Context Encoder 를 매 단계마다 중복 실행하여 전체 비용의 90.9% 를 낭비했습니다.
- 제안된 모듈형 아키텍처는 Encoder 를 한 번만 실행하고 캐싱하여 지연 시간을 3.2 배 ( $119\text{ms} \to 37\text{ms}$ , $N=3$ 기준) 단축시켰습니다.
- 모든 모듈형 구성은 Autoware 의 일반적인 100ms 계획 예산 (Budget) 내에 들어갔으나, 모놀리식 구성은 이를 초과했습니다.
정확도 (Accuracy) 개선:
- 2 차 솔버 (Second-order) 의 효과: $N=3$ 일 때, 1 차 솔버 대비 최종 변위 오차 (FDE) 를 41% 감소시켰습니다 (0.61m $\to$ 0.36m).
- 단계 수 최적화: 2 차 솔버를 사용하면 1 차 솔버의 $N=5$ 정확도를 $N=3$ 으로 달성할 수 있어, 계산 비용을 절반으로 줄이면서도 정확도를 유지할 수 있습니다.
- 타이밍 스케줄링: 단순한 조기 종료 (Early stopping) 보다 전용 $N=3$ 스케줄을 사용할 때 FDE 가 7 배 개선되었습니다.
수치적 동일성: 분해된 모듈형 파이프라인과 원본 모놀리식 모델 간의 최대 오차는 $10^{-5}$ 미만으로, 분해가 모델의 의미론을 훼손하지 않음을 입증했습니다.

5. 의의 및 결론 (Significance)

이 연구는 확산 기반 운동 계획이 단순히 벤치마크 점수 경쟁을 넘어, 실제 자율주행 차량에 배포 가능한 시스템으로 발전하기 위한 필수적인 디딤돌을 제공합니다.

블랙박스 탈피: 모놀리식 배포의 블랙박스 문제를 해결하여, 각 denoising 단계의 관측 가능성 (Observability) 을 제공하고 솔버 파라미터의 영향을 체계적으로 분석할 수 있게 했습니다.
실시간성 확보: 인코더 캐싱과 C++ 솔버 구현을 통해 실시간 제약 조건을 만족시키며, 계산 자원에 따라 단계 수를 동적으로 조절하는 Anytime Planning의 실현 가능성을 보여주었습니다.
재현성 및 확장성: 전체 코드베이스를 오픈 소스로 공개하여, 다른 연구자들이 다양한 솔버나 스케줄링 전략을 실제 차량 배포 환경 (ROS 2 기반) 에서 검증할 수 있는 기반을 마련했습니다.

결론적으로, 이 논문은 확산 모델의 알고리즘적 우수성을 실제 자율주행 시스템의 실시간 요구사항과 결합한 첫 번째 체계적인 벤치마크로서, 향후 확산 기반 계획기의 상용화 연구에 중요한 방향을 제시합니다.