PC-Diffuser: Path-Consistent Capsule CBF Safety Filtering for Diffusion-Based Trajectory Planner

이 논문은 확산 기반 경로 계획의 안전성을 보장하기 위해, 충돌 위험을 정밀하게 평가하고 동역학적 제약을 준수하며 경로 일관성을 유지하는 검증 가능한 안전 필터 (PC-Diffuser) 를 확산 생성 과정에 직접 통합하는 프레임워크를 제안합니다.

핵심

이 논문은 자율주행차가 복잡한 도로에서 사고 없이 안전하게 운전하는 방법을 개선한 새로운 기술, **'PC-Diffuser'**에 대해 설명합니다.

기존의 인공지능 (AI) 자율주행 기술은 "사람들이 어떻게 운전하는지"를 학습해서 길을 찾지만, 예상치 못한 위험 상황 (예: 갑자기 튀어나온 차, 복잡한 교차로) 에서는 사고를 막지 못하거나 너무 보수적으로 움직여 교통을 방해할 수 있었습니다.

이 문제를 해결하기 위해 연구진이 개발한 PC-Diffuser를 일상적인 비유로 쉽게 설명해 드리겠습니다.

---

🚗 1. 문제 상황: "실력 좋은 운전사지만, 안전장치가 없는 차"

기존의 최신 AI 운전 기술 (Diffusion Planner) 은 마치 운전 실력이 매우 뛰어난 프로 레이서와 같습니다.

• 장점: 수많은 운전 데이터를 학습해서 부드럽고 자연스러운 길 찾기를 합니다.
• 단점: 하지만 안전 벨트나 에어백이 없습니다. 학습 데이터에 없던 아주 드문 상황 (예: 갑자기 차선에서 튀어나온 아이) 이 발생하면, AI 는 "아직까지 본 적 없는 상황"이라서 어떻게 해야 할지 몰라 사고를 당하거나, 너무 무서워서 멈춰버립니다.

💡 2. 해결책: "안전한 운전 교습관" (PC-Diffuser)

연구진은 이 프로 레이서에게 안전장치를 달아주되, 운전 스타일을 망치지 않는 방법을 고안했습니다. 이것이 바로 PC-Diffuser입니다.

이 기술은 크게 세 가지 핵심 아이디어로 작동합니다.

① "카툭카툭"이 아닌 "정교한 몸"으로 사고를 예측 (Capsule Distance)

• 기존 방식: 차를 단순히 '점'이나 '네모 박스'로 봅니다. 그래서 좁은 길에서 다른 차와 살짝 겹쳐도 "아직 충돌 안 했어"라고 생각하다가, 실제로는 차체가 닿아 사고가 나기도 합니다.
• PC-Diffuser 방식: 차를 **긴 타원형 (캡슐)**으로 봅니다. 차의 앞뒤와 옆면을 정확히 감싸는 모양으로 사고 위험을 계산합니다.
  • 비유: 손으로 물건을 잡을 때, 단순히 손가락 끝만 보고 잡는 게 아니라 손 전체의 모양을 고려해서 잡는 것과 같습니다. 그래서 좁은 길에서도 불필요하게 멈추지 않고, 하지만 정말 위험할 때는 정확히 피합니다.

② "이론상 가능"이 아닌 "실제 차가 갈 수 있는" 길 (Dynamic Feasibility)

• 기존 방식: AI 가 "여기로 가자"라고 길을 그렸는데, 그 길이 실제 차가 물리적으로 갈 수 없는 곳 (예: 급커브인데 속도가 너무 빠름) 일 수 있습니다.
• PC-Diffuser 방식: AI 가 그은 길을 실제 차가 달릴 수 있도록 수정합니다. 차의 핸들 각도나 가속도 한계를 고려해서, "이 길은 차가 못 가니까 속도를 좀 줄이자"라고 조정합니다.
  • 비유: 지도 앱이 "이 좁은 골목으로 지나가자"고 했을 때, 실제 차가 들어갈 수 있는지 확인하고, 들어갈 수 없으면 "그럼 조금만 천천히 지나가자"라고 속도를 조절하는 것입니다.

③ "운전 스타일"은 유지하되, "위험만 제거" (Path-Consistent)

• 기존 방식: 안전을 위해 길을 완전히 바꿔버리면, AI 가 원래 의도했던 자연스러운 운전이 망가집니다. (예: 차선 변경을 하려다가 갑자기 반대 차선으로 튀어나가는 등)
• PC-Diffuser 방식: 차의 방향 (핸들) 은 그대로 두고, 속도만 조절합니다.
  • 비유: 친구와 함께 걷다가 갑자기 길가에 개가 튀어나왔을 때, 친구와 걷는 방향과 리듬은 그대로 유지하면서, 개를 피하기 위해 걸음걸이 속도만 살짝 늦추거나 멈추는 것과 같습니다. 길을 완전히 바꿔서 다른 곳으로 도망가는 게 아니라, 원래 목적지로 가되 안전하게 피하는 것입니다.

🔄 3. 핵심 비법: "수정"이 아니라 "함께 배우기" (Iterative Integration)

가장 중요한 점은 언제 안전 장치를 작동하느냐입니다.

• 기존 방식 (후처리): AI 가 모든 경로를 다 그린 끝에 안전 장치가 "아, 여기 위험하네?"라고 수정합니다. 이때는 이미 AI 가 잘못된 길을 그렸을 가능성이 높고, 수정이 너무 급하게 일어나서 운전이 부자연스러워집니다.
• PC-Diffuser 방식 (과정 중 수정): AI 가 경로를 그리는 중간중간마다 안전 장치가 "여기 위험해, 조금만 수정하자"라고 말합니다. AI 는 그 수정을 받아들여 다시 경로를 그립니다.
  • 비유: 그림을 그릴 때, 완성된 그림을 보고 지우개로 지우는 것이 아니라, 붓을 들고 그리는 중간중간마다 "이 부분은 너무 위험하니까 색을 조금 바꿔보자"라고 함께 수정해 나가는 것입니다. 그래서 최종 결과물은 AI 의 원래 스타일과 안전이 완벽하게 조화를 이룹니다.

🏆 4. 결과: "사고는 줄고, 운전은 더 부드러워져"

이 기술을 실제 시뮬레이션 (nuPlan) 에서 테스트한 결과는 놀라웠습니다.

• 사고율: 기존 기술이 100% 사고가 났던 극한 상황 (모든 차가 충돌하는 시나리오) 에서, 사고율을 10% 대로 낮췄습니다. (90% 이상 개선!)
• 운전 품질: 안전만 챙긴다고 운전이 뻣뻣해지지 않았습니다. 오히려 기존 기술보다 더 자연스럽고 점수 높은 운전을 보여주었습니다.

📝 요약

PC-Diffuser는 자율주행차에게 **"안전벨트 (캡슐 거리)"**를 채워주고, **"실제 차가 달릴 수 있는지 확인 (동역학)"**하며, **"원래 운전 스타일은 유지하되 속도만 조절 (경로 일관성)"**하는 시스템을 도입했습니다.

특히 운전하는 과정 중간중간에 안전을 확인하며 함께 수정하기 때문에, AI 가 위험한 상황에 처했을 때 당황하지 않고 자연스럽고 안전하게 대처할 수 있게 해줍니다. 이는 자율주행이 실제 도로에 상용화되는 데 있어 매우 중요한 한 걸음입니다.

기술 요약

1. 문제 정의 (Problem Statement)

자율주행의 복잡한 교통 환경에서는 수동으로 설계된 규칙 (hand-crafted rules) 을 넘어선 일반화 능력이 필요합니다. 이를 위해 전문가 시연 데이터를 학습하는 데이터 기반 접근법, 특히 확산 기반 (Diffusion-based) 궤적 계획기가 주목받고 있습니다. 확산 모델은 노이즈가 포함된 궤적에서 시작해 반복적으로 잡음을 제거 (denoising) 하며 전체 시간 구간 (horizon) 의 계획을 생성하여 일관된 행동을 보입니다.

그러나 확산 기반 계획기는 다음과 같은 안전성 한계를 가지고 있습니다:

• 검증 불가능성: 학습된 점수 함수 (score function) 는 훈련 분포와 유사한 궤적을 생성하지만, 훈련 데이터 분포를 벗어난 (Out-of-Distribution) 상황이나 희귀한 사고 상황에서는 물리적으로 타당하지만 치명적인 사고를 유발할 수 있습니다.
• 기존 안전 보강 방법의 한계:
  • 제어 장벽 함수 (CBF) 통합: 기존 방법들은 확산 과정의 '반복 단계 (diffusion index)'에 제약을 두거나, 단순히 최종 궤적에 사후 처리 (post-hoc) 를 적용합니다. 이는 실제 차량 동역학 (rollout) 상의 안전성을 보장하지 못하거나, 차량이 물리적으로 실행 불가능한 궤적을 생성할 수 있습니다.
  • 과도한 보수성: 안전 제약을 강하게 적용하면 학습된 주행 패턴이 왜곡되어 주행 품질이 떨어지거나, 불필요하게 보수적인 행동을 유도할 수 있습니다.

따라서 실제 실행되는 궤적 (rollout) 에 대한 동역학 일관성 있는 안전성, 학습된 분포에서의 최소 이탈, 그리고 효율적인 통합이라는 세 가지 요구사항을 동시에 만족하는 새로운 프레임워크가 필요합니다.

---

2. 제안 방법론 (Methodology: PC-Diffuser)

저자들은 PC-Diffuser를 제안하며, 안전성을 궤적 생성 후 수정하는 것이 아니라 확산 과정 (denoising loop) 내부에 내재화합니다. 핵심 아이디어는 세 가지 요소의 결합입니다:

A. 안전성: 캡슐 거리 장벽 함수 (Capsule Distance Barrier Function)

• 문제: 기존 유클리드 거리 기반 CBF 는 차량의 실제 형상 (바퀴 폭 등) 을 고려하지 않아 좁은 도로나 교차로에서 불필요하게 보수적인 제약을 가합니다.
• 해결: 각 차량을 전후면 중심을 연결한 **선분 (longitudinal axis)**으로 표현하고, 두 선분 간의 최소 거리를 기반으로 한 **캡슐 거리 (Capsule Distance)**를 장벽 함수 ($h_j$) 로 정의합니다.
• 효과: 차량의 실제 형상을 더 정밀하게 반영하여 불필요한 보수성을 줄이고, 미분 가능한 부드러운 장벽 함수를 제공합니다.

B. 동역학 실행 가능성 (Dynamic Feasibility)

• 문제: 확산 모델은 단순히 '경로 (waypoints)'를 생성하며, 이를 실제 차량이 따라갈 수 있는 제어 입력 (가속도, 조향각) 으로 변환할 때 동역학 제약이 무시될 수 있습니다.
• 해결: 생성된 경로를 선형화된 LQR 제어기를 통해 추적하여, **운동학적 자전거 모델 (Kinematic Bicycle Model)**을 따르는 명목 제어 입력 ($u_{nom}$) 을 생성합니다. 이를 통해 생성된 궤적이 실제 차량 동역학 하에서 실행 가능함을 보장합니다.

C. 경로 일관성 (Path-Consistent Corrections)

• 문제: 안전 필터가 경로 자체 (측면) 를 변경하면 학습된 주행 패턴이 왜곡되고 주행 품질이 떨어집니다.
• 해결: 경로 일관성을 유지하기 위해 조향각은 명목 값 ($\delta_{nom}$) 으로 고정하고, 안전 제약을 충족시키기 위해 속도 (longitudinal channel) 만 조절합니다.
• 구현: 고정된 조향각 하에서 캡슐 장벽 함수의 시간 미분을 속도 선형 형태로 변환하여, 속도 수준의 CBF 제약을 풉니다. 이는 고차 CBF(HOCBF) 의 복잡성을 피하면서도 충돌을 회피할 수 있는 최소한의 속도 조정을 가능하게 합니다.

D. 확산 과정 내 반복적 통합 (Iterative Integration)

• 핵심 혁신: 기존 사후 처리 방식과 달리, PC-Diffuser 는 각 확산 단계 (denoising step) $t$마다 다음 과정을 수행합니다:
  1. 현재 잡음 상태로부터 '예측된 깨끗한 궤적' ($\hat{\tau}_0^{(t)}$) 을 추정합니다.
  2. 추정된 궤적에 PC-CBF 필터를 적용하여 안전하고 동역학적으로 실행 가능한 궤적 ($\hat{\tau}_0^{*(t)}$) 으로 수정합니다.
  3. 수정된 궤적을 다시 확산 과정에 주입 (re-noise) 하여 다음 단계로 진행합니다.
• 효과: 확산 모델이 안전 보정을 '학습'하여 함께 적응 (co-adaptation) 하도록 하여, 최종 출력물이 학습된 분포와 안전성 모두를 만족하도록 유도합니다.

---

3. 주요 기여 (Key Contributions)

1. 검증 가능한 경로 일관성 장벽 구조 도입: 실제 주행 (rollout) 안전성, 동역학 실행 가능성, 학습된 행동에서의 최소 이탈을 동시에 지원하는 새로운 CBF 구조를 제안했습니다.
2. 확산 루프 내 통합: 사후 처리가 아닌 생성 과정 중 반복적으로 안전 보정을 수행하여, 희귀/비분포 상황에서 더 견고한 안전성을 확보했습니다.
3. nuPlan 벤치마크에서의 성능 입증: 기존 확산 계획기 (DiffusionPlanner) 와 다양한 안전 보강 기법 (Classifier Guidance, SafeDiffuser, MPC-CBF 등) 대비 월등한 성능을 입증했습니다.

---

4. 실험 결과 (Results)

데이터셋: nuPlan 폐루프 (closed-loop) 벤치마크 (Val14, Test14-hard, All-Collision Challenge Set).

• 충돌률 감소 (All-Collision Challenge Set):
  • 기존 DiffusionPlanner (Vanilla): 100% 충돌
  • 기존 안전 보강 기법들 (Classifier Guidance, SafeDiffuser 등): 74% ~ 89% 충돌
  • PC-Diffuser (제안): 10.29% 충돌로 대폭 감소.
• 주행 품질 (Composite Score):
  • 안전성만 강화한 것이 아니라, 전체 데이터셋 (Val14, Test14-hard) 에서도 기존 모델 대비 종합 주행 점수가 향상되었습니다 (Val14: 0.83 $\to$ 0.88, Test14-hard: 0.69 $\to$ 0.78).
  • 이는 안전 제어가 주행 품질을 해치지 않고 오히려 더 안전한 주행 패턴을 유도함을 의미합니다.
• 정성적 분석:
  • 복잡한 교차로 상황에서 기존 방법들은 충돌하거나 (Vanilla), 물리적으로 불가능한 궤적을 생성하거나 (SafeDiffuser), 차선을 이탈하는 (MPC-CBF) 문제를 보였습니다.
  • PC-Diffuser 는 대향 차량에 양보하면서도 차선을 유지하며 안전하게 좌회전하는 등, 안전성, 동역학 실행 가능성, 경로 일관성을 모두 만족하는 행동을 보였습니다.
• Ablation Study:
  • 반복적 보정 (Iterative safeguard): 최종 단계에서만 보정할 때보다 충돌률이 낮고 점수가 높았습니다. 이는 확산 모델이 안전 궤적을 점진적으로 학습함을 보여줍니다.
  • 동역학 실행 가능성 (Dynamic feasibility): 이를 제거할 경우 충돌률이 급증 (약 11% 증가) 하여 동역학 모델의 중요성을 입증했습니다.

---

5. 의의 및 결론 (Significance & Conclusion)

PC-Diffuser 는 확산 기반 자율주행 계획기의 가장 큰 약점인 안전성 검증의 부재를 해결하는 획기적인 접근법을 제시합니다.

• 이론적 의의: 안전성을 '사후 수정'이 아닌 '생성 과정의 필수 요소'로 재정의하여, 학습된 분포와 안전성 제약 사이의 균형을 성공적으로 찾았습니다.
• 실용적 의의: 실제 차량 동역학을 고려한 캡슐 거리 기반의 장벽 함수를 도입함으로써, 실제 도로 환경 (좁은 길, 교차로) 에서 불필요한 보수성을 줄이고 더 자연스러운 주행이 가능해졌습니다.
• 한계 및 향후 과제: 현재는 IDM 기반의 반응형 시뮬레이션에 의존하고 있어, 인간 운전자의 복잡한 예측 반응 (예: 방어적 운전) 을 완전히 반영하지는 못합니다. 향후 더 정교한 인간 - 차량 상호작용 모델과의 결합이 필요할 것으로 보입니다.

요약하자면, PC-Diffuser 는 학습 기반 계획기의 유연성과 형식적 안전 방법론 (CBF) 의 엄격함을 결합하여, 자율주행의 상용화를 위한 핵심 과제를 해결한 중요한 연구입니다.