ProDrive: Proactive Planning for Autonomous Driving via Ego-Environment Co-Evolution

다음은 "ProDrive: Ego-환경 공진화를 통한 자율주행을 위한 사전 계획" 논문에 대한 상세한 기술 요약입니다.

1. 문제 제기

현재의 엔드투엔드 자율주행 계획기 (planner) 는 주로 **반응적 (reactive)**입니다. 이들은 현재 센서 관측치 (이미지, 라이다, 상태) 에만 기반하여 궤적을 생성하며, 자차의 행동에 반응하여 환경이 어떻게 진화할 것인지 명시적으로 모델링하지 않습니다.

• 한계: 이러한 단시적 (myopic) 접근법은 미래 장면의 역학을 예측하지 못해, 비최적의 의사결정, 안전에 치명적인 실패, 그리고 복잡한 다중 에이전트 상호작용을 효과적으로 처리하지 못하게 만듭니다.
• 기존 연구의 격차: 미래 상태를 예측하는 "월드 모델 (world models)"이 존재하지만, 이들은 종종 데이터 생성, 시뮬레이션, 또는 사후 재순위화를 위한 보조 도구로만 사용되며 계획기의 의사결정 과정에 긴밀하게 통합되지 않습니다. 결과적으로 계획기는 미래 예측으로부터 직접적인 기울기 (gradient) 피드백을 받아 내부 의사결정 논리를 형성하지 못합니다.

2. 방법론: ProDrive 프레임워크

ProDrive는 **Ego-환경 공진화 (Ego-Environment Co-Evolution)**를 달성하는 사전 계획 (proactive planning) 프레임워크를 제안합니다. 이는 쿼리 중심 궤적 계획기와 비드 뷰 (BEV) 월드 모델을 엔드투엔드 방식으로 공동으로 학습합니다.

핵심 아키텍처

시스템은 두 개의 긴밀하게 결합된 모듈로 구성됩니다:

A. Ego 모듈 (쿼리 중심 계획기)

• 입력: 다중 뷰 이미지, 라이다, 자차 상태.
• 메커니즘: BEVFormer 아키텍처를 기반으로 학습 가능한 **자차 쿼리 (ego queries)**를 사용하여 다양한 후보 궤적을 생성합니다.
• 반복적 정제: 자차 토큰은 $L$단계의 정제를 거칩니다. 각 단계에서:
  1. 디코딩: MLP 가 토큰을 궤적 웨이포인트로 디코딩합니다.
  2. 정제: 변형 가능 교차 주의 (deformable cross-attention) 가 제안된 웨이포인트의 특정 공간 위치에 있는 이미지 특징에 주의를 기울여 자차 토큰을 업데이트합니다.
• 출력: $K$개의 후보 궤적 집합과 계획 인식 (planning-aware) 시맨틱을 인코딩한 정제된 자차 토큰 ($Q^{(L)}$).

B. 환경 모듈 (BEV 월드 모델)

• 입력: 현재 BEV 상태, 자차 상태, 그리고 계획기에서 주입된 자차 토큰.
• 메커니즘: $N$회 반복에 걸쳐 미래 BEV 장면의 진화를 예측하는 재귀적 Transformer 기반 모델.
• 핵심 혁신: 표준 월드 모델이 원시 좌표나 일반적인 잠재 특징에 조건을 두는 것과 달리, ProDrive 는 정제된 자차 토큰을 월드 모델에 직접 주입합니다. 이를 통해 미래 예측이 단순히 차가 어디로 갈지에만 의존하는 것이 아니라, 계획기가 왜 그 운동을 선택했는지 (계획 인식적 맥락) 에도 의존하게 됩니다.
• 출력: 예측된 미래 BEV 상태와 안전성, 편안함, 효율성을 기반으로 한 각 후보 궤적에 대한 보상 점수.

C. Ego-환경 결합 ("공진화" 메커니즘)

• 양방향 흐름:
  1. 전방향: 계획기가 자차 토큰을 제공하여 월드 모델의 미래 예측을 안내합니다.
  2. 후방향: 월드 모델은 모든 후보를 병렬로 평가하고 **미래 인식 기울기 (future-aware gradients)**를 계획기로 역전파합니다.
• 결과: 계획기는 더 이상 현재 관측치에만 최적화되는 것이 아니라, 장면의 예상되는 미래 진화에 의해 명시적으로 형성됩니다.

학습 목표

시스템은 멀티태스크 손실 함수를 사용하여 엔드투엔드로 학습됩니다:

1. 궤적 손실: 정확한 경로 생성과 다양성 정규화를 위한 회귀 손실.
2. 보상 손실: 월드 모델이 모방 보상 (전문가와의 근접성) 과 시뮬레이션 보상 (충돌 회피, 주행 가능 영역, 진행) 을 예측하도록 지도합니다.
3. 정렬 손실: 계획기의 내부 점수 매김과 월드 모델의 예측 보상을 정렬합니다.
4. 시맨틱 손실: 월드 모델이 미래 BEV 시맨틱 맵 (예: 다른 에이전트의 점유 상태) 을 정확하게 예측하도록 보장합니다.

3. 주요 기여

1. 사전 계획 프레임워크: 궤적 계획기와 월드 모델을 자차 - 환경 공진화를 통해 긴밀하게 결합한 최초의 프레임워크인 ProDrive 를 도입하여, 반응적이고 관측 기반인 계획을 넘어섰습니다.
2. 계획 인식 자차 토큰 주입: 계획기의 정제된 의사결정 토큰을 월드 모델에 주입하는 새로운 메커니즘입니다. 이는 계획기의 내부 의사결정 시맨틱을 보존하여, 월드 모델이 특정 계획 의도에 조건을 둔 "만약에 (what-if)" 추론을 수행할 수 있게 합니다.
3. 엔드투엔드 기울기 피드백: 미래 장면 예측이 계획기의 최적화를 직접 형성하는 양방향 기울기 흐름을 확립하여, 상호작용을 예측하는 사전적 행동을 학습할 수 있게 했습니다.
4. 최첨단 성능: 까다로운 NAVSIM 벤치마크에서 안전성과 계획 효율성의 상당한 개선을 입증했습니다.

4. 실험 결과

이 방법은 까다로운 상호작용 주행 시나리오를 위해 설계된 NAVSIM v1 벤치마크에서 평가되었습니다.

• 주요 지표: 안전성 (과실 없음, 충돌까지 시간), 규칙 준수 (주행 가능 영역 준수), 효율성/편안함을 통합한 예측 드라이버 모델 점수 (PDMS).
• 성능: ProDrive 는 PDMS 86.6을 달성하여 모든 강력한 베이스라인 (UniAD, VADv2 와 같은 반응적 엔드투엔드 모델 및 LAW, FSDrive 와 같은 사전적 베이스라인 포함) 을 능가했습니다.
  • 안전성: 98.0% 과실 없음 (NC), 93.7% 충돌까지 시간 (TTC).
  • 효율성: 80.7% 자차 진행 (EP).
• 절대 실험 (Ablation Studies):
  • 월드 모델 없이: PDMS 가 83.5 로 하락하여 명시적인 미래 모델링이 안전성에 필수적임을 입증했습니다.
  • 자차 토큰 주입 없이: PDMS 가 85.5 로 하락하여 계획 시맨틱을 주입하는 것이 월드 모델의 관련 미래 상태 예측 능력을 향상시킨다는 것을 확인했습니다.
  • 사전 기울기 없이: PDMS 가 85.8 로 하락하여 미래 인식 기울기의 후방향 흐름이 계획기를 형성하는 데 필수적임을 검증했습니다.

5. 의의

ProDrive 는 자율주행 연구의 패러다임 전환을 의미합니다:

• 반응적에서 사전적으로: 자율 에이전트가 현재에 반응하는 것을 넘어 미래 상호작용을 예측하도록 학습할 수 있음을 입증했습니다.
• 통합 아키텍처: 종종 별도의 모듈로 취급되던 궤적 예측과 계획 간의 격차를 해소하여, 미래 추론이 1 급 학습 신호가 되는 통합 시스템을 창출했습니다.
• 안전성과 효율성: 자차와 환경의 공진화를 명시적으로 모델링함으로써, 단순한 반응적 규칙이 실패하는 복잡한 다중 에이전트 시나리오에서 더 통찰력 있고 안전하며 효율적인 주행 행동을 생성합니다.

이 연구는 자율주행 시스템이 미래 장면 진화에 대한 학습된 예측에 의해 안내되는 미래 방향을 시사하며, 숙련된 인간 운전자와 견줄 만한 "통찰력"을 가능하게 합니다.