기술 요약: SceneFactory

문제 제기

자율주행 시뮬레이터는 **물리적 충실도 (physical fidelity)**와 확장 가능한 병렬성 사이에서 근본적인 트레이드오프에 직면해 있습니다. 기존 플랫폼들은 일반적으로 이 스펙트럼의 한쪽 면만 차지합니다:

• 물리 기반 플랫폼 (예: CARLA, MetaDrive) 은 관절형 차량 동역학, 접촉, 서스펜션을 제공하지만 비벡터화되고 CPU 바운드인 제어 인터페이스에 의존합니다. 이는 에이전트별 Python 루프로 인한 처리량 병목 현상으로 인해 대규모 배치 학습을 어렵게 만듭니다.
• GPU 배치 시스템 (예: Waymax, GPUDrive) 은 단일 GPU 에서 수백 개의 시나리오를 병렬로 실행하여 높은 처리량을 달성합니다. 그러나 이들은 강체 물리를 자전거 모델과 같은 단순화된 운동학 모델로 대체하여 타이어 - 도로 상호작용, 서스펜션 순응도, 접촉력, 도로 상태에 따른 마찰력과 같은 중요한 동역학을 생략합니다.

이 격차는 안전에 치명적인 행동 (제동, 코너링) 이 강체 동역학과 날씨로 인한 마찰 변화와 같은 환경 요인에 의해 직접적으로 형성되기 때문에 중요합니다. 현재 시뮬레이터들은 효율적인 강화 학습 (RL) 을 위한 규모가 부족하거나, 악천후 조건 하에서 유효한 안전 평가를 위해 필요한 물리 법칙이 부족합니다.

방법론

SceneFactory는 절차적 장면 구성, 물리 기반 다중 에이전트 시뮬레이션, 그리고 RL 학습을 통합하는 GPU 벡터화 플랫폼으로 소개됩니다. NVIDIA Isaac Sim과 Isaac Lab을 기반으로 구축된 이 플랫폼은 세계와 에이전트를 배치된 텐서로 취급하며, 제어, 관측, 보상, 정책 추론을 GPU 텐서 연산으로 실행합니다.

핵심 구성 요소

1. 절차적 장면 구성:

   • Waymo Open Motion Dataset의 도로 토폴로지를 시뮬레이션 준비가 된 USD(범용 장면 기술) 환경으로 변환합니다.
   • 오프라인 파이프라인이 도로 폴리라인과 에이전트 메타데이터를 추출하고, 좌표를 재중앙화하며, 고도를 2D 평면 ($z=0$) 으로 평탄화하고, 방향이 지정된 박스 세그먼트를 생성합니다.
   • 이러한 기하학적 요소들은 GPU 텐서에 구워져 (baked), 시뮬레이션 루프 동안 USD 계층 구조에 접근하지 않고도 배치된 차선 근접 쿼리를 가능하게 합니다.

2. 텐서 벡터화 관절형 차량 인터페이스:

   • Isaac Sim 의 내장 PhysX 차량 모델 (텐서 파이프라인 외부에서 상태를 관리함) 을 사용하는 대신, SceneFactory 는 커스텀 10 자유도 (DOF) 관절형 강체를 사용합니다.
   • 차량은 차체, 프리즈매틱 서스펜션 조인트, 회전 조향 조인트, 그리고 휠 회전 조인트로 구성됩니다.
   • 시스템 식별: 5 단계 크로스 엔트로피 방법 (CEM) 이 139 개의 스크립트된 기동에서 "교사"모델 (내장 PhysX 차량) 에 대해 20 개의 조정 가능한 동역학 파라미터 (토크, PD 게인, 서스펜션 강성 등) 를 보정합니다. 이를 통해 단순화된 관절형 모델이 검증된 교사 모델의 충실도를 유지하도록 보장합니다.
   • 모든 조인트 상태, 작동, 접촉 재료는 GPU 텐서로 접근 가능하여 에이전트별 Python 제어 루프를 제거합니다.

3. 기상 - 마찰 모듈:

   • 강수 및 도로 표면 유형을 PhysX 재료 마찰 계수로 매핑하는 물리 기반 수정된 평균 뭉쳐진 LuGre (ALL) 모델을 구현합니다.
   • 이 모델은 부분 수막 현상 하에서 유효 마찰 ($\mu$) 을 계산하기 위해 포장재 질감과 수막 두께 ($h_w$) 를 고려합니다.
   • 마찰 변화는 4 차원 기상 관측 벡터 ($h_w$ 및 원-핫 표면 유형) 를 통해 정책에 전달되어, 에이전트가 현재 마찰 regimes 에 따라 행동을 조건화할 수 있게 합니다.

4. 시뮬레이션 파이프라인:

   • 단일 GPU 에서 최대 256 개의 독립적인 세계를 지원하며, 세계당 최대 16 개의 에이전트를 지원합니다.
   • 물리는 120 Hz(4 서브스텝) 로 실행되고, 제어 정책은 30 Hz로 작동합니다.
   • 전체 학습 루프 (관측 수집, 추론, 물리 스텝핑, 보상 계산) 는 Isaac Lab 텐서 API 를 사용하여 온디바이스 (on-device) 로 실행됩니다.

주요 기여

1. 절차적 파이프라인: Waymo 시나리오를 다중 에이전트 관절형 PhysX 차량으로 채워진 GPU 병렬화 다중 세계 Isaac Sim 스테이지로 변환하는 방법.
2. 텐서 벡터화 인터페이스: 세계와 에이전트 간에 제어, 상태 쿼리, 관측, 보상, 리셋, 정책 추론을 배치하는 새로운 인터페이스로, CPU/Python 병목 현상을 제거합니다.
3. 물리 기반 기상 모델링: 기상 조건을 PhysX 재료 파라미터에 동적으로 매핑하는 모듈로, 현실적인 도로 표면 조건에서의 학습을 가능하게 합니다.
4. 실증적 검증: 시스템 식별 및 교차 시뮬레이션 전이 분석을 포함한 완전한 강체 동역학을 갖춘 고통량 시뮬레이션의 증명.

결과

실험은 단일 NVIDIA RTX PRO 6000 Blackwell GPU(96 GB VRAM) 에서 수행되었습니다.

• 처리량: SceneFactory 는 256 개의 세계 $\times$ 16 개의 에이전트 규모에서 초당 **19,250 개의 제어된 에이전트 시뮬레이션 스텝 (CASPS)**을 달성합니다. 이는 동일한 GPU 와 솔버를 사용하는 비벡터화 PhysX 기준 대비 127 배의 속도 향상을 나타내며, 세계 수에 따라 거의 선형적으로 확장됩니다.
• 항해 성능: 128 개의 Waymo 토폴로지에서 학습된 PPO 정책은 64 개의 홀드아웃 테스트 장면 (624 개 에이전트) 에서 80.1% 의 목표 도달률을 달성했습니다.
• 물리 격차 분석 (교차 평가):
  • 단순화된 운동학 자전거 모델에서 학습된 정책은 자체 환경에서 **100%**의 성공률을 보였으나, PhysX 환경으로 전이되었을 때 **47.3%**로 붕괴되었습니다.
  • 반대로, PhysX 환경에서 학습된 정책은 자전거 모델로 전이되었을 때 **99.5%**의 성공률을 보였습니다.
  • 이 비대칭성은 PhysX 에서의 낮은 성공률이 횡방향 미끄러짐, 서스펜션과 같은 완전한 강체 동역학의 증가된 어려움 때문이지 장면 선택 인공물 때문이 아님을 확인시켜 줍니다.
• 마찰 조건화:
  • 마찰 인식 정책 (10% 습한 세계 노출로 학습) 은 마찰 무감각 기준 대비 목표 도달 성공률을 크게 향상시키지 못했습니다 (건조 아스팔트에서 80.1% 대 77.9%).
  • 그러나 중간 정도의 습한 조건 하에서, 마찰 인식 정책은 평균 최대 **충돌 회피 감속률 (DRAC)**을 58.7 m/s²에서 27.8 m/s²로 감소시켜, 정책이 감소된 접착력 하에서 더 부드럽게 제동하는 법을 학습했음을 보여주었습니다. 이는 테스트된 regimes 에서 전체 항해 성공률을 향상시키지 않았음에도 불구하고 말입니다.

중요성 및 주장

이 논문은 확장 가능한 자율주행 학습이 관절형 강체 동역학이나 물리적으로 근거한 도로 조건 변이를 포기할 필요가 없다고 주장합니다. SceneFactory 는 데이터셋에서 파생된 도로 기하학, PhysX 관절형 차량, 그리고 기상 인식 마찰 모델링을 단일 GPU 벡터화 프레임워크 내에서 결합할 수 있음을 보여줍니다.

저자들은 SceneFactory 를 물리적 충실도가 중요한 안전 치명적 분석을 위한 도구로 위치시킵니다. 예를 들어, 악천후 조건 (예: 젖은 도로, 수막 현상) 하에서 주행 정책을 평가하는 경우입니다. 한계점 (예: $z$-평탄화된 기하학, 세계당 균일한 마찰, 운동학 시뮬레이터에 비해 modest 한 성공률) 을 인정하면서도, 이 작업은 고통량, 물리 기반 다중 에이전트 시뮬레이션을 위한 새로운 기준을 확립합니다. 논문은 명시적으로 마찰 인식 정책의 성공률 부진이 시뮬레이션 플랫폼 자체의 실패가 아니라, 불충분한 습한 세계 노출과 거친 평가 지표로 인한 부정적 결과임을 지적합니다.