Guiding Neuro-Symbolic Scenario Generation with Spatio-Temporal Logic

기술 요약: 시공간 논리를 활용한 신경-상징적 시나리오 생성 안내

문제 제기
자율주행 (AD) 기술의 급속한 발전은 견고한 안전 평가 방법의 개발 속도를 앞질렀습니다. 기존의 테스트는 방대한 수의 실제 교통 장면에 대한 무차별적 노출에 의존하는데, 이는 비용이 과도하게 많이 들고 희귀한 안전-중요 엣지 케이스를 포착하는 데 통계적으로 비효율적인 전략입니다. 반면, 특히 확산 모델 (DMs) 과 같은 심층 생성 모델은 현실적인 다중 에이전트 궤적을 합성하기 위한 유망한 대안을 제공하지만, 재학습 없이 특정 안전-중요 행동으로 생성을 명시적으로 유도할 수 있는 메커니즘이 부족합니다. 기존 안내 접근법들은 종종 교통 영역의 시공간적 및 다중 에이전트 복잡성에 직면하여 어려움을 겪습니다. 또한, 신호 시공간 논리 (STL) 와 같은 형식적 방법은 이질적 에이전트 간의 상호작용을 지정하기 위해 필요한 결합적 폭발로 인해 다중 에이전트 시스템에서 확장성과 해석 가능성의 도전에 직면합니다. 범주형 속성 (예: 차량 유형) 을 포함하는 속성에 대한 정량적 강건성을 정의하는 데 있어 중요한 격차가 여전히 존재하며, 이는 형식적 논리를 최적화를 위한 미분 가능 목적 함수로 사용하는 것을 제한합니다.

방법론
저자들은 다중 에이전트 궤적 생성 확산 모델과 **색상 시공간 도달 및 탈출 논리 (CSTREL)**를 시너지 효과적으로 결합하는 확장 가능한 프레임워크인 STRELGen을 제안합니다. 이 방법론은 세 가지 주요 단계로 운영됩니다:

1. 궤적 생성 기준선: 시스템은 [23] 의 아키텍처에 기반한 잠재 확산 모델 (LDM) 을 활용합니다. 이 모델은 사전 학습된 QCNet 을 통해 인코딩된 장면 컨텍스트 (지도, 역사, 상호작용) 에 조건부적으로 모든 에이전트의 미래 궤적을 공동으로 생성합니다. 저자들은 역과정을 결정론적으로 만들어 안정적인 그라디언트 역전파를 용이하게 하기 위해 암시적 공식 (DDIM) 을 사용합니다.
2. 색상 STREL (CSTREL): 범주형 술어와 관련된 표준 시공간 논리 (STL) 의 한계를 해결하기 위해 저자들은 CSTREL 을 도입합니다. 이 논리는 에이전트 속성 (예: 자동차, 보행자, 자전거) 을 기반으로 공간 그래프를 색상별 하위 그래프로 분할합니다.
   • 미분 가능 의미론: CSTREL 은 $p: L \times \mathbb{R}^+ \to C$로 정의되는 색상 함수를 도입하여 STL 을 확장합니다. 이는 특정 색상 집합과 일치하는 노드로만 경로 검색을 제한하는 "색상 원자"와 "색상 도달/탈출" 연산자를 도입합니다. 핵심적으로, 이 확장은 이산적 범주형 속성으로부터조차 연속적인 강건성 값을 유도할 수 있게 하여 논리를 완전히 미분 가능하게 만듭니다.
   • 구현: 그라디언트 기반 최적화를 가능하게 하기 위해 이러한 강건성 값을 계산하는 PyTorch 라이브러리가 개발되었습니다.
3. 잠재 공간 안내: 추론 시, 프레임워크는 CSTREL 공식 $\phi$의 만족도를 최대화하도록 사전 학습된 확산 모델의 잠재 입력 $z$를 최적화합니다.
   • 목적 함수: 최적화는 강건성 지표 $\rho_\phi(G_\theta(z))$를 최대화합니다. 안전-중요 시나리오의 경우 에이전트 간 최대 강건성을 목표로 하고, 현실성의 경우 최소값을 사용합니다.
   • 정규화: 최적화가 잠재 공간의 저확률 영역 (매니폴드 외 샘플) 으로 벗어나는 것을 방지하기 위해, 잠재 입력의 로그 가능도 (표준 가우시안 사전 분포를 가정) 에 비례하는 정규화 항이 추가됩니다. 최종 목적 함수는 $J(z) = \rho_\phi(G_\theta(z)) - \lambda \frac{1}{2}\|z\|_2^2$입니다.

주요 기여

1. 색상 STREL: 노드 속성별로 공간 그래프를 분할하는 STREL 의 새로운 확장입니다. 이는 연속적인 강건성 의미론을 유지하면서 특정 객체 클래스에 대한 복잡한 공간 속성을 모니터링할 수 있게 하여, 범주형 데이터에 대한 정의되지 않은 정량적 의미론의 문제를 해결합니다.
2. 미분 가능 안내 프레임워크: 생성 모델의 잠재 공간을 직접 최적화하기 위해 CSTREL 명세를 목적 함수로 사용하는 방법입니다. 이는 모델 재학습 없이 시공간 요구 사항을 충족하는 궤적을 생성할 수 있게 합니다.
3. 안전-중요 데이터 증강: 실제 데이터에서 과소 대표되는 다양하고 현실적이며 안전-중요한 시나리오를 생성하는 전략으로, 교통 규칙과의 일관성을 보장하고 로그 가능도 정규화를 통해 비현실적인 출력을 방지합니다.

결과
이 접근법은 세 가지 대표적인 안전-중요 시나리오 (취약한 도로 사용자에게 도달하는 빠른 차량, 앞의 느린 차량을 발견하는 빠른 차량, 느린 차량들로 둘러싸인 빠른 자동차) 를 사용하여 Argoverse 2 Motion Forecasting Dataset 에서 평가되었습니다.

• 안내 효과성: STRELGen 은 확산 모델을 성공적으로 안내하여 목표 CSTREL 명세를 만족하는 궤적을 생성했습니다. 안내되지 않은 샘플링에서는 약 13.6% 의 시나리오만 도전적 (양수 강건성) 이었던 반면, 안내된 접근법은 100% 만족도를 달성했습니다.
• 안전 지표: 안내된 생성은 베이스라인에 비해 일관되게 더 낮은 중앙값 최소 에이전트 간 거리와 더 많은 잠재적 충돌 수를 생성하여 안전-중요 행동의 생성을 확인했습니다.
• 타당성: 정성적 분석과 로그 가능도 정규화의 사용은 생성된 궤적이 물리적으로 타당하고 도로 기하학과 일치하도록 보장하여 매니폴드 외 환각을 방지했습니다. 이 방법은 물리적 제약의 보존과 명세 주도 최적화 사이의 균형을 성공적으로 유지했습니다.

의의
본 논문은 STRELGen 이 자율주행 시스템을 스트레스 테스트하기 위한 유연하고 해석 가능하며 강력한 도구를 제공한다고 주장합니다. 데이터 기반 생성 모델과 형식적 논리 간의 격차를 메움으로써, 이 프레임워크는 무차별적 데이터 수집의 한계를 넘어섭니다. 이는 희귀 사건에 대한 생성 모델의 커버리지를 체계적으로 평가하고, 학습된 데이터 분포 내에 있는 안전-중요 시나리오를 표적 생성할 수 있게 합니다. 저자들은 이 접근법이 실제 세계의 강건성을 검증하는 데 필수적인 엄격한 테스트 환경 구축을 촉진하여 더 신뢰할 수 있는 자율주행 차량 배포로 이어지는 길을 제시한다고 주장합니다.