Active Interaction-Aware Model Predictive Path Integral via Ego-Conditioned Generative Predictions

기술 요약: 에고 조건부 생성 예측을 통한 능동적 상호작용 인지형 모델 예측 경로 적분(MPPI)

문제 정의
밀집된 교통 상황에서의 자율 주행은 본질적으로 자율 주행 차량(ego vehicle)과 주변 에이전트가 서로 지속적으로 영향을 주고받는 상호작용의 문제입니다. 기존의 "예측 후 계획(predict-then-plan)" 방식은 이러한 과정을 분리하여, 주변 에이전트의 궤적을 자율 주행 차량의 미래 행동과 무관하게 독립적으로 예측합니다. 이러한 패러다임은 "얼어붙은 로봇(frozen robot)" 문제를 야기합니다. 즉, 시스템이 자신의 행동이 타인에게 어떤 반응을 유발하는지를 고려하지 못함으로써, 병합(merging)이나 비보호 좌회전과 같은 상호작용 시나리오에서 지나치게 조심스럽게 행동하거나 교착 상태(deadlock)에 빠지게 됩니다. 게임 이론적 방법론들이 상호작용을 모델링하려고 시도하지만, 이는 종종 비현실적인 합리성 가정에 의존하며 밀집된 교통 상황에서는 계산적으로 다루기 어렵습니다. 반대로, 기존의 에고 조건부 플래너들은 타인이 양보할 것이라는 암묵적인 가정을 통해 과도하게 공격적인 행동을 유발할 수 있는 경직된 "리더-팔로워(leader-follower)" 구조를 채택하곤 합니다. 핵심 과제는 단순화된 파라미터 모델에 의존하지 않으면서, 상호작용의 불확실성을 능동적으로 추론하고, 에이전트의 숨겨진 의도를 탐색(probe)하며, 작업 효율성과 안전 사이의 균형을 맞추는 계획 프레임워크를 개발하는 것입니다.

방법론
저자들은 생성적 자기회귀 예측 모델(Generative Autoregressive Prediction Model, GARPM)—구체적으로 SMART 트랜스포머 아키텍처의 변형—을 모델 예측 경로 적분(Model Predictive Path Integral, MPPI) 제어 체계 내에 통합한 하이브리드 계획 프레임워크를 제안합니다.

1. 에고 조건부 예측: 표준적인 예측기와 달리, GARPM은 특정 후보 에고 궤적에 조건화된 주변 에이전트들의 미래를 확률적이고 다중 모드(multi-modal) 방식으로 생성합니다. 에이전트 미래의 결합 분포는 모든 에이전트의 이력과 평가 중인 특정 에고 궤적을 기반으로 자기회귀적으로 인수분해됩니다.
2. 중첩 샘플링 기법(Nested Sampling Scheme): 계획과 예측 사이의 순환 의존성(계획을 위해서는 예측이 필요하지만, 예측을 위해서는 계획이 필요함)을 해결하기 위해, 저자들은 다루기 쉬운 중첩 샘플링 접근 방식을 사용합니다.
   • 외부 루프 (MPPI): 플래너는 명목 제어 시퀀스를 섭동(perturbation)시켜 $M$개의 후보 에고 궤적을 샘플링합니다.
   • 내부 루프 (행동 롤아웃): 각 샘플링된 에고 궤적에 대해, GARPM은 주변 에이전트들을 위한 $B$개의 확률적 행동 롤아웃을 생성합니다.
   • 대리 분포(Surrogate Distribution): 비용 평가를 용이하게 하기 위해, $B$개의 롤아웃으로 구성된 이산 집합을 연속적인 가우시안 혼합 모델(MoG) 대리물로 변환합니다. 가우시안의 평균은 샘플링된 에이전트 상태에 대응하며, 혼합 가중치는 샘플링된 궤적들의 자기회귀적 가능도(likelihood)로부터 도출됩니다.
3. 리스크 인지형 비용 평가: 각 에고 궤적에 대한 단계 비용(stage cost)은 MoG 대리물을 대상으로 추적 및 속도 목표를 평가함으로써 계산됩니다. 결정적으로, 충돌 위험은 MoG 분포를 충돌 영역에 대해 적분함으로써 추정됩니다. 이를 통해 플래너는 유도된 에이전트 행동 분포 하에서의 충돌 확률을 평가할 수 있습니다.
4. 능동적 불확실성 감소: 이 프레임워크는 암묵적으로 "능동적" 행동을 장려합니다. 환경을 탐색(probe)하는 궤적(예: 반응을 이끌어내기 위해 앞으로 전진하는 동작)은 에이전트의 의도를 명확히 하여, MoG 가중치를 더 적고 일관된 가설들에 집중시키는 경향이 있습니다. 이는 추정된 충돌 위험을 감소시켜, 자연스럽게 MPPI 옵티마이저가 불확실성을 해소하는 기동을 향하도록 유도합니다.

주요 기여
본 논문은 세 가지 주요 기여를 합니다:

1. 하이브리드 프레임워크: 생성적 자기회귀 모델을 MPPI에 통합하여 예측과 계획 사이의 루프를 닫는 새로운 방식을 제안합니다. 이는 모델 기반 제어의 안전 관련 구조를 유지하면서도, 실세계 데이터로부터 다중 모드 불확실성을 포착하기 위해 생성 모델의 표현력을 활용합니다.
2. 다루기 쉬운 상호작용 인지형 정식화: 중첩 샘플링 기법을 사용하여 상호작용 및 불확실성을 인지하는 계획 정식화를 제시합니다. 이 접근 방식은 샘플링된 에고 궤적에 조건화된 다중 모드 예측을 평가함으로써, 표준 에고 조건부 플래너의 "리더-팔로워" 편향 없이 리스크를 인지하는 충돌 확률 추정을 가능하게 합니다.
3. 암묵적 능동 탐색(Active Probing): 생성 모델과 MPPI 가중치 메커니즘을 결합함으로써 능동적 불확실성 감소가 가능함을 입증했습니다. 이 시스템은 명시적인 믿음 공간(belief-space) 표현이나 별도의 탐사 항 없이도 더 단호하고 효율적인 주행을 달성합니다.

결과
제안된 방법은 세 가지 상호작용적 도시 시나리오(인접 차선 병합, 진입로 병합, 비보호 좌회전)에 대해 nuPlan 시뮬레이터에서 평가되었습니다. 시스템은 네 가지 베이스라인과 비교되었습니다:

• 베이스라인 1: 다중 모드 예측 후 계획(Predict-Then-Plan).
• 베이스라인 2: 회귀 지평 에고 조건화(이전 최적 계획에만 조건화됨).
• 베이스라인 3: 단일 모드 에고 조건부 계획.
• 베이스라인 4: 수동적 에고 조건부 MPPI (고정된 확률 사용).

정량적 결과:

• 병합(Merging): 제안된 방법은 모든 베이스라인 중 가장 짧은 병합 시간(11.8초)과 함께 75%의 병합 성공률을 달{%}성했습니다. 베이스라인 1(예측 후 계획)은 과도한 보수성으로 인해 37.5%의 성공률을 보였습니다.
• 진입로 병합(On-Ramp Merging): 제안된 방법은 0%의 충돌률을 기록한 반면, 에고 조건부 베이스라인들(2, 3, 4)은 협조성을 과대평가하여 15%에서 25% 사이의 충돌률을 보였습니다. 베이스라인 1은 여전히 과도하게 보수적이었습니다.
• 비보호 좌회전(Unprotected Left Turn): 제안된 방법은 가장 낮은 교착 상태율(5%)과 충돌률(0%)을 달성하여, 최대 30%의 교착 상태율과 10%의 충돌률을 보인 베이스라인들을 능가했습니다.

정성적 결과:
시각적 분석(그림 2~6)은 제안된 방법이 능동적 탐색을 통해 주변 에이전트의 협조성을 성공적으로 추론함을 확인시켜 줍니다. 협조적인 시나리오에서 플래너는 "양보(yield)" 모드가 지배적이 될 때 기동을 확정합니다. 비협조적인 시나리오에서는 "진행(proceed)" 모드가 우세해지며, 이는 추정된 충돌 위험을 높여 플래너가 더 안전한 회피 기동을 선택하게 만듭니다. 이와 대조적으로, 베이스라인들은 의도 모호성을 해소하지 못하거나(교착 상태 유발) 지나치게 낙관적인 태도를 유지하여(충돌 유발) 실패했습니다.

의의
본 논문은 게임 이론적 평형 계산의 계산적 부담이나 단순화된 파라미터 모델의 행동적 한계 없이, "얼어붙은 로봇" 문제에 대한 원칙적인 해결책을 제공한다는 점에서 그 의의가 있습니다. 자기회귀적 성격을 가진 현대적 생성 모델을 샘플링 기반 제어기에 활용함으로써, 이 프레임워크는 자율 주행 차량이 불확실성을 줄이기 위해 환경을 능동적으로 탐색할 수 있게 합니다. 결과적으로, 이는 기존의 예측 후 계획 방식이나 수동적 상호작용 인지 방식보다 더 안전하고, 효율적이며, 결단력 있는 주행을 가능하게 하여 인간 운전자에게서 관찰되는 능동적 불확실성 감소 전략을 효과적으로 모사합니다.