기술 요약: RiskWorld

문제 정의

자율주행 자동차(AV)를 위한 안전한 경로 계획은 단순히 현재 관측된 상태만을 기반으로 충돌 가능성을 평가하는 것이 아니라, 교통 위험의 시간적 진화를 예측하는 것을 필요로 합니다. 현재 장면(current scene)에서는 충돌이 없는 궤적이 주변 객체(예: 인접 차선에서 자율주행 차량의 경로로 진입하는 차량)의 미래 경로와 교차할 수 있습니다. 기존 방식들은 현재 장면 평가에 이미 포함된 위험과 장면의 진화로 인해 발생하는 추가적인 노출 사이를 구분하는 데 어려움을 겪는 경우가 많습니다. 또한, 미래 상태를 예측하는 것 자체가 선택된 궤적을 변경해야 한다는 근거를 직접적으로 제공하지는 않습니다. 즉, 계획 단계에서는 불확실성을 고려하고, 미래의 증거가 현재 상태의 참조값에 대해 개입(intervention)을 정당화할 수 있는지 결정해야 합니다.

방법론

RiskWorld는 공유 점유 예측(shared occupancy forecasting) 및 선택적 궤적 교체를 위해 설계된 위험 인지형 월드 모델링 프레임워크입니다. 이 시스템은 고정된 후보 궤적 집합 내에서 작동하며, 미래 장면 진화에 대한 공유된 예측을 바탕으로 각 궤적을 평가합니다.

1. 위험 인지형 월드 표현 (Risk-Aware World Representation)

본 프레임워크는 다음 요소들을 융합하여 현재 세계 표현($W_0$)을 구축합니다:

• 시각적 BEV 특징: GeoBEV를 통해 다중 뷰 카메라 이미지로부터 추출된 특징.
• 공간적 위험장 (Spatial Risk Fields): 정적 지도 위험(예: 주행 불가능 영역, 차선 구분선), 객체 점유, 움직임 유발 위험, 그리고 쌍방향 상호작용 위험(예: 충돌 시간, TTC)을 인코딩하는 BEV 도메인 상의 비음수 스칼라 포텐셜.
• 시간적 맥락 (Temporal Context): 구조화된 현재 및 과거의 객체 상태와 지도 맥락.

이러한 구성 요소들은 잔차 융합 모듈(residual fusion module)을 통해 정렬 및 융합되며, 여기서 시각적 특징은 위험 표현을 업데이트하여 $W_0$를 형성합니다.

2. 흐름 유도 점유 진화 (Flow-Guided Occupancy Evolution)

각 후보마다 미래 상태를 새로 생성하는 대신, RiskWorld는 **공유된 흐름 유도 롤아웃(shared flow-guided rollout)**을 채택합니다:

• 초기화: 융합된 표현 $W_0$는 장면 특징($S_0$)과 현재 점유($O_0$)를 초기화합니다.
• 수송 (Transport): 플로 헤드(flow head)는 이전 운동 상태를 기반으로 변위 필드($F_t$)를 예측합니다. 이 필드는 점유, 운동 상태 및 장면 특징의 쌍선형 워핑(bilinear warping)을 구동합니다.
• 보정 (Correction): 공간적 수송만으로는 모든 점유 변화(예: 새로운 객체의 등장)를 설명할 수 없으므로, 부호가 있는 잔차 보정(signed residual correction)이 적용됩니다. 두 개의 헤드가 소스(source) 및 싱크(sink) 항을 예측하여 부호가 있는 점유 보정($\Delta O_t$)을 생성하며, 이는 수송된 장면 특징을 변경하지 않고 점유를 업데이트합니다.
• 출력: 이 과정은 모든 후보에 대해 단일한 공유 미래 시퀀스 $\{(O_t, S_t)\}$를 생성합니다.

3. 지속성 참조 개입 (Persistence-Referenced Intervention, PRI)

현재 최적의 궤적(이하 "앵커")을 교체할지 결정하기 위해, RiskWorld는 미래의 증거를 **지속성 참조(persistence reference, 현재 상태의 반복)**와 비교합니다.

• 대조 (Contrast): 각 후보에 대해, 시스템은 공유된 미래 예측과 일치하는 위치의 지속성 참조를 쿼리합니다.
• 보정: 미래와 지속성 참조 간의 특징 증거 및 최대 점유의 차이는 비음수의 충돌 점수 보정값을 산출합니다. 이는 이미 현재 상태에 존재하는 위험이 아닌, 추가적으로 예측된 위험만이 업데이트를 트리거하도록 보장합니다.
• 선택 규칙: 다음 조건이 충족되지 않는 한 앵커 궤적은 유지됩니다:
  1. 추가적인 예측 위험이 개입을 트리거하는 경우.
  2. 대안 후보가 예측된 위험 및 궤적 오차에 대한 구성 요소별 제약 조건을 만족하는 경우.
  3. 대안이 위험과 오차 사이의 균형을 맞추는 비용 함수를 최소화하는 경우.
• 제약 사항: 후보의 기하학적 구조는 변경되지 않으며, 고정된 집합 내에서의 선택만이 수정됩니다.

주요 기여

1. 위험 인지형 월드 표현: 미래 장면 예측 및 궤적 수준의 위험 평가를 위해 시각적 BEV 특징을 공간적 위험장 및 시간적 객체 맥락과 정렬하는 통합된 표현을 제공합니다.
2. 공유 흐름 유도 점유 모델: 변위 필드를 사용하여 점유와 장면 특징을 공동으로 수송하고, 수송으로 설명되지 않는 점유 변화를 위해 부호가 있는 잔차 보정을 사용하는 모델입니다. 이를 통해 단일 예측을 모든 궤적 후보에 재사용할 수 있습니다.
3. 지속성 참조 개입 규칙: 미래-현재 증거의 대조를 비음수의 충돌 점수 보정으로 변환하는 메커니즘입니다. 이를 통해 예측된 위험과 궤적 오차에 대한 명시적 제약 조건 하에서 고정된 후보 집합 내의 선택적 궤적 교체를 가능하게 하며, 변화가 기존 위험의 재평가가 아닌 새로운 위험에 의해 유발되도록 보장합니다.

실험 결과

본 방법론은 카메라 특징, 어노테이션 기반 객체 상태, 지도 맥락을 사용하는 오픈 루프 계획을 위해 nuScenes 데이터셋에서 평가되었습니다.

• 성능: RiskWorld는 3초 평가 호라이즌에서 가장 낮은 충돌률(0.14%)을 기록하며 DiffusionDrive 및 ResWorld와 같은 최신 베이스라인 모델들을 능가했습니다. 또한 비교 대상 방법들 중 두 번째로 낮은 평균 L2 오차(0.40 m)를 달려냈습니다.
• 효율성: 모델은 단일 NVIDIA RTX 4090에서 90.81 M개의 파라미터로 11.5 FPS로 동작합니다.
• 절제 연구 (Ablation Studies):
  • 미래 위험 증거: 미래 위험 보정을 제거(현재 상태 재점수화로 회귀)했을 때, 평균 충돌률이 0.09%에서 0.12%로 증가했습니다.
  • 플로 수송 (Flow Transport): 공간적 수송을 제거(플로를 0으로 설정)했을 때, 3초 충돌률이 0.14%에서 0.18%로 증가하여 위험 평가에서 공간적 수송의 가치를 확인했습니다.
  • 예측 재사용: 후보 수를 1개에서 24개로 늘려도 실행 시간 증가가 미미하여(44.16 ms에서 45.20 ms로), 공유 예측을 재사용하는 데 드는 한계 비용이 매우 낮음을 입증했습니다.

의의

본 논문은 RiskWorld가 현재 장면 평가에 이미 표현된 위험과 추가로 예측된 노출을 구분하는 문제를 해결한다고 주장합니다. 위험 인지형 BEV 특징을 공유 점유 예측 및 지속성 참조 개입 규칙과 결래함으로써, 이 프레임워크는 효율적이고 선택적인 경로 계획 개입을 가능하게 합니다. 이를 통해 시스템은 낮은 계산 비용으로 다수의 후보를 평가할 수 있는 동시에, 엄격한 안전 및 정확도 제약 조건을 충족하는 유의미한 추가 미래 위험에 의해서만 궤적 변경이 트리거되도록 보장합니다. 결과는 복잡한 후보별 월드 모델링 없이도 자율주행 계획의 안전성을 향상시키기 위한 미래 위험 증거의 유용성을 뒷받침합니다.