[논문리뷰] Risk-Aware World Model Predictive Control for Generalizable End-to-End Autonomous Driving

링크: 논문 PDF로 바로 열기

저자: Jiangxin Sun, Feng Xue, Teng Long, Chang Liu, Jian-Fang Hu, Wei-Shi Zheng, Nicu Sebe

핵심 연구 목표

이 논문은 전문가 행동 데이터에 대한 의존성으로 인해 발생하는 기존 End-to-End 자율주행(E2E-AD) 시스템의 제한적인 일반화 문제와 롱테일 시나리오에서의 불안전한 결정 문제를 해결하고자 합니다. 전문가의 감독 없이도 위험을 사전에 인지하고 회피하는 신뢰할 수 있는 의사 결정 능력 을 갖춘 E2E-AD 시스템을 개발하는 것이 주된 목표입니다.

핵심 방법론

제안하는 Risk-aware World Model Predictive Control (RaWMPC) 프레임워크는 리스크 인지 월드 모델 을 활용하여 여러 후보 행동의 결과를 예측하고 명시적인 리스크 평가를 통해 저위험 행동을 선택합니다. 월드 모델은 리스크 인지 상호작용 전략 을 통해 의도적으로 위험한 행동을 경험하며 학습하고, 테스트 시에는 Self-evaluation distillation 방법을 통해 잘 학습된 월드 모델로부터 리스크 회피 능력을 생성형 행동 제안 네트워크 (cVAE) 로 증류하여 효율적인 추론을 가능하게 합니다.

주요 결과

RaWMPC는 Bench2Drive 벤치마크에서 88.31 DS (Driving Score) 및 70.48% SR (Success Rate) 을 달성하여 기존 SOTA 방법론들을 능가했으며, NAVSIM 에서는 최고 PDMS 91.3 을 기록했습니다. 특히, 훈련 데이터에 없는 조건(Sunny-only 훈련 후 Rainy 테스트)에서도 현저히 높은 견고성 을 보였고, 보행자 충돌 예측 리콜 0.99 와 같은 높은 이벤트 예측 정확도를 통해 신뢰성 있는 리스크 평가를 제공했습니다.

AI 실무자를 위한 시사점

RaWMPC는 전문가 데모 없이 자율주행 시스템의 일반화와 안전성을 혁신적으로 향상 시킬 수 있는 가능성을 보여줍니다. 데이터 희소성 이나 새로운 위험 시나리오 에 대한 대응이 필요한 자율주행 및 기타 고위험 AI 애플리케이션 개발에 중요한 통찰을 제공하며, 자가 평가 기반의 정책 학습 접근 방식은 레이블링 비용 절감과 함께 보다 견고한 AI 모델 구축에 기여할 수 있습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.