혁신적인 AI 기반 자율주행 시뮬레이션: STL과 확산 모델의 만남

Yue Meng과 Chuchu Fan 연구팀은 STL과 확산 모델을 결합하여 자율주행 시뮬레이션의 한계를 극복하는 새로운 방법을 제시했습니다. 실제 데이터 보정 및 합성 데이터 생성을 통해 다양하고 규칙 준수적인 궤적 생성에 성공, 기존 방법 대비 17배 빠른 속도와 높은 성능을 달성했습니다. GitHub에 공개된 코드와 데이터셋을 통해 더 많은 연구와 발전을 기대할 수 있습니다.

자율주행 자동차와 인간-로봇 상호작용 분야에서 현실적인 시뮬레이션 생성은 매우 중요합니다. 하지만 기존의 시뮬레이터는 제어 가능하고 다양하며 규칙을 준수하는 주행 참여자의 행동을 생성하는 데 어려움을 겪고 있습니다. 규칙 기반 모델은 다양한 행동을 생성하지 못하고 세심한 조정이 필요하며, 학습 기반 방법은 데이터에서 정책을 모방하지만 명시적으로 규칙을 따르도록 설계되지 않았습니다. 게다가 실제 데이터는 본질적으로 '단일 결과'이기 때문에 학습 방법이 다양한 행동을 생성하는 데 어려움을 겪습니다.

Yue Meng과 Chuchu Fan 연구팀은 이러한 문제를 해결하기 위해 신호 시간 논리(Signal Temporal Logic, STL) 와 확산 모델을 결합한 새로운 접근 방식을 제시했습니다. 그들의 논문, "Diverse Controllable Diffusion Policy with Signal Temporal Logic"은 이러한 혁신적인 시도를 자세히 설명합니다.

연구팀은 먼저 실제 데이터를 사용하여 STL을 보정한 후, 궤적 최적화를 이용하여 다양한 합성 데이터를 생성했습니다. 그리고 이렇게 확장된 데이터셋을 사용하여 수정된 확산 정책을 학습시켰습니다. NuScenes 데이터셋을 사용한 실험 결과, 이 방법은 다른 기준 방법에 비해 가장 다양하고 규칙을 준수하는 궤적을 생성하는 것으로 나타났습니다. 특히, 실행 시간은 두 번째로 좋은 방법보다 17배나 빨랐습니다. 폐쇄 루프 테스트에서도 가장 높은 다양성, 규칙 만족률, 그리고 가장 낮은 충돌률을 달성했습니다.

더욱 놀라운 것은, 이 방법이 테스트 중 서로 다른 STL 매개변수를 조건으로 다양한 특성을 생성할 수 있다는 점입니다. 인간-로봇 조우 시나리오에 대한 사례 연구에서도 다양하고 오라클에 가까운 궤적을 생성하는 것을 확인했습니다. 연구팀은 이 연구 결과와 관련된 주석 도구, 확장된 데이터셋, 그리고 코드를 GitHub 에서 공개했습니다.

이 연구는 자율 시스템 시뮬레이션의 혁신적인 발전을 보여주는 동시에, 자율주행 및 인간-로봇 상호작용 분야의 안전성과 신뢰성을 향상시키는 데 크게 기여할 것으로 기대됩니다. STL과 확산 모델의 결합은 AI 기반 시뮬레이션의 새로운 가능성을 열어주는 중요한 이정표가 될 것입니다.