안개 속에서 길을 잃다: 센서 섭동(Perturbations)을 통한 주행 VLA의 추론 취약성 노출

해석 가능한 자율 주행 플래너(Planners)는 설명을 생성하는 것뿐만 아니라, 실제 환경의 센서 성능 저하 상황에서도 해당 설명이 신뢰성을 유지하는 것에 달려 있습니다. 본 논문에서는 자율 주행 분야에서 Vision-Language-Action (VLA)의 강건성(Robustness)에 대한 통제된 섭동(Perturbation) 연구를 제시하며, 8가지 센서 섭동(4가지 강도의 가우시안 노이즈(Gaussian noise), 2가지 극한 조명, 2가지 안개 수준; 약 18,000회의 추론 실험) 하에서 Alpamayo R1 (10B 파라미터)을 1,996개 시나리오에 걸쳐 평가합니다. 우리는 추론 일관성(Reasoning consistency)이 궤적 신뢰성(Trajectory reliability)의 고충실도 지표임을 발견했습니다. 즉, 섭동 이후 인과관계 사슬 (Chain-of-Causation, CoC) 설명이 변할 때, 궤적 편차(Trajectory deviation)는 5.3배 급증하며 (21.8m 대 4.1m), 공격 유형 전반에 걸쳐 $r=0.99$, 샘플당 $r_{pb}=0.53$ (Cohen's $d=1.12$)의 상관관계를 보였습니다. 통제된 절제 연구(Ablation study)를 통해, 동일한 추론 설정 하에서 CoC 생성을 활성화하는 것이 궤적 정확도 향상(모든 조건에서 평균 11.8%; $p < 0.0001$)과 연관되어 있다는 증거를 제공합니다. 테스트된 노이즈 범위($σ \in {10, 30, 50, 70}$)에서 성능 저하는 대략 선형적($R^2=0.957$)인 반면, 표준 입력 전처리 방어 기제(Preprocessing defenses)는 미미한 완화 효과만을 제공했습니다. 종합적으로, 이러한 결과는 CoC 일관성을 계획 안전성(Planning safety)의 정량적 대리 지표(Proxy)로 확립하며, 더 안전한 VLA 배포를 위한 추론 기반의 런타임 모니터링(Runtime monitoring)을 촉진합니다.