프롬프트에서 포장도로까지: 에이전트 기반 Scene-to-Plan 추론에서의 시계열적 접지 (Temporal Grounding)

요약

본 연구는 자율 주행 자동차의 장면 해석 및 계획 과정에서 LLM/LMM이 시계열적 맥락을 간과하여 발생하는 추론 불일치 문제를 다룹니다. 연구진은 시계열적 조건화(Temporal Conditioning)를 도입한 세 가지 플래너 아키텍처를 제안하고 BDD-X 데이터셋을 통해 이를 평가했습니다. 실험 결과, 정량적 지표의 큰 개선은 없었으나 질적 분석을 통해 예측적 위험 추론 및 안정적인 교정 동작과 같은 유의미한 행동 변화를 확인했습니다.

핵심 포인트

• 자율 주행 에이전트의 Scene-to-Plan 추론에서 시계열적 접지(Temporal Grounding)의 중요성 강조
• 시계열적 조건화가 표준 NLP 지표에서는 통계적 개선이 미미하나, 질적 측면에서 예측적 위험 추론 및 전략적 분기 유도
• 프롬프트 기반 시계열적 접지의 한계를 규명하고 최초의 시계열적 Scene-to-Plan 경험적 벤치마크 구축