AV2 2026 시나리오 마이닝 챌린지를 위한 AutoMine 솔루션
요약
자율 주행 로그에서 가치 있는 시나리오를 추출하는 AutoMine 방법론을 제안합니다. LLM과 VLM을 활용한 자기 개선 기술과 의미 보존형 프롬프트 증강을 통해 데이터 기반 평가의 효율성을 높였습니다.
핵심 포인트
- LLM 및 VLM 기반의 자기 개선(self-refining) 시나리오 마이닝 제안
- 의미 보존형 프롬프트 증강을 통한 프롬프트 민감도 완화
- VLM 기반 함수와 견고한 궤적 원자 함수의 결합으로 노이즈 처리
- CVPR 2026 Argoverse 2 챌린지에서 높은 성능 달성
자율 주행 시스템의 발전과 함께, 대규모 주행 로그에서 가치가 높고 안전에 치명적이며 계획 수립과 관련된 (planning-relevant) 시나리오를 추출하는 것은 데이터 기반 평가를 위해 필수적이 되었습니다. 본 논문에서는 LLM (Large Language Models) 및 VLM (Vision-Language Models)에 기반한 강력한 자기 개선 (self-refining) 시나리오 마이닝 방법론인 AutoMine을 제안합니다. AutoMine은 LLM 프롬프트 민감도를 줄이기 위해 의미 보존형 프롬프트 증강 (semantics-preserving prompt augmentation)을 사용하며, 인지 노이즈 (perception noise)와 오픈 월드 시각적 단서 (open-world visual cues)를 처리하기 위해 견고한 궤적 원자 함수 (robust trajectory atomic functions)를 VLM 기반 함수와 결합합니다. 또한 실제 로그로부터의 실행 피드백을 통해 생성된 코드를 개선합니다. CVPR 2026의 Argoverse 2 시나리오 마이닝 경진대회에서 AutoMine은 HOTA-Temporal 점수 36.38과 Timestamp BA 점수 77.21을 달성했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기