CADET: 물리 기반 인과적 감사 및 엔드투엔드(End-to-End) 주행 플래너의 훈련 없는 디컨파운딩 (Deconfounding)

요약

자율주행 엔드투엔드 플래너가 통계적 지름길에 의존하는 인과적 혼동 문제를 해결하기 위한 CADET 프레임워크를 제안합니다. 별도의 재훈련 없이도 사전 훈련된 모델의 가짜 의존성을 감사하고 수정할 수 있는 것이 특징입니다.

핵심 포인트

• 모방 학습 기반 플래너의 인과적 혼동 및 통계적 지름길 문제 지적
• 기존 오픈 루프 지표의 한계로 인한 가짜 단서 탐지의 어려움 설명
• 파라미터 업데이트가 필요 없는 훈련 없는(training-free) 프레임워크 제시
• 사전 훈련된 모델의 감사, 벤치마킹 및 수정 기능 제공