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
모방 학습(imitation)으로 훈련된 엔드투엔드 (End-to-end, E2E) 자율주행 플래너(planners)는 통계적 지름길(statistical shortcuts)에 빠지기 쉽습니다. 즉, 이들은 운전 결정을 인과적으로 결정하는 변수가 아니라, 전문가의 행동과 단순히 함께 나타나는 장면 요소(도로변 객체, 건물 외벽 등)를 운전 결정과 연관시킵니다. 이러한 인과적 혼동(causal confusion)은 롱테일(long-tail) 시나리오에서 신뢰성을 조용히 저해하며, 기존의 오픈 루프(open-loop) 지표(L2 변위 및 충돌률)는 자차 상태(ego status)에 의해 지배되어 플래너가 가짜 단서(spurious cues)에 의존하는지 여부를 나타내지 못하기 때문에 탐지하기 어렵습니다. 인과적 개입(causal-intervention) 훈련에 기반한 기존의 해결책들은 대규모 모델의 재훈련을 요구하며, 이미 배포된 플래너를 감사할 수 없습니다. 우리는 어떠한 파라미터 업데이트 없이도 사전 훈련된 E2E 플래너의 가짜 의존성을 감사, 벤치마킹 및 수정할 수 있는 훈련이 필요 없는(training-free) 프레임워크인 CADET을 제시합니다.
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