Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
자율 주행 시 발생하는 시간적 불일치 문제를 해결하기 위해 Diffusion Forcing Planner(DFP)를 제안합니다. 이력, 현재, 미래 세그먼트에 독립적인 노이즈를 할당하는 이질적 공동 확산 과정을 통해 안정적이고 제어 가능한 궤적을 생성합니다.
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 바로가기학습 기반 모션 플래너(motion planners)는 최근의 발전에도 불구하고 종종 시간적 불일치(temporal inconsistency) 문제를 겪습니다. 프레임 간의 작은 섭동(perturbations)이 누적되어 불안정한 궤적을 생성할 수 있으며, 이는 폐루프(closed-loop) 주행 시 승차감과 안전성을 저해합니다. 여러 방법이 출력을 안정화하기 위해 이력(history)을 정적인 컨디셔닝 신호(static conditioning signal)로 주입하려고 시도하지만, 이는 플래너가 환경 맥락(environment contexts)에 적응하는 대신 과거의 패턴을 그대로 복사하도록 유도하는 결과를 초래합니다. 이러한 한계를 해결하기 위해, 우리는 이력 가이드 제어(history-guided control)에 의해 구동되는 확산 기반 플래닝 프레임워크인 Diffusion Forcing Planner (DFP)를 제안합니다. 구체적으로, DFP는 전체 궤적을 이력(history), 현재(current), 미래(future) 세그먼트로 분해하고 각 세그먼트에 독립적인 노이즈 레벨을 할당합니다. 모델은 이력 세그먼트와 미래 세그먼트를 공동으로 디노이징(denoising)하며, 이질적인 공동 확산 과정(heterogeneous joint diffusion process)을 강제합니다. 추론 시에는 분류기 없는 가이드(classifier-free guidance, CFG)를 적용하여 어닐링된 이력(annealed history)을 사용해 제어 가능한 방식으로 미래 샘플링을 유도합니다. nuPlan 데이터셋을 통한 폐루프 평가 및 종합적인 어블레이션(ablations) 연구 결과, DFP는 복잡한 주행 시나리오에서 연속적이고 안정적이며 제어 가능한 모션 플랜을 생성하는 동시에 경쟁력 있는 성능을 달성함을 보여줍니다.