대규모 미라벨링 데이터를 활용한 학습 기반 AEB의 스케일링

원문 발행 2026. 06. 17. 18:44원문 언어 영어AI 한국어 번역arXiv cs.AI 원문 보기

요약

대규모 미라벨링 데이터를 활용하여 자동 비상 제동(AEB) 시스템을 스케일링하는 MF-SSL 프레임워크를 제안합니다. 노이즈 인지 디커플링과 운동학적 게이트 기술을 통해 의사 라벨 오류를 억제하고 안전성을 높였습니다. 1B 규모의 데이터 학습을 통해 사고 없는 주행 마일리지를 35% 향상시키는 성과를 거두었습니다.

핵심 포인트

MF-SSL 기반의 대규모 미라벨링 데이터 활용 학습법 제안
노이즈 인지 디커플링을 통한 교사 모델 업데이트 안정화
운동학적 게이트를 활용한 위험 환각(risk hallucinations) 억제
1B 규모 데이터 학습으로 안전성 및 승차감 동시 개선
기존 규칙 기반 시스템 대비 사고 없는 주행 마일리지 35% 향상

본 논문은 생산 제약 조건 하에서 대규모의 미라벨링(unlabeled) 플릿(fleet) 데이터를 사용하여 학습 기반 자동 비상 제동 (AEB, Automatic Emergency Braking)을 어떻게 스케일링할 것인지 연구합니다. 우리의 접근 방식은 메타 피드백 준지도 학습 (MF-SSL, meta-feedback semi-supervised learning)에 기반하며, 여기서 교사(teacher) 모델은 미라벨링된 주행 데이터에 대한 의사 라벨 (pseudo labels)을 생성하고, 안전에 필수적인 피드백으로서 소량의 라벨링된 앵커(anchor) 세트를 사용하여 업데이트됩니다. 실제 생산 환경에서는 앵커의 모호성(ambiguity)과 라벨링된 데이터와 미라벨링된 데이터 간의 불일치(mismatch)가 체계적인 의사 라벨 오류를 증폭시켜 잘못된 트리거(spurious triggers)를 유발할 수 있습니다. 우리는 다음과 같은 안정화된 MF-SSL 프레임워크를 제안합니다: (i) 노이즈 인지 디커플링 (Noise-Aware Decoupling): 모호해지기 쉬운 앵커를 교사의 지도 학습 업데이트 경로에서 제거합니다. (ii) 운동학적 게이트 기반 의사 라벨링 (kinematics-gated pseudo-labeling): 교사 충돌 페널티 (teacher conflict penalty)를 통해 넓은 커버리지를 유지하면서도 미라벨링 데이터에서의 불일치로 인한 위험 환각 (risk hallucinations)을 억제합니다. 광범위한 실험 결과, 미라벨링 데이터의 규모가 1M에서 1B 윈도우로 확장됨에 따라 승차감(comfort)을 안정적으로 유지하면서도 안전성이 일관되게 향상됨을 보여줍니다. 1B 규모로 학습된 학생(student) 모델은 수십만 대의 차량에 배포되어 $10^9$ km 이상의 주행을 통해 검증되었으며, 양성 대 허위 활성화 비율 (positive-to-false activation ratio) 100:1 초과 달성 및 기존의 규칙 기반(rule-only) 생산 베이스라인 대비 사고 없는 주행 마일리지 35% 향상을 달성했습니다.

AI 자동 생성 콘텐츠

원문 바로가기

대규모 미라벨링 데이터를 활용한 학습 기반 AEB의 스케일링

요약

핵심 포인트

댓글