자율주행 모션 플래너가 익숙한 평가에서 높은 점수를 얻어도 새로운 도시 구조나 실행 오차에서 안전하다는 보장은 없다. Shift & Drift는 이 두 문제를 각각 의미 변화와 상태 분포 드리프트로 나눠 폐루프에서 시험한다. 의미 변화 트랙은 항공 관측 기반 DeepScenario Open 3D를 nuPlan 시뮬레이션 형식으로 변환한다. 북미와 싱가포르 자료로 학습한 플래너를 독일 네 도시와 샌프란시스코의 1,182개 시나리오에 사전 적응 없이 투입한다.
이 시나리오에는 보행자와 자전거가 밀집한 상호작용이 포함된다. 상태 드리프트 트랙은 차량 동역학에 확률적 교란을 넣어 실행 오차가 시간에 따라 누적될 때 복구하는지 측정한다. 연구진의 비교에서 모방학습 방식은 기존 분포에서는 높은 점수를 보였지만 낯선 의미 구조, 특히 보행자가 많은 환경에서 크게 실패했다. 시간적으로 연관된 작동 잡음에서도 드리프트가 지속됐다. 평가한 강화학습 플래너는 두 트랙에서 안전과 진행 지표가 더 완만하게 저하됐다.
결과는 훈련 행동을 정밀하게 흉내 내는 능력과 폐루프 회복력 사이에 경험적 절충이 있음을 보여준다. 실도로 배치 전에는 평균 주행 점수뿐 아니라 낯선 도로 관행과 작은 제어 오차가 연속될 때의 실패 양상을 따로 확인해야 한다. 다만 특정 강화학습 방식의 우위가 모든 설계에 일반화되는 것은 아니며 시뮬레이션 변환도 실제 도시의 모든 변수를 담지는 못한다. Shift & Drift의 가치는 하나의 승자를 정하기보다 분포 변화의 원인을 분리해 플래너가 어디서 무너지는지 측정할 공통 시험대를 제공하는 데 있다.
향후에는 지도 오차와 센서 지연, 다른 운전 문화처럼 의미 변화와 상태 드리프트가 동시에 생기는 조건도 필요하다. 실패 뒤 정지하거나 안전 구역으로 복귀하는 행동을 별도 지표로 측정하면 단순 진행률과 안전을 구분할 수 있다. 공개 벤치마크가 이런 복합 실패를 재현하면 실도로 시험 전에 위험한 정책 업데이트를 걸러내는 데 도움을 줄 수 있다.
원문: arXiv 2607.07844
저작권자 © STORIUM 무단전재 및 재배포 금지
