검색 상세

소량 데이터 환경에서의 트랜스포머 기반 자율주행 경로계획 모델 설계

Design of a Transformer-Based Path Planning Model for Autonomous Driving in Limited Data Environments

  • 정규범 (아주대학교 정보통신대학원)

초록/요약

제 1 장 서 론 제1절 연구 배경 및 필요성 자율주행 기술은 인공지능, 컴퓨터 비전, 센서 융합, 경로 계획 등 다양한 기술 분야가 융합된 복합 시스템으로, 교통사고 감소, 이동 약자 지원, 물류 효율화 등 사회적 가치 창출 측면에서 현대 기술 개발의 핵심 과제로 자리잡고 있다. 국내외 주요 기업들과 연구 기관들 이 대규모 자본을 투자하여 자율주행 기술의 상용화를 가속화하고 있으며, 이 과정에서 인 간 수준 혹은 그 이상의 안전하고 효율적인 경로 계획 능력을 기계가 갖추도록 하는 것이 가 장 중요한 기술적 도전 과제로 부각되고 있다. 자율주행 시스템에서 경로 계획（Path Planning）은 자차（ego vehicle）가 주어진 목적지 까지 안전하게, 효율적으로, 그리고 교통 법규를 준수하면서 이동할 수 있도록 미래의 궤적 （trajectory）을 생성하는 핵심 모듈이다. 초기의 경로 계획 방법론은 규칙 기반 알고리즘에 의존하였다. 대표적으로 Intelligent Driver Model（IDM）[6]은 선행 차량과의 거리 및 상대 속도를 고려한 종방향 제어 규칙을 제공하며, A* 알고리즘 등 그래프 탐색 기반 방법도 정 형화된 도로 환경에서 활용되었다. 그러나 이러한 규칙 기반 방법론은 복잡한 도심 교통 환 경에서 발생하는 다양한 예외 상황, 비정형적 교통 참여자의 행동, 그리고 암묵적인 사회적 교통 관례 등을 모두 명시적 규칙으로 표현하는 것이 사실상 불가능하다는 근본적 한계를 지닌다. 이러한 한계를 극복하기 위해 학습 기반 경로 계획 방법론이 급부상하였다. 특히 대규 모 인간 전문가 주행 데이터로부터 경로 계획 정책을 학습하는 모방학습（Imitation Learning, IL）은 복잡한 도심 환경에서의 경로 계획 능력을 자동으로 습득할 수 있는 유망한 방법론으 로 주목받고 있다[11]. Behavioral Cloning（BC） 방식은 입력 상태에서 출력 행동으로의 직 접적 매핑을 학습하는 지도학습 방법으로, Pomerleau의 ALVINN[11]에서 시작하여 현재 의 심층 신경망 기반 방법론으로 발전하였다. 최근에는 트랜스포머 아키텍처[3]가 자율주 행 경로 계획에 도입되면서 다중 에이전트 간의 상호작용을 셀프 어텐션 메커니즘으로 효 과적으로 모델링할 수 있게 되었다. 2 Cheng et al.[1]이 제안한 PlanTF는 nuPlan 벤치마크[2] 기준 최고 수준의 성능을 달 성한 트랜스포머 기반 모방학습 경로 계획 모델이다. PlanTF는 Non-Autoregressive 트 랜스포머（NAT）와 Feature Pyramid Network（FPN）를 활용한 에이전트 이력 인코더, 다각 형 맵 인코더, 그리고 4개의 트랜스포머 인코더 레이어를 통해 복잡한 주행 환경을 효과적 으로 모델링한다. 그러나 PlanTF는 우수한 성능 달성을 위해 약 100만 개（1M）의 대규모 훈련 데이터를 필요로 한다. 실험 결과, 전체 데이터셋（1M 샘플）을 사용할 경우 OLS 0.8669 를 달성하지만, 데이터를 20%（200k 샘플）로 축소하면 OLS가 0.6222로 급격히 하락하며, 완전 실패（0점） 시나리오 수가 9개에서 71개로 약 7.9배 증가하는 극심한 성능 저하가 발 생한다. 이러한 데이터 의존성 문제는 실제 자율주행 시스템 개발에서 심각한 제약으로 작용한 다. 실제 환경에서의 주행 데이터 수집은 막대한 비용과 시간을 필요로 하며, 개인정보 보호 문제, 희귀하고 위험한 시나리오（코너 케이스）의 부족, 특정 지역이나 기후 조건에 대한 데 이터 편향 등의 현실적 제약이 존재한다. 따라서 소량의 데이터로도 우수한 성능을 달성할 수 있는 데이터 효율적（data-efficient） 경로 계획 모델의 개발이 자율주행 분야의 핵심 연 구 과제로 부각되고 있다. 제2절 연구 목적 및 범위 본 연구의 주요 목적은 원본 PlanTF가 사용한 대규모 데이터（약 1M 샘플） 대비 크게 축소된 200k 샘플만으로 원본에 필적하는 경로 계획 성능을 달성하는 것이다. 원본 PlanTF 와 본 연구는 모두 NuPlan의 보스턴（Boston） 지역 주행 로그에서 훈련 데이터를 추출하며, 14개 시나리오 유형의 원본 분포 비율을 유지한 태그 기반 계층 샘플링으로 선정한다. 즉, 두 모델의 훈련 조건은 지역, 시나리오 분포가 동일하게 유지된 상태에서 표본 규모만 1M ↔ 200k로 다른 공정 비교이다. 이를 통해 데이터 양의 감소가 성능에 미치는 영향을 순수 하게 분리하여 관찰할 수 있으며, 데이터 확보량을 증가시키는 방향이 아닌 모델 구조의 개 선을 통한 데이터 효율성 향상을 실증적으로 검증할 수 있다. 구체적으로, 소량 데이터 환경 에서 발생하는 세 가지 핵심 문제를 각각의 모듈로 해결하는 가설 중심의 접근법을 취한다. 첫 번째 연구 가설은 참조 경로（reference line） 정보를 트랜스포머 처리 이후에 교차 어텐션을 통해 주입하는 Late Gated Injection 방식이 소량 데이터 환경에서 모델의 경로 3 방향성 학습을 효과적으로 지원할 수 있다는 것이다. 여기에 참조 경로 신뢰도 기반 게이팅 과 잔차 형태의 궤적 보정을 결합함으로써, 참조 경로 품질이 불균일한 실세계 데이터에서 도 안정적인 보정을 달성할 수 있음을 함께 검증한다. 두 번째 가설은 자아 차량의 이력 （history） 기반 표현（history-based representation） 위에 현재 상태 잔차（current state residual）를 결합하는 Ego Hybrid 방식이 정지 후 출발, 긴급 제동 등 급격한 상태 변화가 있는 시나리오에서 자아 표현의 반응성을 향상시킬 수 있다는 것이다. 세 번째 가설은 디코 더 출력단에 도입한 다중 모드 궤적 재평가（TrajectoryRescorer）와 속도 특화 전문가 헤드 （Speed Expert Heads）가 형상 · 진행 품질에 기반한 모드 재평가와 속도 체제별 소프트 라 우팅을 통해 소량 데이터 환경에서의 모드 선택 불안정성과 속도 체제별 행동 혼재 문제를 동시에 완화할 수 있다는 것이다. 본 연구의 범위는 nuPlan 벤치마크[2]의 공식 평가세트 test14-random（261개 시나 리오, 14개 유형）을 기준으로 한 개방 루프（open-loop） 평가로 한정된다. nuPlan은 1,300 시간 이상의 실제 도심 주행 데이터（Boston · Singapore · Las Vegas · Pittsburgh）를 포 함하는 대규모 자율주행 벤치마크로, 다양한 교통 시나리오 유형에 대한 체계적인 평가를 지원한다. 본 연구의 훈련 데이터는 원본 PlanTF와 동일하게 보스턴지역으로 한정하며, 원 본이 보스턴 전체 약 1M 샘플을 사용한 것과 달리 본 연구는 동일 지역 내 약 200k 샘플로 규모를 축소한다. 폐루프（closed-loop） 평가와 Test14-hard 벤치마크, 보스턴 이외 지역 에 대한 일반화 평가는 본 연구의 범위 밖이며 향후 연구로 남긴다. 제3절 연구 기여 및 의의 본 연구의 주요 기여점은 다음 세 가지로 요약된다. 첫째, 상황 인지형 참조 경로 안내 모듈（Late Gated Injection）을 제안한다. 기존 PlanTF 모델은 참조 경로 정보를 활용하지 않아 목적지 방향성이 경로 계획에 충분히 반영되지 못한다는 한계가 있었다. 제안 모듈은 트랜스포머 처리 이후 교차 어텐션을 통해 참조 경로 토큰을 주입하며, 참조 경로 신뢰도 게 이트（Reference Confidence Gate）와 궤적 보정 모듈（Trajectory Refinement Module）을 통해 경로 신뢰도 기반 조건부 보정을 수행한다. 둘째, 동적 자아 상태 표현（Ego Hybrid Mode）을 제안한다. 이력（history） 기반 표현에 현재 상태 잔차를 간결하게 결합하여 정지 후 출발, 긴급 제동 등 급격한 상태 변화가 있는 시나리오에서 자아 표현이 지연 없이 반영 되도록 한다. 셋째, 다중 모드 궤적 재평가와 속도 특화 전문가 헤드（TrajectoryRescorer 4 + Speed Expert Heads）를 제안한다. 6개의 후보 궤적에 대해 형상（shape）·진행（progress） 품질을 기반으로 모드 확률을 재평가하고, 주행 속도 체제에 따라 출력 경로를 소프트 라우 팅하는 구조를 통해 소량 데이터 환경에서도 안정적인 모드 선택을 달성한다. 제4절 논문 구성 및 개요 본 논문은 다음과 같이 구성된다. 2장에서는 자율주행 경로 계획, 모방학습 기반 방법 론, 트랜스포머 기반 경로 계획, 데이터 효율적 학습 방법, 경로 보정 기법에 관한 관련 연구 를 체계적으로 검토한다. 3장에서는 본 연구에서 제안하는 Enhanced PlanTF의 연구 방법 론을 상세히 서술하며, 기반 모델 분석에서 시작하여 각 핵심 모듈의 구조와 설계 원리를 설 명한다. 4장에서는 nuPlan 벤치마크를 기반으로 한 실험 환경, 평가 지표, 전체 성능 비교, 시나리오 유형별 분석, 활성화 패칭 분석, 모듈별 연구 결과를 제시한다. 5장에서는 연구 결 과를 요약하고, 현재 연구의 한계점과 향후 연구 방향을 논의한다. 마지막으로 6장에서 참 고 문헌을 제시한다.

more

목차

제 1장 서 론 1
제1절 연구 배경 및 필요성 1
제2절 연구 목적 및 범위 2
제3절 연구 기여 및 의의 3
제4절 논문 구성 및 개요 4
제2장 관련 연구 5
제1절 자율주행 경로 계획 5
제2절 모방 학습 기반 경로 계획 6
제3절 트랜스포머 기반 경로 계획 7
제4절 데이터 효율적 학습 방법 8
제5절 경로 보정 기법 9
제3장 연구 방법론 11
제1절 기반 모델 분석 (PlanTF) 11
1. PlanTF 모델 구조 11
2. 소량 데이터 환경의 취약점 12
제2절 문제 정의 및 입출력 12
1. 입력 공간 정의 12
2. 출력 공간 정의 13
3. 데이터 구성 13
제3절 전체 모델 구조 개요 14
제4절 상황 인지형 참조 경로 안내 모듈 15
1. 모듈 개요 15
2. ReferenceLineEncoder 16
3. 참조 경로 신뢰도 게이트 16
4. 궤적 보정 모듈 17
제5절 동적 자아 상태 표현 17
1. Temporal Asymmetry 문제 17
2. Ego Hybrid Mode 구조 17
제6절 다중 모드 재채점과 속도 특화 전문가 헤드 20
1. 다중 모드 궤적 재채점 20
2. 속도 특화 전문가 헤드 21
제7절 학습 설정 23
1. 데이터셋 구성 23
2. 최적화 및 손실 함수 23
3. 손실 함수 설계 동기 25
제4장 실험 및 결과 27
제1절 실험 환경 27
제2절 평가 지표 27
제3절 전체 성능 비교 28
제4절 시나리오 유형별 분석 30
제5절 활성화 패칭 분석 32
제6절 모듈별 연구 결과 33
1. Reference Line Encoder 연구 결과 33
2. Ego Hybrid 연구 결과 37
3. Decoder Split 연구 결과 40
제5장 결 론 44
제1절 연구 요약 44
제2절 한계점 46
제3절 향후 연구 계획 47
참 고 문 헌 48

more
반출 Meta View 목록