칭화대와 덴소, 제어기가 바뀌어도 월드모델 플래너 점수 44% 개선하는 ExecutionBridge

학습된 월드모델로 미래를 상상해 경로를 고르는 자율주행 플래너를 다른 조향과 속도 제어기와 함께 배포할 때, 플래너와 월드모델을 재학습하지 않고 달라진 실행 특성을 어떻게 반영할 수 있는가.

월드모델 플래너는 후보 궤적마다 그대로 주행했을 때의 결과를 예측해 점수를 매긴다. 이 예측은 학습 때의 계획과 실제 움직임 사이 관계를 암묵적으로 전제한다. 제어기, 게인, 조향 지연, 차체가 바뀌면 같은 계획도 다르게 주행돼 상상한 미래와 실제가 어긋나고, 플래너가 엉뚱한 후보를 고를 수 있다.

RMA, CaDM, AdaWM 같은 적응 기법은 상호작용 이력에서 동역학을 추정하거나 모델 일부를 재학습한다. 손쉬운 대안은 계획 궤적을 제어기가 실제로 달릴 것으로 예측되거나 알려진 궤적으로 바꿔 넣는 것이다. 저자들은 이 방식이 기하학적 정확도는 높이지만 선택되는 후보는 거의 바꾸지 못한다고 확인했다. 월드모델은 계획을 읽도록 학습됐지, 이미 실행된 움직임을 읽도록 학습되지 않았기 때문이다.

ExecutionBridge는 플래너, 월드모델, 보상 헤드를 모두 고정하고 원래 계획을 입력으로 유지한다. 제어기 인코더가 배포 제어기의 계획 궤적과 실행 궤적 쌍 묶음을 보고 이를 작은 제어기 코드로 압축하며, 이 값은 한 번 계산해 저장한다. 후보마다 작은 잠재 브리지가 이 코드를 써서 월드모델이 예측한 잠재 상태 중 자차 관련 부분에 게이트와 상한이 걸린 보정을 더하고, 기존 보상 헤드가 보정된 미래를 평가한다.

학습에서 완전히 제외한 제어기 설정 10종 평균으로 NAVSIM PDMS는 고정된 WoTE 플래너의 87.976에서 88.589로 0.613 올랐다. 예측 실행 궤적을 대입하는 방식은 0.048 개선에 그쳐 약 13분의 1 수준이었다. 고정 플래너 점수가 80 미만인 어려운 장면에서는 PDMS가 32.04에서 46.13으로 14.09 상승했고, 대입 방식은 4.49 상승이었다. 충돌 여유 시간 지표(TTC)는 94.53에서 94.86으로 나아졌다. 표준 NAVSIM 설정에서는 WoTE, ResWorld, WorldDrive 플래너에 각각 0.6, 0.4, 0.3점을 더했다. 지원 데이터는 64쌍으로도 1,024쌍과 같은 성능을 냈다.

프리프린트이며 모든 시험은 주행 로그로 만든 비반응형 벤치마크 NAVSIM에서 이뤄졌고 실제 차량 주행은 없다. 제어기는 공격적, 보수적, 조향 지연, 조향 게인 같은 시뮬레이션 설정이다. 전체 시험에서 개선 폭은 1점 미만이고, 큰 개선은 기준 플래너가 못한 장면을 골라 만든 부분집합에서 나왔다. 이런 선택은 기준 판단을 바꾸는 방법에 유리할 수 있다. 다만 논문은 모든 방법에 같은 부분집합을 적용했다. 추가 지연 시간과 코드 공개 여부는 밝히지 않았다.