SevDiff: 롱테일 충돌 궤적 생성을 위한 심각도 조건 확산
SevDiff: Severity-Conditioned Diffusion for Long-Tail Conflict Trajectory Generation
고급 운전자 보조 시스템(ADAS) 평가에 사용되는 궤적 데이터셋은 일상적인 주행에 크게 편향되어 있으며, 실제 차량 간 충돌(conflict) 이벤트는 드물고, 이벤트가 드물수록 ADAS 시스템이 이를 처리하지 못했을 때의 비용이 더 높다. 기존 생성 접근법은 공간적 목표, 에이전트 구조, 자연어 적대적 목표 등 장면 수준 속성에 조건화하여 이러한 불균형을 해결하지만, 목표 충돌까지의 시간(Time-to-Collision, TTC) 값을 입력으로 받아 측정 가능한 오차 범위 내에서 이를 생성하도록 요구받을 수 있는 방법은 없다. 본 논문은 요청된 최소 TTC 값을 스칼라 조건 신호로 받아들이고, 실현된 충돌 심각도가 요청과 일치하는 쌍 차량 상호작용 궤적을 생성하는 심각도 조건 디노이징 확산 확률 모델(DDPM), SevDiff를 제안한다. 이는 적중률(hit-rate) 지표로 평가된다. UTE SQM-W-1 고속도로 위빙(weaving) 구간 데이터셋에서 추출한 468개 상호작용 윈도우(스무딩 후 1,041대 차량, 822,691개 관측치)로 학습한 SevDiff는 TTC 목표 0.5–1.5초에서 ±0.5초 이내 100% 적중률, 2.0–2.5초에서 97–99%, TTC = 5.0초에서는 점진적 저하로 39%를 달성한다. 생성된 운동학적 특징은 물리적으로 타당하며, 12개 특징 전체에서 최대 범위 초과율 4.7%, 96.5% 이상의 샘플에서 음수 속도 또는 간격 값이 없다. 적중률 저하 패턴은 학습 사전분포 대비 조건 신호의 강도로 물리적으로 해석 가능하며, 이는 합격/불합격 결과가 아닌 생성기의 정밀도 특성화이다.