PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.19836v1cs.RO

World Engine: 자율주행을 위한 사후 학습 시대로

World Engine: Towards the Era of Post-Training for Autonomous Driving

자율주행 차량은 오류가 심각한 결과를 초래할 수 있는 실제 환경에서 안전하게 작동해야 합니다. 최신 엔드투엔드 주행 정책은 일상적인 시나리오에서는 탁월한 성과를 보이지만, 실제 주행 데이터셋에서 안전 임계(safety-critical) '롱테일(long-tail)' 사건이 부족하여 신뢰성이 제한됩니다. 이러한 희귀한 상호작용은 학습된 정책의 실용적 안전 경계를 정의하지만, 실제 환경에서 대규모로 수집하기는 어렵습니다. 본 연구에서는 합성된 고위험 상호작용에 대해 사전학습된 주행 모델을 사후 학습(post-training)함으로써 이러한 근본적인 제약을 해결할 수 있음을 보여줍니다. World Engine은 실제 로그에서 고충실도의 상호작용 환경을 재구성하고 이를 체계적으로 현실적인 안전 임계 변형으로 확장하는 생성형 프레임워크입니다. 이 패러다임은 실제 환경 탐험(exploration)에 내재된 물리적 위험을 회피하면서, 안전 제약 조건에 정책을 정렬(alignment)하기 위한 강화학습 기반 사후 학습을 가능하게 합니다. nuPlan 기반의 공개 벤치마크에서 World Engine은 희귀 안전 임계 시나리오에서의 실패를 획기적으로 줄였으며, 사전학습 데이터만 스케일링하는 것보다 유의미하게 더 큰 개선 효과를 거두었습니다. 또한, 상용 규모의 자율주행 시스템에 배포되었을 때 결과 정책은 시뮬레이션 충돌을 줄이고 실도 테스트에서 측정 가능한 개선을 보여주었습니다. 이는 합성된 안전 임계 상호작용에 대한 사후 학습이 더 안전한 자율주행을 실현할 수 있는 확장 가능하고 효과적인 경로임을 시사합니다. 학습(training)을 포함한 전체 코드베이스는 대중에게 공개됩니다.