Perceptual Motor Learning with Active Inference Framework for Robust Lateral Control
Created by
- Haebom
Category
Empty
저자
Elahe Delavari, John Moore, Junho Hong, Jaerock Kwon
개요
본 논문은 고도로 자동화된 차량(HAVs)의 측면 제어 향상을 위해 능동 추론(AIF)과 통합된 새로운 지각 운동 학습(PML) 프레임워크를 제시합니다. 인간의 운동 학습에서 영감을 받은 PML은 지각과 행동의 원활한 통합을 강조하여 역동적인 환경에서 효율적인 의사 결정을 가능하게 합니다. 모듈형 파이프라인, 모방 학습, 강화 학습을 포함한 기존의 자율 주행 접근 방식은 적응성, 일반화 및 계산 효율성에 어려움을 겪습니다. 반대로, AIF를 사용한 PML은 생성 모델을 활용하여 예측 오류("놀라움")를 최소화하고 학습된 지각 운동 표현을 기반으로 차량 제어를 적극적으로 형성합니다. 본 접근 방식은 심층 학습을 능동 추론 원칙과 통합하여 HAV가 최소한의 데이터로, 그리고 다양한 환경에서 광범위한 재훈련 없이 차선 유지 기동을 수행할 수 있도록 합니다. CARLA 시뮬레이터에서의 광범위한 실험은 AIF를 사용한 PML이 계산 오버헤드를 증가시키지 않으면서 적응성을 향상시키는 동시에 기존 방법과 비교할 만한 성능을 달성함을 보여줍니다. 이러한 결과는 PML 기반 능동 추론이 실제 자율 주행 애플리케이션을 위한 강력한 대안이 될 수 있는 가능성을 강조합니다.
시사점, 한계점
•
시사점:
◦
AIF와 통합된 PML 프레임워크가 고도로 자동화된 차량의 측면 제어 향상에 효과적임을 제시합니다.
◦
기존 자율 주행 방식의 한계점인 적응성, 일반화 및 계산 효율성 문제를 개선할 수 있는 대안을 제시합니다.
◦
최소한의 데이터와 재훈련으로 다양한 환경에서 작동 가능성을 보여줍니다.
◦
실제 자율 주행 애플리케이션에 적용 가능성을 시사합니다.
•
한계점:
◦
CARLA 시뮬레이터에서의 실험 결과를 바탕으로 하였으므로, 실제 도로 환경에서의 성능은 추가적인 검증이 필요합니다.
◦
본 논문에서 제시된 PML-AIF 프레임워크의 일반화 능력에 대한 추가적인 연구가 필요합니다.
◦
다양한 주행 상황(예: 갑작스러운 장애물, 극한 날씨)에 대한 로버스트니스 검증이 부족합니다.
