DRIVE는 자율 주행에서 암묵적이고 상황 의존적인 소프트 제약 조건을 모델링하고 평가하는 새로운 프레임워크입니다. 전문가 시범 데이터를 사용하여 지수족 확률 모델링을 통해 상태 전이 가능성을 추정하고, 다양한 운전 상황에 따라 변화하는 소프트 행동 규칙의 확률적 표현을 구성합니다. 학습된 규칙 분포는 볼록 최적화 기반 계획 모듈에 통합되어 동적으로 실행 가능할 뿐만 아니라 추론된 인간의 선호도를 준수하는 경로를 생성합니다. 고정된 제약 형태 또는 순전히 보상 기반 모델링에 의존하는 이전 접근 방식과 달리, DRIVE는 규칙 추론과 경로 수준 의사 결정을 긴밀하게 결합하는 통합 프레임워크를 제공합니다. 데이터 기반 제약 일반화와 원칙적인 실행 가능성 검증을 모두 지원합니다. inD, highD 및 RoundD를 포함한 대규모 자연 주행 데이터 세트에서 DRIVE를 검증하고 대표적인 역 제약 학습 및 계획 기준과 비교 평가했습니다. 실험 결과 DRIVE는 소프트 제약 위반률 0.0%, 더 부드러운 경로 및 다양한 운전 시나리오에서 강력한 일반화를 달성했습니다. 검증된 평가는 실제 배포를 위한 프레임워크의 효율성, 설명 가능성 및 강력함을 추가로 입증합니다.
