Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

RealDrive: Retrieval-Augmented Driving with Diffusion Models

Created by
  • Haebom

저자

Wenhao Ding, Sushant Veer, Yuxiao Chen, Yulong Cao, Chaowei Xiao, Marco Pavone

개요

본 논문은 학습 기반의 자율주행 계획 생성 시스템의 한계점인 드문 위험 상황에 대한 취약성과 생성 궤적에 대한 제한된 제어 가능성을 해결하기 위해, 검색 기반 생성(RAG) 프레임워크인 RealDrive를 제안합니다. RealDrive는 확산 기반 계획 정책을 초기화하기 위해 훈련 데이터셋에서 가장 관련성이 높은 전문가 시범 데이터를 검색하고, 현재 관측치와 검색된 예시 간의 디노이징 과정을 통한 보간을 통해 다양한 상황에서 미세 조정된 제어와 안전한 행동을 가능하게 합니다. 특히, 계획 기반 목표로 훈련된 작업 관련 검색 모델이 작업과 무관한 검색 모델보다 성능이 우수함을 보여줍니다.

시사점, 한계점

시사점:
드문 위험 상황에 대한 일반화 성능 향상 및 궤적 다양성 증대.
Waymo Open Motion 데이터셋에서 충돌률 40% 감소 달성.
작업 관련 검색 모델의 효용성 증명.
확산 기반 계획 정책과 검색 기반 생성의 결합을 통한 안전하고 제어 가능한 자율주행 계획 생성 가능성 제시.
한계점:
제안된 RAG 프레임워크의 성능 향상이 Waymo Open Motion 데이터셋에 국한되어 다른 데이터셋으로의 일반화 가능성에 대한 추가 연구 필요.
계획 기반 목표로 훈련된 검색 모델의 설계 및 훈련 과정에 대한 세부적인 설명 부족.
실제 도로 환경에서의 실험 결과 부재.
👍