자율 주행 차량(SDV)에서 운영 도메인 간의 분포 변화는 학습된 모델의 성능에 심각한 영향을 미칠 수 있습니다. 이는 잘 알려진 문제이지만, 이전 연구는 주로 운동 예측 작업에 초점을 맞춘 미세 조정과 같은 단순한 해결책을 탐구했습니다. 본 연구에서는 예측, 계획 및 제어로 구성된 미분 가능한 자율성 스택에 대한 새로운 적응 전략을 탐구하고, 폐쇄 루프에서 평가를 수행하며, 종종 간과되는 치명적인 망각 문제를 조사합니다. 구체적으로, 저랭크 잔차 디코더(LoRD)와 다중 작업 미세 조정이라는 두 가지 간단하지만 효과적인 기술을 제시합니다. 두 개의 실제 자율 주행 데이터 세트(nuPlan, exiD)에서 수행된 세 가지 모델에 대한 실험을 통해, 제시된 방법의 효과를 입증하고 이전 접근 방식에서 개방 루프와 폐쇄 루프 평가 간의 상당한 성능 차이를 강조합니다. 제시된 접근 방식은 표준 미세 조정과 비교하여 망각을 최대 23.33%까지, 폐쇄 루프 OOD 주행 점수를 9.93%까지 향상시킵니다.
