자율 에이전트의 견고성을 평가하는 데 중요한 시나리오 커버리지를 평가하기 위해, 본 논문은 비용이 많이 드는 인적 주석이나 계산 집약적인 LVLM (Large Vision-Language Models)에 의존하는 기존 방법의 한계를 해결하기 위해 설계된 경량 서러게이트 모델인 SCOUT (Scenario Coverage Oversight and Understanding Tool)을 제안합니다. SCOUT는 에이전트의 잠재 센서 표현에서 직접 시나리오 커버리지 레이블을 예측하도록 설계되었으며, LVLM 기반 라벨을 학습하는 증류 과정을 통해 훈련됩니다. SCOUT는 사전 계산된 인식 기능을 활용하여 중복 계산을 피하고 빠르고 확장 가능한 시나리오 커버리지 추정을 가능하게 합니다. 실제 자율 항해 시나리오의 대규모 데이터 세트에서 평가하여 높은 정확도를 유지하면서 계산 비용을 대폭 절감함을 입증합니다.
