DriveGen: Towards Infinite Diverse Traffic Scenarios with Large Models
Created by
- Haebom
Category
Empty
저자
Shenyu Zhang, Jiaguo Tian, Zhengbang Zhu, Shan Huang, Jucheng Yang, Weinan Zhang
개요
본 논문은 자율주행 훈련 및 테스트를 위한 새로운 교통 시뮬레이션 프레임워크인 DriveGen을 제안합니다. 기존 데이터 기반 접근 방식의 한계점인 단일 실제 데이터셋 의존성을 극복하고자, 대규모 언어 모델과 시각 언어 모델을 활용하여 다양하고 현실적인 교통 상황을 생성합니다. DriveGen은 지도 및 차량 자산 생성을 위한 초기화 단계와, 시각 언어 모델 및 확산 플래너를 이용한 주행 경로 생성 단계로 구성됩니다. 또한, 자율주행 알고리즘의 실패 사례를 활용하여 추가적인 훈련이나 미세 조정 없이 코너 케이스를 자동으로 생성하는 DriveGen-CS 파이프라인을 개발하여 효과적인 downstream 최적화를 지원합니다. 실험 결과, DriveGen은 기존 방법보다 우수한 성능을 보이며, 자율주행 알고리즘의 성능 향상에 기여함을 확인했습니다.
시사점, 한계점
•
시사점:
◦
단일 데이터셋 의존성을 극복하고 다양한 교통 상황 생성 가능
◦
대규모 모델의 고차원적 인지 및 추론 능력 활용으로 현실성 유지
◦
자율주행 알고리즘 성능 최적화에 효과적
◦
DriveGen-CS를 통해 코너 케이스 자동 생성 가능, 재훈련 없이 알고리즘 개선 가능
◦
기존 최첨단 기법 대비 우수한 성능
•
한계점:
◦
제시된 대규모 모델의 구체적인 종류 및 파라미터에 대한 정보 부족
◦
DriveGen-CS의 성능 평가에 대한 구체적인 지표와 분석 부족
◦
실제 도로 환경과의 완벽한 일치 여부에 대한 추가 검증 필요
◦
확산 플래너의 구체적인 설계 및 작동 방식에 대한 상세 설명 부족
