플로우 매칭을 이용한 L4 자율주행용 세이프티 오라클 구축 (표준 휴리스틱보다 나은 이유)

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

플로우 매칭(Flow Matching)과 최적 운송(Optimal Transport)을 활용해 자율주행의 롱테일 위험을 감지하는 딥러닝 프레임워크 Deep-Flow를 개발하고 오픈소스로 공개했다.

기존의 단순 규칙 기반 자율주행 안전 필터가 가진 한계를 극복하기 위해 생성형 AI 기법인 플로우 매칭을 도입하여 인간 전문가의 주행 패턴을 학습하고 이상 징후를 감지하는 시스템을 제안했다.

자율주행 안전 시스템이 수동 휴리스틱에서 생성형 AI 기반의 확률적 판단으로 진화할 수 있음을 확인했다. 특히 플로우 매칭의 결정론적 특성이 규제 준수가 중요한 안전 필수 시스템에 적합한 대안이 될 수 있다.

기존의 단순 브레이크 강도 기반 안전 규칙은 급격한 차선 변경이나 비정상적인 기하학적 주행과 같은 의미론적 위험을 99% 놓치는 한계가 존재한다.

OT-CFM 기법을 도입하여 인간 전문가의 주행 확률 밀도를 학습함으로써 명시적인 규칙 없이도 안전한 주행 경로를 정의하는 모델을 구축했다.

궤적 데이터를 12차원 PCA 매니폴드로 투영하는 스펙트럴 보틀넥을 적용하여 모델이 노이즈가 섞인 좌표 대신 매끄러운 물리 법칙을 학습하도록 강제했다.

목적지 차선 정보를 모델에 주입하는 목표 조건부 설계를 통해 직진이나 회전 등 운전자의 의도를 미리 파악하고 경로를 예측하는 기능을 구현했다.

확산 모델과 달리 플로우 매칭은 정확한 야코비안 트레이스 계산을 통해 결정론적인 이상치 점수를 도출할 수 있어 자율주행 안전 표준인 SOTIF 대응에 유리하다.

Waymo Open Motion Dataset에서 AUC-ROC 0.77을 달성하며 기존 운동학적 필터가 감지하지 못한 코너 커팅이나 위험한 합류를 식별했다.
이상 징후는 단순히 물리적 수치가 높은 상태가 아니라 학습된 전문가 매니폴드의 흐름에 저항하는 궤적으로 정의된다.
플로우 매칭 기반의 접근법은 수동으로 작성된 수천 개의 안전 규칙을 자동화된 확률 모델로 대체할 수 있는 가능성을 입증했다.

Deep-Flow추천

자율주행 이상 주행 감지 및 안전 필터링