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

실용적 조언

자율주행 궤적 예측 시 노이즈를 줄이기 위해 PCA 기반의 매니폴드 투영을 고려할 것
안전이 중요한 시스템에서는 확정적 점수 산출이 가능한 플로우 매칭 기법이 유리함

섹션별 상세

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.

자율주행 궤적의 관측 공간, 스펙트럴 매니폴드 상의 흐름, 그리고 로그 우도 점수 비교 그래프이다. — Chart전문가 주행(Expert/Safe)과 비정상 주행(Anomalous/Unsafe)의 궤적 차이를 시각화한다. 스펙트럴 매니폴드에서 비정상 궤적이 전문가 흐름을 벗어나는 모습과 이에 따른 로그 우도 점수의 급격한 하락을 통해 이상 감지 원리를 보여준다.

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.

용어 해설

롱테일 문제(Long-Tail Problem): — 자율주행 시스템이 도로 위에서 마주치는 매우 드물지만 치명적인 예외 상황들을 의미한다. 기존의 수동 규칙 기반 시스템으로는 이러한 방대한 시나리오를 모두 대응하기 어렵기 때문에 데이터 기반의 생성형 모델을 통해 일반화된 안전 경계를 학습하는 것이 핵심적인 과제이다.
플로우 매칭(Flow Matching): — 데이터 분포 사이의 변환을 연속적인 벡터장으로 학습하는 생성 모델 기법이다. 확산 모델과 유사하지만 학습 효율이 높고 특히 추론 과정에서 데이터의 확률 밀도를 정확하게 계산할 수 있어 자율주행과 같이 정밀한 이상 감지가 필요한 분야에서 각광받고 있다.
PCA 매니폴드(PCA Manifold): — 주성분 분석을 통해 고차원 궤적 데이터를 핵심적인 움직임 성분만 남긴 저차원 공간으로 투영하는 방식이다. 이를 통해 자율주행 모델이 개별 좌표의 노이즈에 휘둘리지 않고 차량의 물리적 특성이 반영된 매끄러운 주행 경로의 기하학적 구조를 학습하도록 돕는다.
의도된 기능의 안전성(SOTIF): — 자율주행 시스템의 성능 한계나 논리적 오류로 인해 발생할 수 있는 위험을 관리하기 위한 안전 표준이다. 고장 유무와 상관없이 시스템이 복잡한 환경에서 의도한 대로 안전하게 작동하는지를 평가하며 본 게시물의 모델은 이를 충족하기 위한 결정론적 점수를 제공한다.
야코비안 트레이스(Jacobian Trace): — 다변수 함수의 변화율을 나타내는 행렬의 대각 성분 합으로 플로우 매칭에서 데이터의 로그 우도 변화량을 계산하는 데 핵심적인 역할을 한다. 이를 통해 모델은 특정 주행 궤적이 전문가의 행동 분포에서 얼마나 벗어났는지를 수치적으로 정확하게 산출할 수 있다.

언급된 도구

Deep-Flow추천

자율주행 이상 주행 감지 및 안전 필터링

언급된 리소스

논문Deep-Flow Arxiv Paper

GitHubDeep-Flow Github