자율주행은 단순히 목적지까지 이동하는 것을 넘어, 불확실성과 동적 요소로 가득 찬 복잡한 환경을 이해해야 하는 과정이다. 안전한 주행을 위해 차량은 자신의 최적 경로뿐만 아니라 주변 차량과 보행자의 이동까지 정밀하게 예측해야 한다. 최근 연구자들은 이미지 생성 분야에서 주로 사용되는 확산 모델을 활용해 이러한 예측 불가능한 궤적을 모델링하려는 시도를 이어가고 있다. 그러나 이를 경로 계획에 직접 적용할 경우, 확률적 불안정성으로 인해 주행 결정이 흔들리거나 적절한 수정 기제가 부족하다는 한계가 있었다.

이를 극복하기 위해 RAD-2 연구팀은 자율주행의 안정성을 높이는 통합 생성자-판별자 프레임워크를 선보였다. 이 시스템은 마치 고도의 전략 회의처럼 작동한다. 확산 모델 기반의 생성자가 잠재적인 미래 경로를 대량으로 생성하면, 강화학습 기반의 판별자가 그중 가장 안전하고 효율적인 경로를 선별하는 방식이다. 이러한 이원화 구조 덕분에 고차원적인 궤적 데이터에 직접 보상을 부여할 때 발생하는 모델의 오류나 거친 조향 명령 문제를 효과적으로 방지할 수 있게 되었다.

이번 성과의 핵심은 시간적 일관성을 갖춘 그룹 상대 정책 최적화 기술이다. 기존 강화학습 모델들은 시간 흐름에 따라 어떤 행동이 최종 결과에 기여했는지 파악하는 신용 할당 문제에 취약했다. 새로운 방법론은 주행의 시간적 연속성을 활용해 2초 전의 조향 결정이 현재 궤적과 연결된다는 점을 학습함으로써 학습 과정을 한층 매끄럽게 다듬었다. 이를 통해 생성자는 안전한 주행 패턴을 따르도록 구조화된 최적화 신호를 받게 된다.

성능 향상은 훈련 과정 전반에서도 두드러진다. 연구팀이 개발한 BEV-Warp 시뮬레이션 환경은 버드아이뷰(Bird's-Eye View) 공간에서 직접 폐루프 계획을 수립하도록 설계되었다. 이는 3D 시뮬레이션을 매번 렌더링하는 계산 집약적 과정을 생략함으로써 시스템이 방대한 상호작용 데이터를 낮은 컴퓨팅 비용으로도 효율적으로 학습하게 만든다.

실제로 RAD-2는 기존 최첨단 확산 모델 기반 경로 계획기 대비 충돌 사고율을 56%까지 낮추는 성과를 거두었다. 통계적 지표를 넘어 실제 주행 테스트에서도 차량의 움직임이 훨씬 부드러워지고 주행 안전성이 대폭 향상된 것으로 나타났다. 모방 학습을 넘어 판별자 중심의 지도 학습 프레임워크로의 전환은 자율주행 기술이 복잡한 도심 환경에서 필요한 신뢰성을 확보하는 데 중요한 분기점이 될 것으로 보인다.

자율주행은 단순히 목적지까지 이동하는 것을 넘어, 불확실성과 동적 요소로 가득 찬 복잡한 환경을 이해해야 하는 과정이다. 안전한 주행을 위해 차량은 자신의 최적 경로뿐만 아니라 주변 차량과 보행자의 이동까지 정밀하게 예측해야 한다. 최근 연구자들은 이미지 생성 분야에서 주로 사용되는 확산 모델을 활용해 이러한 예측 불가능한 궤적을 모델링하려는 시도를 이어가고 있다. 그러나 이를 경로 계획에 직접 적용할 경우, 확률적 불안정성으로 인해 주행 결정이 흔들리거나 적절한 수정 기제가 부족하다는 한계가 있었다.

이를 극복하기 위해 RAD-2 연구팀은 자율주행의 안정성을 높이는 통합 생성자-판별자 프레임워크를 선보였다. 이 시스템은 마치 고도의 전략 회의처럼 작동한다. 확산 모델 기반의 생성자가 잠재적인 미래 경로를 대량으로 생성하면, 강화학습 기반의 판별자가 그중 가장 안전하고 효율적인 경로를 선별하는 방식이다. 이러한 이원화 구조 덕분에 고차원적인 궤적 데이터에 직접 보상을 부여할 때 발생하는 모델의 오류나 거친 조향 명령 문제를 효과적으로 방지할 수 있게 되었다.

이번 성과의 핵심은 시간적 일관성을 갖춘 그룹 상대 정책 최적화 기술이다. 기존 강화학습 모델들은 시간 흐름에 따라 어떤 행동이 최종 결과에 기여했는지 파악하는 신용 할당 문제에 취약했다. 새로운 방법론은 주행의 시간적 연속성을 활용해 2초 전의 조향 결정이 현재 궤적과 연결된다는 점을 학습함으로써 학습 과정을 한층 매끄럽게 다듬었다. 이를 통해 생성자는 안전한 주행 패턴을 따르도록 구조화된 최적화 신호를 받게 된다.

성능 향상은 훈련 과정 전반에서도 두드러진다. 연구팀이 개발한 BEV-Warp 시뮬레이션 환경은 버드아이뷰(Bird's-Eye View) 공간에서 직접 폐루프 계획을 수립하도록 설계되었다. 이는 3D 시뮬레이션을 매번 렌더링하는 계산 집약적 과정을 생략함으로써 시스템이 방대한 상호작용 데이터를 낮은 컴퓨팅 비용으로도 효율적으로 학습하게 만든다.

실제로 RAD-2는 기존 최첨단 확산 모델 기반 경로 계획기 대비 충돌 사고율을 56%까지 낮추는 성과를 거두었다. 통계적 지표를 넘어 실제 주행 테스트에서도 차량의 움직임이 훨씬 부드러워지고 주행 안전성이 대폭 향상된 것으로 나타났다. 모방 학습을 넘어 판별자 중심의 지도 학습 프레임워크로의 전환은 자율주행 기술이 복잡한 도심 환경에서 필요한 신뢰성을 확보하는 데 중요한 분기점이 될 것으로 보인다.