웨이포인트와 액션 격차를 메우는 차량 동역학 모델 기반 엔드투엔드 자율주행

초록

본 논문은 액션 기반 자율주행 정책을 기존의 웨이포인트 중심 벤치마크에 그대로 적용할 수 있도록, 미분 가능한 차량 동역학 모델을 도입한다. 제안된 프레임워크는 액션 시퀀스를 차량 모델에 롤아웃하여 이고프레임 웨이포인트로 변환하고, 웨이포인트 손실을 통해 정책을 학습한다. Kinematic Bicycle Model과 Continuous Curvature Path Planner 두 가지 모델을 구현했으며, NAVSIM navhard, navtest, Bench2Drive, CARLA 등 네 가지 벤치마크에서 기존 웨이포인트 기반 방법들을 능가하거나 동등한 성능을 달성한다.

상세 분석

이 연구는 최근 자율주행 연구 커뮤니티가 웨이포인트 예측에 집중하면서 액션 기반 정책이 평가·비교되기 어려운 “웨이포인트‑액션 격차”를 명확히 지적한다. 격차 해소를 위해 저자들은 미분 가능하고 결정론적인 차량 동역학 프레임워크를 설계했으며, 이를 ‘lifting operator’라 명명한다. 이 연산자는 (1) 네트워크 출력 액션을 물리적 제어값으로 매핑하는 control activation ψ ϕ, (2) 선택된 차량 모델(KBM 또는 CCPP)의 동역학을 시간 혹은 아크 길이 기준으로 전진시키는 dynamics rollout f ϕ, (3) 전체 상태에서 위치만 추출하는 pose projection h 로 구성된다. 이러한 모듈화는 모델 교체·통합을 손쉽게 하면서도 미분 가능성을 유지한다는 장점이 있다.

이론적으로 저자들은 ψ ϕ, f ϕ, h 가 각각 C¹ 연속성을 만족하면 lifting operator F ϕ 가 결정론적이며 C¹ 미분 가능함을 증명한다(정리 3.1). 이는 역전파 시 차량 모델 내부 파라미터를 고정한 채 정책 파라미터 θ만 업데이트할 수 있음을 의미한다. 실제 구현에서는 KBM을 Euler 혹은 RK4 방식으로, CCPP는 아크 길이 기반의 다중 서브스텝 통합으로 구현했으며, 데이터 기반 MLP 버전도 비교 대상으로 제시한다.

학습 과정은 기존 웨이포인트 손실(L₁ 기반)만을 사용한다. 정책 네트워크 N θ가 관측 oₜ와 고수준 명령 cₜ를 입력받아 액션 시퀀스 aₜ를 출력하고, 이를 F ϕ에 통과시켜 예측 웨이포인트 ŷₜ를 얻는다. ŷₜ와 데이터셋의 실제 웨이포인트 wᵍᵗₜ 사이에 위치 손실을 계산하고, 이 손실이 차량 모델을 거쳐 정책 네트워크에 역전파된다. 헤딩 정보는 현재 손실에 포함되지 않아, 향후 연구에서 추가 가능성을 남긴다.

실험에서는 네 가지 벤치마크에서 액션 기반 정책에 제안 프레임워크를 적용했을 때, (i) NAVSIM navhard에서 비전 전용 최첨단 성능을 달성, (ii) navtest에서 최고 성능에 1.5 % 미만 차이, (iii) Bench2Drive에서 기존 DS 베이스라인 대비 최대 61.1 % 향상, (iv) CARLA 기반 평가에서 손실‑성과 상관관계가 가장 높았다. 특히, 동일한 웨이포인트 평가 프로토콜을 그대로 사용하면서도 액션 기반 정책이 경쟁력 있음을 입증했다.

이 논문의 주요 기여는 (1) 웨이포인트 기반 손실을 액션 정책에 직접 적용할 수 있는 학습 파이프라인 제시, (2) 미분 가능하고 결정론적인 차량 모델을 최초로 도입해 액션‑웨이포인트 변환을 정형화, (3) 두 종류의 차량 모델을 통해 파라미터 교체·확장이 용이한 통합 프레임워크 제공이다. 한계점으로는 헤딩·속도 등 추가 상태 변수에 대한 손실 설계가 미비하고, 복잡한 동역학(예: 차량 동적 모델, 마찰·노면 효과)까지는 다루지 않았다는 점이다. 향후 연구에서는 보다 정교한 동역학 모델 통합, 멀티모달 센서 활용, 그리고 실차 테스트를 통한 검증이 기대된다.