스펙트럼 흐름 매칭 기반 자율주행 연속 이상 탐지

초록

Deep‑Flow는 Optimal Transport Conditional Flow Matching을 활용해 인간 운전 데이터의 연속 확률 밀도를 학습한다. 저차원 PCA 스펙트럼 매니폴드에 흐름을 제한함으로써 궤적의 운동학적 매끄러움을 보장하고, 정확한 Jacobian 트레이스를 통해 결정론적 로그우도 추정을 가능하게 한다. Early Fusion Transformer와 차선‑조건 목표 스킵 연결을 결합해 다중모드 교차로 상황을 해소하고, 경로 비틀림·저크 기반 복잡도 가중으로 고위험 행동을 강조한다. Waymo Open Motion Dataset에서 AUC‑ROC 0.766을 달성했으며, 전통적 규칙 기반 필터가 놓치는 의미적 위반을 효과적으로 탐지한다.

상세 분석

Deep‑Flow는 자율주행 차량(Level‑4) 안전 검증을 위한 이상 탐지 프레임워크로, 기존 규칙 기반 혹은 지도 학습 기반 방법이 갖는 “long‑tail” 시나리오 탐지 한계를 흐름 기반 확률 모델링으로 극복한다. 핵심 아이디어는 Optimal Transport Conditional Flow Matching(OT‑CFM)을 이용해 전문가 인간 운전 데이터의 연속 확률 밀도 p(x|C)를 직접 학습하고, 관측 궤적에 대한 음의 로그우도(‑log p)를 안전 위험 점수로 활용한다는 점이다.

특히, 고차원(예: 8 s·10 Hz·2 D = 160) 궤적을 그대로 모델링하면 고주파 잡음과 물리적 불가능성(‘jitter’)이 발생한다. 논문은 이를 해결하기 위해 PCA 기반 스펙트럼 매니폴드(차원 k≈12)로 압축한다. 이 과정은 (1) 주요 고유벡터가 부드러운 ‘eigen‑trajectory’를 나타내어 C² 연속성을 보장하고, (2) whitening을 통해 데이터 분포를 거의 isotropic N(0,I)로 맞춤으로써 OT‑CFM의 transport cost를 최소화한다. 차원 축소 덕분에 Jacobian 트레이스를 정확히 계산할 수 있어, Hutchinson 추정과 같은 고분산 스터캐스틱 방법이 필요 없으며, 실시간 이상 점수 산출이 가능해진다.

시점‑조건 목표 인코딩은 Early Fusion Transformer 구조에 차선‑조건(goal‑lane) 정보를 두 차례 주입한다. 첫 번째는 전역 컨텍스트 토큰에, 두 번째는 흐름 헤드에 직접 스킵 연결(skip‑connection) 형태로 삽입해, 교차로·라운드어바웃 등 다중 모드 의사결정 지점에서 ‘의도 보존(intent‑preserving)’을 강화한다. 이는 기존 AR(autoregressive) 모델이 겪는 exposure bias와 누적 확률 곱에 의한 수치 소실을 회피하고, 전체 궤적을 하나의 원시(primitive)로 다루는 Holistic 접근법과 일맥상통한다.

또한, 논문은 물리‑기반 복잡도 가중(kinematic complexity weighting) 기법을 도입한다. 경로 비틀림(tortuosity)과 저크(jerk) 에너지에 기반한 중요도 샘플링을 통해 고에너지·고위험 maneuver(예: 급가속·급감속, 급격한 차선 변경)를 학습 초기에 강조한다. 이는 데이터 불균형(일반 주행 vs. 위험 행동) 문제를 완화하고, 모델이 안전에 민감한 행동을 더 정밀히 학습하도록 만든다.

실험은 Waymo Open Motion Dataset을 사용했으며, ‘golden set’이라 부르는 전문가가 라벨링한 안전‑중요 이벤트에 대해 AUC‑ROC 0.766을 기록했다. 흥미롭게도, Deep‑Flow는 전통적 TTC·감속 임계값 기반 필터가 놓치는 ‘semantic non‑compliance’(예: 차선 경계 위반, 비정형 교차로 진행)를 높은 확률로 탐지한다. 이는 ‘kinematic danger’와 ‘semantic violation’ 사이의 근본적 차이를 정량화하고, 통계적 안전 게이트를 정의하는 데 기여한다.

강점으로는 (1) 정확한 로그우도 계산을 통한 연속적인 위험 점수 제공, (2) 저차원 스펙트럼 매니폴드로 인한 수치 안정성 및 물리적 매끄러움 보장, (3) 목표‑조건 스킵 연결을 통한 다중 모드 해소, (4) 복잡도 가중을 통한 고위험 행동 집중 학습을 들 수 있다. 한편 한계는 PCA 차원 선택이 데이터셋에 민감할 수 있고, 비선형 복잡한 동적 환경(예: 급격한 날씨 변화)에서는 선형 스펙트럼이 충분히 표현력을 제공하지 못할 가능성이 있다. 또한, 현재는 정적 지도와 차량 이력만을 사용하므로, 실시간 센서 노이즈나 라이다/카메라 결함에 대한 강건성 검증이 추가로 필요하다.

전반적으로 Deep‑Flow는 확률 흐름 모델링과 스펙트럼 매니폴드라는 두 축을 결합해, 자율주행 안전 검증에 필요한 ‘데이터‑구동’·‘통계‑기반’ 접근법을 제시한다. 향후 연구에서는 비선형 차원 축소(VAE‑style 혹은 딥 오토인코더)와 멀티‑모달 센서 융합을 도입해, 더욱 복잡한 OOD 상황을 포괄할 수 있을 것으로 기대된다.