자율주행 기술은 빠르게 발전하고 있지만, 실제 도로 환경의 복잡성과 예측 불가능성 때문에 안전성 확보는 여전히 큰 과제입니다. 특히 오프라인 강화 학습(offline reinforcement learning, RL) 기반의 자율주행 시스템은 학습 데이터 분포 변화, 위험 신호 처리의 어려움, 그리고 학습 데이터 범위를 벗어나는(out-of-distribution, OOD) 행동 생성 문제로 인해 안전성 위협에 노출될 수 있습니다. 이러한 한계를 극복하기 위해, 최근 연구팀이 'DiDrive'라는 새로운 프레임워크를 제안하며 자율주행의 안전성을 한 단계 끌어올렸습니다.
DiDrive는 '위험 인식 계층적 디퓨전(Risk-Aware Hierarchical Diffusion, RHDif)' 아키텍처와 '3DICE 정책 최적화(policy optimization)' 패러다임이라는 두 가지 핵심 구성 요소를 결합합니다. RHDif는 저수준 위험 게이티드 인코더(risk-gated encoder)와 고수준 문맥 변조기(contextual modulator)를 활용해 환경의 불필요한 정보를 걸러내고 안전에 중요한 위협 요소에 집중합니다. 이는 고차원 상태 공간(high-dimensional state space)에서 불필요한 정보가 의사 결정에 방해가 되는 것을 막아줍니다. 한편, 3DICE는 행동 공간(action space)에서 OOD 행동의 과대평가를 완화하고 경사(gradient) 진동을 줄이기 위해 인샘플 보정 가이던스(in-sample calibrated guidance), 시공간 최적화(spatiotemporal optimization), 그리고 앙상블 기반 후보 랭킹(ensemble-based candidate ranking) 기술을 적용합니다.
CARLA 벤치마크 테스트 결과, DiDrive는 기존의 IQL, CQL, Diffusion-QL 같은 기준 모델들을 능가하는 성능을 보였습니다. 특히 60대의 차량이 혼재된 복잡하고 밀도 높은 교통 시나리오에서 85%의 성공률과 4295.68의 평균 보상(average reward)을 달성하며 뛰어난 안전성을 입증했습니다. 이는 DiDrive가 실제와 유사한 극한 상황에서도 안정적이고 안전한 자율주행 의사 결정을 내릴 수 있음을 시사합니다. 이러한 발전은 자율주행 기술이 상용화되는 데 있어 중요한 진전을 의미하며, 미래 모빌리티의 안전성을 확보하는 데 크게 기여할 것입니다.