자율 주행을 위한 행동 복제의 제한성 탐구

운전은 다양한 복잡한 환경 조건과 에이전트 행동에 반응하는 것을 필요로 합니다. 각각의 가능한 시나리오를 명시적으로 모델링하는 것은 현실적이지 않습니다. 대조적으로, 모방 학습은 이론적으로 인간이 운전하는 대규모 차량 데이터를 활용할 수 있습니다. 특히 행동 클로닝은 단순한 시각-운동 정책을 엔드투엔드로 학습하는 데 성공적으로 사용되어 왔지만, 전체 운전 행동 스펙트럼으로 확장하는 문제는 아직 해결되지 않았습니다. 본 논문에서는 행동 클로닝의 확장성과 한계를 실험적으로 조사하기 위한 새로운 벤치마크를 제안합니다. 우리는 행동 클로닝이 최신 결과를 도출하며, 미처 보지 못한 환경에서도 복잡한 횡방향 및 종방향 조작을 수행할 수 있음을 보여줍니다. 그러나 이러한 반응들이 명시적으로 프로그래밍되지 않은 상태에서 수행되는 것임에도 불구하고, 데이터셋 편향과 과적합으로 인한 잘 알려진 한계점들을 확인하였으며, 동적 객체와 인과 관계 모델 부족으로 인한 새로운 일반화 문제와 훈련 불안정성을 확인하였습니다. 이러한 문제들이 해결되기 전에는 행동 클로닝이 실제 운전에 적용될 수 없습니다. 연구된 행동 클로닝 접근법의 코드는 https://github.com/felipecode/coiltraine 에서 찾을 수 있습니다.