ReasonNet: 시간적 및 전역적 추론을 통한 엔드투엔드 주행

자율 주행차의 대규모 도입은 여전히 앞서야 할 과제를 안고 있으며, 그 중 가장 큰 도전 과제 중 하나는 도시의 밀집 교통 환경에서의 운영이다. 이러한 상황에서는 장면의 미래 변화와 객체들의 미래 행동을 예측하는 것이 여전히 어려우며, 특히 가려진 객체가 갑작스럽게 나타나는 드문 부정적 사고 상황에 대응하는 것도 큰 과제이다. 본 논문에서는 주행 환경의 시계열적 정보와 전역적 정보를 광범위하게 활용하는 새로운 엔드투엔드 주행 프레임워크인 ReasonNet을 제안한다. 객체의 시계열 행동에 대해 추론함으로써, 본 방법은 서로 다른 프레임 간의 특징 간의 상호작용과 관계를 효과적으로 처리할 수 있다. 또한 장면의 전역적 정보에 대한 추론은 전반적인 인지 성능을 향상시키며, 특히 가려진 객체로부터 발생할 수 있는 잠재적 위험을 사전에 인지하는 데에도 기여한다. 가려짐 사건에 대한 포괄적인 평가를 위해, 다양한 가려짐 상황을 포함하는 드라이빙 시뮬레이션 벤치마크인 DriveOcclusionSim을 공개한다. 여러 CARLA 벤치마크에서 광범위한 실험을 수행한 결과, 제안한 모델은 기존의 모든 방법들을 능가하며, 공개된 CARLA 리더보드의 센서 트랙에서 1위를 기록하였다.