DiFSD: 불확실성 제거 및 반복적 정교화를 통한 효율적인 엔드투엔드 자율주행을 위한 이고-센트릭 완전 희소 패러다임

현재의 단일 과정 자율 주행 방법은 다양한 작업(예: 인식, 예측, 계획)을 위한 모듈화된 설계를 통합하는 데 의존하고 있습니다. 전역 최적화 정신으로 완전히 미분 가능한 프레임워크를 사용하여 설계되었지만, 이기적(ego-centric) 설계가 없는 기존의 단일 과정 주행 시스템은 여전히 ​​불만족스러운 성능과 낮은 효율성을 겪고 있으며, 이는 라스터화된 장면 표현 학습 및 중복 정보 전송 때문입니다. 본 논문에서는 인간의 운전 행동을 재검토하고, 단일 과정 자율 주행을 위한 이기적 완전 희소 패러다임인 DiFSD를 제안합니다. 구체적으로, DiFSD는 주로 희소 인식(sparse perception), 계층적 상호작용(hierarchical interaction), 반복적인 움직임 계획(iterative motion planner)으로 구성됩니다. 희소 인식 모듈은 드라이빙 장면의 희소 표현을 기반으로 탐지, 추적 및 온라인 맵핑을 수행합니다. 계층적 상호작용 모듈은 추가적인 기하학적 사전 지식(geometric prior) 덕분에 거칠게부터 세밀하게 Closest In-Path Vehicle / Stationary (CIPV / CIPS)를 선택하는 것을 목표로 합니다. 반복적인 움직임 계획 모듈에서는 선택된 상호 작용 에이전트와 이기 차량 모두를 고려하여 공동 움직임 예측을 수행하며, 출력되는 다중 모드 이기 궤적이 반복적으로 최적화됩니다. 또한 위치 수준의 움직임 확산(motion diffusion)과 궤도 수준의 계획 노이즈 제거(planning denoising)가 불확실성 모델링을 위해 도입되어 전체 프레임워크의 학습 안정성과 수렴성을 향상시킵니다. nuScenes와 Bench2Drive 데이터셋에서 수행한 광범위한 실험들은 DiFSD의 우수한 계획 성능과 뛰어난 효율성을 입증하였습니다.