하이드라-넥스트: 오픈루프 훈련을 통한 강건한 클로즈드루프 주행

엔드투엔드 자율주행 연구는 현재 오픈루프 학습과 클로즈드루프 배포 간의 격차를 극복하는 데 핵심적인 과제에 직면해 있다. 기존의 접근 방식은 오픈루프 환경에서 경로를 예측하도록 학습하지만, 이는 클로즈드루프 환경에서 다른 엔티티에 대한 빠른 반응을 어렵게 하며, 오픈루프 학습과 클로즈드루프 주행 간의 괴리로 인해 운동학적으로 불가능한 계획을 생성할 위험이 있다. 본 논문에서는 궤적 예측, 제어 예측, 그리고 궤적 정제 네트워크를 하나의 모델 안에 통합하는 새로운 다중 브랜치 계획 프레임워크인 Hydra-NeXt를 제안한다. 기존의 오픈루프 궤적 예측 모델이 일반적인 상황 계획만을 다루는 것과 달리, Hydra-NeXt는 단기적인 행동에 집중할 수 있도록 제어 디코더를 추가하여 동적 상황과 반응형 엔티티에 더 빠르게 대응할 수 있도록 한다. 더불어, 클로즈드루프 환경에서 운동학적 제약을 효과적으로 준수함으로써 계획 결정을 보완하고 정제하는 궤적 정제 모듈(Trajectory Refinement module)을 제안한다. 이러한 통합적 접근은 오픈루프 학습과 클로즈드루프 주행 간의 격차를 해소하며, 외부 전문가를 활용한 데이터 수집 없이 Bench2Drive 데이터셋에서 65.89점의 드라이빙 스코어(DS)와 48.20%의 성공률(SR)을 달성해 뛰어난 성능을 입증한다. 기존 최고 수준의 성과보다 DS 22.98점, SR 17.49% 향상시키며 자율주행 기술의 중요한 진전을 나타낸다. 코드는 https://github.com/woxihuanjiangguo/Hydra-NeXt 에서 공개될 예정이다.