DiffAD: 자율주행을 위한 통합 확산 모델링 접근법

엔드투엔드 자율주행(E2E-AD)은 완전 자율주행 달성을 위한 유망한 접근 방식으로 급속히 부상하고 있다. 그러나 기존의 E2E-AD 시스템은 일반적으로 전통적인 다중태스크 프레임워크를 채택하여, 인식(perception), 예측(prediction), 계획(planning) 등의 작업을 별도의 태스크별 헤드를 통해 처리한다. 비록 전체적으로 미분 가능한 방식으로 학습되긴 하지만, 여전히 태스크 간 조율 문제에 직면하고 있으며, 시스템의 복잡도 역시 높은 편이다. 본 연구에서는 자율주행을 조건부 이미지 생성 문제로 재정의하는 새로운 확산 확률 모델인 DiffAD를 제안한다. 다양한 이질적 객체를 통합된 베이비 엔드 뷰(BEV)로 래스터화하고, 그들의 잠재 분포를 모델링함으로써 DiffAD는 다양한 주행 목표를 통합하며, 단일 프레임워크 내에서 모든 주행 작업을 공동 최적화함으로써 시스템 복잡도를 크게 감소시키고 태스크 간 조율을 극대화한다. 역과정(reverse process)는 생성된 BEV 이미지를 반복적으로 개선하여 더 강건하고 현실적인 주행 행동을 도출한다. Carla에서 수행한 클로즈드 루프 평가 결과, 제안된 방법이 새로운 최고 성능(SOTA)을 달성하며 성공률과 주행 점수 모두에서 우수한 성능을 보였다. 코드는 공개될 예정이다.