[Paper] RiskFlow: 빠르고 신뢰성 있는 안전-중요 교통 시나리오 생성

Source: arXiv - 2606.06423v1

Overview

안전이 중요한 교통 시나리오 생성은 드물지만 고위험 상호작용 상황에서 자율주행 시스템을 평가하는 데 필수적입니다. 기존의 diffusion 기반 방법은 폐루프 생성에서 높은 제어성을 제공하지만, 반복적인 디노이징 과정이 계산 비용이 크고 긴 롤아웃 동안 샘플링 및 가이드 오류가 누적되어 진동, 비정상적인 가속, 도로 이탈과 같은 비현실적인 움직임 아티팩트를 초래할 수 있습니다.

이러한 문제를 해결하기 위해 우리는 RiskFlow를 제안합니다. RiskFlow는 미래 궤적 생성을 행동 공간에서의 수송으로 공식화한 폐루프 안전‑중요 다중 에이전트 교통 생성 프레임워크입니다. 반복적인 디노이징에 의존하는 대신, RiskFlow는 유한 구간에 대한 평균 속도장을 학습하여 가우시안 행동 시퀀스를 단일 전방 패스로 미래 가속도 및 요율 명령으로 변환합니다. 효율적이고 안정적인 학습을 위해 JVP 기반 목표 함수를 사용합니다.

테스트 단계에서 RiskFlow는 출력 공간 가이던스를 적용해 생성된 행동을 조정하고, 선택된 핵심 에이전트를 위험한 상호작용으로 유도하면서 도로 이탈 행동을 정규화합니다. 그리고 차량 역학을 통해 물리적으로 가능한 궤적을 재구성합니다. nuScenes와 tbsim 폐루프 평가에서 실험한 결과, RiskFlow는 다중 에이전트 및 장기 설정에서 강력한 적대성‑현실성 균형을 달성합니다. 대표적인 베이스라인과 비교했을 때, RiskFlow는 현실성을 지속적으로 향상시키면서 경쟁력 있는 안전‑중요 생성 능력을 유지하고, 평가를 위한 추론 시간을 크게 단축합니다.

Key Contributions

• cs.RO
• cs.AI

Methodology

자세한 방법론은 전체 논문을 참고하십시오.

Practical Implications

이 연구는 cs.RO 분야의 발전에 기여합니다.

Authors

• Qi Lan
• Yining Tang
• Yu Shen
• Yi Zhou
• Yuhao Wei
• Jie Li
• Guofa Li

Paper Information

• arXiv ID: 2606.06423v1
• Categories: cs.RO, cs.AI
• Published: June 4, 2026
• PDF: Download PDF