자율주행 차량을 위한 사진 실감 폐루프 안전 테스트 NeuroNCAP
NeuroNCAP은 실제 주행 데이터를 기반으로 학습한 NeRF 기반 시뮬레이터를 통해 자율주행 소프트웨어 시스템의 센서 실감 폐루프 평가와 안전 위험 시나리오 생성을 지원한다. 이를 통해 최신 엔드-투-엔드 플래너의 안전 취약점을 발견하고 개선의 필요성을 보여준다.
거리 장면 합성을 위한 가우시안 스플래팅 및 확산 사전 모델
차량 주행 중 수집된 제한적인 관찰 관점으로 인해 기존 방법들은 훈련 관점에서 벗어난 장면 합성 시 심각한 왜곡이 발생하는 문제가 있다. 본 연구는 확산 모델의 사전 지식을 활용하여 3D 가우시안 스플래팅 모델의 성능을 향상시킴으로써 이 문제를 해결한다.
자율주행 시뮬레이션을 위한 오프라인 강화학습 기반의 반응형 및 제어 가능한 주행 에이전트
오프라인 강화학습을 활용하여 반응형이며 사용자가 제어 가능한 주행 에이전트를 생성할 수 있는 CtRL-Sim 프레임워크를 제안한다.
자율주행을 위한 협업 LLM 에이전트를 통한 편집 가능한 사실적 장면 시뮬레이션
협업 LLM 에이전트 프레임워크를 활용하여 자연어 명령을 통해 편집 가능하고 사실적인 3D 주행 장면 시뮬레이션을 제공한다.
현실적이고 다양한 자율주행 시뮬레이션을 위한 세계 중심 확산 변환기
본 연구는 확산 확률 모델과 변환기의 상호 보완적 강점을 활용하여 자율주행 궤적 생성을 최적화하는 혁신적인 프레임워크를 제안한다.
현실적이고 효과적인 자율주행 파트너를 위한 데이터 정규화 자기 학습 강화 학습
데이터 정규화 자기 학습 강화 학습을 통해 효과적이고 인간과 유사한 자율주행 에이전트를 개발할 수 있다.
실제 운전 데이터를 활용한 생성 모델 기반 주행 시뮬레이터 SLEDGE
SLEDGE는 실제 운전 데이터를 활용하여 차량, 보행자, 교통 신호등 등 다양한 주행 요소를 생성하는 시뮬레이터입니다. 이를 통해 기존 데이터 기반 시뮬레이터의 한계를 극복하고 주행 계획 알고리즘 평가에 새로운 도전과제를 제시합니다.
실제 환경에서의 자율주행 성능 검증을 위한 NeRF 기반 자율주행 시뮬레이션 환경 구축
본 연구에서는 실제 환경에서의 자율주행 에이전트 성능을 예측하고 검증할 수 있는 DriveEnv-NeRF 프레임워크를 제안한다. DriveEnv-NeRF는 Neural Radiance Fields (NeRF)를 활용하여 실제 환경을 고충실도로 재현하고, 이를 통해 자율주행 에이전트의 성능을 예측하고 검증할 수 있다.
자율주행 차량 안전을 위한 실제 주행 궤적을 활용한 다양하고 통제 가능한 위험 시나리오 생성
실제 주행 데이터를 활용하여 다양하고 통제 가능한 안전 위험 시나리오를 생성하는 CaDRE 프레임워크를 제안한다.
