자율주행을 위한 대부분의 모방학습(planning) 플래너는 평균 변위 오차(ADE)와 같은 변위(displacement) 기반 목적함수로 학습되며, 이는 평균 정확도는 우선시하지만 예측된 궤적이 얼마나 자주 위험해지는지를 간과한다. CARE Planner는 주의(attention) 제약을 갖는 Transformer에 조건부 가치위험(Conditional Value at Risk, CVaR) 기반 위험 모듈을 추가하여, 예측 지평(prediction horizon) 전체에서 여유(clearance) 기반 꼬리 위험(tail risk)을 측정한다. 이러한 위험은 지도(supervised) 궤적 모드를 선택하는 데에도 사용되며, 또한 다중모달 학습(multimodal learning) 동안 위험한 모드를 하향 가중하는 꼬리위험 인식(tail-risk-aware) 소프트 타깃(soft target)을 구성하는 데에도 활용된다. PlanTF와 같은 최신 플래너 및 우리가 이전에 제안한 프레임워크인 CAR Planner와 비교할 때, CARE Planner는 전체 성능에서 더 우수하고 nuPlan 벤치마크에서 안전 관련 지표들에서 유의미한 개선을 보이며, 모방학습 플래너의 신뢰성을 향상시키는 위험 인식 학습의 효과를 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.