[논문 리뷰] Rectify, Don't Regret: Avoiding Pitfalls of Differentiable Simulation in Trajectory Prediction

Harsh Yadav, Christian Bohn외 1명|arXiv (Cornell University)|2026. 03. 24.

Autonomous Vehicle Technology and Safety인용 수 0

한 줄 요약

본 논문은 완전히 미분 가능하고 폐루프인 시뮬레이터들이 단축 학습을 가능하게 함을 보여주고, 드리프트로부터 진정한 복구를 강제하기 위해 비-미분 가능하고 분리된 폐루프 롤아웃을 제안하며, 더 강건한 궤적 예측과 더 적은 충돌을 가져온다.

ABSTRACT

Current open-loop trajectory models struggle in real-world autonomous driving because minor initial deviations often cascade into compounding errors, pushing the agent into out-of-distribution states. While fully differentiable closed-loop simulators attempt to address this, they suffer from shortcut learning: the loss gradients flow backward through induced state inputs, inadvertently leaking future ground truth information directly into the model's own previous predictions. The model exploits these signals to artificially avoid drift, non-causally "regretting" past mistakes rather than learning genuinely reactive recovery. To address this, we introduce a detached receding horizon rollout. By explicitly severing the computation graph between simulation steps, the model learns genuine recovery behaviors from drifted states, forcing it to "rectify" mistakes rather than non-causally optimizing past predictions. Extensive evaluations on the nuScenes and DeepScenario datasets show our approach yields more robust recovery strategies, reducing target collisions by up to 33.24% compared to fully differentiable closed-loop training at high replanning frequencies. Furthermore, compared to standard open-loop baselines, our non-differentiable framework decreases collisions by up to 27.74% in dense environments while simultaneously improving multi-modal prediction diversity and lane alignment.

연구 동기 및 목표

• 미분 가능한 시뮬레이터가 궤적 예측에서 단축 학습과 과거의 후회를 가능하게 함을 보여준다.
• 드리프트된 상태로부터의 진정한 복구를 강제하기 위해 비-미분 가능하고 분리된 폐루프 롤아웃을 제안한다.
• 제안된 방법의 강건성을 nuScenes와 DeepScenario에서 열린 루프(open-loop) 및 미분 가능 기준선과 비교하여 평가한다.

제안 방법

• 각 단계 사이의 계산 그래프를 끊는 분리된 후퇴 가능한 호라이즌 롤아웃을 도입한다.
• 다른 에이전트들이 실제 궤적을 따르는 동안 대상 에이전트를 고립시키기 위해 로그 재생 로그 재생 시뮬레이션을 사용한다.
• 역전파 중에 열린 루프 샘플과 폐루프 샘플을 동일하게 처리하도록 훈련 목표를 수정하고 재정식화된 음의 로그 가능도(negative log-likelihood)를 사용한다.
• 효율적인 반복적 순차 예측을 위해 디코더 전용 LMFormer-D 아키텍처를 채택한다.
• 유도된 상태 입력을 통한 역전파를 차단하기 위한 그래디언트 분리(detachment)를 시연한다(그래디언트 누출 없음).
• 다양한 재계획 주파수에서 충돌, 다중 모드 다양성, 차선 정렬을 평가한다.

실험 결과

연구 질문

• RQ1 미분 가능한 시뮬레이터가 미래 정보를 과거 예측으로 누출시켜 비인과적(non-causal) 단축 학습을 모델이 학습하게 할 수 있는가?
• RQ2 높은 재계획 주파수에서 비-미분 가능 폐루프 학습 프레임워크가 궤적 예측의 강건성과 안전성을 향상시키는가?
• RQ3 충돌, 다양성, 차선 정렬 측면에서 제안된 방법이 열린 루프 기준선과 미분 가능 폐루프 학습에 비해 어떤 차이를 보이나요?
• RQ4 고주파수의 자기회귀 폐루프 롤아웃에 대해 디코더 전용 아키텍처가 효과적인가요?
• RQ5 다양한 H_step/Replanning 주파수로 평가할 때 nuScenes와 DeepScenario에서 얻는 강건성 향상은 무엇인가요?

주요 결과

• 미분 가능한 폐루프 학습은 단축 학습과 그래디언트 누출로 인해 높은 재계획 주파수에서 불안정을 야기한다.
• 비-미분 가능 폐루프 학습은 높은 재계획 주파수에서 미분 가능 기준선 대비 충돌을 최대 33.24%까지 감소시킨다.
• 개방 루프 기준선과 비교했을 때, 비-미분 가능 학습은 밀집 환경에서 최대 27.74%의 충돌 감소를 가져온다.
• 디코더 전용 LMFormer-D는 파라미터 수를 45% 감소시키고 FLOPs를 62% 감소시키면서도 개방 루프 지표에서 경쟁력을 유지한다.
• 해당 방법은 높은 재계획 주파수에서 다중 모드 예측 다양성과 차선 정렬을 향상시킨다.