World Engine: Towards the Era of Post-Training for Autonomous Driving

자율주행의 롱테일 안전 사고를 합성 월드 모델로 포스트트레이닝하여 해결하는 'World Engine' 프레임워크. 프로덕션 시스템에서 충돌률 최대 45.5% 감소.

World Engine은 실제 주행 로그에서 안전 중요 롱테일 이벤트를 발굴하고, 3D Gaussian Splatting 기반 사진급 렌더링과 행동 월드 모델로 다양한 위험 변형을 합성한 뒤, 강화학습 포스트트레이닝으로 주행 정책의 안전성을 개선한다. nuPlan 벤치마크에서 프리트레이닝 데이터를 단순히 늘리는 것보다 훨씬 큰 안전 향상을 보였으며, Huawei 프로덕션 시스템(8만 시간 주행 데이터)에서 시뮬레이션 충돌률 최대 45.5% 감소, 상하이 200km 온로드 테스트에서 무단차 기록. 자율주행을 넘어선 일반 Physical AI의 안전 학습 패러다임을 제시한다.

핵심 요약

• 롱테일 안전 이벤트를 실제 로그에서 발굴 → 3DGS 고품질 시뮬레이션 → 행동 월드 모델로 변형 생성 → RL 포스트트레이닝의 4단계 파이프라인
• 프리트레이닝 데이터를 2배 늘리는 것보다 World Engine 포스트트레이닝이 더 큰 안전 향상 달성 (~10배 데이터 증가와도 경쟁력 유지)
• Huawei 프로덕션 자율주행 시스템(8만 시간 주행 데이터) 적용 시 시뮬레이션 충돌률 최대 45.5% 감소
• 상하이 도심 65km + 70km(야간) 온로드 테스트에서 무단차(zero disengagement) 달성
• 58.3M 파라미터 소형 모델에서는 반복 포스트트레이닝 시 정책 불안정 관찰 — 대규모 모델의 정기적 반복 학습 가능성은 미해결
• 자율주행 너머 로봇 조작·보행·수술 로봇 등 일반 Physical AI의 안전 학습 템플릿 제안

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.