연구진은 자율 주행의 장면 해석과 계획에 LLM·LMM을 활용할 때 시간적 요소를 간과하는 문제를 지적했어요. 시간적 조건을 통합한 세 가지 계획 아키텍처를 개발하여 BDD-X 데이터셋으로 평가한 결과, 표준 NLP 지표에서는 통계적으로 유의미한 성능 향상은 없었어요. 하지만 Sentinel 아키텍처는 예측 기반 위험 추론, 안정적인 수정 행동, 전략적 분기 등의 긍정적인 결과를 보였어요.
시간적 조건을 통합하는 것이 추론 방식에 영향을 미치지만, 의미론적·논리적 일관성을 저해하지 않으면서 시간적 기반을 유지할 수 있음을 확인했어요. 이는 프롬프트 기반 시간적 기반의 한계를 명확히 하고 시간적 장면-계획 추론을 위한 첫 번째 경험적 벤치마크를 제시해요.
본 연구는 자율 주행 시스템의 안전성과 해석 가능성을 높이기 위해 시간적 요소를 고려한 계획 추론의 중요성을 강조하며, 향후 연구 방향을 제시해요.