연구진은 자율 주행의 엔드투엔드 학습에 맞춰 데이터 스케일링의 중요성이 커지고 있다고 밝혔습니다. 실제 주행 데이터는 주석 비용이 많이 들고 장면 편향이 있기 때문에 무한에 가까운 가상 데이터를 활용한 실제-가상 공동 훈련이 유망한 방향입니다.
연구진은 데이터 혼합을 장면 유형과 양에 대한 명확한 지침이 필요하다고 주장하며, 모델 성능을 최대화하기 위해 폐루프 평가 피드백을 통해 반복적으로 훈련 데이터 혼합을 조정하는 동적 최적화 프로세스로 데이터 혼합을 개념화했습니다.
연구진은 장면 표현, 데이터 혼합 최적화 및 검색, 모델 훈련 및 평가를 통합하는 완전 자동 폐루프 데이터 엔진인 AutoScale을 제안했습니다. AutoScale은 Graph-RAE, Cluster-GA, 클러스터 기반 벡터 검색을 활용합니다.
NavSim 실험 결과, AutoScale은 기존 공동 훈련 및 교차 도메인 기준 성능을 능가하며 제한된 예산 하에서 더 적은 가상 샘플로 더 나은 성능을 달성했습니다.