NAVSIM vs LimSIM 시뮬레이터 비교 분석

분류	NAVSIM	LimSIM
기본 아키텍처	비반응형 시뮬레이션 (Pre-recorded Log 기반)	반응형 멀티에이전트 시스템 (실시간 상호작용)
시뮬레이션 유형	Open-Loop (주변 객체가 자율차의 행동에 반응하지 않음)	Closed-Loop Reactive (에이전트 간 실시간 상호작용 구현)
병렬 처리 능력	대규모 배치 처리 (단일 노드에서 500+ 시나리오 동시 실행)	Kubernetes 클러스터 지원 (1,000+ 차량 병렬 처리)
주행 정책 평가	PDM Score 기반 메트릭 (충돌/주행 영역/진행 방향 준수 등 5개 항목)	실시간 안전성 검증 (CBF 기반 제어 + LLM 상황 판단)
데이터 처리	오프라인 데이터셋 재생 (nuScenes 기반)	실시간 센서 융합 (Camera+LiDAR+Radar 동기화)
하드웨어 연동	소프트웨어 기반 검증 전용	HIL(Hardware-in-the-Loop) 지원 (NVIDIA DRIVE AGX Orin 연동)
최적화 기술	정적 자원 할당 (고정된 컴퓨팅 리소스)	AoI(Area of Interest) 기반 동적 리소스 관리 (주변 50m 고해상도 처리)
시나리오 커스텀	Python API를 통한 제한적 시나리오 생성	Drag-and-Drop 시나리오 에디터 + V2X 시그널 인젝션 기능
학습 프레임워크	Imitation Learning 전용 (인간 운전자 데이터 재현)	Hybrid Learning (강화학습 + 인간 시연 데이터 + 물리 기반 모델)
안전성 검증	사후 메트릭 계산 (시뮬레이션 종료 후 통계 분석)	실시간 CBF(Control Barrier Function) 기반 안전 필터링
커뮤니티 지원	CVPR 2024 대회 주최 (463개 팀 참여)	GitHub 기반 오픈소스 생태계 (기업/학계 협력 프로젝트)
시각화 도구	기본 Bird's Eye View 시각화	3D 멀티뷰 렌더링 (LOD Level 5 단계 조절)
성능 벤치마크	100차량 기준 72 FPS (비반응형 특성 활용)	100차량 기준 58 FPS (반응형 처리로 인한 오버헤드 존재)
장점	• 대규모 테스트에 효율적 • 재현성 높은 평가 체계 • 빠른 배치 처리	• 현실적 상호작용 구현 • 실시간 안전 검증 • 확장성 높은 아키텍처
단점	• 환경 반응성 부족 • 하드웨어 연동 불가 • 제한적 커스터마이징	• 높은 컴퓨팅 리소스 요구 • 학습 곡선 가파름 • 설정 복잡성
적용 사례	• 주행 정책 벤치마킹 • 대규모 알고리즘 검증	• V2X 협력 주행 개발 • 위기상황 대응 테스트 • HIL 통합 검증

주변 agent

• LimSim 시뮬레이터는 자율주행 시스템의 개발과 테스트를 위해 설계된 플랫폼으로, 주변 에이전트(차량, 보행자 등)의 모델링과 반응성에 대해 다음과 같은 특징을 가지고 있습니다:

1. 주변 에이전트 모델링

시나리오 영역 내부의 차량 (주변 차량)

• 시나리오 영역 내의 차량들은 정밀한 동적 상호작용을 위해 “PDP 프로세스”(Prediction, Decision-making, Planning)를 사용합니다.
  • 이 과정에서 그룹 기반 MCTS(몬테카를로 트리 탐색)와 같은 기법을 통해 각 차량이 다른 차량과 상호작용하며 의사결정을 내리게 됩니다.

시나리오 영역 외부의 차량

• 시나리오 영역 밖의 차량들은 전통적인 미시 교통 흐름 모델(예: car-following, lane-changing 모델 등)을 기반으로 제어되며, 주로 고정된 로그나 규칙에 따라 움직입니다.

1.1 인간과 유사한 행동 모델링

• HumanSim:
  • LimSim은 HumanSim이라는 프레임워크를 통해 인간과 유사한 주행 행동을 모델링
  • 이 프레임워크는 대형 언어 모델(LLM)을 사용하여 에이전트의 행동을 제어하며, 다양한 상황에서 인간과 유사한 반응을 보일 수 있도록 설계되었습니다[1].
• 다양한 상황 고려:
  • HumanSim은 운전 스타일, 성격 특성, 갑작스러운 상황 등을 고려하여 에이전트의 행동을 결정
  • 이를 통해 실세계 시나리오를 더욱 정확하게 재현할 수 있습니다[1].

1.2 다중 에이전트 시스템

• 다양한 에이전트 유형:
  • LimSim은 차량, 보행자 등 다양한 유형의 에이전트를 포함하며, 각 에이전트는 고유의 동적 모델, 관찰, 안전 기준을 가지고 있습니다[4].
• 계층적 학습 프레임워크:
  • 각 에이전트는 고수준의 결정/제어기, 참조 제어기, CBF 네트워크, CBF 기반 제어기로 구성된 학습 프레임워크를 통해 모델링됩니다.
  • 이 프레임워크는 안전성을 우선시하며, 인간의 고수준 결정을 학습

2. 반응형 vs 비 반응형

2.1 반응형 에이전트

• CtRL-Sim:
  • LimSim은 CtRL-Sim이라는 프레임워크를 통해 반응형 에이전트를 생성
  • 이 프레임워크는 반환 조건화된 오프라인 강화 학습을 사용하여 에이전트의 행동을 제어하며, 주변 환경의 변화에 반응할 수 있습니다[3][7].
• 안전성과 반응성:
  • LimSim의 에이전트는 주변 환경의 변화에 반응하여 충돌을 피하고, 차선을 유지하며, 속도 제한을 준수하는 등의 안전한 행동을 보입니다[4].

2.2 비 반응형 에이전트

• 로그 재생:
  • 일부 시뮬레이션에서는 기존의 로그 데이터를 재생하여 에이전트의 행동을 재현
  • 이러한 에이전트는 주변 환경의 변화에 반응하지 않으며, 미리 정해진 궤적을 따릅니다[3][7].

결론

• LimSim 시뮬레이터는 인간과 유사한 행동을 모델링하고, 반응형 에이전트를 생성하여 자율주행 시스템의 테스트를 더욱 현실적으로 만들기 위해 설계되었습니다.
• HumanSim과 CtRL-Sim 프레임워크를 통해 에이전트는 주변 환경의 변화에 반응하며, 안전성을 우선시하는 행동을 보입니다.
• 그러나 일부 시나리오에서는 비 반응형 에이전트도 사용될 수 있으며, 이는 주로 로그 데이터를 재생하여 에이전트의 행동을 재현할 때입니다.

---

여러 ego agent deploy?

• LimSim은 시나리오 영역 내에서 ego 차량과 주변 차량을 구분하고,
  • 각 차량에 대해 개별적인 제어 알고리즘(PDP: Prediction-Decision-making-Planning)을 적용할 수 있도록 모듈화되어 있습니다.
• 이를 통해 사용자는 자신의 custom 주행 policy를 ego 차량에 적용하여 여러 대를 병렬로 시뮬레이션하고, 상호작용 및 누적 효과를 평가할 수 있습니다.