LimSim ++

ad_official·2025년 3월 7일
0

[AD]simulation

목록 보기
2/10

LimSim ++ 질문 정리

  • SUMO(오픈 소스 교통흐름 시뮬레이터) 가 뭔데? 신호등 제어 및 수천 대 규모의 교통량 생성 하는 역할이라고 알고있는데, 그럼 그 교통 차량들의 운전자 모델은 어떤 알고리즘을 쓰는데? 기본 제공 알고리즘을 내 알고리즘으로 갈아끼울 수 있어?
  • 실제 수집한 데이터셋 기반으로 다양한 도로 시나리오와 차량 배치 불러올 수 있어?
  • LimSim의 주변 차량 모델은, IDM 같은 rule-based 모델을 쓰는거 맞아? 그러면 closed-loop 겠네? 실제 주행 데이터 기반 open-loop는 아니겠네? 그리고 실제 주행 데이터 기반으로 행동을 학습한 closed-loop 운전자 모델은 지원하지 않겠네?
  • 보행자 / cyclist 등의 주변 agent 모델도 지원해? 지원한다면 어떤 agent 모델을 적용했어?
  • 학습 기반 planner을 학습할 수 있는 pipeline 제공해?

GPT의 설명

LimSim++

  • LimSim은 Shanghai AI Lab 주도로 개발된 장기 상호작용 다중-시나리오 시뮬레이터로,
  • 2023년 ITSC 학회에 소개되었으며 이후 확장판인 LimSim++ (림심 플러스)이 2024년 공개되었습니다.
  • LimSim은 이름대로 긴 시간 범위의 연속적인 주행 시뮬레이션을 목표로 하며,
    • 복잡한 도시 도로망 위에서 다양한 교통 상황을 발생-진행-종료까지 시뮬레이트할 수 있는 점이 특징입니다.
  • 또한 CARLA와 SUMO(오픈 소스 교통흐름 시뮬레이터)와 동시 연동(co-simulation)할 수 있는 독특한 기능을 제공하여,
  • 고품질 3D 그래픽 & 물리 시뮬레이션과 대규모 교통 흐름 생성의 장점을 동시에 활용
  • 최신 LimSim++에서는 특히 멀티모달 거대언어모델((M)LLM)을 자율주행 플래너로 폐루프 운용하는 실험을 지원하도록 플랫폼을 확장

장점

장시간 폐루프 시뮬레이션

  • LimSim의 가장 큰 강점은 시뮬레이션 타임 호라이즌이 길다는 것
  • 일반적인 시나리오 단위가 아니라 연속적인 “주행” 단위로 시뮬레이션을 수행할 수 있어,
    • 예를 들어 여러 교차로를 지나고 고속도로에 진입한 후 출구로 빠져나오는 일련의 과정도 하나의 시뮬레이션으로 다룰 수 있습니다.
  • 내부적으로 장기간의 교통흐름을 만들기 위해 수요-경로 기반의 차량 생성과 소멸을 지원하고,
  • 다양한 이벤트(예: 끼어들기 발생, 급정거 등)도 시간에 따라 발생시킬 수 있습니다.
  • 이처럼 롱호라이즌 시나리오를 다룸으로써,
  • 계획 알고리즘의 누적 성능이나 안전 운행 여부를 보다 현실에 가깝게 평가하고 지속학습(continuous learning)까지 모색할 수 있습니다.

다양한 도로 환경 및 시나리오

  • LimSim은 범용 도로 구성요소를 사용하여 다양한 형태의 도로를 지원합니다.
  • 예를 들어 고속도로, 신호 교차로, 회전교차로(로터리), 입체교차로(고가도로) 등의 시나리오를 모두 다룰 수 있으며,
    • 여러 종류의 도로가 연결된 복잡한 실제 도시 맵도 시뮬레이션 가능합니다.
  • 지도 입력으로는 OpenDrive 형식을 해석할 수 있고, 공개 도시 시뮬레이션 데이터세트인 CitySim의 도로망도 불러올 수 있습니다.
  • 이를 통해 현실 도시 수준의 도로 환경에서 발생하는 다양한 상황 (예: 합류 차로, 여러 신호 연동 교차로 연속 통과 등)을 실험할 수 있어
    • 시나리오 다양성이 매우 높습니다.

이기종 운전자 모델과 상호작용

  • LimSim에는 여러 가지 운전 성향의 차량 에이전트 모델이 내장되어 있어, 일부 차량은 공격적으로, 일부는 보수적으로 운전하게 함으로써 이질적인 주행 스타일을 시뮬레이션합니다.
  • 예를 들어 차간거리 유지나 차선 변경 시점 등에 대한 파라미터를 달리하여 헤테로지니어스한 행동을 보이도록 합니다.
  • 그리고 상호작용성 면에서, 일정 영역 내의 차량들은 서로 간격을 조절하거나 양보/진입을 결정하는 등 상황에 맞는 반응을 하도록 제어됩니다.
  • 요약하면, LimSim의 교통 에이전트들은 단순히 정해진 경로를 따라가는 것이 아니라 주변 차량(및 자차)의 움직임에 반응하는 교통 군집 지능을 갖추고 있습니다.
  • 이는 복잡한 끼어들기, 교차로 양보 등 다차량 상호작용 시나리오를 현실감 있게 구현하는 데 도움이 됩니다.

Co-Simulation으로 현실감 향상

  • LimSim의 독특한 기능은 CARLA 및 SUMO와의 동기식 동시 시뮬레이션(co-simulation)입니다.
  • 동일한 차량과 도로 환경을 세 가지 시뮬레이터(LimSim 자체 엔진, CARLA, SUMO)에 연결하여, 모든 플랫폼에서 차량 상태가 일치하도록 구동할 수 있습니다.
  • 이를 통해 CARLA의 고품질 3D 그래픽과 물리 모델을 활용하면서도
    • SUMO의 대규모 교통 흐름 시뮬레이션을 함께 사용할 수 있습니다.
  • 예를 들어,
    • CARLA는 센서 시뮬레이션과 충돌 판정 등을 담당하고,
    • SUMO는 신호등 제어 및 수천 대 규모의 교통량 생성에 쓰며,
    • LimSim은 자차/주변차 상호작용 로직을 관리하는 식의 역할 분담이 가능
  • 이 모드에서는 CARLA 화면으로 상황을 관찰하면서 LimSim의 플래너를 평가할 수 있어 현실감과 상호작용 두 마리 토끼를 잡을 수 있음
  • 또한 CARLA 없이 LimSim 단독으로 구동할 때는 내장된 경량 엔진(LimSimLight)으로 빠르게 시뮬레이션할 수도 있어 유연

GUI 및 시나리오 분석

  • LimSim은 크로스플랫폼 GUI를 제공하여 사용자가 시뮬레이션을 직접 관찰/조작할 수 있습니다.
  • 차량 아이콘으로 도로망을 표시하고, 도로 네트워크 정보 및 자차 상태 등을 실시간으로 시각화합니다.
  • 이를 통해 실험을 시각적으로 검증하거나 시나리오를 디자인하기 수월합니다.
  • 또한 긴 시뮬레이션 후 자동 평가 리포트를 생성하고, 그 결과 “키 시나리오”들을 추출하는 기능도 있어 (예: 긴 주행 중 위험했던 순간들 따로 모으기) 방대한 로그에서 중요한 사례를 선별할 수 있습니다.
  • 이는 곧 어려운 상황에 대한 자동 발굴 및 평가를 지원하는 것으로, 학습이나 평가 시 corner case 시나리오를 집중 분석하는 데 도움을 줍니다.

플래너 교체와 확장성

  • LimSim 역시 자차 제어 에이전트를 쉽게 연동할 수 있습니다.
  • Python API를 통해 자차의 가속, 조향을 외부 알고리즘이 결정하게 할 수 있고,
    • 예제로 간단한 모델 기반 제어(ModelExample)나 기록 재생(ReplayExample) 등이 제공
  • 특히 LimSim++에서는 거대언어모델(LLM)을 이용한 자차 제어를 시도하여, 프롬프트로 driving command를 생성하는 식의 특이한 플래너도 통합
    • 이 기능을 위해 GPT-3.5, GPT-4, GPT-4V와 연동하고,
    • 차량 센서정보를 텍스트/이미지로 변환해 LLM에 입력한 뒤,
    • 출력 문장을 다시 제어 명령으로 해석하는 등 복잡한 파이프라인을 구현
  • 이러한 사례는 LimSim의 플랫폼 확장성을 보여주는 것으로,
    • 특정 플래너에 국한되지 않고 사용자 정의 학습 알고리즘(강화학습 에이전트, imitation learning 모델 등)을 얼마든지 접목할 수 있음을 시사
  • 실제로 continuous learning을 염두에 두고 설계되었으며, 장시간 주행하면서 발생하는 경험들을 누적 학습하는 실험도 가능하게 지원하고 있습니다.

단점

설치 및 자원 요구

  • LimSim은 기능이 풍부한 만큼 시스템 요구사항이 상대적으로 높을 수 있습니다.
  • SUMO(교통 시뮬레이터)와 CARLA(3D 시뮬레이터)를 모두 설치하고 연동하려면 환경 설정이 다소 복잡하며,
    • 세 가지 엔진을 동시에 돌릴 경우 CPU/GPU 사용량이 증가할 수 있습니다.
  • 단독 실행시에도 수많은 차량을 처리하려면 성능이 필요하므로, 고사양 PC에서 원활히 동작할 것입니다.
  • 반면 Navsim이나 nuPlan처럼 가볍게 다수 에피소드를 병렬 돌리는 데는 부적합할 수 있습니다.

복잡성 및 초기 학습 곡선

  • 제공 기능이 많고 시뮬레이션 단계가 복잡하다 보니, 사용자가 이해해야 할 개념과 설정이 많습니다.
  • 예컨대, 차량의 행동모델 파라미터, 시나리오 생성 조건, co-simulation 모드 설정, LLM 연동 방법 등 다양합니다.
  • 공식 문서가 존재하지만 아직 Carla처럼 방대한 튜토리얼이 축적된 상태는 아니므로, 초기 학습에 시간이 필요할 수 있습니다.
  • 또한 GPL 라이선스 특성상 상용 프로젝트에 활용 시 주의가 필요하며, 커뮤니티가 이제 시작된 단계라 사용자 지원이나 정보 공유 측면에서 성숙도가 Carla 등에 비해 낮습니다.

고급 물리 및 센서

  • LimSim 자체 엔진이나 SUMO 엔진은 차량을 거의 점차량 모델로 취급하여 이동을 제어하기 때문에,
    • 정밀한 차량 동역학 (예: 타이어 마찰 한계, 서스펜션 거동)까지 모사하지는 않습니다.
  • 이는 대부분의 플래너 연구에는 큰 문제가 없지만, 만약 차량 제어단의 PID 튜닝이나 한계주행 상황 등을 실험하려면 부족할 수 있습니다.
  • CARLA와 연계하면 차량 물리를 보완할 수 있으나, 그 경우에도 CARLA의 기본 차량 모델이 절대정확한 것은 아니므로 한계는 존재합니다.
    • 센서의 경우 LimSim 엔진 자체로는 센서 시뮬레이션이 없고,
      • CARLA 연동을 해야 RGB, LiDAR 등을 얻을 수 있습니다.
  • 따라서 센서 인지부터 학습하려는 경우 LimSim 단독으로는 어려워 CARLA 데이터를 활용해야 하며, 이는 Navsim/nuPlan 등과 동일한 한계입니다.

최신 LimSim++의 특수성

  • LimSim++는 LLM 기반 운전을 주요 테마로 추가된 플랫폼
    • 이는 흥미로운 방향이지만 일반적인 자율주행 학습과는 다소 동떨어진 요소
  • LLM을 쓰지 않는다면 LimSim++의 추가 기능이 직접적으로 도움이 되지는 않을 수 있습니다.
  • 다만 기본 LimSim 기능과 코드베이스는 그대로 활용 가능하므로 큰 문제는 아니지만,
    • 문서나 홍보자료가 LLM 예시에 집중되어 있어 일반 플래너 연구자가 원하는 사용 예제(예: 강화학습 에이전트와의 연동 등)를 찾기 약간 어려울 수 있습니다.

추가 대답

LimSim++

  1. SUMO란 무엇이며, 운전자 모델 알고리즘 및 교체 가능성: SUMO(Simulation of Urban MObility)는 독일 DLR이 개발한 오픈 소스 교통 시뮬레이터로, 도시 규모의 도로망에서 차량 흐름을 미시적으로 시뮬레이션하고 신호등 제어 등을 실험할 수 있는 도구입니다. SUMO에서는 각 차량이 시간마다 속도와 차선을 결정하는 운전자 모델(driver model)을 가지고 움직입니다. 기본 제공되는 종방향 차량 추종 알고리즘은 Krauss 모델로 알려져 있는데, 선행 차량과의 안전거리를 유지하도록 속도를 조정하여 충돌이 없도록 보장하는 방식입니다 (Set car-following model · Issue #13727 · eclipse-sumo/sumo · GitHub). Krauss 모델은 운전자가 반응하는 데 걸리는 시간(tau)과 최대 가속도/감속도 등의 파라미터로 정의되며, 이 값들을 통해 차량 간격 유지와 속도 변화를 결정합니다. 이 모델 이외에도 SUMO는 IDM(Intelligent Driver Model) 등 여러 차종 추종 공식을 내장하고 있어, 설정 파일이나 TraCI API를 통해 차량별로 다른 모델을 사용할 수도 있습니다. 또한 차로 변경은 SUMO의 논문에 소개된 바와 같은 고유의 차로 변경 모델(예: MOBIL 알고리즘 기반)이 적용되어, 추월이나 차선 유지 여부를 판단합니다.

    사용자는 SUMO의 기본 운전자 모델을 다른 알고리즘으로 교체할 수 있습니다. 가장 간단한 방법은 SUMO 설정에서 차량 타입별로 제공되는 carFollowModel 속성을 변경하는 것으로, 예를 들어 <vType id="car" carFollowModel="IDM" …> 형태로 지정하면 그 차량군에 IDM 모델이 적용됩니다 ([Help Request] Wanna to know about traffic model · Issue #2119 · huawei-noah/SMARTS · GitHub). SUMO는 이미 IDM, KraussOrig, Wiedemann 등 다양한 모델을 내장하고 있기 때문에 이러한 전환이 가능합니다. 만약 내장 모델로 충분치 않거나 사용자 정의 모델을 구현하고 싶다면, SUMO의 확장 인터페이스를 통해 새로운 차량 추종 모델을 플러그인 형태로 추가할 수 있습니다 (Car-Following-Models - SUMO Documentation). 실제 SUMO 문서에서는 C++로 사용자 모델 클래스를 작성하고 빌드하여 SUMO에 연결하는 방법을 안내하고 있습니다. 또는 TraCI라 불리는 SUMO 외부 제어 API를 사용해, 파이썬 등으로 시뮬레이션 실행 중 매 timestep마다 각 차량의 가감속을 지정함으로써 독자적인 알고리즘을 적용할 수도 있습니다. 요컨대, SUMO는 Krauss와 같은 검증된 모델을 기본으로 사용하지만, 필요에 따라 IDM 등의 모델로 교체하거나 아예 사용자가 새로운 알고리즘을 주입하는 것도 가능한 유연한 구조입니다 (Set car-following model · Issue #13727 · eclipse-sumo/sumo · GitHub).

  2. 실제 데이터 기반 도로 시나리오 및 차량 배치 불러오기: LimSim++은 다양한 도로 환경과 초기 교통 상태를 불러와 시뮬레이션할 수 있도록 설계된 플랫폼입니다. 공식 안내에 따르면, LimSim은 고속도로, 신호화 교차로, 라운드어바웃(회전 교차로), 입체 교차로 등 현실 세계의 여러 도로 구조를 지원하며 (GitHub - PJLab-ADG/LimSim: LimSim & LimSim++: Integrated traffic and autonomous driving simulators with (M)LLM support), 이러한 요소들을 조합하여 멀티-시나리오 시뮬레이션을 장기간 실행할 수 있습니다. 특히 LimSim에서 제공하는 도로망은 범용성이 높아, 사용자가 보유한 외부 도로 데이터셋도 통합하기 쉽습니다. 예를 들어, 연구용 CitySim 데이터셋에 포함된 freewayB나 Expressway_A와 같은 실제 도로망 파일(.net.xml)을 networkFiles 폴더에 추가하면, 해당 도로 지도를 가진 시나리오를 LimSim++에서 실행할 수 있습니다 (GitHub - PJLab-ADG/LimSim: LimSim & LimSim++: Integrated traffic and autonomous driving simulators with (M)LLM support). (CitySim의 지도는 저작권 문제로 LimSim 저장소에 직접 포함되진 않았지만, 사용자 측에서 파일만 제공하면 인식하도록 구현되어 있습니다.) 한편 LimSim은 시뮬레이션 리플레이 기능도 갖추고 있어, 한 번 수행한 시뮬레이션의 로그를 다시 재생하거나 특정 초기 차량 배치를 반복하여 실험할 수 있습니다 (GitHub - PJLab-ADG/LimSim: LimSim & LimSim++: Integrated traffic and autonomous driving simulators with (M)LLM support). 이 기능을 통해 예를 들어 실도로에서 수집한 차량 배치와 흐름 데이터를 불러온 뒤, 동일한 조건에서 여러 플래너를 테스트하는 것이 가능합니다. 정리하면, LimSim++는 도시 규모 지도 지원과 다양한 도로 유형을 기본으로 하며, 실제 데이터셋의 도로/교통 정보를 비교적 쉽게 불러와 활용할 수 있게 만들어져 있습니다.

  3. LimSim++의 주변 차량 모델 (IDM 등) 및 폐루프/오픈루프 지원: LimSim++에서는 시나리오 내 배경 차량들이 현실적인 주행을 하도록 몇 가지 규칙 기반 모델을 내장하고 있습니다. 논문에서 “인간과 유사한 의사결정 및 주행 계획 알고리즘을 적용했다”고 언급된 부분이 있는데 ([2502.09170] LimSim Series: An Autonomous Driving Simulation Platform for Validation and Enhancement), 이를 통해 유추할 수 있듯이 LimSim++는 IDM과 유사한 차량 추종 모델과 휴리스틱한 차선 변경/교차로 진입 규칙 등을 사용하여 이질적인 운전 성향을 가진 운전자들을 모사합니다 (GitHub - PJLab-ADG/LimSim: LimSim & LimSim++: Integrated traffic and autonomous driving simulators with (M)LLM support). 이러한 주변 차량들은 Ego 차량의 동작에 실시간 반응하도록 설계되어 폐루프(closed-loop) 상호작용을 구현합니다. 특히 LimSim++는 관심 영역(AoI, Area of Interest) 개념을 도입하여 Ego 주변의 차량들 상호작용을 정교하게 처리함으로써, 주요 상황에서의 반응성을 높이고 시뮬레이션 자원을 효율적으로 사용합니다. 요약하면, LimSim++의 주변 차량 모델은 IDM 기반의 종방향 제어와 휴리스틱한 차선 변경 로직으로 구성된 규칙 기반 운전자 모델이며, 시뮬레이션 동안 Ego의 행동에 대응하는 폐루프 형태로 동작합니다.

    반면, 실제 주행 데이터 기반의 open-loop 주행 모드에 대해서는 LimSim++에서 큰 비중을 두고 있지 않습니다. LimSim 시리즈는 처음부터 장기 시나리오의 상호작용 학습을 염두에 두고 개발되었기 때문에, 주변 객체들이 사전에 녹화된 궤적만 재생하는 방식보다는 시뮬레이션 내에서 동적으로 상호작용하도록 하는 것을 목표로 합니다 (Long-term Macro-micro Interactive Simulation - LimSim). 따라서 SMARTS의 NGSIM 모드처럼 완전히 open-loop로 주변차를 움직이게 하는 전용 기능은 강조되지 않으며, 기본적으로는 앞서 언급한 휴먼 모델들에 따라 차량들이 움직입니다. 또한 현재 LimSim++가 실제 데이터로 학습된 폐루프 운전자 모델(예: imitaion learning으로 얻은 NPC)을 내장하고 있지는 않습니다. “built-in behavioral models”란 표현이 쓰이지만 이는 규칙 기반 모델들을 가리키며 (GitHub - PJLab-ADG/LimSim: LimSim & LimSim++: Integrated traffic and autonomous driving simulators with (M)LLM support), 이를 뛰어넘어 별도로 딥러닝으로 학습된 배경 차량 AI를 제공하고 있다는 언급은 없습니다. 요컨대 LimSim++의 주변 차량은 규칙 기반 휴먼 드라이버 모델로 움직이며, 필요하다면 사용자가 추가로 학습된 에이전트를 투입할 수는 있겠지만, 플랫폼 기본으로는 실제 데이터 모사 + 폐루프 제어에 집중되어 있습니다.

  4. 보행자 및 자전거 등 다른 교통참가자 모델 지원: 현재 LimSim++는 시뮬레이션의 초점을 차량 대 차량 상호작용에 맞추고 있으며, 보행자나 자전거와 같은 교통 참가자의 별도 모델에 대해서는 공식 문서에 언급이 거의 없습니다. LimSim 소개 자료의 “다양한 행동 모델”도 이질적인 차량 운전 스타일을 의미하며 (GitHub - PJLab-ADG/LimSim: LimSim & LimSim++: Integrated traffic and autonomous driving simulators with (M)LLM support), 지원되는 도로 환경도 차량 중심으로 구성되어 있습니다 (GitHub - PJLab-ADG/LimSim: LimSim & LimSim++: Integrated traffic and autonomous driving simulators with (M)LLM support). 따라서 보행자 신호 준수나 자전거 주행 같은 세부적인 알고리즘은 LimSim++에 기본 탑재되어 있지 않은 것으로 판단됩니다. 만약 사용자 측에서 보행자나 자전거를 포함시키고자 한다면, CARLA와의 동시 시뮬레이션(co-simulation) 기능을 활용하는 것이 하나의 방법입니다 (GitHub - PJLab-ADG/LimSim: LimSim & LimSim++: Integrated traffic and autonomous driving simulators with (M)LLM support). LimSim은 CARLA와 연동하여 차량 상태를 동기화할 수 있으므로, CARLA를 통해 보행자/자전거를 시뮬레이트하고 LimSim의 차량 흐름과 결합하는 식으로 구현 가능할 것입니다. 그러나 이것은 플랫폼의 확장 활용 방식일 뿐, LimSim++ 자체에 보행자 또는 자전거의 반응형 행동 모델이 내장되어 있지는 않습니다. 정리하면, LimSim++는 현재 차량 이외의 교통 참가자에 대한 특별한 지원은 없으며, 시뮬레이션에 등장하더라도 단순한 이동 객체로 다뤄질 가능성이 높습니다.

  5. 학습 기반 플래너를 위한 학습 파이프라인 제공 여부: LimSim++는 학습 기반 자율주행 플래너의 개발과 평가를 지원하는 것을 목표로 하고 있습니다. 이를 위해 플래너가 관여하는 결정 및 제어 과정의 인터페이스를 공개하여, 사용자가 자신의 알고리즘을 쉽게 주입하고 테스트할 수 있도록 만들었습니다 (Long-term Macro-micro Interactive Simulation - LimSim). 예를 들어, Ego 차량의 의사결정(정책) 모듈을 사용자 구현으로 대체하여 LimSim 시뮬레이터에서 구동할 수 있고, 시뮬레이션 도중 해당 플래너의 출력을 받아 차량을 움직이도록 할 수 있습니다. 강화학습 관점에서 보면, LimSim++ 자체가 RL 알고리즘을 내장하고 있지는 않지만, 환경을 지속적으로 돌리면서 에이전트의 성능을 측정하고 피드백하는 폐루프 인프라는 제공됩니다 ([2402.01246] LimSim++: A Closed-Loop Platform for Deploying Multimodal LLMs in Autonomous Driving). 실제로 LimSim++ 논문에서는 멀티모달 거대 언어 모델(LLM)을 자율주행에 적용하는 실험을 소개하면서, 연속 학습(continuous learning)과 일반화 향상을 지원하는 장기 폐루프 시뮬레이션 플랫폼임을 강조하고 있습니다 ([2402.01246] LimSim++: A Closed-Loop Platform for Deploying Multimodal LLMs in Autonomous Driving). 또한 프롬프트 엔지니어링, 모델 평가, 프레임워크 개선 등의 절차를 이 환경에서 수행할 수 있다고 하여, 사용자가 학습 사이클을 구축하기 용이한 도구임을 명시하고 있습니다 ([2402.01246] LimSim++: A Closed-Loop Platform for Deploying Multimodal LLMs in Autonomous Driving).

그러나 학습 파이프라인이라 함은, 예컨대 강화학습 알고리즘의 훈련 루프나 손쉽게 모방학습을 수행하는 자동화된 기능을 지칭하는데, 그런 면에서 LimSim++는 특정 알고리즘에 종속된 파이프라인을 제공하지 않습니다. 대신 범용 시뮬레이션/평가 도구를 제공하는데, 사용자는 이를 활용하여 자신의 학습 코드를 작성하고 반복 실험을 진행하게 됩니다. 예를 들면, LimSim++의 인터페이스를 통해 에이전트의 관측과 보상을 수집하고, 매 에피소드마다 플래너(에이전트)를 업데이트하는 RL 코드를 사용자가 구성할 수 있습니다. 플랫폼에는 다양한 평가지표와 시나리오가 포함되어 있어 학습 과정에서 성능을 모니터링하기에 용이하며, 이러한 부분이 학습을 간접적으로 지원한다고 볼 수 있습니다. 요약하면, LimSim++ 자체는 학습 알고리즘을 내장한 플래너를 제공하지는 않지만, 학습 기반 플래너를 테스트/검증하기 위한 환경과 도구를 갖추고 있고 (예: ML 플래너와 전통 플래너에 대한 여러 baseline 및 평가 지표 제공), 이를 통해 사용자가 자신의 학습 파이프라인을 구현하여 실험하는 형태를 취합니다.

profile
ad_official
ad_official
이전 포스트

[Navsim] 완벽정리 (작성중)

다음 포스트

Carla

0개의 댓글