오픈 소스 시뮬레이터 종합 비교

ad_official·2025년 3월 7일

[AD]simulation

목록 보기

5/10

질문 정리

실제 운전자 데이터 기반으로 학습하여, 실제 운전자처럼 행동하는 주변 차량 reactive 운전자 모델(예: 실제 운전자 데이터셋으로 학습한 운전자 모델을 제공)을 제공하는 open source 구현체를 깊이 조사해줘! (github stars 수 300 이상으로 제한)
ego agent말고, 주변 m대 agents의 운전자 모델을 customize할 때, 운전자 모델 알고리즘 A로 n대의 주변 agents 를 제어 하고, 운전자 모델 알고리즘 B로 m-n 대의 주변 agents를 제어하는 식의 구현을 제공하는 구현체가 있어? (그룹끼리 묶어서 모델링하는걸 지원하는 구현체가 있냐는 질문이야.) (github stars 수 300 이상으로 제한)
Carla, MetaDrive, Navsim, SMARTS, LimSim, NuPlan 이외에도 github stars 수 300 이상 기록하여 범용적으로 쓰이고 있는 자율주행 시뮬레이터들을 추가적으로 소개해주고, 그들이 Carla, MetaDrive, Navsim, SMARTS, LimSim, NuPlan 와 비교하여 가지는 그 시뮬레이터만의 특장점을 자료 조사해줄래?

딥 리서치의 대답 1

종합 비교 및 결론

시나리오 데이터와 규모:

실제 로그 데이터 활용 측면에서는 nuPlan과 Navsim이 뛰어납니다.
- nuPlan은 방대한 현실 데이터셋으로 사실적인 시나리오 커버리지를 제공하고,
- Navsim은 이를 경량 환경에서 대량 실행함으로써 통계적 성능 평가에 유리.
LimSim은 데이터 기반보다는 시나리오 생성기에 가깝지만,
- CitySim 맵 등을 불러와 현실 수준 복잡도를 만들어낼 수 있고,
- 다양한 도로환경을 하나의 시뮬레이션에 담을 수 있어, 장시간 주행 시나리오에 강함
CARLA는 자체 맵들이 제한적이지만
- OpenDrive를 통해 도시 맵을 가져올 수 있고,
- 사용자 스크립팅으로 상황을 만들어냄
NVIDIA DRIVE Sim은
- 사전 제작된 고품질 시나리오 및 파트너가 제공하는 실제 도시 디지털트윈 맵 등을 활용해 매우 현실적인 상황을 구현

폐루프 상호작용:

모든 후보 (Navsim, LimSim, nuPlan, CARLA)는 어느 정도 폐루프 자차 제어를 지원
이 중 Navsim 초기버전만 비반응에 한정되었으나 v2.0부터 반응형을 포함했고 , nuPlan도 reactive agent 개념을 도입
LimSim은 애초에 상호작용을 주목적으로 했고, 다양한 차량 간 양보/경쟁을 다룸
CARLA는 기본 AI가 단순하지만, 일단 자차 행동에 반응(예: 자차가 멈추면 뒤차도 정차)하는 로직은 있어 폐루프 운전이 가능
NVIDIA DRIVE Sim은 고급 시뮬레이터답게 보행자, 차량 모두 복잡한 반응을 할 수 있도록 시뮬레이션되지만, 이는 사전 스크립트와 AI 플러그인을 통해 이뤄지는 것
비반응 모드는 Navsim이나 LimSim에서 replay 기능으로 구현 가능하며 (기록 궤적 그대로 재현),
- CARLA도 Traffic Manager 설정을 바꾸거나 스크립트로 정해진 경로만 따르게 하면 비반응 시나리오를 만들 수 있습니다.

플래너 교체/개발 용이성:

nuPlan은 완성된 플래너 개발 프레임워크를 제공하여, 사용자가 모델만 정의하면 학습-평가까지 한곳에서 가능하도록 해줍니다.
Navsim 역시 코드 구조가 플래너 모듈화에 초점이 맞춰져 있어,
- 간단히 새 에이전트를 추가하고 평가할 수 있고, 예제 정책들도 다수 포함되어 있습니다.
LimSim은 특정 ML 파이프라인 제공은 아니지만, Python으로 제어 가능하고 LLM 통합 사례에서 보듯 외부 플래너와의 연동 자유도가 높습니다.
CARLA는 시뮬레이터일 뿐 플래너 개발 보조 기능은 없으나, API로 제어하며 원하는 알고리즘을 테스트하는 데 제약은 없습니다.
단지 학습 파이프라인을 사용자가 직접 구축해야 합니다.
NVIDIA DRIVE Sim은 SIL 연결로 자사 또는 사용자 플래너를 탑재할 수 있으나,
- 오픈소스가 아니어서 내부 동작을 바꾸는 것은 어려우며, 주로 완성된 스택을 검증하는 용도로 쓰입니다.

학습 및 난이도 높은 시나리오:

모방학습(Behavior Cloning)을 바로 실습해보려면 nuPlan의 노트북 예제가 가장 친절하며,
Navsim도 기본 MLP 플래너를 데이터로 학습시키는 방법을 담고 있음
강화학습 쪽은
- MetaDrive나 ScenarioNet 등 다른 프로젝트에서 CARLA/nuPlan과 연계한 사례가 있지만,
- LimSim처럼 장시간 시뮬레이터가 더 유리할 수 있습니다 (에피소드 길이가 길어 sparse reward 문제 완화 등).
어려운 시나리오 지원 면에서는
- nuPlan이 실제 데이터 내 어려운 이벤트 태그를 활용할 수 있어 좋고,
- LimSim은 상황을 인위적으로 어렵게 (차량들 난폭하게, 돌발 보행자 추가 등) 만들 수 있어 유연
- CARLA도 사용자가 충분히 위험한 상황을 설계할 수 있으나, 그 결과 교통 AI가 제대로 대응 못 하면 현실성과 멀어질 수 있습니다.
- Navsim은 데이터에 존재하는 위험상황만 재현 가능하나, OpenScene 등의 데이터 자체가 챌린징한 상황들을 포함하고 있어 유용

호환성과 통합:

LimSim은 CARLA와 직접 연동이 가능하므로, 두 시뮬레이터의 장점을 동시에 누릴 수 있는 유일한 오픈소스
Navsim과 nuPlan은 시나리오 데이터 포맷을 다른 프레임워크에 넘겨줄 수 있는지에 따라 통합이 가능한데, Navsim이나 nuPlan의 시나리오를 CARLA로 옮기는 것도 가능합니다.

결론

결론적으로, “최적의” 시뮬레이터는 사용 목적에 따라 다릅니다:

자율주행 플래너 연구/개발에 초점을 둔다면,

nuPlan이 제공하는 데이터셋＋평가 프레임워크를 활용해보는 것이 좋습니다.
방대한 실제 데이터를 기반으로 모델을 학습/검증할 수 있고, 여러 기준 지표로 성능을 측정할 수 있어 종합적인 벤치마킹에 유리
다만 그래픽이 없고 무거운 편이므로, 경량화/대량 평가를 원한다면 Navsim v2.0을 고려할 수 있습니다.
Navsim은 nuPlan의 철학을 이어받아 단순화된 환경에서 빠르게 실험할 수 있도록 해주며,
동일 시나리오에서 반응형/비반응형 모드 비교도 가능하므로 연구 분석에 유용

복잡한 교통 상호작용이나 연속적 주행 시나리오가 관심이라면

LimSim++이 적합합니다.
다양한 도로 환경에서 장기간 차량 흐름을 시뮬레이트하고, 예측하기 어려운 상호작용 상황을 만들어낼 수 있습니다.
또한 CARLA와 결합하여 사실적인 센서 데이터까지 획득할 수 있으므로, 인지부터 계획까지 포괄하는 연구에도 확장성이 있습니다.
LimSim은 비교적 새로운 프로젝트이지만 빠르게 발전 중이므로, 최신 기능(예: LLM 통합 등)을 실험해보고 싶다면 매력적인 선택입니다.

인지와 제어, End-to-End 학습까지 포함한 전체 자율주행 파이프라인을 다루거나, 현실감 있는 시연을 원한다면

CARLA를 적극 활용해야 합니다.
CARLA는 현실과 유사한 센서 출력을 제공하므로, 카메라 입력 기반의 딥러닝 운전 모델을 학습시키거나, 다양한 날씨/조명 조건에서 로버스트니스 테스트를 할 수 있습니다.
다만 CARLA 단독으로는 학습 루프를 구현해야 하므로, 앞서 언급한 프레임워크(예: nuPlan)에서 학습한 플래너를 CARLA 환경에서 시험하는 식으로 병행 활용할 수도 있습니다.

산업적인 안전 검증이나 센서 개발 테스트가 목적이라면,

가능하다면 NVIDIA DRIVE Sim을 사용하는 것이 최고 수준의 신뢰도를 줍니다. 이 플랫폼은 비록 공개 소스는 아니지만,

딥 리서치 대답 2

아래는 위의 영어 글을 한 문장도 빠짐없이 한국어로 번역한 내용입니다.

오픈소스 자율주행 시뮬레이터 비교

자율주행 시뮬레이터는 주행 계획 알고리즘을 개발하고 테스트하는 데 매우 중요합니다. 아래에서는 핵심 요구사항을 충족하는 여러 오픈소스 시뮬레이터를 비교합니다. 이 시뮬레이터들은 클로즈드 루프 시뮬레이션을 비반응(non-reactive) 모드(주변 차량들이 ego 차량과 관계없이 고정된 경로를 따름)와 반응(reactive) 모드(다른 에이전트들이 ego에 반응함) 모두에서 지원하며, 다양한 데이터셋 기반 시나리오를 불러올 수 있고, 에이전트 행동 모델과 주행 계획기(planner)를 쉽게 교체할 수 있는 모듈식 아키텍처를 갖추고 있으며, 특히 모방 학습(imitation learning)과 행동 클로닝(behavior cloning)을 위한 학습 파이프라인을 제공하고, 2025년 3월 5일 기준 300개 이상의 GitHub 스타를 보유하고 있습니다. 우리는 NAVSIM v2.0 및 LimSim++와 같은 최신 시뮬레이터를 우선으로 다루면서, 여전히 유의미한 기존 솔루션(예: SMARTS, MetaDrive, nuPlan)도 함께 포함합니다.

시뮬레이터 기능 비교

다음은 첫 번째 열의 이름에 각 시뮬레이터의 GitHub(혹은 관련) 링크를 하이퍼링크로 추가한 표입니다.

시뮬레이터	핵심 특징 (클로즈드 루프, 시나리오 지원, 아키텍처, 학습)	장점	단점
NAVSIM v2.0	- 실제 로그 기반 데이터 시뮬 (비반응 모드/신규 반응 모드 지원) - 대규모 데이터셋(예: OpenScene, nuPlan) 통합 - 모듈식 플러그인 에이전트 구조 - 내장 주행 계획기 학습(모방 학습) 파이프라인	- 3D 시뮬레이션 없이도 실제 시나리오에 대한 확장 벤치마킹 가능 - 모듈식 구조로 새로운 데이터셋·지표·정책 쉽게 추가 - 기본 모델(Transfuser 등)과 표준화된 평가 분할 제공	- 시각적 리얼리즘 미흡(BEV 추상화 중심) - 데이터셋 시나리오로 제한
LimSim++	- 매크로/마이크로 장기 상호작용 트래픽 시뮬 - 도시 규모 지도를 다루며, 반응형 에이전트 상호작용 - CARLA·SUMO Co-simulation 지원 - 운동학적 리얼리즘 준수 - 사용자 정의 계획 알고리즘 API	- 매우 상호작용적으로 코너 케이스 디버깅에 유용 - 모듈식 주행 계획 인터페이스로 쉽게 교체 가능 - 큰 지도·다양한 주행 행동을 처리하며 리얼리즘 높음 - CARLA와 동기화 가능	- 복잡한 설정(SUMO·CARLA 연동, DB 로깅 등) - 초기 단계로 문서화 미비 가능성 - GPL-3.0 라이선스로 산업 프로젝트 통합 시 제약
SMARTS	- 다중 에이전트 RL 트레이닝용 시뮬 - 클로즈드 루프 반응형 트래픽 + NGSIM, Waymo 등 비반응 재생 지원 - “버블(bubbles)” 메커니즘으로 특정 상호작용 강조 - Python API, SUMO 통합	- 풍부한 상호작용 환경(합류·양보 등)으로 주행 계획 강건성 테스트에 유리 - 실제 트래픽 시나리오(NGSIM 등) 재생 + 학습된 정책 혼합 가능 - 사용자 정의 에이전트 적용 용이 - 활발한 커뮤니티 지원	- 센서 시뮬레이션 부재, 기하학적 관측 중심 - 물리·그래픽 리얼리즘은 중간 수준 - 시나리오 구성(버블 등)과 대규모 데이터 전처리에 학습 곡선 있음
MetaDrive	- 절차적 장면 생성 & 실제 데이터셋 재생 - Panda3D/Bullet 물리로 고속(1000 FPS 이상) 시뮬 - 다양한 도로(고속도로, 교차로 등) + OpenDrive 지원 예정 - 카메라·라이다 등 센서 모달리티 제공 - Gym 유사 API, 전문가 운전자 자동조종(모방 학습용)	- 고성능 시뮬레이션으로 대규모 학습(강화·모방) 효율적 - 무한한 도로 다양성(절차적 생성) - Gym 방식으로 학습 친화적, 전문가 정책으로 데모 수집 용이	- 트래픽 차량이 비반응적(ego와 상호작용 제한적) - 낮은 그래픽 리얼리즘(포토리얼 엔진 아님) - 일부 기능(실제 지도, SUMO 통합 등)은 개발 중
nuPlan	- nuPlan 대규모 데이터셋(1,300h+) 기반 - 녹화된 시나리오로 클로즈드 루프 시뮬 + 모방 학습 - 여러 도시 지도·다양한 시나리오 라벨 - 주행 계획·시뮬·평가 지표가 모듈화됨	- 방대한 실제 데이터 다양성 (희귀 이벤트 포함) - 내장 지표·평가 툴과 시각화 - 주행 계획기 학습(모방)·테스트 파이프라인 제공 - 산업적 연관성(Motional)	- 트래픽 에이전트 반응성 제공하나 한계 (IDM 정도) - 계산·데이터 요구 높음 (전체 로그·HD맵) - 센서 시뮬레이터 부재, 주행 계획 테스트에 집중

CARLA 및 NVIDIA DRIVE와의 호환성

CARLA 연동:

비교한 시뮬레이터 중 LimSim++은 CARLA와의 코-시뮬레이션을 명시적으로 지원합니다.
이는 LimSim이 CARLA의 3D 엔진과 동시에 트래픽 및 결정 로직을 실행하여 두 시스템이 동일한 차량 상태를 유지하도록 함을 의미
이점은 두 가지입니다.
- 개발자들은 LimSim의 주행 계획 중심의 장기 시나리오와 에이전트 행동을 활용하는 동시에,
- 카메라/라이다 데이터와 시각화를 위한 CARLA의 현실적인 물리 엔진과 센서 시뮬레이션을 활용할 수 있습니다.
- 이러한 호환성은 두 가지 장점을 동시에 제공하는데,
  - 예를 들어 데이터 기반 시나리오에서 모방 학습으로 학습된 주행 계획기를 테스트하면서
  - 포토리얼리즘 센서와 물리 엔진으로 결과를 확인할 수 있어(지각 및 제어 검증에 유용함)
- 처음부터 새로 개발할 필요 없이 주행 계획기를 더 현실적인 환경으로 전환할 수 있습니다.
다른 시뮬레이터들은 내장 CARLA 코-시뮬레이션 기능은 없지만, 많은 경우 표준 포맷(지도나 시나리오)을 사용하여 데이터를 공유할 수 있습니다.
- 예를 들어, MetaDrive에서 계획 중인 OpenDrive 지도 지원은 도로 정의를 CARLA(오픈드라이브 지도를 수용함)와 교환할 수 있음을 의미
- 전반적으로 CARLA와의 호환성은
  - CARLA가 풍부한 자산과 센서 모델을 갖춘 사실상의 표준임을 고려할 때 매우 유리하며, 시뮬레이터가 CARLA와 인터페이스할 수 있다면 연구자들이 주행 계획기를 더 현실적인 환경으로 이전할 수 있습니다.

복잡한 동역학 모델 지원

복잡한 차량 동역학에 대한 지원은 시뮬레이터마다 다릅니다.

고리얼리즘 물리 엔진:

참조 대상으로 CARLA는 언리얼 엔진을 통해 타이어 마찰, 서스펜션 등 현실적인 차량 물리를 제공
LimSim++ (CARLA 연동 시)는 이를 활용할 수 있습니다.
자체적으로 LimSim은 샘플링 기반 주행 계획기를 사용하여 운동학적 제약을 부여함으로써 차량들이 실제로 가속과 회전에 대한 제한을 준수하도록 보장
이로 인해 트래픽 흐름이 더 현실적으로 표현되며(즉각적인 정지나 급격한 회전 없음), 다양한 주행 스타일을 반영할 수 있습니다.

MetaDrive도 내부적으로 Bullet 물리 엔진을 사용하여 기본적인 동적 효과(중력, 충돌 힘 등)를 지원
- 이는 차량 시뮬레이션에 충분하며, 극한 상황에서 드리프트나 전복 같은 현상도 표현할 수 있으나, 기본적으로 CARLA만큼의 정밀도를 제공하지는 않습니다.
반면, SMARTS와 nuPlan/NAVSIM은 주로 운동학적 모델이나 로그 재생 수준에서 작동합니다.
- 이들은 지도 상의 속도/포즈를 설정하여 차량을 이동시키며, 하위 제어기가 잘 구성되어 있다고 가정하고 주로 결정 계층에 집중
- 이는 동역학적으로는 덜 리얼하지만(예: 세밀한 서스펜션 모델 부재), 시뮬레이션 속도를 높이고 단순화하는 장점

복잡한 에이전트

복잡한 동역학 모델에는 버스, 트레일러가 달린 트럭, 오토바이 등 다양한 차량 유형이나, 고유의 동역학을 가진 보행자가 포함될 수 있습니다.
CARLA는 다양한 차량 유형과 기본 보행자 시뮬레이션을 지원
비교한 시뮬레이터 중, LimSim과 SMARTS는 내부 모델 또는 SUMO의 기능에 따라
- 차량 길이, 최고 속도, 가속도 등을 조정하여 다양한 차량 유형을 시뮬레이션할 수 있습니다.
이들은 주로 운동학적 모델 내의 파라미터로 이러한 차이를 처리합니다.
nuPlan과 NAVSIM은
- 데이터셋에 포함된 차량 유형에 의존하므로, 데이터셋에 트럭이나 오토바이가 포함되어 있다면 이를 시뮬레이션할 수 있으나,
- 기록된 동작 이상의 새로운 동역학을 도입하지는 않습니다.
MetaDrive
- 일반 승용차와 일부 장애물에 대한 지원을 제공하지만, 매우 복잡한 모델(예: 관절형 버스)을 확장하려면 물리 엔진이 이를 처리할 수 있더라도
- 환경에 기본적으로 포함되어 있지 않아 추가 코딩이 필요할 수 있습니다.

요약하면, 주행 계획 및 모방 학습 목적에 있어서는 단순화된 동역학 모델이 종종 충분(그리고 효율성 측면에서 선호됨)
- 이들 시뮬레이터는 모두 ego와 에이전트들이 기본적인 차량 운동학을 준수하도록 하여(비현실적인 순간이동이나 무한 가속 없이) 동작
그러나 긴급 상황 처리, 미끄러짐, 중량 트럭 동작과 같은 도전적인 차량 동역학이 중요한 경우,
- 현실적인 물리 엔진과 통합된 시뮬레이터를 사용하는 것이 유리합니다.
CARLA와의 호환성 또는 LimSim++과 같은 코-시뮬레이션 사용은 높은 정밀도의 동역학을 시뮬레이션에 도입할 수 있다는 점에서 큰 장점
대부분의 모방 학습 및 고수준 결정 학습에는 내장된 단순(운동학적 혹은 기본 물리) 모델이 충분하며,
- 수천 번의 시뮬레이션을 실행하여 학습할 때 계산 부하를 낮출 수 있습니다.

도전적인 학습 시나리오 지원 능력

논의된 모든 시뮬레이터는 주행 계획 학습을 위한 도전적인 시나리오 제공을 목표로 하지만, 각기 다른 방식으로 접근합니다.

데이터셋 기반 복잡성:

NAVSIM과 nuPlan은 실제 로그에서 시나리오를 도출하는데,
- 이는 자연적으로 발생한 밀집 트래픽, 보호되지 않은 회전, 무단횡단 보행자 등 어려운 상황들을 내포하고 있습니다.
- 이는 모방 학습에 매우 유용한데, 모델이 실제 주행 데이터를 학습하고, 특정 주행 계획이 실패하는 경우(예를 들어 NAVSIM의 지표에서 특정 계획기가 충돌할 가능성을 보인 경우)를 테스트할 수 있기 때문
이러한 도전 수준은 현실에 기반하여 높지만, 기록된 데이터에 의존하므로 극히 드문 코너 케이스는 포함되지 않을 수 있습니다.
그럼에도 불구하고 nuPlan의 데이터셋 규모(15,000개 이상의 시나리오) 는 많은 에지 케이스를 포함하고 있으며,
- NAVSIM은 대회용으로 “도전적인 시나리오” 하위 집합을 따로 구성하기도 하였음

절차적으로 생성된 시나리오:

MetaDrive와 LimSim은 새로운 시나리오 생성에 탁월
MetaDrive는 무작위로 교차로, 램프 등을 생성하고, 트래픽 밀도나 공격성을 증가시킬 수 있습니다.
- 이는 일반적인 실제 빈도보다 더 어려운 시나리오(예: 10대의 차량이 합류하는 상황이나 임의의 장애물 등장)를 합성적으로 생성할 수 있음을 의미
- 이러한 스트레스 테스트는 강건한 주행 계획 학습에 유리하며, 주행 계획기는 표준 상황뿐만 아니라 때때로 매우 도전적인 상황에도 대응할 수 있게 됩니다.
LimSim은 장시간의 시뮬레이션을 실행하면서 중요한 사건(ego 차량이 거의 충돌 직전이었던 상황 등)이 발생한 “핵심 시나리오”를 자동으로 기록할 수 있습니다.
- 이는 연속된 시뮬레이션에서 코너 케이스를 효과적으로 추출하여, 해당 어려운 순간들에 집중해 학습할 수 있도록 합니다.

상호작용 난이도:

SMARTS와 LimSim은 적대적 혹은 중요한 행동을 주입하는 기능을 제공
SMARTS에서는 “버블(bubbles)” 시스템을 통해
- 에이전트가 갑작스러운 차선 변경이나 합류 시 양보하지 않는 행동을 하도록 프로그래밍할 수 있어,
- ego 차량에게 상호작용적 도전을 제공
- 이러한 수준의 제어는 데이터셋이나 무작위 발생을 넘어, 특정 도전적 동작을 스크립팅하여 학습시킬 수 있음을 의미합니다.
LimSim++은 LLM 기반 에이전트를 통해,
- 예를 들어 고수준 명령에 반응하여 어려운 상황을 만드는 NPC 차량과 같은 복합 다중 모달 상호작용을 생성할 수 있으나, 이는 아직 새로운 영역입니다.
이러한 기능들은 주행 계획기가 일반 상황을 잘 처리하더라도, 의도적으로 난이도를 높여 실패로 이끌 수 있음을 보장합니다.

오픈 루프 vs 클로즈드 루프 학습:

모방 학습(behavior cloning)의 초기 학습은 종종 전문가 데이터(오픈 루프)를 사용하여 진행됩니다.
그러나 클로즈드 루프 학습 또는 미세 조정(예: DAGGER 혹은 강화학습)은 주행 계획기가 자신의 실수에 노출되는 환경에서 이득을 보게 됩니다.
- 반응 시뮬레이터(SMARTS, LimSim, MetaDrive의 인터랙티브 모드)는 모델이 실수를 하고
- 그 결과(예: 다른 에이전트가 경적을 울리거나 충돌하는 상황)를 보고 개선할 수 있도록 해줍니다.
nuPlan은 처음부터 개발 키트에서 클로즈드 루프 학습을 지원하지 않았기 때문에, 평가 용도로 주로 사용되었으며,
SMARTS나 LimSim을 사용하여 nuPlan 데이터로 학습된 주행 계획기를 미세 조정하는 접근법이 유효할 수 있습니다.

결론적으로, 이들 오픈소스 시뮬레이터는 도전적인 시나리오 지원 능력의 폭넓은 범위를 포괄합니다.
최신 시뮬레이터들(NAVSIM v2.0, LimSim++)은 실제 데이터와 상호작용적 복잡성을 결합하는 데 중점을 두어, 모방 학습 후 클로즈드 루프 테스트에 이상적입니다.
기존의 SMARTS와 MetaDrive는 실제 시나리오를 재현할 뿐만 아니라
- 이를 증폭시키거나 새로운 시나리오를 생성하여 주행 계획의 한계를 시험하는 프레임워크를 제공
사용자는 필요에 따라 선택해야 하는데, 예를 들어 nuPlan이나 NAVSIM을 사용해 실제 분포에서 학습한 후,
- SMARTS나 LimSim을 사용해 상호작용적인 희귀 상황에서 주행 계획기를 스트레스 테스트 및 미세 조정하고,
- 마지막으로 필요시 CARLA에서 물리적 리얼리즘을 검증하는 혼합 전략이 각 시뮬레이터의 강점을 최대한 활용하여
- 다양한 조건에서 견고한 주행 계획 성능을 보장할 수 있습니다.

딥 리서치 대답 3

결론

요약하면, 최근의 오픈소스 시뮬레이터들은 실제 주행 데이터를 활용하여 보다 정교하고 유연한 교통 시뮬레이션을 제공하고 있습니다.
Waymax, 그리고 GPUDrive는 CARLA나 SMARTS와 같은 전통적인 시뮬레이터를 넘어, 로그 재생이나 모방 학습을 통한 인간 운전자 행동 모방, 그리고 여러 에이전트 제어기를 쉽게 혼합할 수 있는 기능을 제공
각 시뮬레이터는 고유한 장점을 가지고 있습니다.
- Waymax는 플러그 앤 플레이 방식의 에이전트 스와핑을 통해 산업 규모의 시뮬레이션을 제공하고
- GPUDrive는 다중 에이전트 연구를 위한 전례 없는 시뮬레이션 속도를 제공(GPUDrive 논문).
이들의 사용성은 GPUDrive와 같은 기술적 프레임워크에 이르기까지 다양하며, 연구 프로토타이핑에서 대규모 배포 테스트에 이르기까지 초점을 달리합니다.

모듈성 측면에서는, 언급한 모든 시뮬레이터가 다중 정책 구성을 지원하여, 최소한의 노력으로 인간 운전자, 다양한 자율 에이전트 등 이종 교통을 시뮬레이션할 수 있도록 해주며, 이는 전통적으로 어려웠던 부분입니다.
데이터셋 통합은 이들 도구의 강점으로, 수동 로그를 인터랙티브 시나리오로 전환하며, 시나리오 생성은 GPUDrive의 대규모 변형 지원을 통해 보강되고 있습니다.

딥 리서치 대답 4

ad_official

이전 포스트

NVIDIA DRIVE Sim

다음 포스트