CLEAR: 인지 및 잠재 평가를 통한 엔드 투 엔드 자율 주행 시스템의 적응형 경로 계획

CLEAR: Cognition and Latent Evaluation for Adaptive Routing in End-to-End Autonomous Driving

엔드 투 엔드 자율 주행 모델은 종종 다중 모드의 조작 생성과 실시간 추론 제약 사이의 균형을 맞추는 데 어려움을 겪습니다. 확산 모델은 다양한 운전 행동을 성공적으로 학습하지만, 반복적인 노이즈 제거 과정은 안전 관련 시스템에 적용하기에는 허용할 수 없는 지연 시간을 초래합니다. 이러한 문제를 해결하기 위해, 우리는 인지 및 잠재 평가를 통한 적응형 경로 계획 프레임워크인 CLEAR (Cognition and Latent Evaluation for Adaptive Routing)를 제안합니다. CLEAR는 매우 빠른 생성적 계획과 심층적인 의미 추론을 결합하며, Drive-JEPA를 시각 인코더로 사용하고 다단계 노이즈 제거 체인을 VAE 잠재 공간에서의 단일 단계 조건부 드리프트로 대체하여 다양성과 전문성 사이의 균형을 맞추는 조건을 도입합니다. 동시에, 우리는 Qwen~3.5~0.8B 모델을 운전 관련 질의응답 데이터셋으로 완전히 미세 조정하여 장면 인지 정보를 담은 숨겨진 상태를 추출합니다. 이러한 상태는 적응형 스케줄러가 사전 정의된 다양한 방식에서 조건 계수 α와 샘플 수 N을 선택하도록 안내하며, 또한 후보 경로 중에서 최적의 경로를 선택하는 크로스 어텐션 점수를 계산하는 데 사용됩니다. NAVSIM v1 벤치마크에서 CLEAR는 최고 수준인 93.7의 PDMS (Planning and Decision Making Score)를 달성했습니다. 우리의 결과는 고품질, 다중 모드 계획이 밀집된 기하학적 정보나 반복적인 샘플링 없이 효율적으로 실행될 수 있음을 보여줍니다.

End-to-end autonomous driving models often struggle to balance multi-modal maneuver generation with real-time inference constraints. While diffusion models successfully capture diverse driving behaviors, their iterative denoising process incurs unacceptable latency for safety-critical deployment. To address this, we propose CLEAR (Cognition and Latent Evaluation for Adaptive Routing), a framework that combines ultra-fast generative planning with deep semantic reasoning. CLEAR employs Drive-JEPA as the visual encoder and replaces the multi-step denoising chain with a single-step conditional drift in a VAE latent space, introducing a conditioning coefficient to balance diversity and expert precision. Meanwhile, we fully fine-tune Qwen~3.5~0.8B on driving QA pairs to extract scene-aware hidden states. These states guide both an Adaptive Scheduler, which selects the conditioning coefficient $α$ and sample count $N$ from a discrete set of predefined schemes, and a cross-attention scorer that selects the optimal trajectory from candidates. On the NAVSIM v1 benchmark, CLEAR achieves a state-of-the-art PDMS of 93.7. Our results demonstrate that high-fidelity, multi-modal planning can be executed efficiently without dense geometric annotations or iterative sampling.