Robust Imitation Learning with Attention Constraints and Risk Awareness for Motion Planning in Autonomous Driving

Abstract

Imitation Learning(IL)은 자율주행에서 널리 사용되지만, 분포 변화나 위험 상황에 서도 강건한 주행을 보장하기는 어렵다. 이는 학습 목표가 대게 평균 정확도(Average Distance Error)를 우선시하여, 발생 빈도는 낮지만 치명적인 실패를 충분히 반영하지 못하기 떄문이다. 이렇게 최적화된 모델은 tail events에 대하여 강건하지 못해 tail risk 를 남기는 한계로 이어지며, Transformer 기반 플래너와 같은 attention mechanism을 사용하는플래너들은 ego-state의일부에과도하게가중치가집중되는 attention collapse 현상을 보일 수 있고, 이는 shortcut learning으로도 불린다. 본 논문은 이를 해결하고자 attention constraints와 risk awareness를결합한 IL기반강건모션플래닝프레임워크를 제안한다. Mean-Deviation Constrained Attention(MDCA)으로 상태 정보를 균형있게 만들고, Conditional Value-at-Risk(CVaR) 기반의 tail-risk objective는 위험한 모드의 비중을낮춘다. nuPlan벤치마크실험에서제안방법은 State-Of-The-Art학습기반플래 너들 대비 강건성과 안전 관련 지표를 개선했으며, hazard 환경에서 큰 향상을 보였다. ©2026 김 지 윤 ALL RIGHTS RESERVED|Imitation learning (IL) has become a common approach for autonomous-driving motion planning, but achieving robust and safe behavior remains difficult under distri- bution shift and rare hazard scenarios. A key limitation is that IL objectives typically prioritize mean accuracy (e.g., Average Distance Error), which can high-consequence failures in the long tail. Moreover, planners that use attention mechanisms, including Transformer-based planners, can exhibit attention collapse such as shortcut learning by over-relying on a small subset of state channels. This dissertation proposes a robust IL framework for motion planning that combines attention constraints and risk awareness. Mean-Deviation Constrained Attention (MDCA) promotes balanced state usage, and a Conditional Value-at-Risk (CVaR)-based tail-risk objective down-weights rare but potentially dangerous modes. Experiments on the nuPlan benchmark show improved robustness and safety-related metrics over State-Of-The-Arts planners. ©2026 Jiyun Kim ALL RIGHTS RESERVED