[論文レビュー] A Novel Traffic Simulation Framework for Testing Autonomous Vehicles Using SUMO and CARLA

Pei Li, Arpan Kusari+1 more|arXiv (Cornell University)|Oct 14, 2021

Traffic control and management参考文献 5被引用数 8

ひとこと要約

本論文は、実際の交通フローを再現するSUMOと、高精細なセンサーシミュレーションを提供するCARLAを統合した新規なシミュレーションフレームワークを提案する。このフレームワークにより、複雑で自然主義的な環境下での自律走行車両（AV）の認識、計画立案、制御のエンドツーエンドテストが可能となる。SUMO-GymとCARLAを組み合わせることで、交通行動とセンサ出力の両方のリアリズムが向上し、複数の事例研究を通じてモジュラーかつスケーラブルなAV評価が可能になる。

ABSTRACT

Traffic simulation is an efficient and cost-effective way to test Autonomous Vehicles (AVs) in a complex and dynamic environment. Numerous studies have been conducted for AV evaluation using traffic simulation over the past decades. However, the current simulation environments fall behind on two fronts -- the background vehicles (BVs) fail to simulate naturalistic driving behavior and the existing environments do not test the entire pipeline in a modular fashion. This study aims to propose a simulation framework that creates a complex and naturalistic traffic environment. Specifically, we combine a modified version of the Simulation of Urban MObility (SUMO) simulator with the Cars Learning to Act (CARLA) simulator to generate a simulation environment that could emulate the complexities of the external environment while providing realistic sensor outputs to the AV pipeline. In a past research work, we created an open-source Python package called SUMO-Gym which generates a realistic road network and naturalistic traffic through SUMO and combines that with OpenAI Gym to provide ease of use for the end user. We propose to extend our developed software by adding CARLA, which in turn will enrich the perception of the ego vehicle by providing realistic sensors outputs of the AVs surrounding environment. Using the proposed framework, AVs perception, planning, and control could be tested in a complex and realistic driving environment. The performance of the proposed framework in constructing output generation and AV evaluations are demonstrated using several case studies.

研究の動機と目的

• 既存のシミュレーション環境がバックグラウンド車両の自然主義的走行行動を再現する点での限界を解消すること。
• 現在のAVシミュレーションフレームワークに欠けているモジュラーかつエンドツーエンドのパイプラインテストを克服すること。
• SUMOの交通モデリングとCARLAのフォトリッチなセンサーシミュレーションを統合した統一されたシミュレーションフレームワークの開発。
• 自律走行車両の認識、計画立案、制御モジュールのスケーラブルかつリアルな評価を可能にすること。
• オープンソースのSUMO-Gymフレームワークを拡張し、CARLA統合によるセンサリアリズムと環境の忠実度を向上させること。

提案手法

• 本フレームワークは、多様な車両行動を含む現実的なレーンネットワークと自然主義的交通フローを生成するように変更されたSUMOのバージョンを統合している。
• CARLAは、LiDARやカメラデータを含むフォトリッチなセンサ出力を提供し、エゴ車両の環境認識をシミュレートする。
• 交通状態をSUMOからCARLAのシミュレーション環境に同期させるために、カスタムPythonベースのインターフェースを実装している。
• 本システムは、SUMO-Gymフレームワークを活用し、AV強化学習および制御ポリシーのトレーニングに標準化されたgymライクなAPIを提供している。
• センサ入力生成と意思決定モジュールを分離することで、認識、計画立案、制御モジュールのモジュラーなテストを可能にするシミュレーションパイプラインをサポートしている。
• 事例研究により、複数の走行シナリオにおいて一貫性があり高精細なシミュレーション出力が生成されることを検証している。

実験結果

リサーチクエスチョン

• RQ1 統合されたSUMO-CARLAフレームワークは、SUMO単体よりも自然主義的であるバックグラウンド車両の走行行動を実現できるか？
• RQ2 CARLAのセンサーシミュレーションは、交通シミュレーション環境下でAV認識入力のリアリズムをどの程度向上できるか？
• RQ3 統合されたフレームワークは、認識、計画立案、制御パイプラインのモジュラーかつエンドツーエンドのテストをどの程度サポートできるか？
• RQ4 本フレームワークは、多様な走行シナリオにおいて一貫性がありスケーラブルなシミュレーション出力を生成する性能をどの程度発揮するか？
• RQ5 CARLA統合による拡張されたSUMO-Gymフレームワークは、単体のシミュレータと比較して、より信頼性の高いAV評価を可能にするか？

主な発見

• SUMOとCARLAの統合により、SUMOの交通ダイナミクスとCARLAの環境忠実度を組み合わせることで、バックグラウンド車両の走行行動のリアリズムが顕著に向上した。
• 本フレームワークは、実際のAV認識入力に類似した高精細なセンサ出力（LiDARやカメラデータを含む）を効果的に生成できた。
• モジュラーな設計により、統一されたシミュレーション環境内で認識、計画立案、制御モジュールを独立してテストできるようになった。
• 事例研究により、本フレームワークが複雑な都市部および高速道路シナリオにおいても一貫性のあるシミュレーション出力でスケーラブルに動作することが示された。
• CARLA統合による拡張されたSUMO-Gymフレームワークは、AV開発と評価のためのより包括的で現実的なテストベッドを提供した。