[論文レビュー] A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge

Luis Alberto Rosero, Iago Pachêco Gomes+6 more|arXiv (Cornell University)|Oct 23, 2020

Autonomous Vehicle Technology and Safety参考文献 84被引用数 11

ひとこと要約

本論文は、Team LRM-B が CARLA 自動運転チャレンジに提出した自律走行車のためのモジュラーで頑健なソフトウェアアーキテクチャを提示している。本アーキテクチャは、3次元障害物検出、CNN を用いた交通標識認識、短期的運動予測によるリスク評価、意思決定のためのマーカフ連鎖過程（MDP）、制御のためのモデル予測制御（MPC）を統合している。本システムは3つのトラックで1位、1つのトラックで2位を達成し、最小限の交通違反で複雑な都市環境において高い信頼性を示した。

ABSTRACT

The objective of the first CARLA autonomous driving challenge was to deploy autonomous driving systems to lead with complex traffic scenarios where all participants faced the same challenging traffic situations. According to the organizers, this competition emerges as a way to democratize and to accelerate the research and development of autonomous vehicles around the world using the CARLA simulator contributing to the development of the autonomous vehicle area. Therefore, this paper presents the architecture design for the navigation of an autonomous vehicle in a simulated urban environment that attempts to commit the least number of traffic infractions, which used as the baseline the original architecture of the platform for autonomous navigation CaRINA 2. Our agent traveled in simulated scenarios for several hours, demonstrating his capabilities, winning three out of the four tracks of the challenge, and being ranked second in the remaining track. Our architecture was made towards meeting the requirements of CARLA Autonomous Driving Challenge and has components for obstacle detection using 3D point clouds, traffic signs detection and classification which employs Convolutional Neural Networks (CNN) and depth information, risk assessment with collision detection using short-term motion prediction, decision-making with Markov Decision Process (MDP), and control using Model Predictive Control (MPC).

研究の動機と目的

• シミュレーションを用いて、複雑な都市交通環境における自律走行のためのスケーラブルで頑健なソフトウェアアーキテクチャを設計すること。
• 多様な走行状況において交通法規に準拠することで、交通違反を最小限に抑えること。
• 異なるセンサー構成や環境条件を有する複数のトラックにわたる自律走行を可能にすること。
• 実世界のシミュレーションに適した、感知、リスク評価、意思決定コンponents を強化した CaRINA 2 プラットフォームの拡張。
• CARLA シミュレータを用いて大規模かつマルチシナリオのシミュレーション環境で本アーキテクチャを検証すること。

提案手法

• CaRINA 2 を基盤とするモジュラーなアーキテクチャを採用し、感知、計画、制御モジュールを統合した。
• LiDAR とステレオビジョンからの3次元点群を用いて、高さマップとクラスタリングによる障害物検出を実施した。
• 深さ情報を利用した畳み込みニューラルネットワーク（CNN）を用いて、高精度な交通標識の検出と分類を実現した。
• 距離到達時間（DTC）を用いた短期的運動予測を実装し、リアルタイムでのリスク評価と衝突検出を可能にした。
• 動的交通環境における不確実性を考慮した意思決定のため、マーカフ連鎖過程（MDP）を採用した。
• 滑らかで安全な軌道追従と制御を実現するため、モデル予測制御（MPC）を適用した。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、多様で複雑な都市交通環境における自律走行をシミュレーションで実現できるモジュラーなソフトウェアアーキテクチャを設計できるか？
• RQ2 シミュレートされた都市走行において、交通違反を最小限に抑えるために最も効果的な感知および意思決定コンponents は何か？
• RQ3 短期的運動予測を統合することで、リスク評価と衝突回避はどの程度向上するか？
• RQ4 MDP を用いた意思決定フレームワークは、渋滞、信号制御交差点、合流行動などの多様な交通状況をどの程度適切に処理できるか？
• RQ5 2次元検出と3次元点群の投影を統合することで、物体の位置特定と意思決定の正確性はどの程度向上するか？

主な発見

• LRM-B チームは、CARLA 自動運転チャレンジの4つのトラック中3つで1位を獲得し、残りの1つのトラックで2位を達成した。
• 本システムは、数時間にわたり複雑な都市シナリオを安定して走破し、リアルタイムシミュレーションにおける頑健性と信頼性を実証した。
• 2次元物体検出と3次元点群の投影を統合することで、障害物、信号機、標識の位置特定の正確性が顕著に向上した。
• 短期的運動予測と距離到達時間（DTC）の活用により、リアルタイムでのリスク評価が向上し、衝突事故が減少した。
• MDP を用いた意思決定フレームワークは、交差点通過、合流、渋滞など多様な交通シナリオを効果的に管理できた。
• モジュラーなアーキテクチャにより、新しいトラックへの迅速な拡張と適応が可能となり、多様なセンサー構成と要件に対応できた。