[論文レビュー] AutoCast: Scalable Infrastructure-less Cooperative Perception for Distributed Collaborative Driving

Hang Qiu, Pohan Huang+4 more|arXiv (Cornell University)|Dec 30, 2021

Vehicular Ad Hoc Networks (VANETs)被引用数 10

ひとこと要約

AutoCastは、LiDAR点群を直接車両間通信（V2V）で共有することで、インfra構造に依存しないスケーラブルな協調的認識システムを提案する。オブジェクトの可視性と軌道の関連性に基づく分散スケジューリングアルゴリズムを採用し、混雑した交通状況でも安全に重要なオブジェクトの可視性が2–4倍向上し、低遅延かつ低オーバーヘッドでほぼ最適な性能を達成する。

ABSTRACT

Autonomous vehicles use 3D sensors for perception. Cooperative perception enables vehicles to share sensor readings with each other to improve safety. Prior work in cooperative perception scales poorly even with infrastructure support. AutoCast enables scalable infrastructure-less cooperative perception using direct vehicle-to-vehicle communication. It carefully determines which objects to share based on positional relationships between traffic participants, and the time evolution of their trajectories. It coordinates vehicles and optimally schedules transmissions in a distributed fashion. Extensive evaluation results under different scenarios show that, unlike competing approaches, AutoCast can avoid crashes and near-misses which occur frequently without cooperative perception, its performance scales gracefully in dense traffic scenarios providing 2-4x visibility into safety critical objects compared to existing cooperative perception schemes, its transmission schedules can be completed on the real radio testbed, and its scheduling algorithm is near-optimal with negligible computation overhead.

研究の動機と目的

• インfra構造依存やネットワークのボトルネックに起因する既存の協調的認識システムのスケーラビリティの制限を解消すること。
• リアルタイムで直接車両間（V2V）に生のLiDAR点群を共有することで、視界外の認識を拡張すること。
• 可視性と軌道の関連性に基づき、オブジェクトの送信を優先順位付けする分散型スケジューリングメカニズムの開発。
• 計算オーバーヘッドを最小限に抑え、実世界の無線環境でも信頼性を確保しながら、混雑した交通状況でも安定した性能を発揮すること。
• 最小限の計算コストでほぼ最適な送信スケジューリングを実現し、安全な自動運転意思決定に必要な低遅延認識を維持すること。

提案手法

• 位置関係と運動軌道に基づき、空間的推論を用いて他の車両にとって遮蔽されているか、関連性のあるオブジェクトを特定する。
• 可視性の向上と受信車両に対する関連性に基づき、正規化された優先度をオブジェクトに割り当てる報酬ベースのスケジューリングモデルを採用する。
• 中央集権的な調整なしに、各意思決定インターバルで送信順序を計算する分散型、時隙スロット方式のスケジューリングアルゴリズムを実装する。
• 効率的な協調を可能にするために、オブジェクトの姿勢、速度、可視性状態などの軽量メタデータの交換を統合する。
• 共有された点群を1フレームあたり100ms未塔で処理できるように、認識および計画パイプラインを最適化し、リアルタイム性能を確保する。
• 実世界の無線テストベッドを用いてシステムの送信可能性を検証し、実際の無線環境下での実装可能性を確認する。

実験結果

リサーチクエスチョン

• RQ1 インfra構造の支援に依存せずに、混雑した交通状況への協調的認識のスケーラビリティを実現できるか？
• RQ2 無線チャネルの混雑を最小限に抑えながら、認識の恩恵を最大化するように、車両がどのオブジェクトを共有すべきかを知的に選択できるか？
• RQ3 動的で変化し続ける交通環境において、V2V点群共有のための分散型で低オーバーヘッドの協調を実現するスケジューリング戦略は何か？
• RQ4 非協調的または単純な協調的手法と比較して、本システムの可視性向上効果と衝突回避性能はどの程度向上するか？
• RQ5 提案されたスケジューリングアルゴリズムは、実世界の無線環境下でも最小限の計算コストでほぼ最適な性能を達成できるか？

主な発見

• AutoCastは、視界外の認識を拡張することで、非協調的認識とは異なり、混雑した交通状況での衝突やニアミスを低減する。
• 20台の車両が関与するシナリオにおいて、AutoCastは既存の協調的認識手法と比較して、安全に重要なオブジェクトの可視性が2–4倍向上する。
• 実際の無線テストベッド上で送信スケジュールが実現可能であることが確認され、実用的導入の可能性が裏付けられた。
• スケジューリングアルゴリズムは、計算オーバーヘッドをほとんど発生させず、100ms未満の処理遅延を維持するほぼ最適な性能を達成した。
• 正規化された報酬指標に基づくオブジェクトの優先順位付けにより、無差別またはランダムなスケジューリングと比較して、大幅に低い送信遅延が実現された。
• 複数の遮蔽要因と動的な参加者を含む複雑な都市交差点においても、本システムは高い性能を維持した。