[論文レビュー] Automatic lane change scenario extraction and generation of scenarios in OpenX format from real-world data

Dhanoop Karunakaran, Julie Stephany Berrío+2 more|arXiv (Cornell University)|Mar 14, 2022

Autonomous Vehicle Technology and Safety被引用数 8

ひとこと要約

本稿では、ポイントクラウドに基づく道路網再構築と物体追跡を用いて、実世界のライダーおよび追跡データから切込・切出しといった変則的走行シーンを自動で抽出するフレームワークを提示する。このフレームワークは、OpenXフォーマットに準拠したシナリオを生成することで、自律走行システムの再現可能で現実的なシミュレーション検証を可能にする。本手法は、切込・切出しシナリオの検出において100%の正確性を達成し、誤検出はわずか2件にとどまる。

ABSTRACT

Autonomous Vehicles (AV)'s wide-scale deployment appears imminent despite many safety challenges yet to be resolved. The modern autonomous vehicles will undoubtedly include machine learning and probabilistic techniques that add significant complexity to the traditional verification and validation methods. Road testing is essential before the deployment, but scenarios are repeatable, and it's hard to collect challenging events. Exploring numerous, diverse and crucial scenarios is a time-consuming and expensive approach. The research community and industry have widely accepted scenario-based testing in the last few years. As it is focused directly on the relevant critical road situations, it can reduce the effort required in testing. The scenario-based testing in simulation requires the realistic behaviour of the traffic participants to assess the System Under Test (SUT). It is essential to capture the scenarios from the real world to encode the behaviour of actual traffic participants. This paper proposes a novel scenario extraction method to capture the lane change scenarios using point-cloud data and object tracking information. This method enables fully automatic scenario extraction compared to similar approaches in this area. The generated scenarios are represented in OpenX format to reuse them in the SUT evaluation easily. The motivation of this framework is to build a validation dataset to generate many critical concrete scenarios. The code is available online at https://github.com/dkarunakaran/scenario_extraction_framework.

研究の動機と目的

• 自律走行車（AV）のテストに必要なレアで高リスクな走行シーンを手動で収集・ラベル付けする課題に対処すること。
• 実世界のセンサデータから完全に自動化されたデータドリブンな走行シーン抽出を可能にし、シナリオベースの検証を向上させること。
• CARLAのようなシミュレータでSUT評価に使用可能な標準化されたOpenXフォーマットのシナリオを生成すること。
• 最小限のサンプリングポイントで正確な軌道サンプリングを可能にすることで、シナリオベースのテストにおけるパラメータ空間の爆発的増大を低減すること。
• 実世界データから現実的で多様かつ重要なシナリオをスケーラブルに自動で生成するパイプラインを構築すること。

提案手法

• 道路のセグメンテーションとクラスタリングを用いたポイントクラウドデータからの道路網再構築により、レーンおよび道路境界を同定する。
• 物体追跡データを用いて、エゴ車両と周囲の車両の位置および動きを再構築された道路網に対して監視する。
• エゴ車両と周囲の車両間の横方向位置の変化と相対速度を分析することで、レーン変更イベントを検出する。
• シミュレーションツール（例：CARLA）との相互運用性を確保するため、抽出されたシナリオと道路網をOpenXフォーマットで表現する。
• 可変パラメータmを用いて、シミュレーション内での現実的な運動プロファイルを再現するための速度および距離軌道をサンプリングする。
• OpenSCENARIOファイルに外部コントローラーを統合し、シミュレーテッド環境におけるSUT評価を可能にする。

実験結果

リサーチクエスチョン

• RQ1 実世界のライダーおよび追跡データから、手動ラベルなしに走行シーンを自動で抽出する方法は何か？
• RQ2 シミュレートされたシナリオにおいて、速度および距離の値をサンプリングする際の軌道忠実度はどの程度達成できるか？
• RQ3 本フレームワークは、手動による正解データと比較して、切込および切出しシナリオの同定においてどの程度の正確性を示すか？
• RQ4 OpenX出力は、異なるシミュレーションプラットフォーム間でどの程度再利用可能か？
• RQ5 サンプリング周波数（パラメータm）の影響は、生成されたシナリオの現実性および類似性にどのような影響を与えるか？

主な発見

• 手動で特定された12件の切込シナリオすべてが正常に抽出され、2件の誤検出が発生した。誤検出は、交差点からエゴ車両のレーンに進入する車両に起因した。
• 手動で特定された6件の切出しシナリオすべてが正しく検出され、切出しイベントにおける正確性と再現率は100%であった。
• m = 10の場合、空間的および速度プロファイルの両面で、実世界の軌道と類似したシミュレートされた軌道が得られ、視覚的比較でも明確に確認された。
• mを5に低下させた場合、軌道および速度プロファイルに顕著なずれが生じ、少なくとも5つのサンプリングポイントが必要であることが示された。
• OpenX出力はCARLAと互換性があり、外部コントローラーをサポートしており、シミュレーション内でのSUT評価を直接可能にした。
• 本フレームワークは、特にデータ再生モジュールの変更を最小限に抑えて、他のデータセットへも容易に拡張可能である。