[論文レビュー] Fault-Tolerant Perception for Automated Driving A Lightweight Monitoring Approach

Cornelius Buerkle, Florian Geißler+2 more|arXiv (Cornell University)|Nov 24, 2021

Autonomous Vehicle Technology and Safety参考文献 19被引用数 4

ひとこと要約

本稿では、LiDARに基づくセンサーチェックと物体軌跡の運動妥当性チェックを組み合わせることで、重大な位置および速度誤差を検出する軽量でフェイルセーフな認識モニタを提案する。この手法は、位置誤差が0.7mを超えるか、一時的な速度誤差が2m/sを超える場合に90%以上の精度と再現率を達成しており、ASIL適合ハードウェア上で低遅延（センサーチェック17ms、妥当性チェック12ms）を実現する。

ABSTRACT

While the most visible part of the safety verification process of automated vehicles concerns the planning and control system, it is often overlooked that safety of the latter crucially depends on the fault-tolerance of the preceding environment perception. Modern perception systems feature complex and often machine-learning-based components with various failure modes that can jeopardize the overall safety. At the same time, a verification by for example redundant execution is not always feasible due to resource constraints. In this paper, we address the need for feasible and efficient perception monitors and propose a lightweight approach that helps to protect the integrity of the perception system while keeping the additional compute overhead minimal. In contrast to existing solutions, the monitor is realized by a well-balanced combination of sensor checks -- here using LiDAR information -- and plausibility checks on the object motion history. It is designed to detect relevant errors in the distance and velocity of objects in the environment of the automated vehicle. In conjunction with an appropriate planning system, such a monitor can help to make safe automated driving feasible.

研究の動機と目的

• 自動運転車両におけるフェイルセーフな認識モニタリングの重要な空白を埋めること、特にリソース制約下での対応。
• 冗長または高コストのシステムに依存せずに、認識の整合性を保証する低計算量で軽量な監視ソリューションの開発。
• センサーベースのチェック（LiDAR）と物理的運動モデルに基づく妥当性チェックを組み合わせ、堅牢な誤差検出を実現。
• 安全認証取得済みハードウェア（例：Intel Atom CPU）上で実装可能であることを検証し、リアルタイム展開に適した低遅延を達成。
• RSSのような計画モニタと統合可能となるよう、信頼性の高い認識誤差検出を提供。

提案手法

• モニタは高信頼性のLiDAR出力を用い、静的占有グリッドを生成することで、物体の位置と2次元形状のリアルタイム検証を実現。
• センサーチェックでは、主な認識出力とLiDARデータを照合することで、物体の位置と形状を検証。
• 妥当性チェックでは、物理的運動モデルを適用し、不連続な経路、極端な加速度、不自然な速度などの非現実的な物体動態を検出。
• 両方のチェックを統合することで、センサーフォールト（例：誤位置決め）とシステムレベルの誤り（例：誤った速度推定）の両方を検出。
• 計算オーバーヘッドを最小限に抑えるアーキテクチャ設計であり、安全認証プロセッサ上で単一コアで実行可能な単純で効率的なアルゴリズムを採用。
• 本手法は汎用的であり、RSSベースの監視器を含む、任意の主な認識システムおよび計画モジュールと互換性がある。

実験結果

リサーチクエスチョン

• RQ1 最小限の計算リソースで、物体の位置および速度に関する安全に重大な誤差を高精度・高再現率で検出できる軽量な認識モニタは実現可能か？
• RQ2 LiDARベースのセンサーチェックと運動妥当性チェックの組み合わせは、センサーフォールトとシステムレベルの故障の両方を効果的に検出できるか？
• RQ3 提案されたモニタは、ASIL適合ハードウェア上で低遅延で効率的に実行可能であり、リアルタイム自動運転システムに適しているか？
• RQ4 従来の冗長性ベースや占有グリッドベースの監視手法と比較して、検出精度と計算コストのトレードオフはいかほどか？
• RQ5 RSSのような計画モニタと統合した場合、システム全体の安全性はどの程度向上するか？

主な発見

• 位置誤差が0.7mを超える永久的誤差や、速度誤差が2m/sを超える一時的誤差に対して、90%以上の精度と再現率を達成。
• 永久的スピード誤差については、6m/sを超える偏差が生じた場合に90%を超える検出性能を示し、安全に重大なシナリオに十分対応可能。
• Intel Atom CPU（ASIL適合）上では、センサーチェックが平均17ms、妥当性チェックが12msを要し、リアルタイム動作の実現可能性を裏付ける。
• 高価なハードウェアを用いた動的占有グリッド手法に比べ、計算オーバーヘッドを顕著に低減（高価なハードウェアでも100ms以上を要した）。
• センサーベースとモデルベースの検証を組み合わせることで、共通原因のセンサーフォールトとSOTIF関連誤りの両方を効果的に検出。
• 実装はスケーラブルで、既存の認識および計画スタック（RSSベースの安全監視器を含む）と互換性がある。