[論文レビュー] Is it Safe to Drive? An Overview of Factors, Challenges, and Datasets for Driveability Assessment in Autonomous Driving

Junyao Guo, Unmesh Kurup+1 more|arXiv (Cornell University)|Nov 27, 2018

Autonomous Vehicle Technology and Safety参考文献 111被引用数 14

ひとこと要約

本稿は、走行環境要因および行動要因がシーンの安全性に与える影響を特定し、既存のドライブアビリティ指標を評価し、45の公開走行データセットを体系的にレビューすることによって、自律走行におけるドライブアビリティを評価する包括的なフレームワークを提案する。複雑で危険なシナリオにおけるデータギャップを浮き彫りにし、未確認の走行状況における耐性を高めるために、的を射たデータ収集、合成データの拡張、トランスファー学習の活用を提言する。

ABSTRACT

With recent advances in learning algorithms and hardware development, autonomous cars have shown promise when operating in structured environments under good driving conditions. However, for complex, cluttered and unseen environments with high uncertainty, autonomous driving systems still frequently demonstrate erroneous or unexpected behaviors, that could lead to catastrophic outcomes. Autonomous vehicles should ideally adapt to driving conditions; while this can be achieved through multiple routes, it would be beneficial as a first step to be able to characterize Driveability in some quantified form. To this end, this paper aims to create a framework for investigating different factors that can impact driveability. Also, one of the main mechanisms to adapt autonomous driving systems to any driving condition is to be able to learn and generalize from representative scenarios. The machine learning algorithms that currently do so learn predominantly in a supervised manner and consequently need sufficient data for robust and efficient learning. Therefore, we also perform a comparative overview of 45 public driving datasets that enable learning and publish this dataset index at https://sites.google.com/view/driveability-survey-datasets. Specifically, we categorize the datasets according to use cases, and highlight the datasets that capture complicated and hazardous driving conditions which can be better used for training robust driving models. Furthermore, by discussions of what driving scenarios are not covered by existing public datasets and what driveability factors need more investigation and data acquisition, this paper aims to encourage both targeted dataset collection and the proposal of novel driveability metrics that enhance the robustness of autonomous cars in adverse environments.

研究の動機と目的

• 自律走行システムにおけるドライブアビリティの理解と定量化を統一したフレームワークで確立すること。
• シーンの安全性を損なう主要な環境的および行動的要因を特定し、システム障害の原因を明らかにすること。
• 既存のドライブアビリティ指標を評価し、原理的でマルチメトリックなアセスメントアプローチの必要性を強調すること。
• 45の公開走行データセットを比較分析し、用途別に分類し、強固なモデルの学習に最も適したデータセットを特定すること。
• 危険な状況や未確認の走行シナリオにおけるデータギャップを是正し、的を射たデータ取得および合成データの活用を促進すること。

提案手法

• 環境条件（天候、照明）および道路利用者の行動（歩行者、車両のダイナミクス）を含むドライブアビリティ要因の分類体系を構築する。
• 既存のドライブアビリティ指標をレビュー・分類し、意思決定、ポリシー学習、セーフティマッピングにおけるその役割を強調する。
• 45の公開走行データセットについて体系的かつ比較的な概要を提供し、複雑で危険なシナリオのカバレッジを評価する。
• データセットの発見と選定を支援するため、https://sites.google.com/view/driveability-survey-datasets にホスティングされたデータセットインデックスを提案する。
• リアルワールド、シミュレーテッド、合成データソースを、PEGASUSのようなパイプラインを通じて統合し、データの多様性とモデルの一般化能力を向上させることを提言する。
• トランスファー学習およびドメイン適応技術の活用を提唱する。特に強化学習と意味的表現を用いた手法により、未確認の環境におけるモデル性能を向上させることを目的とする。

実験結果

リサーチクエスチョン

• RQ1 自律走行システムにおけるドライブアビリティを劣化させる主な環境的および行動的要因は何か？
• RQ2 現在のドライブアビリティ指標は、シーンの安全性をどの程度正確に定量化できており、実用的導入に向けた改善は何か？
• RQ3 複雑で危険、あるいはまれな走行シナリオを最もよく捉えているのはどの公開走行データセットか？
• RQ4 既存のデータセットにおいて、悪天候、都市部の混雑、動的相互作用といった主要なデータギャップは何か？
• RQ5 トランスファー学習と合成データを活用することで、未確認の走行状況へのモデル一般化をどのように向上できるか？

主な発見

• 本稿は、自律走行車両の障害が、不確実性が高く、複雑で非構造的、あるいは未確認の環境で最も頻発することを特定した。
• 既存のドライブアビリティ指標は断片的であり、統一されたフレームワークが欠如しており、多くが道路表面や物体の通過といった狭い側面に焦点を当てている。
• レビュー対象の45のデータセットのうち、視界不良、攻撃的運転、複雑な都市部での相互作用といった高リスク・危険な走行状況を捉えているのはごく少数にとどまる。
• 本研究は、悪天候、夜間走行、予測不能な歩行者行動を含むシナリオに顕著なデータギャップが存在することを明らかにした。これらは耐性確保に不可欠である。
• 本研究では、リアルワールド、シミュレーテッド、合成データを統合する（PEGASUSのようなパイプラインを通じて）ことで、トレーニングデータの多様性とモデルの一般化能力が向上することを実証した。
• トランスファー学習および強化学習のアプローチは、新しいドメインへのポリシー適応に有望であるが、最適なパフォーマンスを得るためには、何を、いつ、どのように転送すべきかをより深く理解する必要がある。