[論文レビュー] Pylot: A Modular Platform for Exploring Latency-Accuracy Tradeoffs in Autonomous Vehicles

Ionel Gog, Sukrit Kalra+4 more|arXiv (Cornell University)|Apr 15, 2021

Autonomous Vehicle Technology and Safety参考文献 58被引用数 62

ひとこと要約

Pylotは、自動運転車（AV）研究のためのオープンソースでモジュラーなプラットフォームであり、AVの認識および計画パイプラインにおける遅延と精度のトレードオフを体系的かつ包括的に分析することを可能にする。高性能なデータフロー・アーキテクチャに基づき、CARLAなどのシミュレータや実際の車両と統合可能であり、実際のエンドツーエンド走行条件下で部品の性能を評価するための基準実装および真値実装を提供する。このプラットフォームは、CARLA自動運転チャレンジで最高の成績を収めた。

ABSTRACT

We present Pylot, a platform for autonomous vehicle (AV) research and development, built with the goal to allow researchers to study the effects of the latency and accuracy of their models and algorithms on the end-to-end driving behavior of an AV. This is achieved through a modular structure enabled by our high-performance dataflow system that represents AV software pipeline components (object detectors, motion planners, etc.) as a dataflow graph of operators which communicate on data streams using timestamped messages. Pylot readily interfaces with popular AV simulators like CARLA, and is easily deployable to real-world vehicles with minimal code changes. To reduce the burden of developing an entire pipeline for evaluating a single component, Pylot provides several state-of-the-art reference implementations for the various components of an AV pipeline. Using these reference implementations, a Pylot-based AV pipeline is able to drive a real vehicle, and attains a high score on the CARLA Autonomous Driving Challenge. We also present several case studies enabled by Pylot, including evidence of a need for context-dependent components, and per-component time allocation. Pylot is open source, with the code available at https://github.com/erdos-project/pylot.

研究の動機と目的

• AV部品における遅延と精度の両方を考慮したエンドツーエンド評価フレームワークの不足に対処すること。
• 研究者が部品の実行時間と精度が走行行動および安全性に与える影響を統合的に分析できることを可能にすること。
• シミュレーションと実世界へのデプロイメントをスムーズに行えるように、ポータブルでモジュラーなプラットフォームを提供すること。
• 決定論的実行とデータフロー型アーキテクチャにより、AV実験のデバッグ可能性と再現性を向上させること。
• 緊急時の操作や高速走行を含む現実的な走行シナリオにおいて、AV部品のA/Bテストを可能にすること。

提案手法

• モデルおよびアルゴリズムはタイムスタンプ付きのオペレータから構成されるデータフロー・グラフとして構造化され、モジュラーで合成可能なAVパイプライン構築が可能となる。
• プラットフォームは高性能で決定論的なデータフローシステムを採用しており、再現可能な実行と部品間の低遅延通信を保証する。
• CARLAなどのシミュレーション環境と統合可能であり、最小限のコード変更で実車両へのデプロイメントも可能である。
• 認識（例：オブジェクト検出、セマンティックセグメンテーション）、予測、計画、制御モジュールの基準実装が提供される。
• シミュレータが提供する状態データにアクセスすることで、真値実装により理想化されたテストとデバッグが可能となる。
• モデル実行時間と走行速度を考慮した「タイムリー」な評価指標（例：タイムリー mIoU、タイムリー AP50）をPylotは提供する。

実験結果

リサーチクエスチョン

• RQ1 認識部品の実行時間が、異なる走行速度下でのタイムリーな精度にどのように影響を与えるか？
• RQ2 部品の遅延がエンドツーエンド走行行動に与える影響、特に緊急時の操作においては？
• RQ3 異なる計画アルゴリズムの設定は、衝突回避と快適性の間でどのようにトレードオフを形成するか？
• RQ4 どのようなオブジェクト検出器が、さまざまな走行速度と実行時間で最適なタイムリー性能を達成するか？
• RQ5 速度や遮蔽といった文脈依存要因が、AV部品の有効性にどの程度影響を与えるか？

主な発見

• セマンティックセグメンテーションモデルの実行時間が10msに達すると、タイムリー mIoUは約0.75に低下し、これはCityscapesチャレンジの上位提出物のmIoUを下回る。
• 歩行者検出において、モデル実行時間が35msに達すると、タイムリー AP50は半減する。これは、高速推論または軌道予測による補償の必要性が強いことを示している。
• 走行速度が40m/sに達すると、セマンティックセグメンテーションのタイムリー mIoUは10m/sのときと比較して28%低下し、検出のタイムリー AP50は0にまで低下する。これは高速走行時における精度の著しい低下を示している。
• 高速走行時には、速くても精度が低い検出器が、遅くても精度が高い検出器を上回るタイムリーな精度を達成する。これは、モデル選定において実行時間の重要性を強調している。
• 30msのP99実行時間を持つFOTプランナは、RRT* や Hybrid A* よりもより快適な走行（横方向のジャージャー低減）を達成したが、衝突回避に成功したケースは少ない。これは、安全性と快適性の間のトレードオフを示している。
• このプラットフォームにより、CARLA自動運転チャレンジのHDマップトラックで高得点の提出が可能となり、実世界のベンチマーク評価における有効性が裏付けられた。