[論文レビュー] Rationale-aware Autonomous Driving Policy utilizing Safety Force Field implemented on CARLA Simulator

Ho Suk, Taewoo Kim+4 more|arXiv (Cornell University)|Nov 18, 2022

Autonomous Vehicle Technology and Safety被引用数 4

ひとこと要約

本論文は、CARLAシミュレータと統合された自己実装のSafety Force Field (SFF)モデルを用いて、変動する交通状況下でも人間らしい一貫性のある走行を実現する、根拠に基づいた自律走行ポリシーを提案する。深層ニューラルネットワークを用いて各車両の「主張集合」を予測し、安全ポテンシャルを計算することで、CARLAオートパイLOTおよびRSSベースのシステムと比較して優れた安全性と効率性を達成した。高攻撃的状況下では1秒あたり1.40件の到着、2,495ステップの事故なしの走行が達成された。

ABSTRACT

Despite the rapid improvement of autonomous driving technology in recent years, automotive manufacturers must resolve liability issues to commercialize autonomous passenger car of SAE J3016 Level 3 or higher. To cope with the product liability law, manufacturers develop autonomous driving systems in compliance with international standards for safety such as ISO 26262 and ISO 21448. Concerning the safety of the intended functionality (SOTIF) requirement in ISO 26262, the driving policy recommends providing an explicit rational basis for maneuver decisions. In this case, mathematical models such as Safety Force Field (SFF) and Responsibility-Sensitive Safety (RSS) which have interpretability on decision, may be suitable. In this work, we implement SFF from scratch to substitute the undisclosed NVIDIA's source code and integrate it with CARLA open-source simulator. Using SFF and CARLA, we present a predictor for claimed sets of vehicles, and based on the predictor, propose an integrated driving policy that consistently operates regardless of safety conditions it encounters while passing through dynamic traffic. The policy does not have a separate plan for each condition, but using safety potential, it aims human-like driving blended in with traffic flow.

研究の動機と目的

• SAE Level 3+の自律走行車両における責任帰属および安全性の適合課題に、数学的に厳密で解釈可能な安全モデルを実装することで対処すること。
• 既存のSFF実装が閉鎖型でプラットフォームに依存しているという限界を克服するため、CARLAと互換性を持つ完全なオープンソースSFF実装を構築すること。
• 別個の「パニックボタン」安全モジュールに依存せずに、安全な状況と危険な状況の両方で一貫して動作する統合走行ポリシーを構築すること。
• 交通の流れのなめらかさを維持しながら安全を保証し、ISO 21448 SOTIF要件に適合すること。
• 交通の攻撃的レベルを変化させた条件下で、CARLAオートパイLOTおよびRSSベースのシステムと比較して、所定の実験を実施して本手法の有効性を検証すること。

提案手法

• CARLAと完全に互換性を持つオープンソースフレームワークに適合するよう、SFFモデルを完全に自前で実装し、完全な透明性を確保すること。
• 車両の状態と軌道に基づき、各車両の「主張集合」（安全計算のための影響領域）を予測するための深層ニューラルネットワークを学習すること。
• 主張集合を用いて安全ポテンシャルを計算し、エゴ車両の安全レベルをリアルタイムで特定することで、動的意思決定を可能にすること。
• 安全ポテンシャルを統合された走行ポリシーに組み込み、別個の安全/非安全モードの論理を排除することで、一貫性のある行動を実現すること。
• 安全ポテンシャルを計画サブシステムのコア要因として使用し、急な干渉なしになめらかで人間らしい運転を可能にすること。
• 四段階のランダムな車両攻撃度を設定したCARLA内での制御実験を通じて、到着レートと事故なしステップ数を測定することで、システムを検証すること。

実験結果

リサーチクエスチョン

• RQ1 自己実装のオープンソースSFFモデルは、既存の閉鎖型SFFおよびRSSベースのシステムと同等またはそれ以上の安全性と効率性を達成できるか？
• RQ2 SFFを別個の上書きモジュールとしてではなく、コア計画ポリシーに統合することで、なめらかで人間らしい走行行動が実現できるか？
• RQ3 学習された主張集合予測器は、特許取得済み実装に依存せずに、正確でリアルタイムの安全ポテンシャル計算を可能にするか？
• RQ4 交通の攻撃的度合いが増加する状況下で、本手法のポリシーは安全性と効率性の観点でどのように性能を発揮するか？
• RQ5 統合されたポリシーは、動的条件下でも交通の流れをどれほど維持できるか、SOTIF要件への適合性を満たしているか？

主な発見

• 提案されたSFFベースの走行ポリシーは、高攻撃的状況下で1秒あたり1.40件の到着、2,495ステップの事故なし走行を達成し、CARLAオートパイLOT（1秒あたり0.52件、1,332ステップ）およびRSS-CARLA（1秒あたり1.00件、1,886ステップ）を上回った。
• 本手法は全攻撃的レベルで一貫した性能を示し、安全状況と危険状況の両方で別個の安全論理を必要とせず、高いロバストネスを示した。
• 主張集合予測器は、車両の影響領域を的確に同定し、正確な安全ポテンシャル計算とリアルタイム意思決定を可能にした。
• 従来のSFF上書きアーキテクチャと比較して、急な干渉が減少し、なめらかな交通の流れと人間らしい走行行動が実現された。
• SFF実装は、実装上、特許取得済みモデルと同等の機能を有しており、RSSとの性能同等性を確認し、主要指標で優れた結果を示した。
• 本手法は、すべての走行行動に対して数学的に説明可能で解釈可能な安全根拠を提供するため、ISO 21448 SOTIF要件を満たしている。