[논문 리뷰] A Cooperative Perception Environment for Traffic Operations and Control

Hanlin Chen, Brian Liu외 4명|arXiv (Cornell University)|2022. 08. 04.

Traffic Prediction and Management Techniques인용 수 5

한 줄 요약

이 논문은 연결형 및 자율주행 차량(CAVs)과 인프라 센서에서 온라인으로 수집된 라이다 포인트 클라우드를 융합하여 교통 모니터링 및 제어를 향상시키는 협업형 인식 환경을 제안한다. 최신 3D 객체 검출 모델을 활용해 다중 소스의 인식 데이터를 통합함으로써, 매우 낮은 CAV 침투율에서도 30% 이상의 CAV 침투율 수준의 성능을 달성하며 높은 데이터 수집 효율성을 입증한다.

ABSTRACT

Existing data collection methods for traffic operations and control usually rely on infrastructure-based loop detectors or probe vehicle trajectories. Connected and automated vehicles (CAVs) not only can report data about themselves but also can provide the status of all detected surrounding vehicles. Integration of perception data from multiple CAVs as well as infrastructure sensors (e.g., LiDAR) can provide richer information even under a very low penetration rate. This paper aims to develop a cooperative data collection system, which integrates Lidar point cloud data from both infrastructure and CAVs to create a cooperative perception environment for various transportation applications. The state-of-the-art 3D detection models are applied to detect vehicles in the merged point cloud. We test the proposed cooperative perception environment with the max pressure adaptive signal control model in a co-simulation platform with CARLA and SUMO. Results show that very low penetration rates of CAV plus an infrastructure sensor are sufficient to achieve comparable performance with 30% or higher penetration rates of connected vehicles (CV). We also show the equivalent CV penetration rate (E-CVPR) under different CAV penetration rates to demonstrate the data collection efficiency of the cooperative perception environment.

연구 동기 및 목표

• 연결형 및 자율주행 차량(CAVs)과 인프라 센서에서 온라인으로 수집된 데이터를 통합하여 교통 운영 및 제어를 향상시키는 협업형 인식 환경을 개발하는 것.
• 낮은 CAV 침투율 조건에서 CAV 라이다 데이터와 인프라 기반 센서를 융합함으로써 교통 인식 성능 향상 여부를 평가하는 것.
• 협업형 인식 시스템이 최소한의 CAV 도입으로도 높은 연결형 차량 침투율(예: 30% 이상) 수준의 성능을 달성할 수 있음을 입증하는 것.
• 등가 연결형 차량 침투율(E-CVPR) 개념을 활용해 협업 시스템의 데이터 수집 효율성을 정량화하는 것.
• 실시간 교통 제어에 대한 시스템의 유용성을 검증하기 위해 공동 시뮬레이션 환경에서 적응형 신호 제어 모델과 통합하는 것.

제안 방법

• 연결형 차량(CAVs)과 인프라에 설치된 센서에서 온라인으로 수집된 라이다 포인트 클라우드 데이터를 통합하여 통합된 인식 환경을 구성하는 것.
• 융합된 포인트 클라우드에 최신 3D 객체 검출 모델을 적용하여 고정밀도의 차량 검출을 수행하는 것.
• 차량 동역학 및 인식 성능을 시뮬레이션하는 데 사용되는 CARLA와 교통 시뮬레이션을 위한 SUMO를 결합한 공동 시뮬레이션 플랫폼을 활용해 시스템 성능을 평가하는 것.
• 시스템의 교통 운영에 미치는 영향을 테스트하기 위해 최대 압력 적응형 신호 제어 알고리즘을 구현하는 것.
• 등가 연결형 차량 침투율(E-CVPR)을 사용해 성능을 정량화하며, 이는 동일한 성능를 낼 수 있는 연결형 차량 비율을 나타낸다.
• 다양한 CAV와 고정형 인프라 센서로부터 실시간 인식 업데이트를 가능하게 하는 분산형 데이터 융합 아키텍처를 구현하는 것.

실험 결과

연구 질문

• RQ1 CAV와 인프라 라이다 데이터를 융합한 협업형 인식 시스템이 낮은 CAV 침투율에서도 고정밀 교통 모니터링을 달성할 수 있는가?
• RQ2 다양한 침투율에서 협업형 인식 시스템의 성능이 기존의 연결형 차량 전용 시스템과 비교해 어떻게 다른가?
• RQ3 협업 시스템의 등가 연결형 차량 침투율(E-CVPR)은 얼마이며, 다양한 CAV 침투율 수준에서 어떻게 변화하는가?
• RQ4 협업형 인식 시스템은 도시 교통 환경에서 적응형 신호 제어 성능을 얼마나 향상시킬 수 있는가?
• RQ5 희박한 데이터를 포함한 저밀도 CAV 배치 상황에서 시스템의 견고성은 어느 정도인가?

주요 결과

• 5%의 CAV 침투율에 더하여 하나의 인프라 센서를 활용할 경우, 협업형 인식 시스템은 30% CAV 침투율 수준의 신호 제어 성능을 달성한다.
• 5% CAV 침투율과 하나의 인프라 센서 조건에서, 시스템은 약 30%의 등가 연결형 차량 침투율(E-CVPR)을 달성하며 높은 데이터 효율성을 입증한다.
• CAV와 인프라 라이다 데이터의 융합은 단독으로 사용할 경우보다 차량 검출 정확도와 시공간 커버리지가 크게 향상됨을 보여준다.
• 다양한 시뮬레이션 시나리오에서 일관된 성능 향상을 유지하며, 다양한 교통 조건에 대한 견고성을 입증한다.
• 최대 압력 적응형 신호 제어 모델은 협업형 인식 데이터 덕분에 평균 지연 시간과 대기 길이를 크게 감소시킨다.
• 결과적으로 인프라 센서가 효과적인 교통 모니터링 및 제어를 위해 필요한 CAV 침투율을 크게 감소시킬 수 있음을 확인한다.