[논문 리뷰] A Fog Computing Framework for Autonomous Driving Assist: Architecture, Experiments, and Challenges

Muthucumaru Maheswaran, Tianzi Yang외 1명|arXiv (Cornell University)|2019. 07. 16.

IoT and Edge/Fog Computing인용 수 8

한 줄 요약

이 논문은 페인트 컴퓨팅을 활용한 엣지 트윈 프레임워크를 제안하여 도로 구간의 분산 디지털 트윈을 유지하고 기계학습을 통해 차량의 궤적을 예측하며 동적 위험 지ap을 생성함으로써 실시간 자율 주행 보조를 가능하게 한다. 이 시스템은 예측적 타임시프팅을 통해 지연에 의한 지연을 줄이며, 실제 교통 트레이스를 기반으로 한 시뮬레이션을 통해 낮은 예측 오차로 검증된다.

ABSTRACT

Autonomous driving is expected to provide a range of far-reaching economic, environmental and safety benefits. In this study, we propose a fog computing based framework to assist autonomous driving. Our framework relies on overhead views from cameras and data streams from vehicle sensors to create a network of distributed digital twins, called an edge twin, on fog machines. The edge twin will be continuously updated with the locations of both autonomous and human-piloted vehicles on the road segments. The vehicle locations will be harvested from overhead cameras as well as location feeds from the vehicles themselves. Although the edge twin can make fair road space allocations from a global viewpoint, there is a communication cost (delay) in reaching it from the cameras and vehicular sensors. To address this, we introduce a machine learning forecaster as a part of the edge twin which is responsible for predicting the future location of vehicles. Lastly, we introduce a box algorithm that will use the forecasted values to create a hazard map for the road segment which would be used by the framework to suggest safe manoeuvres for the autonomous vehicles such as lane changes and accelerations. We present the complete fog computing framework for autonomous driving assist and evaluate key portions of the proposed framework using simulations based on a real-world dataset of vehicle position traces on a highway

연구 동기 및 목표

• 실시간 자율 주행 시스템에서의 통신 지연 문제를 해결하기 위해 페인트 컴퓨팅을 활용해 저지연 처리를 달성하고자 한다.
• 상향 카메라 및 차량 센서로부터의 데이터를 사용해 도로 구간의 최신 가상 표현을 유지하는 분산 디지털 트윈 시스템(엣지 트윈)을 설계하고자 한다.
• 기계학습을 통해 미래의 차량 위치를 예측하여 데이터의 오래됨이 주행 결정에 미치는 영향을 줄이고자 한다.
• 예측적 세계 시각을 시간 이동 기반으로 제공함으로써 자율 주행 차량 간의 공정하고 효율적인 도로 공간 할당을 가능하게 하고자 한다.
• 실제 교통 트레이스 시뮬레이션을 사용해 프레임워크의 타당성을 평가하고 궤적 예측 정확도를 분석하고자 한다.

제안 방법

• 프레임워크는 페인트 노드에 근접한 데이터 소스에 가까운 곳에 도로 구간의 분산 디지털 트윈(엣지 트윈)을 호스팅하기 위해 페인트 컴퓨팅을 활용한다.
• 차량 위치는 상향 카메라와 직접적인 차량 피드로부터 수집되어 실시간 세계 상태 업데이트를 가능하게 한다.
• 기계학습 기반 궤적 예측기로 미래의 차량 위치를 예측하여 통신 지연을 보완하고 세계 상태를 미래 시점으로 시간 이동시킨다.
• 시스템은 도로 공간을 상자로 분할하고 예측된 점유율 기반으로 위험 지도를 계산하여 자율 주행 차량을 위한 안전한 경로를 식별한다.
• 박스 알고리즘은 예측된 데이터를 사용하여 할당을 위한 자유로운, 충돌이 없는 도로 세그먼트를 결정한다.
• 프레임워크는 실제 NGSIM US-101 및 I-80 데이터셋을 기반으로 한 트레이스 기반 시뮬레이션을 통해 평가되어 예측 정확도와 시스템 반응성 검증을 받는다.

실험 결과

연구 질문

• RQ1 어떻게 페인트 컴퓨팅을 활용하여 자율 주행 보조 시스템의 지연을 줄일 수 있는가?
• RQ2 기계학습 기반 궤적 예측은 실시간 주행 의사결정에서 데이터의 오래됨 영향을 어느 정도 완화할 수 있는가?
• RQ3 분산 디지털 트윈(엣지 트윈)은 다수의 페인트 노드를 통해 도로 세그먼트에 대한 일관되고 예측 가능한 시각을 유지할 수 있는가?
• RQ4 궤적 예측을 활용한 시간 이동 메커니즘이 주행 권고의 관련성을 향상시키는 데 얼마나 효과적인가?
• RQ5 중앙집중식 예측 엣지 트윈을 사용해 자율 주행 차량 간에 공정하고 효율적인 도로 공간 할당을 어떻게 달성할 수 있는가?

주요 결과

• 기계학습 기반 궤적 예측기는 실제 교통 트레이스에서 낮은 예측 오차를 기록하여 시스템 내 통신 지연을 효과적으로 보완했다.
• 예측을 활용한 시간 이동 메커니즘 덕분에 엣지 트윈은 데이터 지연에도 불구하고 관련성 있고 미래 지향적인 주행 결정을 생성할 수 있었다.
• 위험 지도 생성 절차는 예측된 차량 이동 기반으로 안전하고 점유되지 않은 도로 세그먼트를 성공적으로 식별했다.
• 프레임워크는 시뮬레이션을 통해 타당성을 입증하였으며, 예측 기반 엣지 트윈이 실시간으로 조율된 자율 주행 보조를 지원할 수 있음을 보여주었다.
• 페인트 컴퓨팅, 디지털 트윈, 기계학습의 통합은 교통 관리 및 안전에 대해 확장 가능하고 저지연 솔루션을 가능하게 한다.
• 엣지 트윈 프레임워크는 JAMScript 프로그래밍 모델과 잘 맞아 떨어져 향후 전면 구현을 위한 기반을 마련한다.