[논문 리뷰] A Novel Traffic Simulation Framework for Testing Autonomous Vehicles Using SUMO and CARLA

Pei Li, Arpan Kusari외 1명|arXiv (Cornell University)|2021. 10. 14.

Traffic control and management참고 문헌 5인용 수 8

한 줄 요약

이 논문은 자율주행차(AV)의 인식, 계획, 제어 모듈을 복잡하고 자연스러운 환경에서 종단간(end-to-end) 테스트할 수 있도록, 현실적인 교통 흐름을 위한 SUMO와 고해상도 센서 시뮬레이션을 위한 CARLA를 통합한 새로운 시뮬레이션 프레임워크를 제안한다. SUMO-Gym과 CARLA를 결합함으로써 교통 행동과 센서 출력의 현실성이 향상되어, 다양한 사례 연구를 통해 모듈화되고 확장 가능한 AV 평가가 가능해진다.

ABSTRACT

Traffic simulation is an efficient and cost-effective way to test Autonomous Vehicles (AVs) in a complex and dynamic environment. Numerous studies have been conducted for AV evaluation using traffic simulation over the past decades. However, the current simulation environments fall behind on two fronts -- the background vehicles (BVs) fail to simulate naturalistic driving behavior and the existing environments do not test the entire pipeline in a modular fashion. This study aims to propose a simulation framework that creates a complex and naturalistic traffic environment. Specifically, we combine a modified version of the Simulation of Urban MObility (SUMO) simulator with the Cars Learning to Act (CARLA) simulator to generate a simulation environment that could emulate the complexities of the external environment while providing realistic sensor outputs to the AV pipeline. In a past research work, we created an open-source Python package called SUMO-Gym which generates a realistic road network and naturalistic traffic through SUMO and combines that with OpenAI Gym to provide ease of use for the end user. We propose to extend our developed software by adding CARLA, which in turn will enrich the perception of the ego vehicle by providing realistic sensors outputs of the AVs surrounding environment. Using the proposed framework, AVs perception, planning, and control could be tested in a complex and realistic driving environment. The performance of the proposed framework in constructing output generation and AV evaluations are demonstrated using several case studies.

연구 동기 및 목표

• 기존 시뮬레이션 환경이 배경 차량의 자연스러운 주행 행동을 재현하는 데 한계를 지닌 문제를 해결하기 위해.
• 현재 AV 시뮬레이션 프레임워크에서 모듈화되고 종단간 파이프라인 테스트가 부족한 문제를 해결하기 위해.
• SUMO의 교통 모델링과 CARLA의 사진처럼 사실적인 센서 시뮬레이션을 통합한 통합 시뮬레이션 프레임워크를 개발하기 위해.
• 자율주행차 인식, 계획, 제어 모듈의 확장 가능하고 현실적인 평가를 가능하게 하기 위해.
• SUMO-Gym 프레임워크를 개선하여 CARLA 통합을 통해 센서의 현실성과 환경의 정밀도를 향상시키기 위해.

제안 방법

• 수정된 SUMO의 버전을 활용하여 다양한 차량 행동을 포함한 현실적인 도로 네트워크와 자연스러운 교통 흐름을 생성한다.
• CARLA는 자동차의 환경 인식을 위한 LiDAR 및 카메라 데이터를 포함한 사진처럼 사실적인 센서 출력을 제공한다.
• 트래픽 상태를 SUMO에서 CARLA 시뮬레이션 환경으로 동기화하기 위해 커스터마이징된 파이썬 기반 인터페이스를 구현한다.
• SUMO-Gym 프레임워크를 활용하여 AV 강화학습 및 제어 정책 학습을 위한 표준화된, gym 유사 API를 제공한다.
• 센서 입력 생성을 의사결정 모듈에서 분리함으로써 인식, 계획, 제어 구성 요소의 모듈화된 테스트를 지원하는 시뮬레이션 파이프라인을 제공한다.
• 사례 연구를 통해 다양한 주행 시나리오에서 일관되고 고해상도의 시뮬레이션 출력을 생성할 수 있음을 검증한다.

실험 결과

연구 질문

• RQ1 SUMO와 CARLA를 통합한 프레임워크는 SUMO 단독 사용보다 배경 차량의 행동을 더 자연스럽게 재현할 수 있는가?
• RQ2 CARLA의 센서 시뮬레이션은 교통 시뮬레이션 환경에서 AV 인식 입력의 현실성을 얼마나 효과적으로 향상시키는가?
• RQ3 통합된 프레임워크는 AV 인식, 계획, 제어 파이프라인의 모듈화되고 종단간 테스트를 어느 정도 지원하는가?
• RQ4 이 프레임워크는 다양한 주행 시나리오에서 일관되고 확장 가능한 시뮬레이션 출력을 생성하는 데 얼마나 잘 기능하는가?
• RQ5 CARLA 통합을 통해 확장된 SUMO-Gym 프레임워크는 단독 시뮬레이터보다 더 신뢰할 수 있는 AV 평가를 가능하게 하는가?

주요 결과

• SUMO와 CARLA의 통합은 SUMO의 교통 역학과 CARLA의 환경 정밀도를 조합함으로써 배경 차량 행동의 현실성을 크게 향상시킨다.
• 프레임워크는 실제 자율주행차 인식 입력과 유사한 고해상도 센서 출력, 즉 LiDAR 및 카메라 데이터를 성공적으로 생성한다.
• 모듈화된 설계 덕분에 통합 시뮬레이션 환경 내에서 인식, 계획, 제어 구성 요소를 별도로 테스트할 수 있다.
• 사례 연구를 통해 복잡한 도심 및 고속도로 시나리오에서 일관된 시뮬레이션 출력을 유지하며 확장 가능한 능력을 입증한다.
• CARLA 통합을 통해 확장된 SUMO-Gym 프레임워크는 AV 개발 및 평가를 위한 더 포괄적이고 현실적인 테스트베드를 제공한다.