[논문 리뷰] A Review of Tracking, Prediction and Decision Making Methods for Autonomous Driving

Florin Leon, Marius Gavrilescu|arXiv (Cornell University)|2019. 09. 17.

Autonomous Vehicle Technology and Safety참고 문헌 103인용 수 29

한 줄 요약

이 논문은 자율주행에서 추적, 예측, 의사결정 기법의 최신 기술을 검토하며, 객체 추적에 대해 딥 러닝과 확률적 기법을, 상호작용 모델링을 통한 운동 예측에 대해, 궤도 계획에 대해 강화 학습과 몬테카를로 트리 탐색(MCTS)을 강조한다. MCTSnet은 MCTS를 통합한 미분 가능한 신경망 아키텍처로, 엔드 투 엔드 학습을 가능하게 하여 탐색 정책의 기울기 기반 최적화를 가능하게 하고 불확실성 하에서의 샘플 효율성을 향상시킨다.

ABSTRACT

This literature review focuses on three important aspects of an autonomous car system: tracking (assessing the identity of the actors such as cars, pedestrians or obstacles in a sequence of observations), prediction (predicting the future motion of surrounding vehicles in order to navigate through various traffic scenarios) and decision making (analyzing the available actions of the ego car and their consequences to the entire driving context). For tracking and prediction, approaches based on (deep) neural networks and other, especially stochastic techniques, are reported. For decision making, deep reinforcement learning algorithms are presented, together with methods used to explore different alternative actions, such as Monte Carlo Tree Search.

연구 동기 및 목표

• 자율주행 차량 시스템에 핵심적인 추적, 예측, 의사결정 기법에 대한 종합적인 리뷰를 제공하기 위해.
• 인식 및 계획 모듈에서 실시간 성능, 정확도, 내성성 간의 상충 관계를 분석하기 위해.
• MCTS와 같은 전통적 계획 알고리즘과 딥 러닝의 통합이 불확실성 하에서의 의사결정 향상에 어떻게 기여하는지 검토하기 위해.
• 상호작용 모델링이 궤도 예측에 어떤 영향을 미치며 안전한 항로 운행에 어떤 기여를 하는지 평가하기 위해.
• 신경망과 트리 탐색을 통합한 엔드 투 엔드 학습 가능한 아키텍처를 탐색하여 최적의 제어 정책 학습을 가능하게 하기 위해.

제안 방법

• 추적, 예측, 의사결정의 세 핵심 모듈에 대해 기법을 분류하고 비교하기 위한 문헌 리뷰 프레임워크를 사용한다.
• 감지 및 연결 파이프라인을 사용한 2D 다중 객체 추적(MOT)을 위한 딥 러닝 기반 접근법을 검토한다.
• 확률적 및 스토케스틱 모델을 분석하여 운동 예측을 수행하며, 그래프 신경망과 변동형 추론을 활용한 상호작용 인식 예측을 포함한다.
• MCTSnet은 메모리 벡터로 노드 상태를 표현하고 탐색 트리 전역에 역전파를 가능하게 하여 몬테카를로 트리 탐색을 통합한 미분 가능한 신경망 아키텍처이다.
• 메모리 벡터 기반 정책을 사용한 정방향 시뮬레이션 단계를 거친 후, 전용 네트워크를 통해 백워드 값 백업을 수행하여 노드 값을 업데이트한다.
• 근사적 크레딧 할당 기법을 사용하여 기울기 기반 최적화를 통해 전체 MCTSnet 아키텍처를 엔드 투 엔드로 학습시키며, 탐색 정책과 가치 네트워크를 모두 포함한다.

실험 결과

연구 질문

• RQ1 딥 러닝과 확률적 모델은 복잡한 도심 주행 환경에서 추적 정확도와 내성성을 어떻게 향상시키는가?
• RQ2 상호작용 인식 예측 모델은 자율주행 차량의 의사결정 안전성과 신뢰성에 어느 정도 기여하는가?
• RQ3 몬테카를로 트리 탐색은 신경망과 어떻게 통합되어 기울기 기반 최적화가 가능한 엔드 투 엔드 학습 가능한 계획 정책를 가능하게 하는가?
• RQ4 실시간 자율주행 시스템에서 미분 가능한 트리 탐색 아키텍처인 MCTSnet을 사용할 경우의 계산 및 샘플 효율성 상충 관계는 어떠한가?
• RQ5 인식, 예측, 계획 모듈을 통합한 하이브리드 접근 방식은 전체 시스템 성능과 내성성에 어떤 기여를 하는가?

주요 결과

• MCTSnet은 메모리 벡터와 백업 네트워크를 사용해 탐색 과정을 미분 가능하게 하여 액션 시퀀스의 비가역성 문제를 해결함으로써 몬테카를로 트리 탐색의 엔드 투 엔드 학습을 가능하게 한다.
• 계산 그래프의 언제나 가능한 성질을 활용한 크레딧 할당 덕분에 샘플 효율성과 계획 성능이 향상된다.
• 빠르게 탐색하는 랜덤 트리(RRTs)는 고차원 비홀로노믹 시스템에서 실시간으로 동적 실행 가능 궤도 계획을 가능하게 하며, 2007년 DARPA 도시 챌린지에서 이를 입증했다.
• 상호작용 인식 예측 모델은 그래프 기반 표현을 통해 차량과 보행자 간의 의존성을 모델링함으로써 예측 정확도를 크게 향상시킨다.
• 딥 러닝 기반 추적 방법은 프레임 간 시간적 일관성 모델링과 강력한 특징 학습을 통합함으로써 MOT에서 높은 정확도를 달성한다.
• 신경망과 MCTS와 같은 전통적 계획 알고리즘의 통합은 확장 가능하고 해석 가능하며 학습 가능한 불확실성 하의 의사결정을 가능하게 한다.