[논문 리뷰] A Software Architecture for Autonomous Vehicles: Team LRM-B Entry in the First CARLA Autonomous Driving Challenge

Luis Alberto Rosero, Iago Pachêco Gomes외 6명|arXiv (Cornell University)|2020. 10. 23.

Autonomous Vehicle Technology and Safety참고 문헌 84인용 수 11

한 줄 요약

이 논문은 CARLA 자율주행 챌린지에 참가한 Team LRM-B가 개발한 자율주행 차량을 위한 모듈식이고 견고한 소프트웨어 아키텍처를 제시한다. 이 아키텍처는 3차원 장애물 탐지, CNN 기반 교통 표지판 인식, 단기 운동 예측을 통한 위험 평가, 의사결정을 위한 마르코프 결정 과정(MDP), 제어를 위한 모델 예측 제어(MPC)를 통합하고 있다. 시스템은 세 개의 트랙에서 1위, 한 개 트랙에서 2위를 기록하여 복잡한 도심 주행 환경에서 매우 높은 신뢰성과 낮은 교통 위반 수준을 입증하였다.

ABSTRACT

The objective of the first CARLA autonomous driving challenge was to deploy autonomous driving systems to lead with complex traffic scenarios where all participants faced the same challenging traffic situations. According to the organizers, this competition emerges as a way to democratize and to accelerate the research and development of autonomous vehicles around the world using the CARLA simulator contributing to the development of the autonomous vehicle area. Therefore, this paper presents the architecture design for the navigation of an autonomous vehicle in a simulated urban environment that attempts to commit the least number of traffic infractions, which used as the baseline the original architecture of the platform for autonomous navigation CaRINA 2. Our agent traveled in simulated scenarios for several hours, demonstrating his capabilities, winning three out of the four tracks of the challenge, and being ranked second in the remaining track. Our architecture was made towards meeting the requirements of CARLA Autonomous Driving Challenge and has components for obstacle detection using 3D point clouds, traffic signs detection and classification which employs Convolutional Neural Networks (CNN) and depth information, risk assessment with collision detection using short-term motion prediction, decision-making with Markov Decision Process (MDP), and control using Model Predictive Control (MPC).

연구 동기 및 목표

• 시뮬레이션을 활용하여 다양한 복잡한 도심 주행 환경에서의 자율주행을 위한 확장 가능하고 견고한 소프트웨어 아키텍처를 설계하기 위해.
• 다양한 주행 상황에서 교통법규 준수를 보장하여 교통 위반을 최소화하기 위해.
• 다양한 센서 구성과 환경 조건을 가진 여러 트랙에서의 자율 주행 운영을 가능하게 하기 위해.
• 실제 시뮬레이션에 적합한 인식, 위험 평가, 의사결정 구성 요소를 추가하여 CaRINA 2 플랫폼을 확장하기 위해.
• CARLA 시뮬레이터를 활용한 대규모 다중 시나리오 시뮬레이션 환경에서 아키텍처의 유효성을 검증하기 위해.

제안 방법

• CaRINA 2 기반의 모듈식 아키텍처를 사용하여 인식, 계획, 제어 모듈을 통합하였다.
• LiDAR와 스테레오 비전에서 얻은 3차원 포인트 클라우드를 활용하여 고도 맵과 군집화를 통한 장애물 탐지 방법을 적용하였다.
• 정확한 교통 표지판 탐지 및 분류를 위해 깊이 정보를 활용한 컨볼루션 신경망(CNNs)을 적용하였다.
• 충돌 감지 및 실시간 위험 평가를 위해 충돌까지의 거리(Distance-to-Collision, DTC)를 활용한 단기 운동 예측을 구현하였다.
• 다이나믹한 교통 환경에서의 불확실성 하에 고수준 의사결정을 위해 마르코프 결정 과정(MDP)을 활용하였다.
• 부드럽고 안전한 궤적 추적 및 제어를 위해 모델 예측 제어(MPC)를 적용하였다.

실험 결과

연구 질문

• RQ1 어떻게 다양한 복잡한 도심 주행 환경에서의 자율주행을 지원하는 모듈식 소프트웨어 아키텍처를 설계할 수 있는가?
• RQ2 모의 도심 주행 환경에서 교통 위반을 최소화하는 데 가장 효과적인 인식 및 의사결정 구성 요소는 무엇인가?
• RQ3 단기 운동 예측을 통합함으로써 위험 평가 및 충돌 회피 능력은 어떻게 향상되는가?
• RQ4 MDP 기반 의사결정은 교통 정체, 신호등이 있는 교차로, 차선 변경 등의 다양한 교통 조건을 얼마나 잘 처리할 수 있는가?
• RQ5 2차원 탐지와 3차원 포인트 클라우드 투영의 융합은 물체의 위치 특정 및 의사결정 정확도를 어떻게 향상시키는가?

주요 결과

• LRM-B 팀은 CARLA 자율주행 챌린지의 네 개 트랙 중 세 개에서 1위를 기록하였고, 나머지 한 트랙에서는 2위를 차지하였다.
• 시스템은 몇 시간에 걸쳐 복잡한 도심 주행 시나리오를 성공적으로 통과하였으며, 실시간 시뮬레이션 환경에서 뛰어난 견고성과 신뢰성을 입증하였다.
• 2차원 객체 탐지와 3차원 포인트 클라우드 투영의 융합이 장애물, 신호등, 표지판의 위치 특정 정확도를 크게 향상시켰다.
• 단기 운동 예측 및 충돌까지의 거리(DTC)의 활용이 실시간 위험 평가를 향상시켜 충돌 사고를 줄였다.
• MDP 기반 의사결정 프레임워크는 교차로, 차선 변경, 교통 정체 등의 다양한 교통 상황을 효과적으로 관리하였다.
• 모듈식 아키텍처는 새로운 트랙에 대한 신속한 확장과 적응을 가능하게 하여 다양한 센서 구성과 요구사항을 수용할 수 있었다.