[논문 리뷰] A Survey on Safety-Critical Driving Scenario Generation -- A Methodological Perspective

Wenhao Ding, Chejian Xu외 4명|arXiv (Cornell University)|2022. 02. 04.

Autonomous Vehicle Technology and Safety인용 수 9

한 줄 요약

이 종합 검토는 자율주행차를 위한 안전 핵심 주행 시나리오 생성에 대한 체계적인 방법론적 분류 체계를 제시하며, 데이터 기반, 적대적, 지식 기반 방법으로 접근 방식을 분류한다. 주요 과제로 정밀도, 효율성, 다양성, 이식 가능성, 제어 가능성 등을 규명하고, 향후 방향으로는 물리 법칙 통합 및 커리큘럼 학습과 적대적 훈련을 통한 강인성 및 일반화 향상에 활용하는 시나리오 생성을 제안한다.

ABSTRACT

Autonomous driving systems have witnessed a significant development during the past years thanks to the advance in machine learning-enabled sensing and decision-making algorithms. One critical challenge for their massive deployment in the real world is their safety evaluation. Most existing driving systems are still trained and evaluated on naturalistic scenarios collected from daily life or heuristically-generated adversarial ones. However, the large population of cars, in general, leads to an extremely low collision rate, indicating that the safety-critical scenarios are rare in the collected real-world data. Thus, methods to artificially generate scenarios become crucial to measure the risk and reduce the cost. In this survey, we focus on the algorithms of safety-critical scenario generation in autonomous driving. We first provide a comprehensive taxonomy of existing algorithms by dividing them into three categories: data-driven generation, adversarial generation, and knowledge-based generation. Then, we discuss useful tools for scenario generation, including simulation platforms and packages. Finally, we extend our discussion to five main challenges of current works -- fidelity, efficiency, diversity, transferability, controllability -- and research opportunities lighted up by these challenges.

연구 동기 및 목표

• 실제 데이터에서 드문 고위험 시나리오에 대한 평가가 부족한 자율주행차의 안전성 평가라는 핵심 과제를 해결하기 위해.
• 기반 정보원과 프레임워크에 따라 기존 시나리오 생성 방법을 체계적으로 분류하기 위해.
• 현재 시나리오 생성 접근 방식에서의 핵심 과제인 정밀도, 효율성, 다양성, 이식 가능성, 제어 가능성 등을 규명하기 위해.
• 특정 평가 요구사항에 맞는 적절한 생성 알고리즘 선택을 연구자 및 실무자에게 안내하기 위해.
• 향후 연구 방향을 제시하기 위해 — 물리 법칙 통합, 오프라인 강화 학습 활용, 생성된 시나리오를 통한 강인성 및 일반화 향상

제안 방법

• 시나리오 생성을 세 가지 주요 방법론적 유형으로 분류: 데이터 기반(실세계 데이터에 기반한 딥 생성 모델 사용), 적대적(실패 사례를 찾기 위해 최적화 또는 강화 학습 적용), 지식 기반(규칙 기반 또는 기호적 제약 조건을 사용해 안전 핵심 조건 정의).
• 물리 법칙과 객체 상호작용을 통합한 계층적 시나리오 표현 방식을 제안하여 현실성과 해석 가능성 향상.
• 주로 사용되는 시뮬레이션 플랫폼(예: CARLA, LGSVL)과 오픈소스 도구(예: AirSim, ScenarioGen)를 검토하여 시나리오 설계 및 평가에 활용.
• 생성된 시나리오가 실세계 데이터 분포와 더 잘 일치하도록 오프라인 강화 학습 및 모방 학습 통합.
• 예: 데이터 기반 + 적대적 또는 지식 기반 + 적대적 등의 조합을 통한 방법 통합을 제안하여 다양성, 현실성, 제어 가능성의 균형 확보.
• 커리큘럼 학습 및 분포 기반 강인 최적화를 활용해 생성된 시나리오를 자율주행 시스템의 일반화 및 강인성 향상에 활용하는 전략 제안.

Figure 1: The overview of autonomous vehicle evaluation. (a) Most of the scenarios that happen in the real world are typical scenarios; safety-critical scenarios are extremely rare. (b) AVs are supposed to have higher average safety than human drivers, but the gap is not easy to be evaluated and mea

실험 결과

연구 질문

• RQ1 기본적인 방법론과 정보원에 따라 안전 핵심 주행 시나리오는 어떻게 시스템적으로 분류할 수 있는가?
• RQ2 현재 시나리오 생성 방법의 주요 한계는 무엇이며, 자율주행차 안전 평가에 어떤 영향을 미치는가?
• RQ3 생성된 시나리오는 어떻게 하면 현실성(고정밀도)과 동시에 시스템 취약점을 드러내는 데 효과적(고비판성)이 될 수 있는가?
• RQ4 물리 법칙과 교통 규칙와 같은 외부 지식은 생성된 시나리오의 해석 가능성과 타당성을 향상시키는 데 어떤 역할을 할 수 있는가?
• RQ5 생성된 시나리오는 평가 외에도 자율주행 시스템의 강인성과 일반화 능력을 향상시키는 데 어떻게 활용될 수 있는가?

주요 결과

• 특히 딥 생성 모델을 활용한 데이터 기반 방법은 복잡한 교통 패턴을 잘 포착하지만, 데이터 희소성으로 인해 고위험 시나리오 생성에 실패하는 경우가 많다.
• 적대적 생성 방법은 실패 사례 탐지에 효과적이지만, 현실적이거나 물리적으로 타당하지 않은 시나리오를 생성할 수 있다.
• 지식 기반 방법은 높은 해석 가능성과 제어 가능성을 제공하지만, 다양성이 떨어지고 드문 복잡한 상호작용를 놓칠 수 있다.
• 데이터 기반과 적대적 방법을 조합하면 다양한, 현실적인, 안전 핵심 시나리오를 발견하는 데 유망한 길이 열린다.
• 물리 법칙과 실세계 데이터 분포를 시나리오 생성에 통합하면 정밀도가 향상되고 생성된 시나리오가 의미 있고 테스트 가능한 상태를 확보할 수 있다.
• 생성된 시나리오를 커리큘럼 학습 및 적대적 훈련 프레임워크에 활용하면 자율주행 시스템의 강인성과 일반화 능력이 크게 향상된다.

Figure 3: Illustration of three types of generation methods. (a) Data-driven methods only use the collected data to sample directly or via generative models. (b) Adversarial methods use the feedback from the autonomous vehicle that is deployed in the simulation. (c) Knowledge-based methods leverage