[논문 리뷰] Accelerated Evaluation of Automated Vehicles Using Piecewise Mixture Models

Zhiyuan Huang, Ding Zhao외 2명|arXiv (Cornell University)|2017. 01. 31.

Software Reliability and Analysis Research참고 문헌 9인용 수 5

한 줄 요약

이 논문은 자율주행차(AV) 안전 시스템 평가를 가속화하기 위해 인간 운전 차량의 차선 변경 행동을 더 정확하게 모델링하기 위해 조각별 혼합 분포 모델을 제안한다. 단일 비모수적 분포를 유연하고 세분화된 혼합 모델로 대체함으로써, 시뮬레이션 시간을 거의 4개 주자 감소시켰으며, 난수 시뮬레이션 대비 7,000배 빠른 성능을 달성하면서도 충돌 시나리오 평가의 통계 정확도를 향상시켰다.

ABSTRACT

The process to certify highly Automated Vehicles has not yet been defined by any country in the world. Currently, companies test Automated Vehicles on public roads, which is time-consuming and inefficient. We proposed the Accelerated Evaluation concept, which uses a modified statistics of the surrounding vehicles and the Importance Sampling theory to reduce the evaluation time by several orders of magnitude, while ensuring the evaluation results are statistically accurate. In this paper, we further improve the accelerated evaluation concept by using Piecewise Mixture Distribution models, instead of Single Parametric Distribution models. We developed and applied this idea to forward collision control system reacting to vehicles making cut-in lane changes. The behavior of the cut-in vehicles was modeled based on more than 403,581 lane changes collected by the University of Michigan Safety Pilot Model Deployment Program. Simulation results confirm that the accuracy and efficiency of the Piecewise Mixture Distribution method outperformed single parametric distribution methods in accuracy and efficiency, and accelerated the evaluation process by almost four orders of magnitude.

연구 동기 및 목표

• 희귀한 안전 핵심 이벤트를 관찰하기 위해 수백만 마일이 요구되는 현재 자율주행차의 자연주의 현장 테스트의 비효율성을 해결한다.
• 공격적인 차선 변경과 같은 희귀하지만 중요한 행동을 모델링하는 데 있어 단일 비모수적 분포의 한계를 극복한다.
• 더 유연하고 정확한 통계 모델을 개발하여 주변 차량의 운동 동역학을 모델링하고, 더 빠르며 통계적으로 타당한 AV 안전 평가를 가능하게 한다.
• 조각별 혼합 분포를 활용하여 중요도 샘플링 기반의 가속화된 평가의 효율성과 정확도를 향상시킨다.
• 미시간 대학교의 안전 파ilot 모델 배포 프로그램에서 확보한 403,581건의 차선 변경 실세계 데이터셋을 바탕으로 본 방법의 효과성을 입증한다.

제안 방법

• 다양한 행동 영역에서 여러 비모수적 분포를 조합하는 조각별 혼합 분포를 사용하여 차선 변경 중 주변 인간 운전 차량(POV)의 행동을 모델링한다.
• 중요도 샘플링 분포를 최적화하기 위해 교차 엔트로피 방법을 적용하여 희귀하지만 중요한 이벤트의 효율적 시뮬레이션을 가능하게 한다.
• 조각별 혼합 분포에서부터 실제적인 POV 궤적을 생성하기 위해 역누적분포함수(CDF) 샘플링을 사용한다.
• 실세계 주행 데이터로부터 혼합 모수를 추정하기 위해 경계가 있는 정규분포를 활용한 EM 알고리즘을 구현한다.
• 중요도 샘플링 이론을 적용하여 가속화된 시뮬레이션 결과를 '역으로 기울여' 실제 세계의 안전 성능을 추정한다.
• 종래의 종방향 제어 시스템이 갑작스러운 차선점입행동에 대응하는 상황을 평가하기 위해 시뮬레이션 프레임워크에 모델을 통합한다.

실험 결과

연구 질문

• RQ1 단일 비모수적 분포에 비해 조각별 혼합 분포가 차선 변경 중 인간 운전 차량의 통계적 행동을 더 잘 포괄할 수 있는가?
• RQ2 기존 방법에 비해 조각별 혼합 분포 모델이 자율주행차 안전 평가의 효율성과 정확도를 어느 정도 향상시키는가?
• RQ3 조각별 혼합 분포에 교차 엔트로피 방법을 적용했을 때 자율주행차 평가 맥락에서의 성능은 어떠한가?
• RQ4 난수 시뮬레이션 및 단일 비모수적 모델에 비해 제안된 방법의 계산 비용과 수렴 행동은 어떠한가?
• RQ5 통계적 신뢰도를 유지하면서도 필요한 시뮬레이션 실행 횟수를 줄일 수 있는가?

주요 결과

• 같은 수렴 기준 하에서 단일 비모수적 모델 대비 약 33% 감소한 시뮬레이션 실행 횟수가 필요로 했다.
• 난수 시뮬레이션 대비 7,000배 빠른 성능을 달성하여 평가 시간을 크게 단축시켰다.
• 특히 차선 변경 행동의 꼬리 부분을 포착하는 데서 단일 비모수적 모델에 비해 조각별 혼합 분포 모델이 더 뛰어난 데이터 피팅 성능을 보였다.
• 교차 엔트로피 방법이 중요도 샘플링 분포를 효과적으로 최적화했으며, 모수 추정 과정에서 발생할 수 있는 수치적 불안정성 문제를 해결하기 위한 실용적 대안을 제안했다.
• 단일 비모수적 모델의 4개 대비 18개의 모수를 추정함에도 불구하고, 중요한 사건과의 분포 일치도가 더 뛰어나 수렴에 필요한 시뮬레이션 횟수가 적었다.
• 조각별 혼합 분포를 위한 역 CDF 샘플링 방법이 성공적으로 유도되고 구현되어, 정확하고 효율적인 궤적 생성을 위한 시뮬레이션에 기여했다.