[논문 리뷰] An "Xcity" Optimization Approach to Designing Proving Grounds for Connected and Autonomous Vehicles

Rui Chen, Mansur Arief외 1명|arXiv (Cornell University)|2018. 08. 09.

Autonomous Vehicle Technology and Safety참고 문헌 12인용 수 3

한 줄 요약

이 논문은 교통 충돌을 도로 자산으로 모델링하고 설계를 비선형 최적화 문제로 공식화함으로써 연결형 및 자율주행차량(CAV) 시험장 설계를 위한 최적화 프레임워크인 Xcity를 제안한다. 공간 제약 조건 내에서 시나리오 커버리지와 전이 유연성을 최대화하는 접근 방식을 취하며, BARON 솔버를 사용하여 Mcity 도로 지도 데이터 기반으로 효과성을 입증하였다. 다만 계산 복잡도로 인해 확장성은 제한된다.

ABSTRACT

Proving ground, or on-track testing has been an essential part of testing and validation process for connected and autonomous vehicles (CAV). Several world-class CAV proving grounds, such as Mcity at the University of Michigan and The Castle of Waymo, have already been built, and many more are currently under construction. In this paper, we propose the first optimization approach to CAV proving ground designing and refer to any such CAV-centric design problem as "Xcity" to emphasize the enormous investment, the multi-dimensional spatial consideration, and the immense construction effort emerging globally. Inspired by the recent progress on traffic encounter clustering, we further define "road assets" as fundamental building blocks and formulate the whole design process into nonlinear optimization problems. We have shown that such framework can be utilized to adaptively generate CAV proving ground designs with optimized capability and flexibility and can further be extended to evaluate an existing "Xcity" design.

연구 동기 및 목표

• 글로벌 투자 규모가 막대함에도 불구하고 CAV 시험장에 대한 체계적인 설계 이론의 부족을 해결하기 위해.
• 실세계 주행 시나리오를 공간 제약 조건이 있는 제어 가능한 시험장 레이아웃으로 매핑할 수 있는 방법을 개발하기 위해.
• 테스트 능력(시나리오 커버리지)과 운영 유연성(시나리오 간 전이)을 동시에 최적화하기 위해.
• 평가 및 CAV 테스트베드 설계 생성을 위한 확장 가능하고 수학적으로 탄탄한 프레임워크를 제공하기 위해.
• 인프라 수준의 최적화를 통해 데이터 기반, 시나리오 기반 CAV 시스템 평가를 가능하게 하기 위해.

제안 방법

• 실세계 데이터와 교통 충돌 클러스터링을 기반으로 일반적인 다중 차량 CAV 주행 시나리오를 '도로 자산'으로 모델링한다.
• 각 도로 자산을 노드, 세그먼트 및 연결성 제약 조건을 갖춘 기하학적 및 토폴로지적 실체로 표현한다.
• 이중 단계 비선형 최적화 모델을 공식화한다: (1) 자산을 공간에 타당하게 매핑, (2) 전이 도로 배치를 통한 유연성 최적화.
• 자산 간 방향성, 연결성 및 교차점 호환성 조건을 강제하기 위해 이차형 및 다항식 제약 조건을 사용한다.
• 비선형 혼합정수계획법을 해결하기 위해 브랜치 앤 바운드 솔버(BARON)를 활용하며, 솔버 성능에 대한 민감도 분석도 수행한다.
• Mcity의 도로 지도에 프레임워크를 적용하여 자산을 추출하고, 소규모 인스턴스에서 확장성 검증을 수행한다.

실험 결과

연구 질문

• RQ1 일반적인 CAV 주행 시나리오는 어떻게 체계적으로 추출하고, 시험장 설계를 위한 모듈식 도로 자산으로 표현할 수 있는가?
• RQ2 공간 제약 조건이 있는 CAV 시험장 레이아웃에서 시나리오 커버리지와 전이 유연성을 동시에 최대화할 수 있는 최적화 모델은 무엇인가?
• RQ3 최적화 모델의 계산 복잡도는 도로 자산 수와 내부 세그먼트 수에 따라 어떻게 증가하는가?
• RQ4 제안된 프레임워크는 기존의 시험장(예: Mcity)을 평가하거나 재설계하는 데 적용될 수 있는가?
• RQ5 이 유형의 CAV 시험장 설계 문제에 대해 가장 우수한 성능을 보이는 비선형 최적화 솔버는 무엇인가?

주요 결과

• Xcity 프레임워크는 시나리오 기반, 최적화 기반 접근 방식을 통해 타당하고 민감도 높은 CAV 시험장 레이아웃을 성공적으로 생성한다.
• 1~3개의 도로 자산에 대한 타당한 매핑은 평균 31초 이내에 해결되었으며, 복잡도 증가에 따라 시간이 증가했다.
• 최대 3개 자산에 대한 유연성 최적화는 계산적으로 처리 가능했지만, 4개 이상 자산이 포함된 문제는 100초 이내에 타당해를 찾지 못했다.
• 자산 수와 내부 세그먼트 수가 증가함에 따라 모델 복잡도가 크게 증가했으며, 이는 주로 이차형 및 다항식 제약 조건에 의해 지배된다.
• BARON은 타당성 확보와 해의 수렴 시간 측면에서 다른 솔버들(예: SCIP, Bonmin)보다 뛰어난 성능을 보였으며, 이 문제 유형에 있어 우선 선택 사항으로 간주된다.
• 이중 변수와 비선형 제약 조건의 지수적 증가로 인해 프레임워크의 확장성에 한계가 있음을 입증하였으며, 향후 연구에서는 분해 기법이 필요할 것으로 제안된다.