[논문 리뷰] AUTO-DISCERN: Autonomous Driving Using Common Sense Reasoning

Suraj Kothawade, Vinaya Khandelwal외 3명|arXiv (Cornell University)|2021. 10. 17.

Logic, Reasoning, and Knowledge참고 문헌 19인용 수 7

한 줄 요약

이 논문은 기계 학습에 의존하는 의사결정 방식을 대체하기 위해 답변 집합 프로그래밍(ASP)과 목표 지향적 s(CASP) 시스템을 통해 일반 지식 추론을 활용하는 자율주행 시스템 Auto-Discern을 제안한다. 인간과 유사한 주행 의사결정을 형식화된 일반 지식 규칙을 통해 모델링함으로써, 설명 가능하고 윤리적으로 타당하며 증명 가능하게 올바른 의사결정을 달성하며, SAE Level 5 자율주행으로 향하는 길을 제시한다.

ABSTRACT

Driving an automobile involves the tasks of observing surroundings, then making a driving decision based on these observations (steer, brake, coast, etc.). In autonomous driving, all these tasks have to be automated. Autonomous driving technology thus far has relied primarily on machine learning techniques. We argue that appropriate technology should be used for the appropriate task. That is, while machine learning technology is good for observing and automatically understanding the surroundings of an automobile, driving decisions are better automated via commonsense reasoning rather than machine learning. In this paper, we discuss (i) how commonsense reasoning can be automated using answer set programming (ASP) and the goal-directed s(CASP) ASP system, and (ii) develop the AUTO-DISCERN system using this technology for automating decision-making in driving. The goal of our research, described in this paper, is to develop an autonomous driving system that works by simulating the mind of a human driver. Since driving decisions are based on human-style reasoning, they are explainable, their ethics can be ensured, and they will always be correct, provided the system modeling and system inputs are correct.

연구 동기 및 목표

• 기계 학습에 대한 과도한 의존으로 인해 정체되어 있는 SAE Level 5 자율주행 달성을 해결하기 위해, 기계 학습에서 인간과 유사한 일반 지식 추론으로 전환하고자 한다.
• 패턴 매칭이 아닌 추론을 활용하여 인간 운전자의 인지 과정을 모방하는 의사결정 시스템을 개발하고자 한다.
• 자율주행 의사결정이 올바른 입력과 규칙 모델링 하에 설명 가능하고 윤리적으로 일관되며 정확한지를 보장하고자 한다.
• 기존 SAT 솔버 기반 ASP 시스템이 실시간 자율주행 응용 분야에서 가지는 확장성 및 설명 가능성의 한계를 극복하고자 한다.
• 기계 학습 모델을 재학습시키지 않고도 일반 지식 규칙를 갱신함으로써 다양한 국가의 주행 관행에 적응할 수 있는 시스템을 구축하고자 한다.

제안 방법

• 교통 규칙, 물체 간 상호작용, 장면 역학성과 같은 주행 지식을 답변 집합 프로그래밍(ASP)의 논리적 규칙으로 표현한다.
• 기존의 CLINGO와 같은 SAT 솔버 기반 시스템에 비해 확장성과 추적 가능성을 향상시킨 목표 지향적 ASP 구현인 s(CASP)를 사용하여 이러한 규칙을 실행한다.
• 딥 러닝 기반 장면 이해에서 유도된 센서 및 인식 데이터를 ASP 지식 기반에 입력 술어로 통합한다.
• 순서화된 장면 처리를 통해 순차적 장면, 예를 들어 깜빡이는 신호등이나 물체 운동 예측과 같은 시간적 추론을 모델링한다.
• 인식(딥 러닝을 통한)과 추론 엔진(s(CASP)를 통한)을 분리한 모듈러 아키텍처를 설계하여 의사결정 생성을 수행한다.
• 의사결정이 논리적으로 일관된 규칙 집합과 검증된 입력 기술에서 유도됨을 보장함으로써 시스템의 정확성을 검증한다.

실험 결과

연구 질문

• RQ1 ASP를 통해 형식화된 일반 지식 추론이 기계 학습을 대체하여 자율주행 의사결정에 활용될 수 있는가? 이때 정확성과 설명 가능성은 유지되는가?
• RQ2 s(CASP)와 같은 목표 지향적 ASP 시스템은 기존 SAT 솔버 기반 ASP 솔버(예: CLINGO)의 확장성 및 설명 가능성 한계를 실시간 자율주행 응용에서 어떻게 극복할 수 있는가?
• RQ3 일반 지식 규칙 기반 시스템이 깜빡이는 신호등이나 물체 궤적 예측과 같은 복잡한 주행 상황을 어느 정도 잘 처리할 수 있는가?
• RQ4 기계 학습 기반 시스템과 달리, 일반 지식 규칙 기반 시스템은 인식 모델을 재학습시키지 않고도 새로운 국가의 주행 관행에 어떻게 적응할 수 있는가?
• RQ5 입력과 규칙이 올바를 경우, 이러한 시스템이 증명 가능하게 윤리적이며 오류 없는 의사결정을 내릴 수 있는가?

주요 결과

• Auto-Discern 시스템은 ASP로 표현된 형식화된 일반 지식 규칙을 사용하여 주행 의사결정을 성공적으로 모델링하였으며, 설명 가능하고 증명 가능하게 올바른 행동을 가능하게 하였다.
• s(CASP)의 사용은 기존 SAT 솔버 기반 ASP 시스템(예: CLINGO)의 확장성 및 추적 가능성 측면에서 핵심적인 한계를 극복하는 효율적이고 목표 지향적인 추론을 가능하게 하였다.
• 시간적 추론을 통해 장면의 순서를 기반으로 한 복잡한 상황, 예를 들어 깜빡이는 신호등이나 예측 운동 모델링을 처리할 수 있었다.
• 기계 학습 기반 시스템과 달리, Auto-Discern는 인식 모델을 재학습시키지 않고도 일반 지식 규칙 집합을 갱신함으로써 새로운 국가의 주행 관행에 적응할 수 있었다.
• 기계 학습 기반 인식의 잠재적 오류를 보완하기 위해 논리적 일관성에 기반한 추론에 의존함으로써, 입력이 정확할 경우 의사결정의 정확성을 보장하였다.
• 인간의 인지 과정을 모방함으로써 자율주행 의사결정에 있어 인간과 유사한 사고 방식을 실현함으로써, SAE Level 5 자율주행으로 향하는 실현 가능한 길을 제시하였다.