[논문 리뷰] Automatic Generation of Challenging Road Networks for ALKS Testing based on Bezier Curves and Search

Florian Klück, Lorenz Klampfl외 1명|arXiv (Cornell University)|2021. 03. 01.

Autonomous Vehicle Technology and Safety인용 수 4

한 줄 요약

이 논문은 자동차 주행 보조 시스템(ALKS)의 테스트를 위한 어려운 도로 네트워크를 자동으로 생성하기 위해 베지에 곡선과 유전 알고리즘을 활용한 탐색 기반 접근법을 제시한다. 제어점을 진화시켜 횡방향 이탈을 최대화함으로써, 실패 유도 도로 형상이 효율적으로 식별되며, 구성 C는 더 높은 계산 비용에도 불구하고 더 높은 다양성과 낮은 무효 테스트 케이스를 보이며 향상된 성능을 보였다.

ABSTRACT

In this paper, we outline an approach for automatic generation of challenging road networks for virtual testing of an automated lane keep system. Based on a set of control points, we construct a parametric curve that represents a road network, which defines the dynamic driving task an automated lane keep system equipped vehicle has to perform. Changing control points has global influence on the resulting road geometry. Our approach uses search to find a set of control points that results in a challenging road geometry, eventually forcing the vehicle to leave the intended path. We evaluated our approach in three different search-configurations regarding test efficiency and practical applicability for automatic virtual testing of an automated lane keep system.

연구 동기 및 목표

• 가상 환경에서 현실적이고 실패를 유도하는 도로 형상을 갖춘 자동차 주행 보조 시스템(ALKS)을 효율적으로 테스트하는 데 도전하는 것.
• ALKS 검증을 위한 다양한 복잡한 테스트 시나리오를 수동으로 생성하는 데 드는 노력 감소.
• ALKS가 의도한 경로에서 이탈하게 하는 도로 구성 자동 식별을 통해 테스트 효율성 향상.
• 다양성, 유효성, 계산 비용 간 균형을 고려한 다양한 검색 구성 탐색.

제안 방법

• 도로 네트워크는 제어점의 집합으로 정의된 매개변수형 베지에 곡선으로 모델링되며, 최소한의 파라미터 변경으로도 도로 형상에 전역적인 영향을 미칠 수 있다.
• 유전 알고리즘이 제어점 집합의 집단을 진화시키며, 적합도는 시뮬레이션에서의 횡방향 이탈 정도에 의해 결정된다(중심선 또는 측면선을 초과).
• 집단 내 각 개체는 시뮬레이션 파이프라인(BeamNG.research)에서 평가되며, 실패는 차량의 경계 상자 중 95% 이상이 중심선 또는 측면선을 초과할 경우로 정의된다.
• 다양성을 향상시키기 위해, 이산 프레셰 거리가 베지에 곡선 간 유사도를 측정하는 데 사용되며, 새로운 유사도가 낮은 개체의 선별을 이끈다.
• 세 가지 검색 구성이 평가되었음: 무작위 초기 집단(A), 실패 시 재시작(B), 유효성 검사와 함께 유도된 초기 집단 생성(C).
• 무효 테스트 케이스(너무 날카로운 곡선을 포함)는 사전 처리 단계에서 제거되어 현실적이고 실행 가능한 시뮬레이션을 보장한다.

실험 결과

연구 질문

• RQ1 베지에 곡선을 활용한 탐색 기반 방법이 ALKS 테스트를 위한 다양한 실패를 유도하는 도로 형상을 효과적으로 생성할 수 있는가?
• RQ2 다른 유전 알고리즘 구성이 테스트 효율성과 실패하는 테스트 케이스의 다양성에 어떤 영향을 미치는가?
• RQ3 유효성 검사와 유사도 측정 지표가 생성된 테스트 케이스의 품질과 효율성에 어느 정도 향상 기여하는가?
• RQ4 유효하고 서로 다른 도로 형태로 향한 초기 집단 생성을 유도함으로써 중복을 줄이고 실패 발견률을 높일 수 있는가?

주요 결과

• 구성 A는 평균 27개의 실패 테스트 케이스를 생성했지만, 평균 프레셰 거리가 2.2~8.2로 낮아 유사도가 높고 다양성이 제한됨을 시사함.
• 구성 B는 더 높은 다양성을 달성했으며, 평균 2.25개의 실패 테스트 케이스를 생성하고 최대 프레셰 거리가 120까지 도달했지만, 높은 무효 테스트 케이스 비율(1회당 27~57개)과 비효율적 재시작 문제를 겪음.
• 구성 C는 무효 테스트 케이스를 크게 줄였음(1회당 17~29개), 독립적인 실패 케이스 수를 늘림(1회당 4~6개), 평균 프레셰 거리가 58.7~73.79로 증가해 더 높은 다양성 확보.
• 유효성 검사를 통한 높은 계산 비용에도 불구하고, 구성 C는 품질과 다양성의 최적 균형을 달성했으며, 한 번의 실행에서 255개의 테스트 케이스 중 6개의 실패 케이스 기록.
• 모든 구성이 각 실행에서 최소한 하나의 실패 테스트 케이스를 생성했으며, 이는 방법이 ALKS 실패 시나리오를 식별하는 데 성공했음을 확인함.
• 프레셰 거리를 다양성 측정 지표로 사용함으로써, 특히 최대 거리가 높은 실행에서 독립적인 실패를 유도하는 도로 형상을 탐지하는 데 기여함.