[논문 리뷰] Automatic lane change scenario extraction and generation of scenarios in OpenX format from real-world data

Dhanoop Karunakaran, Julie Stephany Berrío외 2명|arXiv (Cornell University)|2022. 03. 14.

Autonomous Vehicle Technology and Safety인용 수 8

한 줄 요약

이 논문은 실세계 라이다 및 추적 데이터에서 절단입니, 절단출니와 같은 차선 변경 시나리오를 자동으로 추출하는 프레임워크를 제시한다. 포인트 클라우드 기반의 도로망 재구성과 물체 추적을 통해 OpenX 형식의 시나리오를 생성하며, 절단입니 및 절단출니 시나리오의 검출 정확도가 100%에 도달했고, 오직 두 건의 오진만 발생하여 자율주행 시스템의 반복 가능하고 현실적인 시뮬레이션 기반 검증을 가능하게 한다.

ABSTRACT

Autonomous Vehicles (AV)'s wide-scale deployment appears imminent despite many safety challenges yet to be resolved. The modern autonomous vehicles will undoubtedly include machine learning and probabilistic techniques that add significant complexity to the traditional verification and validation methods. Road testing is essential before the deployment, but scenarios are repeatable, and it's hard to collect challenging events. Exploring numerous, diverse and crucial scenarios is a time-consuming and expensive approach. The research community and industry have widely accepted scenario-based testing in the last few years. As it is focused directly on the relevant critical road situations, it can reduce the effort required in testing. The scenario-based testing in simulation requires the realistic behaviour of the traffic participants to assess the System Under Test (SUT). It is essential to capture the scenarios from the real world to encode the behaviour of actual traffic participants. This paper proposes a novel scenario extraction method to capture the lane change scenarios using point-cloud data and object tracking information. This method enables fully automatic scenario extraction compared to similar approaches in this area. The generated scenarios are represented in OpenX format to reuse them in the SUT evaluation easily. The motivation of this framework is to build a validation dataset to generate many critical concrete scenarios. The code is available online at https://github.com/dkarunakaran/scenario_extraction_framework.

연구 동기 및 목표

• 자율주행차(AV) 테스트를 위한 희귀하고 고위험 운전 시나리오를 수동으로 수집하고 레이블링하는 데 도전하는 데 목적을 두며
• 실세계 센서 데이터에서 차선 변경 시나리오를 완전히 자동화된 데이터 기반 방식으로 추출하여 시나리오 기반 검증을 향상시키는 데 목적을 두며
• 다양한 시뮬레이터(예: CARLA)에서 사용 가능한 표준화된 OpenX 형식의 시나리오를 생성하는 데 목적을 두며
• 최소한의 샘플링 포인트로 정확한 궤적 샘플링을 가능하게 하여 시나리오 기반 테스트에서의 매개변수 공간 폭발 문제를 줄이는 데 목적을 두며
• 실세계 데이터에서 현실적이고 다양하며 핵심적인 시나리오를 자동으로 생성할 수 있는 확장 가능한 자동화 파이프라인을 구축하는 데 목적을 두며

제안 방법

• 차선과 도로 경계를 식별하기 위해 세그멘테이션 및 클러스터링 기반의 접근 방식을 사용해 포인트 클라우드 데이터에서 도로망을 재구성한다.
• 물체 추적 데이터를 활용해 재구성된 도로망에 대한 차량의 위치와 이동을 모니터링한다.
• 자신차와 주변 차량 간의 횡방향 위치 변화와 상대 속도를 분석하여 차선 변경 이벤트를 탐지한다.
• 시뮬레이션 도구(예: CARLA)와의 상호운용성을 확보하기 위해 추출된 시나리오와 도로망을 OpenX 형식으로 표현한다.
• 재현 가능한 운동 프로파일을 위해 구성 가능한 매개변수 m을 사용해 속도 및 거리 궤적을 샘플링한다.
• OpenSCENARIO 파일 내 외부 컨트롤러를 통합하여 시뮬레이션 환경에서 SUT 평가를 가능하게 한다.

실험 결과

연구 질문

• RQ1 실세계 라이다 및 추적 데이터에서 수동 레이블링 없이 차선 변경 시나리오를 어떻게 자동으로 추출할 수 있는가?
• RQ2 모의 시나리오에서 속도 및 거리 값의 샘플링을 수행할 때 도달할 수 있는 궤적의 정밀도는 어느 정도인가?
• RQ3 프레임워크는 수동 기준값에 비해 절단입니 및 절단출니 시나리오를 얼마나 정확하게 식별하는가?
• RQ4 OpenX 출력은 다양한 시뮬레이션 플랫폼 간에 어느 정도 재사용 가능한가?
• RQ5 샘플링 주파수(매개변수 m)가 생성된 시나리오의 현실성과 유사성에 어떤 영향을 미치는가?

주요 결과

• 수동으로 확인된 12개의 절단입니 시나리오 중 12개를 성공적으로 추출했으며, 두 건의 오진은 교차로에서 자신차의 차선으로 진입하는 차량으로 인한 것이었다.
• 수동으로 확인된 6개의 절단출니 시나리오 모두가 정확히 탐지되어 절단출니 이벤트에 대해 정밀도와 재현율이 100%였다.
• m = 10일 경우, 공간적 및 속도 프로파일 측면에서 실제 궤적과 유사한 시뮬레이션 궤적이 관찰되었으며, 시각적 비교에서 확인되었다.
• m를 5로 감소시켰을 경우 궤적과 속도 프로파일에 눈에 띄는 편차가 발생하여 적어도 다섯 개의 샘플링 포인트가 현실성 확보를 위해 필요하다는 것을 시사했다.
• OpenX 출력은 CARLA와 호환되며 외부 컨트롤러를 지원하여 시뮬레이션 환경에서 SUT 평가를 직접 수행할 수 있었다.
• 프레임워크는 데이터 재생 모듈에서의 최소한의 수정만으로 다른 데이터셋에도 확장 가능하며, 특히 이 부분에서의 유연성이 뛰어나다.