[논문 리뷰] AutonoVi: Autonomous Vehicle Planning with Dynamic Maneuvers and Traffic Constraints

Andrew Best, Sahil Narang외 2명|arXiv (Cornell University)|2017. 03. 24.

Autonomous Vehicle Technology and Safety참고 문헌 23인용 수 11

한 줄 요약

AutonoVi는 데이터 기반 차량 동역학 모델을 사용하여 동적 차선 변경, 병합 브레이킹 및 조향, 교통 규칙 준수를 가능하게 하는 최적화 기반 자율주행 계획 프레임워크를 제시한다. 이는 보행자, 자전거 기사, 차량이 포함된 고밀도 도심 및 고속도로 시뮬레이션에서 상호작용 레벨 성능(1–2ms per update)을 달성하여 실시간 제약 조건 하에서 충돌 없는 주행을 보장한다.

ABSTRACT

We present AutonoVi:, a novel algorithm for autonomous vehicle navigation that supports dynamic maneuvers and satisfies traffic constraints and norms. Our approach is based on optimization-based maneuver planning that supports dynamic lane-changes, swerving, and braking in all traffic scenarios and guides the vehicle to its goal position. We take into account various traffic constraints, including collision avoidance with other vehicles, pedestrians, and cyclists using control velocity obstacles. We use a data-driven approach to model the vehicle dynamics for control and collision avoidance. Furthermore, our trajectory computation algorithm takes into account traffic rules and behaviors, such as stopping at intersections and stoplights, based on an arc-spline representation. We have evaluated our algorithm in a simulated environment and tested its interactive performance in urban and highway driving scenarios with tens of vehicles, pedestrians, and cyclists. These scenarios include jaywalking pedestrians, sudden stops from high speeds, safely passing cyclists, a vehicle suddenly swerving into the roadway, and high-density traffic where the vehicle must change lanes to progress more effectively.

연구 동기 및 목표

• 신속하고 반응적인 자율주행 행동의 한계를 해결하여 초보 운전사의 행동을 모방하는 것이 아니라 숙련된 인간 운전사의 행동을 모방한다.
• 복잡한 교통 환경에서 차선 변경, 회피 조작, 병합 브레이킹/조향과 같은 동적 조작을 지원하는 주행 시스템을 개발한다.
• 정지 신호, 차선 유지 등 교통 규칙과 보행자에게 양보하는 행동 규범을 궤적 계획에 통합한다.
• 다수의 동적 에이전트(차량, 보행자, 자전거 기사)가 존재하는 고밀도 교통 환경에서 실시간 성능을 확보하면서도 안전성과 편안함을 보장한다.
• 기존 계획 시스템에서 일반화 가능한 동적 차량 동역학 모델의 부족을 보완하기 위해 가속도, 조향, 감속에 대한 데이터 기반 프로파일을 도입한다.

제안 방법

• 승객의 편안함, 안전한 추월 거리, 동적 실현 가능성, 경로 진행도를 균형 잡는 다목적 최적화 프레임워크를 사용하여 최적의 궤적을 계산한다.
• 모의 시험을 통해 차량 유형에 관계없이 일반화 가능한 가속도, 조향 속도, 감속에 대한 개별 차량 프로파일 함수를 생성하는 데이터 기반 차량 동역학 모델을 사용한다.
• 동적 실체(병합 브레이킹 및 조향 응답 포함)와의 충돌 방지를 위해 제어 속도 장애물(CVOs)을 구현한다.
• 차선 중심선 沿해 아크-스플라인 표현을 사용하여 초기 궤적을 구성함으로써 차선 유지 및 교통 규칙 준수 조건을 충족시킨다.
• 운동학적 및 동적 제약 조건을 계획 루프에 통합하여 반복적 충돌 회피 및 최적화를 통해 궤적을 정밀하게 보정한다.
• 물리 기반 교통 시뮬레이터를 사용하여 갑작스러운 정지, 횡단 보행자, 고밀도 교통과 같은 다양한 시나리오에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 최적화 기반 계획 프레임워크는 실시간으로 안전성을 확보하면서도 동적이고 다중 모드의 조작(예: 차선 변경, 회피 조작, 브레이킹)을 지원할 수 있는가?
• RQ2 데이터 기반 차량 동역학 모델은 다양한 차량 유형과 도로 조건에 걸쳐 계획의 일반화를 어떻게 달성할 수 있는가?
• RQ3 통합 궤적 계획자가 동적 실현 가능성을 유지하면서도 교통 규칙(예: 신호등 정지, 보행자 양보)과 행동 규범을 얼마나 효과적으로 이행할 수 있는가?
• RQ4 다수의 에이전트가 존재하는 고밀도 교통 환경에서 충돌 검사 및 궤적 최적화의 계산 비용은 얼마인가?
• RQ5 갑작스러운 장애물이나 횡단 보행자가 있는 고위험 시나리오에서 시스템의 성능은 어떠한가?

주요 결과

• 알고리즘은 평균 1–2밀리초의 계산 시간을 기록하여 상호작용 레벨 성능을 달성하였으며, 이는 주로 최적화 평가에 의해 결정된다.
• 충돌 회피 비용은 근처 실체 수에 비례하여 선형적으로 증가하여 고밀도 교통 환경에서 예측 가능한 성능을 보여준다.
• 궤적 최적화 비용 또한 샘플링된 궤적 수에 비례하여 선형적으로 증가하여 핵심 알고리즘의 확장성을 확인한다.
• 모든 테스트 시나리오에서 충돌을 효과적으로 회피하였으며, 갑작스러운 차량 침입, 고속 긴급 정지, 횡단 보행자 상황 모두에 대응하였다.
• 안전한 상황에서 느린 차량을 추월하기 위해 동적 차선 변경이 효과적으로 활용되었으며, 보행자 근접 상황에서는 안전 확보를 위해 차선 변경을 연기하는 방식으로 적응하였다.
• 데이터 기반 동역학 모델은 스포츠카, 해치백, SUV 등 다양한 차량 유형에 대해 정확하고 일반화 가능한 차량 행동 표현을 가능하게 하였지만, 조작 제약으로 인해 대형 차량에서는 속도 감소 현상이 관찰되었다.