[논문 리뷰] Baidu Apollo Auto-Calibration System - An Industry-Level Data-Driven and Learning based Vehicle Longitude Dynamic Calibrating Algorithm

Fan Zhu, Lin Ma외 4명|arXiv (Cornell University)|2018. 08. 30.

Vehicle Dynamics and Control Systems참고 문헌 20인용 수 7

한 줄 요약

이 논문은 자율주행 차량의 종방향 동역학에 대한 데이터 기반, 학습 기반 자동 校정 시스템을 제안한다. 인간 주행 데이터로부터 오프라인 신경망 모델을 사용해 초기 校정 테이블을 생성한 후, 실시간으로 온라인 경사 하강 업데이트를 통해 변화하는 차량 조건에 적응한다. 이 시스템은 다양한 적재량에서 속도 및 정지 오차를 크게 감소시켰으며, 100대 이상의 바이두 아폴로 차량에 성공적으로 배포되어 대량 생산에 적합한 견고성과 확장성을 입증했다.

ABSTRACT

For any autonomous driving vehicle, control module determines its road performance and safety, i.e. its precision and stability should stay within a carefully-designed range. Nonetheless, control algorithms require vehicle dynamics (such as longitudinal dynamics) as inputs, which, unfortunately, are obscure to calibrate in real time. As a result, to achieve reasonable performance, most, if not all, research-oriented autonomous vehicles do manual calibrations in a one-by-one fashion. Since manual calibration is not sustainable once entering into mass production stage for industrial purposes, we here introduce a machine-learning based auto-calibration system for autonomous driving vehicles. In this paper, we will show how we build a data-driven longitudinal calibration procedure using machine learning techniques. We first generated offline calibration tables from human driving data. The offline table serves as an initial guess for later uses and it only needs twenty-minutes data collection and process. We then used an online-learning algorithm to appropriately update the initial table (the offline table) based on real-time performance analysis. This longitudinal auto-calibration system has been deployed to more than one hundred Baidu Apollo self-driving vehicles (including hybrid family vehicles and electronic delivery-only vehicles) since April 2018. By August 27, 2018, it had been tested for more than two thousands hours, ten thousands kilometers (6,213 miles) and yet proven to be effective.

연구 동기 및 목표

• 자율주행 차량의 종방향 동역학에 대한 수동적이고 일괄적인 校정 방식이 시간이 많이 소요되고 오류가 발생하기 쉬운 산업적 과제를 해결하기 위해.
• 자율주행 차량의 대량 배포에 적합한 자동화되고 확장 가능한 솔루션을 개발하기 위해.
• 적재량 변화 및 마모와 같은 실시간 차량 동역학 변화에 대해 校정 테이블을 동적으로 적응시킴으로써 제어 정확도와 안정성을 향상시키기 위해.
• 수동 校정에 의존하지 않으면서도 종방향 제어 성능의 고정밀도를 유지하기 위해.

제안 방법

• 오프라인 校정 모델은 인간 주행 데이터를 사용해 신경망을 훈련시켜 펌프, 브레이크, 속도 입력을 가속도 출력으로 매핑하는 모델을 생성하며, 이는 初기 校정 테이블을 생성한다.
• 시스템은 모델에 의존하지 않는 경사 하강 기반의 온라인 학습 알고리즘을 사용하여 실시간 추적 오차 피드백 기반으로 매 10 ms(100 Hz)마다 校정 테이블을 반복적으로 업데이트한다.
• 온라인 알고리즘은 校정 테이블의 개별 격점들을 독립적으로 조정하므로 효율적인 병렬 계산과 실시간 반응성을 보장한다.
• 목표 가속도와 실제 가속도의 차이를 사용해 校정 테이블을 업데이트하며, 자율 주행 운영 중 지속적인 피드백을 통해 오차를 최소화한다.
• 이 방법은 오프라인에서 테이블을 생성하는 엔드 투 엔드 신경망과 실시간 적응을 위한 경량이고 고주기 업데이트 메커니즘을 조합한다.
• 시스템은 산업적 배포를 고려해 설계되었으며, 계산 오버헤드가 매우 낮다: 오프라인 테이블 생성은 10초 이내이며, 표준 하드웨어에서 업데이트 주기당 2ms 미만이 소요된다.

실험 결과

연구 질문

• RQ1 데이터 기반, 학습 기반 접근 방식이 자율주행 차량의 종방향 동역학에 대한 수동 校정을 효과적으로 대체할 수 있는가?
• RQ2 실제 인간 주행 데이터로부터 초기 校정 테이블을 효율적으로 생성할 수 있는가? 이는 신뢰할 수 있는 기초가 될 수 있는가?
• RQ3 온라인 학습 알고리즘이 실시간으로 적재량 변화 및 기계적 마모와 같은 동적 변화를 고려해 校정 테이블을 얼마나 잘 적응시킬 수 있는가?
• RQ4 제안된 자동 校정 시스템을 사용할 경우, 정적 오프라인 校정 대비 속도 및 정지 추적 정확도에서 어떤 성능 향상이 달성될 수 있는가?

주요 결과

• 온라인 校정 시스템은 모든 적재량에서 오프라인 전용 校정 대비 평균 속도 추적 MAE를 10.5% 감소시켰다.
• 온라인 校정이 활성화된 상태에서 300 kg 적재량일 때 정지 오차 MAE는 오프라인 전용 校정 대비 55.2% 감소했으며, 360 kg 적재량일 땐 60.7% 감소했다.
• 최대 적재량(300 kg)에서 온라인 시스템은 속도 오차 MAE 0.102 m/s와 RMSE 0.153 m/s를 달성했으며, 오프라인 시스템의 MAE 0.149 m/s와 RMSE 0.199 m/s를 뛰어넘는 성능을 보였다.
• 다양한 조건에서도 견고성을 입증했으며, 20% 초과 적재(360 kg) 조건에서도 낮은 오차 수준을 유지했다. 정지 오차 RMSE는 오프라인 대비 1.191 m에서 온라인 대비 0.607 m로 감소했다.
• 자동 校정 시스템은 2018년 8월 27일까지 100대 이상의 바이두 아폴로 차량에 배포되었으며, 2,000시간 이상 및 10,000 km(6,213마일) 이상 테스트되었고, 심각한 고장은 보고되지 않았다.
• 시스템의 계산 효율성 덕분에 실시간 운영이 가능하다: 오프라인 테이블 생성은 10초 이내이며, 표준 산업용 하드웨어에서 업데이트 주기당 2밀리초 미만이 소요된다.