[논문 리뷰] CARLA: An Open Urban Driving Simulator

Alexey Dosovitskiy, Germán Ros외 3명|arXiv (Cornell University)|2017. 11. 10.

Autonomous Vehicle Technology and Safety참고 문헌 20인용 수 291

한 줄 요약

CARLA는 도시 주행 시뮬레이션 오픈 소스 도구로, 자율주행 시스템을 개발, 학습 및 평가하는 데 사용되며 도시 시나리오에서 모듈러 파이프라인, 모방 학습, 강화 학습을 비교합니다.

ABSTRACT

We introduce CARLA, an open-source simulator for autonomous driving research. CARLA has been developed from the ground up to support development, training, and validation of autonomous urban driving systems. In addition to open-source code and protocols, CARLA provides open digital assets (urban layouts, buildings, vehicles) that were created for this purpose and can be used freely. The simulation platform supports flexible specification of sensor suites and environmental conditions. We use CARLA to study the performance of three approaches to autonomous driving: a classic modular pipeline, an end-to-end model trained via imitation learning, and an end-to-end model trained via reinforcement learning. The approaches are evaluated in controlled scenarios of increasing difficulty, and their performance is examined via metrics provided by CARLA, illustrating the platform's utility for autonomous driving research. The supplementary video can be viewed at https://youtu.be/Hp8Dz-Zek2E

연구 동기 및 목표

• 오픈 도시 주행 환경과 자산을 제공하여 자율주행 연구의 민주화를 촉진한다.
• 지각(perception) 및 제어 정책의 학습, 프로토타이핑 및 검증을 가능하게 한다.
• 도시 설정에서 모듈러, 모방 학습, 강화 학습 접근법의 성능 및 일반화 능력을 평가한다.
• 주행 정책을 분석하기 위한 상세한 센서, 환경 및 위반 신호를 제공한다.

제안 방법

• Unreal Engine 4를 기반으로 서버-클라이언트 아키텍처에서 고충실도 렌더링과 물리 엔진을 제공한다.
• 다양한 날씨와 조명 조건을 가진 두 도시를 위해 개방형 디지털 자산(도시 배치, 차량, 보행자)을 제공했다.
• 제어된 목표 지향 내비게이션 과제에서 모듈식 파이프라인, 모방 학습, 강화 학습의 세 가지 운전 접근법을 평가했다.
• 메트릭 맵 없이 고수준 경로 지시를 제공하기 위해 토폴로지 플래너(A*)를 사용했다.
• RGB 카메라 및 지상실제 깊이/시맨틱 분할을 의사 센서로 포함한 센서 스위트를 구현했다.
• Town 1(훈련)과 Town 2(테스트)에서 작업 성공률 및 위반 분석과 같은 지표를 사용하여 접근법을 비교했다.

실험 결과

연구 질문

• RQ1 도시 시뮬레이터에서 모듈러, 모방 학습, 강화 학습 운전 정책은 어떻게 비교되는가?
• RQ2 훈련 조건, 미지의 도시, 미지의 날씨가 각 접근법의 일반화에 미치는 영향은 무엇인가?
• RQ3 어떤 접근법이 더 높은 강건성을 보이며, 다양한 시나리오에서 지각, 계획, 제어가 어떻게 상호 작용하는가?

주요 결과

과제	MP (훈련)	IL (훈련)	RL (훈련)	MP (새로운 도시)	IL (새로운 도시)	RL (새로운 도시)	MP (새로운 날씨)	IL (새로운 날씨)	RL (새로운 날씨)	MP (새로운 도시 & 날씨)	IL (새로운 도시 & 날씨)	RL (새로운 도시 & 날씨)
Straight	98	95	89	92	97	74	100	98	86	50	80	68
One turn	82	89	34	61	59	12	95	90	16	50	48	20
Navigation	80	86	14	24	40	3	94	84	2	47	44	6
Nav. dynamic	77	83	7	24	38	2	89	82	2	44	42	4

• 훈련 조건에서도 단순 직선 과제조차도 모든 접근법이 완벽하지 않은 성능을 보인다.
• 새 도시로의 일반화가 새로운 날씨로의 일반화보다 방법 간에 더 어렵다.
• 모방 학습과 모듈식 파이프라인은 대부분의 과제와 조건에서 강화 학습보다 더 잘 수행한다.
• 더 많은 학습 일수와 샘플에도 불구하고 강화 학습은 모방 학습 및 모듈식 파이프라인에 비해 성능이 떨어진다.
• 엔드-투-엔드 RL은 일부 범주에서 위반 비율이 더 높고 자동차 및 고정 물체에 대한 일반화가 더 좋지 않아 강건성 이슈를 드러낸다.
• 지각 스택의 신뢰성이 특히 새로운 도시에서 항해 성공에 결정적으로 영향을 미친다.