[논문 리뷰] Causal Imitative Model for Autonomous Driving

Mohammad Reza Samsami, Mohammadhossein Bahari외 2명|arXiv (Cornell University)|2021. 12. 07.

Domain Adaptation and Few-Shot Learning인용 수 10

한 줄 요약

이 논문은 자율주행을 위한 새로운 암시 학습 프레임워크인 인과적 모방 모델(Causal Imitative Model, CIM)을 제안한다. 이 모델은 분리된 잠재 표현에서 그랑저 인과성(Granger causality)을 사용해 인과적 요인을 명시적으로 탐지한다. 단지 인과적 변수들만 선택함으로써 입력을 단 두 개로 줄임으로써, CIM은 관성과 충돌률을 각각 75% 이상, 30% 이상 감소시키며, 새로운 환경에 대한 효과적인 소수 샘플 적응을 가능하게 한다.

ABSTRACT

Imitation learning is a powerful approach for learning autonomous driving policy by leveraging data from expert driver demonstrations. However, driving policies trained via imitation learning that neglect the causal structure of expert demonstrations yield two undesirable behaviors: inertia and collision. In this paper, we propose Causal Imitative Model (CIM) to address inertia and collision problems. CIM explicitly discovers the causal model and utilizes it to train the policy. Specifically, CIM disentangles the input to a set of latent variables, selects the causal variables, and determines the next position by leveraging the selected variables. Our experiments show that our method outperforms previous work in terms of inertia and collision rates. Moreover, thanks to exploiting the causal structure, CIM shrinks the input dimension to only two, hence, can adapt to new environments in a few-shot setting. Code is available at https://github.com/vita-epfl/CIM.

연구 동기 및 목표

• 암시 학습 기반 자율주행 정책에서 발생하는 관성과 충돌 문제를 해결하기 위해, 허위 상관관계를 학습하는 것이 아니라 진정한 인과관계를 학습하는 데 목적이 있다.
• 전문가 시연에서 인과적 요인을 명시적으로 식별할 수 있는 계산적으로 실현 가능한 인과 모델을 개발하여, 허위 상관관계에 의존하지 않도록 하는 데 목적이 있다.
• 인과적으로 관련된 잠재 변수의 최소 집합을 활용해 정책의 일반화 능력과 소수 샘플 적응 능력을 향상시키는 데 목적이 있다.
• 인과적 구조 탐지가 더 견고하고 해석 가능하며 효율적인 주행 정책을 도출한다는 것을 입증하는 데 목적이 있다.
• 분리와 인과 선택이 정책 성능과 적응 가능성 향상에 기여하는 방식을 검증하는 데 목적이 있다.

제안 방법

• 변동형 오토인코더 기반의 인식 모델을 사용해 원시 입력(예: 카메라 관측치)을 128개의 분리된 잠재 변수로 분리한다.
• 그랑저 인과성을 적용하여 다음 동작(특히 속도 예측)에 영향을 미치는 잠재 변수를 식별하고, 부수적인 변수들을 걸러낸다.
• 선택된 인과 잠재 변수들만을 사용해 경량 정책를 훈련시켜 입력 차원을 단 두 개로 줄인다.
• 이중 단계 훈련 과정을 활용한다: 분리 → 인과적 구조 학습 및 정책 훈련.
• 새로운 환경에서 100개의 샘플만으로도 경량 인과 정책를 미세 조정함으로써 소수 샘플 도메인 적응을 가능하게 한다.
• 다양한 복잡도를 지닌 여러 도시에서 평가 및 분석을 위해 CARLA 시뮬레이터를 사용한다.

실험 결과

연구 질문

• RQ1 잠재 표현에서 유래한 인과적 구조 탐지가 암시 학습 기반 자율주행에서 관성과 충돌을 감소시키는가?
• RQ2 모든 잠재 변수를 사용하는 것과 비교해, 인과 잠재 변수들만 선택할 경우 더 견고하고 일반화 능력이 뛰어난 정책를 얻을 수 있는가?
• RQ3 인과 모델이 새로운 환경에 대한 소수 샘플 적응을 얼마나 잘 수행할 수 있는가?
• RQ4 분리와 인과 선택이 각각 성능 향상에 기여하는 정도는 어느 정도인가?
• RQ5 모델은 원시 시각 관측치에서 의미 있고 해석 가능한 인과적 요인을 식별할 수 있는가?

주요 결과

• CIM은 최신 기술(SOTA) 기반 모델 대비 관성 비율을 75% 이상 감소시켜 정지 시 반응성을 크게 향상시켰다.
• CIM은 충돌률을 30% 이상 감소시켜 동적 교통 상황에서 더 나은 안전성을 입증했다.
• 모델는 단 두 개의 인과 잠재 변수만으로도 높은 성능를 달성해, 효과적인 인과 추상화와 최소 입력 차원을 입증했다.
• 소수 샘플 도메인 적응에서, 모든 128개의 잠재 변수를 사용하는 CIM-MLP보다 CIM이 모든 지표에서 뛰어난 성능를 보였으며, 적응에 필요한 샘플 수도 적게 요구했다.
• 절단 실험 결과, 분리가 필수적임을 확인했다. CIM-entangled은 기준 모델인 DIM보다도 성능이 열 劣했다. 이는 분리된 표현이 반드시 필요하다는 것을 시사한다.
• 인과적 구조 학습 구성 요소 덕분에 모델는 복잡한 도시(예: Town03)에서도 효과적으로 일반화하는 것으로 나타났다.