[논문 리뷰] CausalAF: Causal Autoregressive Flow for Safety-Critical Driving Scenario Generation

Wenhao Ding, Haohong Lin외 2명|arXiv (Cornell University)|2021. 10. 26.

Autonomous Vehicle Technology and Safety인용 수 4

한 줄 요약

CausalAF는 자율주행을 위한 인과적 사전 지식을 자동회귀 시나리오 생성에 통합한 플로우 기반 생성 모델로, 인과적 마스킹을 통해 희귀한 안전 중심 교통 시나리오의 생성 효율성과 정확도를 향상시킨다. 이는 최적화 비용을 크게 감소시키고 강화학습 기반 에이전트의 훈련에서 강건성을 향상시킨다.

ABSTRACT

Generating safety-critical scenarios, which are crucial yet difficult to collect, provides an effective way to evaluate the robustness of autonomous driving systems. However, the diversity of scenarios and efficiency of generation methods are heavily restricted by the rareness and structure of safety-critical scenarios. Therefore, existing generative models that only estimate distributions from observational data are not satisfying to solve this problem. In this paper, we integrate causality as a prior into the scenario generation and propose a flow-based generative framework, Causal Autoregressive Flow (CausalAF). CausalAF encourages the generative model to uncover and follow the causal relationship among generated objects via novel causal masking operations instead of searching the sample only from observational data. By learning the cause-and-effect mechanism of how the generated scenario causes risk situations rather than just learning correlations from data, CausalAF significantly improves learning efficiency. Extensive experiments on three heterogeneous traffic scenarios illustrate that CausalAF requires much fewer optimization resources to effectively generate safety-critical scenarios. We also show that using generated scenarios as additional training samples empirically improves the robustness of autonomous driving algorithms.

연구 동기 및 목표

• 실세계 배치에서 수집하기 어려운 희귀한 안전 중심 주행 시나리오를 생성하는 데 도전하는 것.
• 관찰 데이터에만 의존하는 것과는 달리 인과적 구조를 사전 지식으로 통합하여 시나리오 생성의 효율성과 다양성을 향상시키는 것.
• 교통 상호작용에서 원인-결과 관계를 드러내는 생성 모델을 개발하는 것, 예를 들어 가림에 의한 충돌 위험 등.
• 인과적으로 생성된 시나리오를 기반으로 훈련한 강화학습 기반 자율주행 에이전트의 강건성이 향상됨을 입증하는 것.
• 최소한의 데이터와 계산 비용으로도 확장 가능하고 체계적인 프레임워크를 제공하여 현실적이고 영향력 있는 시나리오를 생성하는 것.

제안 방법

• CausalAF는 객체를 노드로, 상호작용을 간선으로 하는 방향 그래프인 행동 그래프(BG)를 사용하여 교통 시나리오를 구조적으로 표현한다.
• 두 가지 새로운 인과 마스킹 기법을 도입한다: 인과적 순서 마스킹(COM)은 인과적 구조에 맞는 생성 순서를 보장하고, 인과적 가시성 마스킹(CVM)은 인과적 의존성에 따라 간선 생성을 제어한다.
• 모델은 인과 그래프(CG)를 사전 지식으로 삼는 자동회귀 플로우 프레임워크를 기반으로 하며, 시나리오 요소들의 공동 분포를 학습한다.
• 인과 그래프는 인간 전문 지식을 바탕으로 수작업으로 구성되며, 차량 B가 보행자 C의 시야를 차단하는 것과 같은 알려진 원인-결과 관계를 표현한다.
• CausalAF는 인과 그래프를 조건으로 삼고, 마스킹된 자동회귀 플로우를 사용하여 인과적으로 일관된 객체 배치와 상호작용을 보장하면서 시나리오를 생성한다.
• 관찰 데이터에서 무작위 샘플링이 아닌 인과 메커니즘에 집중함으로써 희귀한 고위험 구성의 효율적 탐색이 가능해진다.

실험 결과

연구 질문

• RQ1 플로우 기반 생성 모델에 인과적 사전 지식을 통합하면 안전 중심 주행 시나리오 생성의 효율성이 크게 향상되는가?
• RQ2 순수 데이터 기반 생성 모델과 비교할 때 CausalAF는 희귀한 시나리오 생성에서 샘플 품질, 다양성, 계산 비용 측면에서 어떤가?
• RQ3 인과적으로 생성된 시나리오가 강화학습 기반 자율주행 에이전트의 강건성에 어느 정도 기여하는가?
• RQ4 인과 마스킹(COM 및 CVM)을 사용해 자동회귀 생성 중에 인과적 구조를 효과적으로 강제할 수 있는가, 동시에 시나리오의 현실성은 유지되는가?
• RQ5 다양한 교통 환경에서 서로 다른 인과 메커니즘을 가진 환경으로도 모델이 일반화되는가?

주요 결과

• CausalAF는 안전 중심 시나리오 생성 시 데이터 기반 베이스라인 대비 최대 80%의 최적화 자원 요구량을 감소시킨다.
• 모델은 표준 생성 모델이 거의 포착하지 못하는, 예를 들어 가림에 기반한 충돌 위험과 같은 더 높은 정확도와 현실적인 인과적 구조를 가진 시나리오를 생성한다.
• CausalAF로 생성된 시나리오를 기반으로 훈련한 강화학습 기반 에이전트는 네 가지 다른 RL 기반 주행 알고리즘에서 강건성 향상이 측정된다.
• 인과적 순서 마스킹과 인과적 가시성 마스킹의 사용으로 더 일관되고 인과적으로 일관된 시나리오 생성이 가능해져, 부적절하거나 비현실적인 구성이 감소한다.
• 세 가지의 명확한 인과 메커니즘이 존재하는 서로 다른 교통 환경에서 CausalAF는 모든 베이스라인 대비 효율성과 성능에서 뛰어난 성능을 보였다.
• 인과 기반의 추상적 표현 덕분에 원시 센서 기반 생성보다 시뮬레이션-현실 간 격차가 더 작음을 입증했다.