[논문 리뷰] Computing Systems for Autonomous Driving: State-of-the-Art and Challenges

Liangkai Liu, Sidi Lu외 5명|arXiv (Cornell University)|2020. 09. 30.

Autonomous Vehicle Technology and Safety참고 문헌 202인용 수 25

한 줄 요약

이 논문은 자율주행을 위한 최신 컴퓨팅 시스템에 대한 종합적인 서베이를 제시하며, 실시간이고 신뢰할 수 있는 의사결정을 위해 핵심적인 일곱 가지 성능 지표와 아홉 가지 핵심 기술을 규명한다. 인지 견고성에서 인간-기계 상호작용에 이르기까지 12가지 핵심 과제를 제시하며, SAE 레벨 4/5 자율주행의 요구사항과 현재 시스템 간 격차를 드러내며, 통합된 사이버-물리 설계와 V2X 통신을 통한 안전성 향상과 시스템 신뢰성 향상을 중심으로 논의한다.

ABSTRACT

The recent proliferation of computing technologies (e.g., sensors, computer vision, machine learning, and hardware acceleration), and the broad deployment of communication mechanisms (e.g., DSRC, C-V2X, 5G) have pushed the horizon of autonomous driving, which automates the decision and control of vehicles by leveraging the perception results based on multiple sensors. The key to the success of these autonomous systems is making a reliable decision in real-time fashion. However, accidents and fatalities caused by early deployed autonomous vehicles arise from time to time. The real traffic environment is too complicated for current autonomous driving computing systems to understand and handle. In this paper, we present state-of-the-art computing systems for autonomous driving, including seven performance metrics and nine key technologies, followed by twelve challenges to realize autonomous driving. We hope this paper will gain attention from both the computing and automotive communities and inspire more research in this direction.

연구 동기 및 목표

• 자율주행을 위한 컴퓨팅 시스템의 현재 최신 기술 상태를 분석하며, 하드웨어, 소프트웨어, 통신 통합에 중점을 둔다.
• 자율주행 시스템 평가에 핵심적인 일곱 가지 성능 지표를 규명하고 정의한다.
• 자율차량에서 실시간 인지, 의사결정, 제어를 가능하게 하는 아홉 가지 핵심 기술을 서베이한다.
• 초기 자율주행 차량 배치에서 발생한 실제 사망 사고를 통해 드러난 지속적인 안전 격차를 강조한다.
• 신뢰성 있고 견고하며 안전한 SAE 레벨 4/5 자율주행을 달성하기 위한 열두 가지 주요 과제와 기회를 제시한다.

제안 방법

• 모듈형 기반 및 엔드 투 엔드 기반 아키텍처로 컴퓨팅 시스템을 분류하고, 설계 상의 상충 관계를 분석한다.
• 자율주행 시스템 평가를 위한 일곱 가지 성능 지표—지연, 정확도, 신뢰성, 안전성, 확장성, 에너지 효율성, 고장 내성—를 제안한다.
• 아홉 가지 핵심 기술을 검토한다: 센서 융합, 인지에 대한 딥러닝, SLAM, 운동 계획, 제어 알고리즘, V2X 통신(DSRC, C-V2X, 5G), 하드웨어 가속(GPU, TPU), 실시간 운영 체제.
• 5개의 레벨 2 자율주행 차량 사망 사고 데이터를 분석하여 주로 인지 실패와 인간 행동 예측 부족이 원인임을 규명한다.
• 비용 효율적인 연구 개발을 위해 CARLA, dSPACE 및 HydraOne, DragonFly와 같은 오픈소스 시스템과 같은 실험 플랫폼을 평가한다.
• 자율주행 제어의 안전성과 인간의 편안함을 향상시키기 위해 인지, 제어, 차량 동역학, 드라이브바와이어 시스템 간의 다층 최적화를 주장한다.

실험 결과

연구 질문

• RQ1 자율주행 컴퓨팅 시스템의 효과성과 신뢰성의 핵심이 되는 주요 성능 지표는 무엇인가?
• RQ2 현재의 컴퓨팅 시스템 아키텍처(모듈형 대비 엔드 투 엔드)가 실제 주행 환경에서의 시스템 성능과 안전성에 어떤 영향을 미치는가?
• RQ3 딥러닝, V2X, 하드웨어 가속과 같은 주요 기술적 지원 요소들이 자율주행 차량에서 실시간 의사결정을 가능하게 하는 이유는 무엇인가?
• RQ4 왜 초기 자율주행 차량 배치에서 인지 실패와 인간 행동에 대한 잘못된 판단이 여전히 핵심 고장 지점으로 남아 있는가?
• RQ5 견고하고 안전하며 확장 가능한 SAE 레벨 4/5 자율주행 시스템을 달성하기 위해 가장 시급한 과제는 무엇인가?

주요 결과

• 2016년부터 2019년 사이에 발생한 레벨 2 자율주행 차량 5건의 사망 사고는 주로 인지 실패(예: 트럭, 분리대, 반차량을 감지하지 못함) 또는 보행자 행동 예측 불가로 인해 발생했다.
• 현재 대부분의 레벨 2 시스템 시험은 아리조나, 플로리다와 같이 유리한 조건에서 이루어지며, 이는 복잡한 실제 도로 환경에서의 성능 격차가 크다는 것을 시사한다.
• 모듈형 기반 아키텍처는 현재 자율주행 차량 설계에서 여전히 주류를 차지하며, 다양한 엔지니어링 팀 간의 모듈성과 협업을 가능하게 한다.
• V2X 통신(DSRC, C-V2X, 5G)은 인간 행동 예측에 비해 더 신뢰할 수 있는 대안을 제공하며, 직접적인 안전 정보 교환을 가능하게 한다.
• CARLA, dSPACE 및 HydraOne, DragonFly와 같은 오픈소스 시스템과 같은 실험 플랫폼은 연구 개발 비용을 크게 낮추고 스케일러블 테스트를 가능하게 한다.
• 인지, 제어, 차량 동역학, 드라이브바와이어 시스템 간의 다층 최적화가 자율주행 차량 제어에서 안전성과 인간의 편안함을 동시에 확보하기 위해 필수적이다.