[논문 리뷰] Data Driven Prediction Architecture for Autonomous Driving and its Application on Apollo Platform

Kecheng Xu, Xiangquan Xiao외 2명|arXiv (Cornell University)|2020. 06. 11.

Autonomous Vehicle Technology and Safety참고 문헌 17인용 수 4

한 줄 요약

이 논문은 자율주행을 위한 완전 자동화된 데이터 기반 예측 파이프라인을 제안하며, 바이두의 아폴로 플랫폼에 구현되어 다양한 지리적 지역에 걸쳐 확장 가능하고 효율적인 모델 적응을 가능하게 한다. 자동 데이터 주석 처리, 특징 추출, 시ames 네트워크를 통한 하이퍼파rameter 튜닝, 직접 및 간접 궤적 예측 모두를 지원함으로써, 수동 방법 대비 파arameter 튜닝에서 최대 400%의 효율성 향상을 달성한다.

ABSTRACT

Autonomous Driving vehicles (ADV) are on road with large scales. For safe and efficient operations, ADVs must be able to predict the future states and iterative with road entities in complex, real-world driving scenarios. How to migrate a well-trained prediction model from one geo-fenced area to another is essential in scaling the ADV operation and is difficult most of the time since the terrains, traffic rules, entities distributions, driving/walking patterns would be largely different in different geo-fenced operation areas. In this paper, we introduce a highly automated learning-based prediction model pipeline, which has been deployed on Baidu Apollo self-driving platform, to support different prediction learning sub-modules' data annotation, feature extraction, model training/tuning and deployment. This pipeline is completely automatic without any human intervention and shows an up to 400\% efficiency increase in parameter tuning, when deployed at scale in different scenarios across nations.

연구 동기 및 목표

• 다양한 교통 규칙, 지형, 주행 행동을 가진 다양한 지리적 지역에 걸쳐 자율주행 예측 모델을 확장하는 데 도전하는 것.
• 데이터 주석 처리, 특징 추출, 훈련, 하이퍼파rameter 튜닝 등의 모델 개발 및 배포 과정에서 수동 간섭을 줄이기 위해 자동화를 도입하는 것.
• 다양한 시나리오에서 직접 궤적 예측과 의도 기반 후행 궤적 생성에 모두 효율적인 모델 적응을 가능하게 하는 것.
• 다양한 국가와 차량 플랫폼에 걸쳐 대규모 자율주행 차량 운영에서의 배포 효율성을 향상시키고 비용을 절감하는 것.

제안 방법

• 파이프라인은 차량 내 모듈(메시지 사전 처리, 모델 추론, 궤적 후처리)과 차량 외부 데이터 파이프라인(자동 데이터 주석 처리, 특징 추출, 모델 훈련, 하이퍼파arameter 자동 튜닝, 결과 평가)으로 구성되어 있다.
• 직접 예측을 위해, 자동 데이터 처리와 함께 통합된 의미 맵과 LSTM 기반 모델을 엔드 투 엔드로 훈련하여 수동 튜닝 모델과 비교해 유사한 성능을 달성한다.
• 간접 예측을 위해, 의도 분류 모델(예: 차선 변경, 전환)과 비용 함수를 가진 래티스 기반 후행 궤적 생성기(학습 가능한 가중치를 가짐)를 결합한다.
• 시ames 네트워크를 사용해 식 (4)의 최적 비용 함수 가중치(θ₁, θ₂, θ₃)를 자동으로 학습하며, 식 (5)의 손실을 최소화함으로써 이를 달성한다. 이 손실은 후보 궤적 비용과 진짜 궤적을 비교한다.
• 식 (5)의 목적 함수는 마진 손실을 사용하여 진짜 궤적의 비용이 후보 궤적보다 낮아지도록 보장하며, δ는 타당한 해를 방지하기 위한 작은 양수 마진이다.
• 최소한의 수동 간섭으로 직접 및 간접 예측 워크플로우를 모두 지원하여, 새로운 지리적 구역에 빠르게 배포할 수 있다.

실험 결과

연구 질문

• RQ1 자율주행을 위한 예측 파이프라인을 어떻게 자동화하여 데이터 주석 처리, 모델 훈련, 하이퍼파arameter 튜닝 과정에서의 수동 간섭을 줄일 수 있는가?
• RQ2 시ames 네트워크를 통한 자동 하이퍼파arameter 튜닝이 다양한 지리적 지역에서의 배포 효율성에 어떤 영향을 미치는가?
• RQ3 완전 자동화된 파이프라인이 직접 및 간접 궤적 예측 모두에서 수동 튜닝 모델과 비교해 유사한 예측 성능을 달성할 수 있는가?
• RQ4 후행 궤적 생성에 학습된 비용 가중치를 통합함으로써 지역 주행 패턴과 교통 규칙에 대한 적응성이 어떻게 향상되는가?
• RQ5 이 파이프라인이 다양한 차량 플랫폼과 글로벌 배포 시나리오에 얼마나 잘 확장될 수 있는가?

주요 결과

• 제안된 데이터 기반 예측 파이프라인은 새로운 지리적 구역에 배포할 때, 수동 방법 대비 하이퍼파arameter 튜닝에서 최대 400%의 효율성 향상을 달성했다.
• 자동화된 파이프라인은 수동 간섭을 최소화하면서 다양한 국가와 차량 플랫폼에 걸쳐 예측 모델을 배포할 수 있었으며, 운영 비용을 크게 절감했다.
• 시ames 네트워크 기반 자동 튜닝 방법은 지역 특화 비용 함수 가중치(θ₁, θ₂, θ₃)를 성공적으로 학습하여 수동 校정 없이도 궤적 선택 정확도를 향상시켰다.
• 의미 맵과 LSTM을 사용한 직접 예측 모델은 데이터 처리와 훈련 전 과정이 완전 자동화되었음에도 불구하고, 수동으로 훈련된 모델과 유사한 성능을 달성했다.
• 의도 분류 및 후행 궤적 생성을 결합한 간접 예측 파이프라인은 주행 행동과 교통 규칙의 지역적 변동성에 대해 뛰어난 내구성을 보였다.
• 시스템은 중국과 미국에서 다수의 자율주행 차량 플릿에 성공적으로 배포되어 실제 세계에서의 확장성과 적응 가능성에 대한 검증을 완료했다.