[논문 리뷰] Distributionally Consistent Simulation of Naturalistic Driving Environment for Autonomous Vehicle Testing

Xintao Yan, Shuo Feng외 2명|arXiv (Cornell University)|2021. 01. 08.

Traffic control and management참고 문헌 46인용 수 18

한 줄 요약

이 논문은 대규모 자연주의 주행 데이터에서 유래한 경험적 분포를 사용하여 인간 주행 행동을 모델링함으로써 자율주행차(AV) 테스트를 위한 분포 일致성 있는 자연주의 주행 환경(NDE) 시뮬레이션 프레임워크를 제안한다. 이는 실세계의 정적 분포와 일치하도록 시뮬레이션 차량 상태 전이를 조정하기 위해 마르코프 체인 기반 최적화 방법을 활용하며, 기존 모델에 비해 AV 안전 평가의 정확도를 크게 향상시킨다.

ABSTRACT

Microscopic traffic simulation provides a controllable, repeatable, and efficient testing environment for autonomous vehicles (AVs). To evaluate AVs' safety performance unbiasedly, the probability distributions of environment statistics in the simulated naturalistic driving environment (NDE) need to be consistent with those from the real-world driving environment. However, although human driving behaviors have been extensively investigated in the transportation engineering field, most existing models were developed for traffic flow analysis without considering the distributional consistency of driving behaviors, which could cause significant evaluation biasedness for AV testing. To fill this research gap, a distributional consistent NDE modeling framework is proposed in this paper. Using large-scale naturalistic driving data, empirical distributions are obtained to construct the stochastic human driving behavior models under different conditions. To address the error accumulation problem during the simulation, an optimization-based method is further designed to refine the empirical behavior models. Specifically, the vehicle state evolution is modeled as a Markov chain and its stationary distribution is twisted to match the distribution from the real-world driving environment. The framework is evaluated in the case study of a multi-lane highway driving simulation, where the distributional accuracy of the generated NDE is validated and the safety performance of an AV model is effectively evaluated.

연구 동기 및 목표

• 시뮬레이션과 현실 간 격차를 해소하기 위해 시뮬레이션된 자연주의 주행 환경와 실제 주행 환경 간 분포 일致성을 확보함으로써 AV 테스트의 정확성을 높이기 위해.
• 기존 인간 주행 모델의 한계를 극복하기 위해, 교통 흐름 분석을 위한 목적으로 설계된 기존 모델은 AV 평가에 적합하지 않다는 점을 고려하여.
• 속도, 간격, 간격 변화율과 같은 주요 주행 행동의 통계적 분포를 유지하는 데이터 기반 시뮬레이션 프레임워크를 개발하기 위해.
• 실세계 주행 데이터의 기저 확률 분포를 일치시킴으로써 편향이 없고 통계적으로 정확한 AV 안전 성능 평가를 가능하게 하기 위해.

제안 방법

• 대규모 자연주의 주행 데이터(NDD)에서 차량 상태(속도, 간격, 간격 변화율)의 공동 분포를 경험적으로 유도하여 인간 주행 행동을 모델링한다.
• 차량 상태의 변화를 마르코프 체인으로 모델링하고 최적화를 통해 정적 분포를 실제 경험적 분포와 일치시킨다.
• 상류 차량 상태를 기반으로 하류 차량을 순차적으로 생성하는 데이터 기반 초기화 방법을 구현하며, 이는 베르누이 분포를 따르는 차량 추종 지표와 경험적 분포에서 조건부 샘플링을 사용한다.
• 비현실적인 초기 충돌을 방지하기 위해 거부 샘플링 메커니즘을 적용하여 시뮬레이션 시작 상태의 물리적 타당성을 확보한다.
• 실세계 데이터 통계를 사용하여 모델 파라미터(예: 초기 영역 크기, 관측 범위)를 校정한다. 예를 들어, $d_0 = 50m$, $p_{CF} = 0.68$, $d_{obs} = 115m$.
• 다중 차선 고속도로 시나리오를 사용하여 1개 모델당 100회의 시뮬레이션을 수행하고, 기준 모델인 IDM 및 MOBIL과의 분포 정확도를 비교함으로써 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 어떻게 시뮬레이션 프레임워크가 인공 환경에서 인간 주행 행동의 통계적 분포가 실제 자연주의 주행 데이터에서 관측된 분포와 일치하도록 보장할 수 있는가?
• RQ2 기존 인간 주행 모델(예: IDM, MOBIL)은 AV 테스트 시나리오에서 분포 일치를 얼마나 잘 유지하지 못하는가?
• RQ3 최적화 기반 방법이 마르코프 체인의 정적 분포를 실세계 데이터와 일치시킴으로써 시뮬레이션 차량 상태 전이의 분포 이탈을 효과적으로 보정할 수 있는가?
• RQ4 분포 일치는 충돌률 예측을 포함한 AV 안전 성능 평가 정확도에 어떻게 영향을 미치는가?
• RQ5 문헌에 기반한 校정 파라미터를 사용할 때, 제안된 프레임워크는 기준 모델 대비 상대적으로 어떤 성능을 보이는가?

주요 결과

• 제안된 프레임워크는 특히 실제 주행 행동 분포의 전체 범위를 잘 포착함으로써, IDM 및 MOBIL과 같은 기준 모델에 비해 시뮬레이션된 차량 상태(속도, 간격, 간격 변화율)의 분포 정확도가 유의미하게 높다.
• 문헌에 기반한 校정 파라미터를 사용할 경우, 기준 모델인 VT100 IDM 및 상하이 IDM는 분포가 농도 지역에 집중되어 있어 실제 데이터에서 관측되는 자연스러운 분포 범위를 재현하지 못한다.
• 최적화 기반 보정 방법은 시뮬레이션된 마르코프 체인의 정적 분포를 NDD에서 유도된 경험적 분포와 효과적으로 일치시켜 시간이 지남에 따라 분포 오차를 감소시킨다.
• 데이터 기반 초기화 방법은 비현실적인 초기 설정을 효과적으로 방지하며, 물리적 타당성을 유지하면서도 통계적 정밀도를 유지한다.
• 다중 차선 고속도로 사례 연구에서, 제안된 방법은 환경 변수의 진정된 기저 분포를 유지함으로써 더 신뢰성 있고 편향 없는 AV 안전 성능 평가를 가능하게 하였다.
• 이 프레임워크는 몬테카를로 기반의 AV 안전 지표(예: 충돌률) 추정에서 분포 일치가 필수적임을 입증한다.