[논문 리뷰] Efficient Motion Planning for Automated Lane Change based on Imitation Learning and Mixed-Integer Optimization

Chenyang Xi, Tianyu Shi외 2명|arXiv (Cornell University)|2019. 04. 18.

Robotic Path Planning Algorithms참고 문헌 13인용 수 4

한 줄 요약

이 논문은 최적의 궤적을 생성하는 혼합정수 quadratic 최적화(MIQP)와 빠른 의사결정을 위한 이mitation 학습을 조합하는 하이브리드 운동 계획 프레임워크를 제안한다. MIQP로 생성된 궤적을 지도 학습의 시범 데이터로 사용함으로써, 계층적 학습 모델은 최적성, 효율성, 일반화 능력에서 기존의 샘플링 기반 및 최적화 기반 기준선보다 뛰어난 실시간 고성능 차선 변경을 가능하게 한다.

ABSTRACT

Intelligent motion planning is one of the core components in automated vehicles, which has received extensive interests. Traditional motion planning methods suffer from several drawbacks in terms of optimality, efficiency and generalization capability. Sampling based methods cannot guarantee the optimality of the generated trajectories. Whereas the optimization-based methods are not able to perform motion planning in real-time, and limited by the simplified formalization. In this work, we propose a learning-based approach to handle those shortcomings. Mixed Integer Quadratic Problem based optimization (MIQP) is used to generate the optimal lane-change trajectories which served as the training dataset for learning-based action generation algorithms. A hierarchical supervised learning model is devised to make the fast lane-change decision. Numerous experiments have been conducted to evaluate the optimality, efficiency, and generalization capability of the proposed approach. The experimental results indicate that the proposed model outperforms several commonly used motion planning baselines.

연구 동기 및 목표

• 최적성, 실시간 성능, 일반화 능력 측면에서 기존의 운동 계획 방법의 한계를 해결한다.
• 샘플링 기반 및 최적화 기반 접근 방식 간의 계산 효율성과 궤적 품질 간의 상충 관계를 극복한다.
• 실세계 자율 주행 응용에 적합한 확장성 있고 효율적인 차선 변경 계획 시스템을 개발한다.
• 학습 기반 의사결정과 최적화로 생성된 고품질 궤적을 융합하여 계획 성능을 향상시킨다.
• 기존의 확립된 운동 계획 기준선 대비 최적성, 속도, 적응 가능성 측면에서 뛰어난 성능을 입증한다.

제안 방법

• 이미테이션 학습을 위한 지도 학습 데이터셋으로 최적의 차선 변경 궤적을 생성하기 위해 혼합정수 2차 최적화(MIQP)를 사용한다.
• 차선 변경 이벤트와 차량 역학을 모델링하기 위해 이산 변수를 포함한 제약 조건이 있는 최적화 문제로 차선 변경을 수식화한다.
• MIQP로 생성된 궤적을 기반으로 계층적 지도 학습 모델을 훈련시켜 고수준의 차선 변경 의사결정을 신속하게 예측한다.
• 계획 작업을 고수준 의사결정(언제 차선을 변경할지)과 이미테이션 학습을 이용한 저수준 궤적 생성으로 분해한다.
• MIQP에서 유도된 전문가 시범 데이터를 활용해 엔드 투 엔드 이미테이션 학습을 통해 실시간 행동 선택을 빠르게 구현한다.
• 학습된 정책을 운동 재계획 기반 메커니즘과 통합하여 실행 중 안전성과 적응 가능성 확보.

실험 결과

연구 질문

• RQ1 학습 기반 접근 방식이 기존의 샘플링 기반 또는 최적화 기반 운동 계획자보다 자율적 차선 변경에서 더 뛰어난 최적성과 효율성을 달성할 수 있는가?
• RQ2 MIQP로 생성된 최적 궤적을 기반으로 한 이미테이션 학습이 실시간 차선 변경 의사결정에서 전문가 행동을 어느 정도 정확하게 재현할 수 있는가?
• RQ3 제안된 프레임워크는 기준선 방법 대비 다양한 교통 및 환경 조건에서 어떻게 일반화되는가?
• RQ4 제안된 하이브리드 최적화-이미테이션 학습 프레임워크에서 계산 효율성과 궤적 품질 간의 상충 관계는 어떠한가?
• RQ5 MIQP와 이미테이션 학습의 통합이 실시간 배포에 적합한 최적성과 충분한 속도를 동시에 확보할 수 있는가?

주요 결과

• 정량적 평가 지표(부드러움, 안전성)를 통한 검증 결과, 제안된 방법은 샘플링 기반 및 전통적인 최적화 방법보다 뛰어난 궤적 최적성을 확보한다.
• 이미테이션 학습 구성 요소 덕분에 계산 시간이 크게 단축되어 실시간 의사결정이 가능해졌으며, 이는 온라인 배포에 적합하다.
• 다양한 교통 상황(차량 밀도 변화, 동적 장애물 포함)에서도 우수한 일반화 성능를 보이며, 기준선 대비 뛰어난 적응성을 확보했다.
• 실험 결과, 부분 관측 또는 노이즈가 있는 센서 입력 조건에서도 학습된 정책이 높은 성능 유지를 보여 안정성을 입증했다.
• MIQP로 생성된 전문가 시범 데이터와 이미테이션 학습의 통합은 최신 운동 계획 기준선을 능가하거나 이를 충족하는 성능을 보이며 속도와 품질 측면에서 모두 뛰어난 성능을 발휘했다.