[논문 리뷰] EPSILON: An Efficient Planning System for Automated Vehicles in Highly Interactive Environments

Wenchao Ding, Lu Zhang외 2명|arXiv (Cornell University)|2021. 08. 18.

Autonomous Vehicle Technology and Safety참고 문헌 52인용 수 7

한 줄 요약

EPSILON는 밀도 높고 동적인 교통 환경에서 실시간으로 인간처럼 결정을 내리는 데 효과적이고 상호작용을 고려한 자율주행 차량을 위한 계획 시스템이다. POMDP 프레임워크에서 유도 분할을 사용하여 계산 복잡도를 줄이며, 실시간으로 안전하고 부드럽고 비보수적인 주행을 가능하게 한다. 실제 도심 환경에서 과도한 경계나 과도한 경계를 피하면서도 안전하고 부드럽고 비보수적인 주행을 달성하기 위해 행동 계획기와 운동 계획기를 시공간적 의미 범위로 통합한다.

ABSTRACT

In this paper, we present an Efficient Planning System for automated vehicles In highLy interactive envirONments (EPSILON). EPSILON is an efficient interaction-aware planning system for automated driving, and is extensively validated in both simulation and real-world dense city traffic. It follows a hierarchical structure with an interactive behavior planning layer and an optimization-based motion planning layer. The behavior planning is formulated from a partially observable Markov decision process (POMDP), but is much more efficient than naively applying a POMDP to the decision-making problem. The key to efficiency is guided branching in both the action space and observation space, which decomposes the original problem into a limited number of closed-loop policy evaluations. Moreover, we introduce a new driver model with a safety mechanism to overcome the risk induced by the potential imperfectness of prior knowledge. For motion planning, we employ a spatio-temporal semantic corridor (SSC) to model the constraints posed by complex driving environments in a unified way. Based on the SSC, a safe and smooth trajectory is optimized, complying with the decision provided by the behavior planner. We validate our planning system in both simulations and real-world dense traffic, and the experimental results show that our EPSILON achieves human-like driving behaviors in highly interactive traffic flow smoothly and safely without being over-conservative compared to the existing planning methods.

연구 동기 및 목표

• 시뮬레이션 기반 방법이 종종 실패하는, 시뮬레이션 기반 방법이 종종 실패하는, 실시간으로 안정적인 계획이 어려운 상호작용이 많고 불확실성이 큰 도심 교통 환경에서의 계획 과제를 해결하기 위해.
• 자율주행에서 전체 POMDP의 계산 비용이 과도한 문제를 해결하기 위해 행동 공간과 관측 공간에서의 유도 분할을 도입함으로써.
• 다중 에이전트 전방 시뮬레이션 내에 안전 메커니즘을 통합하여 결정의 안전성과 유연성을 확보하기 위해.
• 시뮬레이션 검증된 계획 시스템과 실제 도메인 적용 사이의 격차를 해소하기 위해, 밀도 높은 도심 교통에서 실제 자율주행 차량을 대상으로 검증함으로써.
• 완벽한 예측에 의존하지 않고 상호작용 역학과 불확실성을 모델링하여 비보수적이면서 사회적으로 타당한 주행 동작을 달성하기 위해.

제안 방법

• 행동 계획기는 행동 공간과 관측 공간에서의 유도 분할을 적용한 부분 관측 마르코프 결정 과정(POMDP)을 사용하여 계산 복잡도를 줄이면서도 상호작용 인식 능력을 유지한다.
• 유도 분할은 도메인 지식을 활용하여 관련된 결정 경로에 집중적으로 탐색을 수행함으로써, POMDP를 제한된 수의 닫힌 루프 정책 평가로 분해한다.
• 내장된 안전 메커니즘이 있는 새로운 드라이버 모델은 부정확한 사전 지식과 불확실한 에이전트 행동에 대해 강건성을 확보한다.
• 운동 계획기는 환경 제약 조건을 인코딩하기 위해 시공간적 의미 범위(SSC)를 사용하여 안전하고 부드럽고 일관된 궤적을 최적화한다.
• SSC는 공간적 제약 조건과 시간적 제약 조건을 통합된 표현으로 통합하여, 운동 계획기가 행동 계획기의 결정과 일치하는 실행 가능한 궤적을 생성할 수 있도록 한다.
• 시스템은 계층적 아키텍처로 구현되며, 행동 계획기가 상태의 시퀀스를 생성하고, 운동 계획기가 이를 실시간 실행 가능한 궤적으로 변환한다.

실험 결과

연구 질문

• RQ1 밀도 높은 도심 교통 환경에서 실시간 사용에 적합한 계산 효율성을 확보하기 위해 POMDP 기반 계획기는 어떻게 개선될 수 있는가?
• RQ2 다른 에이전트의 관측 노이즈와 예측 불확실성에 대해 상호작용 인식 계획은 어떻게 강건성을 확보할 수 있는가?
• RQ3 상호작용이 빈번한 주행 환경에서 과도하게 보수적이거나 과도하게 공격적인 행동을 피하기 위해 계획 시스템은 어떻게 설계되어야 하는가?
• RQ4 실제 도메인의 닫힘 루프 운영에서 안전성을 확보하면서도 인간처럼 민첩한 주행 동작을 얼마나 잘 달성할 수 있는가?
• RQ5 통합된 시공간 표현은 복잡한 환경 제약 조건을 운동 계획에 효과적으로 인코딩할 수 있는가?

주요 결과

• EPSILON는 실제 도심 밀도 높은 교통 환경에서 장기간의 닫힘 루프 자율주행을 성공적으로 구현하였으며, 센서 노이즈와 예측 불가능한 에이전트 행동에 강건함을 입증하였다.
• 유도 분할 기법은 POMDP 계획의 계산 부담을 줄여, 높은 상호작용 환경에서 실시간 결정을 가능하게 하였다.
• 시스템은 과도하게 보수적이거나 공격적이지 않게, 활성 차선 변경과 매끄러운 차선 변경 수용과 같은 인간처럼 행동하는 주행 행동을 달성하였다.
• 전방 시뮬레이션 내 안전 메커니즘이 관측 노이즈와 부정확한 예측 조건에서도 모든 주행 동작이 안전한 영역 내에 유지되도록 보장하였다.
• 시공간적 의미 범위는 행동 계획기의 결정과 밀접하게 일치하는 일관성 있고 매끄럽고 안전한 궤적 생성을 가능하게 하였다.
• 伝통적 방법과 비교해 볼 때, EPSILON는 안전성을 유지하면서도 과도한 경계 행동을 감소시켰으며, 공격적인 차선 변경과 동적 병합 시나리오에서의 실제 도메인 검증을 통해 이를 입증하였다.