[논문 리뷰] Gradient-free Multi-domain Optimization for Autonomous Systems

Hongrui Zheng, Johannes Betz외 1명|arXiv (Cornell University)|2022. 02. 28.

Metaheuristic Optimization Algorithms Research인용 수 5

한 줄 요약

이 논문은 기계, 제어, 계획, 인식 도메인 간에 하드웨어 및 소프트웨어 파rameter를 종합적으로 최적화하는 그래디언트 기반, 다도메인 최적화 프레임워크를 제안한다. 병렬이고 시뮬레이션 기반의 파이프라인을 사용하며, 여러 최적화기들을 동시에 활용함으로써 성능 향상을 크게 달성하였으며, 평균적으로 랩 타임을 12.7% 감소시켰다. 이는 자율주행차의 통합 시스템 설계에서의 효과성을 입증한다.

ABSTRACT

Autonomous systems are composed of several subsystems such as mechanical, propulsion, perception, planning and control. These are traditionally designed separately which makes performance optimization of the integrated system a significant challenge. In this paper, we study the problem of using gradient-free optimization methods to jointly optimize the multiple domains of an autonomous system to find the set of optimal architectures for both hardware and software. We specifically perform multi-domain, multi-parameter optimization on an autonomous vehicle to find the best decision-making process, motion planning and control algorithms, and the physical parameters for autonomous racing. We detail the multi-domain optimization scheme, benchmark with different core components, and provide insights for generalization to new autonomous systems. In addition, this paper provides a benchmark of the performances of six different gradient-free optimizers in three different operating environments. Our approach is validated with a case study where we describe the autonomous vehicle system architecture, optimization methods, and finally, provide an argument on gradient-free optimization being a powerful choice to improve the performance of autonomous systems in an integrated manner.

연구 동기 및 목표

• 하나의 시스템 내에서 상호의존적인 하드웨어 및 소프트웨어 파rameter를 가진 복잡한 다도메인 자율주행 시스템을 최적화하는 데 도전한다.
• 전통적인 순차적 서브시스템 설계 방식이 전체 시스템 성능의 트레이드오프를 포착하지 못하는 한계를 극복한다.
• 그래디언트 정보에 의존하지 않고도 스케일업 가능하고 병렬 처리가 가능한 최적화 파이프라인을 개발한다.
• 다양한 환경와 파rameter 공간에서 그래디언트 기반 최적화기를 비교 분석하여 자율주행 시스템에 적합한 고성능 설정을 규명한다.
• 이질적인 구성 요소와 혼합된 연속/이산 파rameter를 가진 새로운 자율주행 시스템에 적용 가능한 일반화 가능한 프레임워크를 제공한다.

제안 방법

• 중앙 헤드 노드가 후보 설정을 샘플링하고 이를 워커 노드에 할당하는 분산형, 극도로 병렬화 가능한 최적화 파이프라인을 활용한다.
• 각 워커 인스턴스는 물리, 센서 모델, 제어 알고리즘을 포함한 전체 시스템 시뮬레이션을 실행하여 성능을 평가한다.
• CMA-ES, Differential Evolution, PSO, NoisyDE 등의 그래디언트 기반 최적화기를 사용하여 그래디언트 계산이 필요 없는 고차원 혼합 정수 파aram터 공간을 탐색한다.
• 실제 동역학과 센서 모델이 반영된 캘리브레이션된 자율주행 레이스카 시뮬레이터를 통합하여 시뮬레이션에서 실제 환경으로의 격차를 최소화한다.
• 랩 타임, 속도, 안정성 등의 지표를 사용한 다목적 평가 프레임워크를 적용하여 다양한 도메인 간 최적화를 이끌어낸다.
• 시뮬레이션 평가 결과를 바탕으로 검색 전략을 반복적으로 개선함으로써 고성능 설정으로 수렴하도록 한다.

실험 결과

연구 질문

• RQ1 그래디언트 기반 최적화는 연속적이고 범주형 파aram터를 포함한 다도메인 자율주행 시스템을 효과적으로 최적화할 수 있는가?
• RQ2 다양한 자율주행차 운영 환경에서 서로 다른 그래디언트 기반 최적화기 간 성능과 수렴 속도는 어떻게 비교되는가?
• RQ3 기존의 수동 튜닝 방법에 비해 제안된 파이프라인은 랩 타임을 얼마나 줄이고 시스템 성능을 향상시킬 수 있는가?
• RQ4 다양한 최적화기에서 하이퍼파ram터와 인구 크기의 변화에 대해 최적화된 해가 얼마나 민감한가?
• RQ5 드론(UAV)과 무인해양잠수정(UUV)과 같은 다른 자율주행 시스템에도 최소한의 재구성으로 일반화 가능한가?

주요 결과

• 제안된 그래디언트 기반 최적화 파이프라인은 기준 설정 대비 최대 12.7%의 랩 타임 감소를 달성하였으며, 슈피르베르크 트랙에서 최고 성능 설정으로서 62.18초를 기록하였다.
• 특히 고차원 검색 공간에서 CMA-ES가 수렴 속도와 해의 품질 측면에서 다른 최적화기들을 압도적으로 뛰어났다.
• 이 방법은 연속 파aram터(예: 차량 질량, 중량 중심)와 이산 파aram터(예: 제어기 유형, 레이아웃 거리)를 통합된 프레임워크 내에서 성공적으로 최적화하였다.
• 대규모 인구 크기 설정은 수렴 안정성을 향상시켰지만 계산 비용을 증가시켰으며, 대부분의 최적화기에서 최적 성능은 30~106의 인구 크기에서 관찰되었다.
• 모니카, 실버스톤, 슈피르베르크의 세 가지 다른 레이스 트랙에서 프레임워크는 다양한 동역학 조건에서도 일관된 성능 향상을 보이며 강건성을 입증하였다.
• 연구 결과에 따르면 제어기 선택(예: 퍼프류션, 스탠리, LQR)이 성능에 큰 영향을 미치며, 최적화기는 수동 튜닝 기준을 뛰어넘는 우수한 파aram터 조합을 발견하였다.