[논문 리뷰] Ignition: An End-to-End Supervised Model for Training Simulated Self-Driving Vehicles

Rooz Mahdavian, Richard Diehl Martinez|arXiv (Cornell University)|2018. 06. 29.

Autonomous Vehicle Technology and Safety참고 문헌 8인용 수 3

한 줄 요약

이 논문은 ResNet-18 아키텍처를 기반으로 한 엔드 투 엔드 지도 학습 모델인 Ignition을 제안한다. 이 모델은 앞면 RGB 이미지와 조향 휠 회전 데이터만을 사용하여 Assetto Corsa에서 시뮬레이션된 자율주행 차량을 훈련시킨다. 조향, 가속도, 브레이킹 예측을 이산 동작 박스에 대한 분류 작업으로 재구성함으로써, 조향에 대해 58%의 정확도와 가속도에 대해 86%의 정확도를 달성하여, 명시적 특징 공학 또는 강화 학습 없이도 복잡한 주행 정책을 엔드 투 엔드로 학습시킬 수 있음을 보여준다.

ABSTRACT

We introduce Ignition: an end-to-end neural network architecture for training unconstrained self-driving vehicles in simulated environments. The model is a ResNet-18 variant, which is fed in images from the front of a simulated F1 car, and outputs optimal labels for steering, throttle, braking. Importantly, we never explicitly train the model to detect road features like the outline of a track or distance to other cars; instead, we illustrate that these latent features can be automatically encapsulated by the network.

연구 동기 및 목표

• 제약 조건이 없는 시뮬레이션 레이싱 환경에서 자율주행 정책을 훈련시키기 위한 확장 가능하고 엔드 투 엔드 지도 학습 프레임워크를 개발하기 위해.
• 가속도와 브레이킹과 같이 극단기(0 또는 1)로 집중되는 다중모달 동작을 학습하는 데에 회귀 기반 모델의 한계를 극복하기 위해.
• 예를 들어 차선 검출 등의 명시적 도로 특징 공학이 필요 없도록 하여, 네트워크가 원시 시각적 및 운동학적 데이터에서 관련 잠재 표현을 암묵적으로 학습하도록 하기 위해.
• 데이터 증강 및 아키텍처 수정을 통해 과적합을 줄이고 시뮬레이션 센서 데이터의 노이즈에 대한 강건성과 일반화 능력을 향상시키기 위해.
• 시뮬레이션 환경에서 더 복잡한 주행 정책을 위한 강력한 초기화로 애자일 학습(imitation learning)의 가능성을 탐색하기 위해.

제안 방법

• 모델는 18개의 잔차 블록을 가진 ResNet-18 아키텍처를 사용하여 압축된 회색조 이미지(320×180)와 조향 휠 회전 데이터로부터 계층적 특징을 학습한다.
• 입력 이미지는 극단적인 압축 및 데이터 증강을 거쳐 전처리되며, 이는 랜덤 제트(±5px), 가우시안 블러, 수평 뒤집기 및 이에 따른 조향 레이블의 역전을 포함한다.
• 행동 공간은 이산화된다: 조향은 36개의 박스(-180°에서 180°까지 10° 간격)로, 가속도는 3개의 클래스(풀 테슬, 풀 브레이크, 네트럴)로 나뉜다.
• 모델는 자동차 코스터에서 수집된 대규모 데이터셋을 사용하여 지도 학습으로 훈련되며, 이 데이터셋은 각 프레임에 대한 참값 행동을 제공한다.
• 손실 분석 및 시각화 지도를 통해 가속도와 브레이킹에서의 성능 저하 원인을 진단하였으며, 이는 회귀 손실이 의미 있는 패턴이 아닌 렌더링 아티팩트를 피팅하고 있음을 확인하였다.
• 최종 아키텍처는 식별 스킵 연결을 활용하여 네트워크가 아키텍처 단순화 상황에서도 유연하게 성능 저하를 견디고 유지할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 명시적 특징 공학 없이도, 시뮬레이션 레이싱 환경에서 엔드 투 엔드 지도 모델이 복잡하고 다중모달 주행 정책(조향, 가속도, 브레이킹)을 학습할 수 있는가?
• RQ2 왜 회귀 기반 모델은 가속도와 브레이킹과 같이 극단기로 집중되는 다중모달 행동을 일반화하지 못하는가?
• RQ3 행동 공간을 분류 작업으로 재구성하면, 극단적 제어 행동에 대한 학습 안정성과 성능 향상에 기여할 수 있는가?
• RQ4 딥 네트워크가 원시 시각적 및 운동학적 입력만으로 도로 및 차량 동역학을 어느 정도 암묵적으로 학습할 수 있는가?
• RQ5 데이터 증강 및 아키텍처 설계 선택(예: ResNet)은 시뮬레이션 자율주행 정책 학습에서 일반화 능력과 노이즈 강건성에 어떤 영향을 미치는가?

주요 결과

• 모델는 합성 데이터셋에서 효과적인 최적화를 보여주는 안정적인 최종 훈련 손실에 수렴하였다.
• 조향 예측 정확도는 58%에 도달하여, 오라클 AI로부터 정규 분포를 띠는 조향 행동을 성공적으로 학습했다는 것을 나타낸다.
• 가속도 분류 정확도는 86%에 도달하여, 이산 분류 접근법이 가속도와 브레이킹과 같은 다중모달 행동에 대해 학습을 크게 향상시켰음을 보여준다.
• 회귀를 사용할 경우 가속도와 브레이킹에 대한 시각화 지도는 노이즈와 구별되지 않아, 모델이 의미 있는 특징이 아닌 렌더링 아티팩트를 피팅하고 있음을 확인하였다.
• 분포 분석 결과, 가속도와 브레이킹은 매우 다중모달적이며(0과 1에서 피크를 이룸) 이는 회귀 모델이 비효율적이며 분류로의 전환을 필수로 한다는 것을 입증하였다.
• 입력의 압축, 데이터 증강, 분류 재구성의 조합이 노이즈에 대한 과적합을 성공적으로 완화하고 시뮬레이션 내 정책의 일반화 능력을 향상시켰다.