[논문 리뷰] Integrating Planning and Interpretable Goal Recognition for Autonomous Driving.

Stefano V. Albrecht, Cillian Brewitt외 4명|arXiv (Cornell University)|2020. 02. 06.

Autonomous Vehicle Technology and Safety참고 문헌 26인용 수 4

한 줄 요약

이 논문은 도심 주행 환경에서 자율주행 차량의 계획 수립과 해석 가능한 목표 인식 시스템을 통합적으로 제안한다. 이는 타 차량의 목표를 추론하기 위해 합리적 역계획(rationaI inverse planning)을 사용하고, 자동차의 자기 차량을 위한 근사 최적의 설명 가능한 주행 조작을 생성하기 위해 몬테카를로 트리 탐색(Monte Carlo Tree Search, MCTS)을 활용한다. 공통된 정의된 주행 조작 집합을 공유함으로써, 계획의 합리성과 도심 주행 시나리오에서 예측 및 결정에 대한 직관적인 설명을 보장한다.

ABSTRACT

The ability to predict the intentions and driving trajectories of other vehicles is a key problem for autonomous driving. We propose an integrated planning and prediction system which leverages the computational benefit of using a finite space of maneuvers, and extend the approach to planning and prediction of sequences (plans) of maneuvers via rational inverse planning to recognise the goals of other vehicles. Goal recognition informs a Monte Carlo Tree Search (MCTS) algorithm to plan optimal maneuvers for the ego vehicle. Inverse planning and MCTS utilise a shared set of defined maneuvers to construct plans which are explainable by means of rationality, i.e. plans are optimal in given metrics. Evaluation in simulations of four urban driving scenarios demonstrate the system's ability to robustly recognise the goals of other vehicles while generating near-optimal plans. In each scenario we extract intuitive explanations for the recognised goals and maneuver predictions which justify the system's decisions.

연구 동기 및 목표

• 자율주행에서 타 차량의 의도 및 궤적 예측을 향상시키기 위해 계획 수립과 목표 인식을 통합한다.
• 주변 에이전트의 추론된 목표를 바탕으로 자동차의 자기 차량을 위한 설명 가능하고 합리적인 주행 조작을 생성하는 과제를 해결한다.
• 계획과 예측 간 공통 주행 조작 공간을 활용해, 복잡한 도심 주행 시나리오에서의 강력한 목표 인식을 가능하게 한다.
• 역계획을 통해 예측 및 자기 차량의 결정에 대한 직관적이고 합리적인 설명을 제공한다.
• 모의 환경에서 근사 최적의 계획을 생성하면서도 해석 가능성을 유지하는 시스템의 성능을 평가한다.

제안 방법

• 계획과 예측의 기초로 유한한 수의 사전 정의된 주행 조작을 사용하여 일관성과 해석 가능성을 확보한다.
• 관측된 주행 조작이 최적일 것이라 가정할 때 가장 가능성 높은 목표를 식별함으로써, 타 차량의 목표를 합리적 역계획으로 추론한다.
• 목표 인식 결과를 몬테카를로 트리 탐색(MCTS) 프레임워크에 통합하여 자기 차량의 최적 주행 조작을 계획한다.
• 정의된 지표를 최적화함으로써 모든 계획이 합리적이게 하여, 최적성에 기반한 설명 가능한 시스템 결정을 확보한다.
• 주행 조작의 시퀀스로 계획을 구성함으로써 단일 행동이 아닌 복잡한 행동 시퀀스의 예측이 가능해진다.
• 역계획과 MCTS 간 공통 표현을 사용하여 일관성 유지 및 계산 오버헤드 감소를 도모한다.

실험 결과

연구 질문

• RQ1 합리적 역계획은 다양한 도심 주행 시나리오에서 타 차량의 목표를 효과적으로 인식할 수 있는가?
• RQ2 목표 인식을 활용해 타 차량의 주행 조작 시퀀스를 얼마나 잘 예측할 수 있는가?
• RQ3 목표 인식을 MCTS와 통합함으로써 자기 차량 계획의 최적성과 해석 가능성은 어느 정도 향상되는가?
• RQ4 시스템은 복잡한 교통 환경에서 자신의 예측 및 결정에 대해 직관적이고 합리적인 설명을 생성할 수 있는가?
• RQ5 다양한 모의 도심 주행 시나리오에서 시스템은 성능을 유지하는 데 얼마나 강력한가?

주요 결과

• 시스템은 네 가지의 상이한 도심 주행 시나리오에서 타 차량의 목표를 높은 강도로 성공적으로 인식하였다.
• 타 차량의 예측된 주행 조작 시퀀스는 관측된 행동과 일치하며 합리성에 기반한다.
• 모의 환경에서 검증된 linu, 시스템은 MCTS를 통해 인식된 목표를 활용해 자기 차량이 근사 최적의 계획을 수립하였다.
• 시스템은 목표 인식과 주행 조작 계획 결정에 대해 직관적이고 인간이 읽을 수 있는 설명을 생성한다.
• 공통 주행 조작 공간을 활용한 역계획과 MCTS의 통합은 계획 품질을 희생시키지 않은 채 해석 가능성을 향상시켰다.
• 이러한 접근은 다양한 도심 시나리오에서 뛰어난 성능을 보이며 일반화 가능성을 시사한다.