[논문 리뷰] Is it Safe to Drive? An Overview of Factors, Challenges, and Datasets for Driveability Assessment in Autonomous Driving

Junyao Guo, Unmesh Kurup외 1명|arXiv (Cornell University)|2018. 11. 27.

Autonomous Vehicle Technology and Safety참고 문헌 111인용 수 14

한 줄 요약

이 논문은 자율주행 차량의 주행성능 평가를 위한 종합적인 프레임워크를 제안한다. 주행 환경 및 행동적 요인, 주행성능 평가 지표의 평가, 45개의 공개 주행 데이터셋에 대한 체계적 리뷰를 통해 주행 안전성에 영향을 미치는 핵심 요소를 규명한다. 복잡하고 위험한 시나리오에서의 데이터 격차를 지적하고, 타겟 데이터 수집, 합성 데이터 증강, 전이 학습을 통해 예측 불가능한 주행 조건에서도 강건한 성능을 확보할 것을 제안한다.

ABSTRACT

With recent advances in learning algorithms and hardware development, autonomous cars have shown promise when operating in structured environments under good driving conditions. However, for complex, cluttered and unseen environments with high uncertainty, autonomous driving systems still frequently demonstrate erroneous or unexpected behaviors, that could lead to catastrophic outcomes. Autonomous vehicles should ideally adapt to driving conditions; while this can be achieved through multiple routes, it would be beneficial as a first step to be able to characterize Driveability in some quantified form. To this end, this paper aims to create a framework for investigating different factors that can impact driveability. Also, one of the main mechanisms to adapt autonomous driving systems to any driving condition is to be able to learn and generalize from representative scenarios. The machine learning algorithms that currently do so learn predominantly in a supervised manner and consequently need sufficient data for robust and efficient learning. Therefore, we also perform a comparative overview of 45 public driving datasets that enable learning and publish this dataset index at https://sites.google.com/view/driveability-survey-datasets. Specifically, we categorize the datasets according to use cases, and highlight the datasets that capture complicated and hazardous driving conditions which can be better used for training robust driving models. Furthermore, by discussions of what driving scenarios are not covered by existing public datasets and what driveability factors need more investigation and data acquisition, this paper aims to encourage both targeted dataset collection and the proposal of novel driveability metrics that enhance the robustness of autonomous cars in adverse environments.

연구 동기 및 목표

• 자율주행 시스템에서 주행성능을 이해하고 정량화하기 위한 통합 프레임워크를 수립하기 위해.
• 장면 안전성에 악영향을 미치고 시스템 장애를 유발하는 주요 환경적 및 행동적 요인을 특정하기 위해.
• 기존 주행성능 지표를 평가하고, 원칙적인 다중 지표 평가 접근법의 필요성을 강조하기 위해.
• 45개의 공개 주행 데이터셋을 비교 분석하여 용도 사례별로 분류하고, 강건한 모델 훈련에 가장 적합한 데이터셋을 식별하기 위해.
• 위험하고 예측 불가능한 주행 시나리오에서의 데이터 격차를 해결하고, 타겟 데이터 확보 및 합성 데이터 사용을 촉진하기 위해.

제안 방법

• 환경 조건(기상, 조도) 및 도로 사용자 행동(보행자, 차량 역학)을 포함한 주행성능 요인의 분류 체계를 수립한다.
• 기존 주행성능 지표를 검토하고 분류하며, 의사결정, 정책 학습, 안전 지ap 맵핑에서의 역할을 강조한다.
• 45개의 공개 주행 데이터셋에 대한 체계적이고 비교적 개괄적 분석을 수행하여, 복잡하고 위험한 시나리오의 커버리지 수준을 평가한다.
• 데이터셋 탐색 및 선택을 지원하기 위해 https://sites.google.com/view/driveability-survey-datasets 에 위치한 데이터셋 인덱스를 제안한다.
• 실제 주행, 시뮬레이션, 합성 데이터 소스를 PEGASUS와 같은 파이프라인을 통해 통합하여 데이터 다양성과 모델 일반화 능력을 향상시킬 것을 제안한다.
• 특히 강화학습과 의미적 표현을 활용한 전이 학습 및 도메인 적응 기법을 통해, 새로운 환경에서의 모델 성능 향상을 위한 전략을 제안한다.

실험 결과

연구 질문

• RQ1 자율주행 시스템에서 주행성능을 떨어뜨리는 주요 환경적 및 행동적 요인은 무엇인가요?
• RQ2 현재 주행성능 지표는 장면 안전성을 정량화하는 데 얼마나 잘 기능하며, 강건한 구현을 위해 어떤 개선이 필요한가요?
• RQ3 복잡하고 위험하거나 드문 주행 시나리오를 가장 잘 반영하는 공개 주행 데이터셋은 무엇인가요?
• RQ4 기존 데이터셋에서 악천후, 도심 혼잡, 동적 상호작용과 관련된 주요 데이터 격차는 무엇인가요?
• RQ5 전이 학습과 합성 데이터를 어떻게 활용하여 예측 불가능한 주행 조건에 대한 모델 일반화 능력을 향상시킬 수 있을까요?

주요 결과

• 논문은 자율주행 차량의 고장이 대부분 복잡하고 비정형적이거나 예측 불가능한 환경에서 발생하며, 이는 높은 불확실성과 관련이 있음을 규명한다.
• 기존 주행성능 지표는 분산되어 있으며 통합된 프레임워크가 부족하며, 대부분 도로 표면이나 물체 통과와 같은 좁은 측면에 집중되어 있다.
• 검토된 45개의 데이터셋 중에서, 시야가 떨어지는 조건, 과도한 운전 행동, 복잡한 도심 상호작용과 같은 고위험 또는 위험한 주행 조건을 반영한 데이터셋은 소수에 불과하다.
• 연구는 악천후, 야간 주행, 예측 불가능한 보행자 행동을 포함한 시나리오에서 심각한 데이터 격차가 있음을 드러냈다. 이러한 요소들은 강건성에 있어 핵심적이다.
• 저자들은 실세계, 시뮬레이션, 합성 데이터를 PEGASUS와 같은 파이프라인을 통해 통합함으로써 훈련 데이터의 다양성과 모델 일반화 능력을 향상시킬 수 있음을 입증한다.
• 전이 학습 및 강화학습 접근법은 새로운 도메인에 정책을 적응시키는 데 잠재력을 보이며, 그러나 최적의 성능을 위해 무엇을, 언제, 어떻게 전이할 것인지에 대한 이해가 더 필요하다.