[논문 리뷰] Learning Accurate, Comfortable and Human-like Driving

Simon Hecker, Dengxin Dai외 1명|arXiv (Cornell University)|2019. 03. 26.

Autonomous Vehicle Technology and Safety참고 문헌 49인용 수 20

한 줄 요약

이 논문은 고정밀 지ap 데이터, 시퀀스 기반 학습, 그리고 적대적 훈련을 활용하여 정확도, 승객의 편안함, 인간다운 주행 성질을 동시에 최적화함으로써 자율주행을 향상시키는 엔드 투 엔드 딥 러닝 프레임워크를 제안한다. 이 모델은 드라이브360 데이터셋에서 이전 방법들보다 정확도, 주행 편안함, 인간다운 주행 행동에서 뛰어난 성능을 달성한다.

ABSTRACT

Autonomous vehicles are more likely to be accepted if they drive accurately, comfortably, but also similar to how human drivers would. This is especially true when autonomous and human-driven vehicles need to share the same road. The main research focus thus far, however, is still on improving driving accuracy only. This paper formalizes the three concerns with the aim of accurate, comfortable and human-like driving. Three contributions are made in this paper. First, numerical map data from HERE Technologies are employed for more accurate driving; a set of map features which are believed to be relevant to driving are engineered to navigate better. Second, the learning procedure is improved from a pointwise prediction to a sequence-based prediction and passengers' comfort measures are embedded into the learning algorithm. Finally, we take advantage of the advances in adversary learning to learn human-like driving; specifically, the standard L1 or L2 loss is augmented by an adversary loss which is based on a discriminator trained to distinguish between human driving and machine driving. Our model is trained and evaluated on the Drive360 dataset, which features 60 hours and 3000 km of real-world driving data. Extensive experiments show that our driving model is more accurate, more comfortable and behaves more like a human driver than previous methods. The resources of this work will be released on the project page.

연구 동기 및 목표

• 자율주행에서 세 가지 핵심 목표인 정확도, 승객의 편안함, 인간다운 성질을 체계화하고 통합한다.
• HERE 테크놀로지스에서 제공하는 고정밀 수치 지도 데이터를 활용하여 주행 결정보와 관련된 지도 특징을 공학적으로 설계함으로써 주행 정확도를 향상시킨다.
• 주행을 시퀀스 기반 예측 작업으로 모델링하고 손실 함수에 縦방향 및 횡방향 진동 최소화를 통합함으로써 승객의 편안함을 향상시킨다.
• 인간 주행과 기계 주행을 구분할 수 있도록 훈련된 판별기(discriminator)를 도입함으로써 적대적 손실을 도입하여 인간다운 주행 행동을 유도한다.
• 실세계 주행 데이터셋에서 통합 프레임워크를 평가하고, 이전 방법들보다 세 가지 차원에서 모두 뛰어난 성능을 입증한다.

제안 방법

• 모델은 HERE 테크놀로지스에서 제공하는 고해상도 수치 지도 데이터를 사용하여 도로 유형, 속도 제한, 신호등, 횡단보도, 교차로 기하학적 구조 등 주행과 관련된 특징을 추출한다.
• 시퀀스 기반 학습 접근법은 점별 회귀를 대체하여 조향 및 속도 예측의 시간적 의존성을 모델링함으로써 부드러움과 편안함을 향상시킨다.
• 승객의 편안함은 종방향 및 횡방향 가속도 진동 최소화를 포함한 손실 함수를 통해 통합되며, 이는 운동병 위험 감소에 기여한다.
• 적대적 훈련 구성 요소는 인간 운전자 또는 학습된 모델에서 유래한 주행 궤적을 구분할 수 있도록 훈련된 판별기 네트워크를 도입하며, 생성기(generator)는 이를 속이도록 훈련된다.
• 전체 훈련 목표는 세 가지 손실의 조합으로 이루어지며, 정확도를 위한 표준 회귀 손실, 편안함을 위한 편안함 손실, 인간다운 성질을 위한 적대적 손실을 포함한다.
• 프레임워크는 60시간, 3,000km의 실세계 주행 데이터와 풍부한 센서 및 지도 애너테이션을 포함하는 드라이브360 데이터셋에서 훈련 및 평가된다.

실험 결과

연구 질문

• RQ1 고정밀 지도 데이터는 엔드 투 엔드 주행 모델의 정확도와 내구성에 상당한 영향을 미칠 수 있는가?
• RQ2 편안함을 고려한 시퀀스 기반 학습과 손실 함수는 점별 회귀에 비해 주행 품질과 승객의 운동병 위험에 어떤 영향을 미치는가?
• RQ3 명시적인 인간 주행 시범을 모방하지 않고도 적대적 훈련을 통해 얼마나 인간다운 주행 행동을 학습할 수 있는가?
• RQ4 통합된 학습 프레임워크는 하나의 엔드 투 엔드 모델에서 주행 정확도, 승객의 편안함, 인간다운 성질을 동시에 최적화할 수 있는가?
• RQ5 현재 주행 모델은 도전적인 도로 환경에서 어떤 실패 유형을 보이며, 지도 기반 특징 공학은 성능 진단과 향상에 어떻게 기여할 수 있는가?

주요 결과

• HERE에서 제공하는 지도 특징의 통합은 복잡한 주행 동작(예: 차선 변경, 회전)에서 주행 정확도를 크게 향상시켰으며, 정성적 비교를 통해 이를 입증했다.
• 시퀀스 기반 학습 접근법은 종방향 및 횡방향 진동을 감소시켜 보다 매끄러운 주행 궤적을 생성하였으며, 이는 승객의 불편 감소와 관련이 있었다.
• 적대적 손실 구성 요소는 판별기가 인간 주행과 기계 주행을 구분하기 어려울 정도로 모델이 인간 주행 패턴을 모방하도록 유도하여 인간다운 성질을 향상시켰다.
• 오류 진단 결과, 모델은 교차로나 굽이진 도로와 같은 고복잡도 환경에서 성능이 떨어지는 경향을 보였으며, 향후 개선이 필요한 영역으로 드러났다.
• 정량적 평가에서 제안된 모델은 모든 세 가지 지표에서 이전 방법들을 능가하는 성능을 보였다: 낮은 조향 및 속도 예측 오차, 감소한 진동 진폭, 높은 인간다운 성질 점수.
• 모델은 새로운 도로 특성에 대해 뛰어난 일반화 성능을 보였으며, 정규화된 오차율은 속도 제한, 도로 유형, 교차로 유형에 관계없이 일관된 성능을 보였다.