[논문 리뷰] Longitudinal Motion Planning for Autonomous Vehicles and Its Impact on Congestion: A Survey

Hao Zhou, Jorge Laval|arXiv (Cornell University)|2019. 10. 02.

Traffic control and management참고 문헌 49인용 수 7

한 줄 요약

이 종합 검토는 자율주행차에서 기계학습 기반 종방향 운동 계획(mMP)과 교통 혼잡에 미치는 영향을 분석한다. 데이터, 모델, 학습 방법을 평가하며, 기술적 진보에도 불구하고 산업에서 행동 클로닝의 의존도가 높다는 점을 드러내고, 혼잡 상황 데이터 부족과 스트링 안정성 문제를 밝혀내며, mMP가 장기적인 속도 예측에서 전통적인 차량 추종 모델보다 뛰어난 성능을 보임을 확인한다.

ABSTRACT

This paper reviews machine learning methods for the motion planning of autonomous vehicles (AVs), with exclusive focus on the longitudinal behaviors and their impact on traffic congestion. An extensive survey of training data, model input/output, and learning methods for machine learning longitudinal motion planning (mMP) is first presented. Each of those major components is discussed and evaluated from the perspective of congestion impact. The emerging technologies adopted by leading AV giants like Waymo and Tesla are highlighted in our review. We find that: i) the AV industry has been focusing on the long tail problem caused by corner errors threatening driving safety, ii) none of the existing public datasets provides sufficient data under congestion scenarios, and iii) although alternative and more advanced learning methods are available in literature, the major mMP method adopted by industry is still behavior cloning (BC). The study also surveys the connections between mMP and traditional car-following (CF) models, and it reveals that: i) the model equivalence only exists in simple settings, ii) studies have shown mMP can significantly outperform CF models in long-term speed prediction, and iii) mMP's string stability remains intractable yet, which can only be analyzed by model approximation followed with numerical simulations. Future research needs are also identified in the end.

연구 동기 및 목표

• 기계학습 기반 종방향 운동 계획(mMP)이 자율주행차의 교통 혼잡에 미치는 영향을 분석하는 것.
• 혼잡 영향을 고려한 mMP에서 사용된 학습 데이터, 모델 입력/출력, 학습 방법을 평가하는 것.
• 현재 공개 데이터셋의 기술적 격차를 특정하여, 특히 혼잡 상황에서의 데이터 부족을 밝혀내는 것.
• mMP와 전통적인 차량 추종(CF) 모델 간 성능 및 안정성 측면에서의 비교.
• 산업 현장의 관행(예: Waymo, Tesla)을 강조하고, 혼잡 완화를 위한 향후 mMP 연구 필요성을 규명하는 것.

제안 방법

• 자율주행차에서 종방향 운동 계획(mMP)을 위한 기계학습 방법에 대한 종합적 검토 수행.
• mMP 구성 요소를 분류하고 평가: 학습 데이터, 입력/출력 설계, 학습 알고리즘(예: 행동 클로닝, 이터레이션 학습 등).
• 단순 조건 하에서 mMP와 고전적 차량 추종(CF) 모델 간 등가성을 분석.
• 모델 근사화와 수치 시뮬레이션을 활용해 mMP의 장기적 속도 예측 성능 평가.
• 모델 근사화와 시뮬레이션 기반 분석을 통해 mMP의 스트링 안정성 평가.
• Waymo, Tesla와 같은 선도 AV 기업에서 사용하는 신기술을 조사하여 산업 적용 추세를 정량화.

실험 결과

연구 질문

• RQ1 다양한 종방향 운동 계획을 위한 기계학습 방법이 교통 혼잡에 어떻게 영향을 미치는가?
• RQ2 기존 공개 데이터셋이 mMP 학습에 필요한 혼잡 관련 주행 시나리오를 얼마나 잘 포괄하고 있는가?
• RQ3 보다 고도화된 학습 방법이 존재하는 바에도 불구하고 산업에서 왜 여전히 행동 클로닝이 주로 사용되는가?
• RQ4 mMP가 장기적 속도 예측에서 전통적인 차량 추종 모델보다 어떻게 뛰어나게 되는가?
• RQ5 mMP에서 스트링 안정성을 확보하는 데 있어 도전 과제는 무엇이며, 어떻게 분석할 수 있는가?

주요 결과

• 자율주행차 산업은 안전성을 높이기 위해 극단적인 케이스(롱테일 문제)를 해결하는 데 초점을 맞추며, 이로 인해 혼잡 인식 설계가 희생되기 쉬운 경향이 있다.
• 현재 존재하는 공개 데이터셋 중 어느 것도 혼잡 상황에서 mMP 모델을 학습하기에 충분한 데이터를 제공하지 않아 심각한 데이터 격차가 존재한다.
• 학습 방법의 진보에도 불구하고 산업 현장에서는 여전히 행동 클로닝이 주요 기술로 사용되고 있어, 연구와 실무 간 격차가 존재함을 시사한다.
• mMP는 장기적 속도 예측에서 전통적인 차량 추종 모델보다 뚜렷이 뛰어나며, 이는 더 뛰어난 동역학 모델링 능력을 지니고 있음을 시사한다.
• mMP의 스트링 안정성은 분석적으로 해결하기 어려우며, 모델 근사화와 수치 시뮬레이션을 통해서만 평가할 수 있다.
• mMP와 CF 모델 간의 모델 등가성은 단순한 설정에 국한되어 있으며, 이는 행동 표현 및 동역학 측면에서 근본적인 차이가 있음을 나타낸다.