[논문 리뷰] Motion Planning for Autonomous Driving: The State of the Art and Future Perspectives

Siyu Teng, Xuemin Hu외 9명|arXiv (Cornell University)|2023. 03. 17.

Robotic Path Planning Algorithms인용 수 11

한 줄 요약

자율주행 모션 플래닝의 포괄적 조사로, 파이프라인과 엔드-투-엔드 접근 방식의 대조, 도전과제, 데이터셋, 플랫폼, 향후 방향 제시.

ABSTRACT

Intelligent vehicles (IVs) have gained worldwide attention due to their increased convenience, safety advantages, and potential commercial value. Despite predictions of commercial deployment by 2025, implementation remains limited to small-scale validation, with precise tracking controllers and motion planners being essential prerequisites for IVs. This paper reviews state-of-the-art motion planning methods for IVs, including pipeline planning and end-to-end planning methods. The study examines the selection, expansion, and optimization operations in a pipeline method, while it investigates training approaches and validation scenarios for driving tasks in end-to-end methods. Experimental platforms are reviewed to assist readers in choosing suitable training and validation strategies. A side-by-side comparison of the methods is provided to highlight their strengths and limitations, aiding system-level design choices. Current challenges and future perspectives are also discussed in this survey.

연구 동기 및 목표

• 자율주행 모션 플래닝 방법을 파이프라인 및 엔드-투-엔드 프레임워크로 분류하고 분석한다.
• 파이프라인 플래닝의 확장 및 최적화, 엔드-투-엔드 플래닝의 학습, 검증, 배치에서의 확장 및 최적화를 검토한다.
• 방법 선택을 안내하기 위해 실험 플랫폼, 데이터셋 및 검증 시나리오를 조사한다.
• 시스템 설계에 대한 강점, 한계 및 적용 가능성의 병렬 비교를 제공한다.
• 지능형 차량의 배치를 진전시키기 위한 현재의 도전과제와 향후 방향을 논의한다.

제안 방법

• 전역 경로 계획과 로컬 궤적 계획을 포함한 파이프라인 플래닝을 검토하고, 확장 및 최적화 메커니즘(상태 격자 식별, 원시 요소 생성 등)에 초점을 맞춘다.
• 학습 방식별로 분류된 엔드-투-엔드 플래닝 방법을 조사한다: 모방 학습, 강화 학습, 및 병렬 계획.
• 엔드-투-엔드 모델의 학습 전략, 일반화, 강인성, 배포 측면을 분석한다.
• 개발 및 검증에 사용되는 데이터셋, 시뮬레이션 플랫폼, 물리적 플랫폼을 요약한다.
• 파이프라인 대 엔드-투-엔드 프레임워크의 강점과 한계를 강조하는 병렬 비교를 제공한다.

실험 결과

연구 질문

• RQ1 자율주행을 위한 파이프라인 대 엔드-투-엔드 모션 플래닝의 주요 차이점, 장점 및 단점은 무엇인가?
• RQ2 현재의 모방 학습, 강화 학습, 및 병렬 계획 접근 방식은 운전 작업과 시나리오에 걸쳐 어떻게 성능을 발휘하고 일반화되는가?
• RQ3 IV 모션 플래닝 방법의 개발을 지원하는 데이터셋, 시뮬레이션 플랫폼 및 실제 검증 전략은 무엇인가?
• RQ4 신뢰할 수 있고 안전하며 확장 가능한 자율주행 시스템을 가능하게 하는 주요 도전과제와 향후 방향은 무엇인가?

주요 결과

• 파이프라인 플래닝은 해석가능성과 모듈화를 제공하지만, 손으로 설계된 구성요소로 인해 일반화 및 강인성이 최적이 아닐 수 있다.
• 엔드-투-엔드 플래닝은 작업 특화 표현 학습으로 일반화 및 강인성을 향상시킬 수 있지만 해석 가능성 및 검증 문제에 직면한다.
• 가상-현실 상호작용 학습을 통해 엔드-투-엔드 플래닝을 강화하기 위해 병렬 계획이라는 새로운 범주가 도입된다.
• 광범위한 데이터셋, 시뮬레이션 플랫폼, 반개방형 실세계 시나리오가 IV 모션 플래닝의 발전을 지원하지만, 시뮬레이션-실제 간 격차를 메우는 일은 여전히 중요하다.
• 현재의 도전과제로는 인식 신뢰성, 적대적 공격에 대한 안전성, 데이터셋-현실 이전, 배치를 위한 거버넌스 고려사항이 포함된다.