[논문 리뷰] Rationale-aware Autonomous Driving Policy utilizing Safety Force Field implemented on CARLA Simulator

Ho Suk, Taewoo Kim외 4명|arXiv (Cornell University)|2022. 11. 18.

Autonomous Vehicle Technology and Safety인용 수 4

한 줄 요약

이 논문은 다양한 교통 조건에서 인간과 유사하고 일관된 주행을 가능하게 하기 위해 자가 구현한 안전력장장(Field, SFF) 모델을 CARLA 시뮬레이터와 통합한 이성 인식 자율주행 정책을 제안한다. 깊이 있는 신경망을 통해 차량의 '소유 영역'을 예측하고 안전 잠재력을 계산함으로써, CARLA 오토파ilot 및 RSS 기반 시스템에 비해 뛰어난 안전성과 효율성을 달성하였으며, 높은 공격성 조건에서 1.40회의 도착률과 2,495회의 사고 없는 타임스텝을 기록하였다.

ABSTRACT

Despite the rapid improvement of autonomous driving technology in recent years, automotive manufacturers must resolve liability issues to commercialize autonomous passenger car of SAE J3016 Level 3 or higher. To cope with the product liability law, manufacturers develop autonomous driving systems in compliance with international standards for safety such as ISO 26262 and ISO 21448. Concerning the safety of the intended functionality (SOTIF) requirement in ISO 26262, the driving policy recommends providing an explicit rational basis for maneuver decisions. In this case, mathematical models such as Safety Force Field (SFF) and Responsibility-Sensitive Safety (RSS) which have interpretability on decision, may be suitable. In this work, we implement SFF from scratch to substitute the undisclosed NVIDIA's source code and integrate it with CARLA open-source simulator. Using SFF and CARLA, we present a predictor for claimed sets of vehicles, and based on the predictor, propose an integrated driving policy that consistently operates regardless of safety conditions it encounters while passing through dynamic traffic. The policy does not have a separate plan for each condition, but using safety potential, it aims human-like driving blended in with traffic flow.

연구 동기 및 목표

• SAE 레벨 3+ 자율주행 차량에서의 책임 소재 및 안전성 준수 과제를 해결하기 위해 수학적으로 엄밀하고 해석 가능한 안전 모델을 구현하고자 한다.
• 기존 SFF 구현체가 비공개이자 플랫폼 전용이라는 한계를 극복하기 위해, CARLA와 호환되는 완전한 오픈소스 SFF 구현체를 개발하고자 한다.
• 별도의 '패닉 버튼' 안전 모듈에 의존하지 않고도 안전 및 비안전 교통 조건에서 일관된 주행 정책을 운영할 수 있는 통합 주행 정책을 개발하고자 한다.
• 정책이 안정적인 교통 흐름을 유지하면서도 안전성을 보장함으로써, ISO 21448 SOTIF 요구사항을 충족시키고자 한다.
• 다양한 수준의 교통 공격성 조건에서 CARLA 오토파ilot 및 RSS 기반 시스템과의 비교 실험을 통해 제안된 방법의 타당성을 검증하고자 한다.

제안 방법

• CARLA와의 호환성을 확보하기 위해, 안전력장장(SFF) 모델을 완전히 새로이 구현함으로써 투명성과 오픈소스 프레임워크와의 호환성을 확보한다.
• 차량 상태와 경로를 기반으로 각 차량의 '소유 영역'을 예측하기 위해 깊이 있는 신경망을 훈련시킨다. 이는 안전 계산을 위한 영향 영역을 정의한다.
• 소유 영역을 기반으로 안전 잠재력을 계산하여, 실시간으로 자동차의 안전 수준을 평가하고 동적 의사결정을 가능하게 한다.
• 안전 잠재력을 통합된 주행 정책에 통합하여 별도의 안전/비안전 모드 논리가 필요 없도록 하여 일관된 행동을 보장한다.
• 안전 잠재력을 계획 서브시스템의 핵심 구성 요소로 활용하여, 갑작스러운 간섭 없이 매끄럽고 인간과 유사한 주행을 가능하게 한다.
• 네 가지 수준의 랜덤 차량 공격성 조건을 가진 CARLA 내 제어 실험을 통해 시스템을 검증하며, 도착률과 사고 없는 타임스텝을 측정한다.

실험 결과

연구 질문

• RQ1 자기 구현된 오픈소스 SFF 모델이 기존 비공개 SFF 및 RSS 기반 시스템과 비교해 유사하거나 더 뛰어난 안전성과 효율성을 달성할 수 있는가?
• RQ2 SFF를 핵심 계획 정책에 통합함으로써 별도의 오버라이드로 사용하지 않는 것이 더 매끄럽고 인간과 유사한 주행 행동을 이끌어낼 수 있는가?
• RQ3 학습된 소유 영역 예측기로 인해 기술적 비공개 솔루션에 의존하지 않고도 정확하고 실시간으로 안전 잠재력을 계산할 수 있는가?
• RQ4 교통 공격성이 증가함에 따라 제안된 정책의 성능, 특히 안전성과 효율성 측면에서 어떻게 변화하는가?
• RQ5 통합된 정책이 동적 조건에서 교통 흐름을 얼마나 잘 유지하면서도 SOTIF 요구사항을 준수하는가?

주요 결과

• 고공격성 조건에서 제안된 SFF 기반 주행 정책은 1.40회의 도착률과 2,495회의 사고 없는 타임스텝을 기록하여, CARLA 오토파ilot(0.52회의 도착률, 1,332회의 타임스텝) 및 RSS-CARLA(1.00회의 도착률, 1,886회의 타임스텝)를 모두 초월하였다.
• 모든 공격성 수준에서 일관된 성능을 보였으며, 안전 조건과 비안전 조건에 대해 별도의 안전 논리가 필요 없이 뛰어난 내재성과 견고성을 확보하였다.
• 소유 영역 예측기가 차량의 영향 영역을 성공적으로 추론하여 정확한 안전 잠재력 계산과 실시간 의사결정을 가능하게 하였다.
• 기존의 SFF 오버라이드 아키텍처에 비해 갑작스러운 간섭이 감소하여 교통 흐름이 더 매끄럽고 인간과 유사한 행동을 보였다.
• SFF 구현체가 전문가 모델과 동일한 기능을 수행함을 성능 일치성으로 검증하였으며, 핵심 지표에서 뛰어난 성능을 기록하였다.
• 모든 주행 조작에 대해 수학적으로 설명 가능하고 해석 가능한 안전 이론을 제공함으로써, ISO 21448 SOTIF 요구사항을 충족시켰다.