[논문 리뷰] Reimagining an autonomous vehicle

Jeffrey Hawke, E Haibo외 2명|arXiv (Cornell University)|2021. 08. 12.

Autonomous Vehicle Technology and Safety참고 문헌 44인용 수 5

한 줄 요약

이 논문은 엔드 투 엔드 기계학습 기반으로 자율주행을 근본적으로 재고하는 AV2.0을 제안하며, 기존의 모듈러 아키텍처(_AV1.0_)가 일반화 및 확장성 측면에서 열악하다고 주장한다. 학습된 의사결정 시스템이 원시 센서 입력을 직접 제어 동작으로 매핑함으로써 데이터 기반, 해석 가능하고 이식 가능한 표현을 통해 새로운 시나리오에 대한 강건한 일반화를 가능하게 한다.

ABSTRACT

The self driving challenge in 2021 is this century's technological equivalent of the space race, and is now entering the second major decade of development. Solving the technology will create social change which parallels the invention of the automobile itself. Today's autonomous driving technology is laudable, though rooted in decisions made a decade ago. We argue that a rethink is required, reconsidering the autonomous vehicle (AV) problem in the light of the body of knowledge that has been gained since the DARPA challenges which seeded the industry. What does AV2.0 look like? We present an alternative vision: a recipe for driving with machine learning, and grand challenges for research in driving.

연구 동기 및 목표

• 저자들이 광범위한 배포의 주요 장벽으로 간주하는 자율주행 기술의 지속적인 확장성 문제를 해결하기 위해.
• 현재의 AV1.0 시스템—수작업으로 구성된 구성 요소와 모듈러 파이프라인 기반—이 복잡하고 새로운 환경에서 파손되기 쉬우며 일반화 능력이 떨어진다고 주장하기 위해.
• 인식, 예측, 계획을 하나의 미분 가능한 정책 네트워크로 통합하는 통합적, 엔드 투 엔드 기계학습 기반 아키텍처인 AV2.0을 제안하기 위해.
• 안전하고 일반화 가능하며 이식 가능한 주행 정책을 가능하게 하기 위해 해석 가능하고 분리 가능한 표현 및 오프-폴리시 학습에 대한 연구가 필요하다고 강조하기 위해.
• 진행을 가속화하기 위해 오픈 데이터 공유, 개선된 시뮬레이터, 학계와 산업 간의 강력한 협력을 촉구하기 위해.

제안 방법

• 원시 센서 입력(예: 카메라, LiDAR)을 딥 네트워크를 통해 직접 제어 동작으로 매핑하는 엔드 투 엔드, 데이터 기반 정책 학습 프레임워크를 채택하기 위해.
• 다양하고 실제 주행 경험(희귀 및 극단적 사례 포함)에서 학습할 수 있도록 데이터 효율성을 극대화하는 오프-폴리시 학습의 활용을 강조하기 위해.
• 모델의 투명성을 향상시켜 더 나은 검증과 장애 분석을 가능하게 하기 위해 분리 가능하고 해석 가능한 표현의 개념을 도입하기 위해.
• 다양한 글로벌 주행 조건과 극단적 사례에서 주행 정책을 벤치마킹하고 검증하기 위한 통합 시뮬레이터 환경을 제안하기 위해.
• 학습된 정책을 보완하기 위해 특정 장애 모드를 탐지하고 완화하는 부가적인 해석 가능한 모듈을 통합하여 안전 보장을 실현하기 위해.
• 동적으로 변화하는 사회적 기대와 규제 요구사항(예: 동적 뒷거리 거리)에 적응할 수 있도록 보상 형태를 조정하는 메커니즘을 설계하여 장기적인 정책 적응을 인간 감독 없이 가능하게 하기 위해.

실험 결과

연구 질문

• RQ1 수작업으로 구성된 세계 표현에 의존하지 않고도 자율주행 시스템이 새로운 주행 시나리오에 대해 강건하게 일반화할 수 있는 방법은 무엇인가?
• RQ2 기존의 모듈러 파이프라인을 초월해 확장 가능하고 안전하며 이식 가능한 의사결정을 가능하게 하는 아키텍처 및 학습 프레임워크는 무엇인가?
• RQ3 해석 가능하고 분리 가능한 표현이 학습된 주행 정책의 검증 가능성과 안전성에 얼마나 기여하는가?
• RQ4 오프-폴리시 학습과 커리큘럼 데이터 전략은 실제 배포에서 데이터 효율성과 성능을 어떻게 향상시킬 수 있는가?
• RQ5 적응형 보상 형태는 자율주행 차량이 변화하는 규제와 사회적 기대에 따라 진화하는 데 어떤 역할을 할 수 있는가?

주요 결과

• 기존의 AV1.0 시스템은 파손되기 쉬운 수작업으로 구성된 표현과 모듈러 구성 요소로 인해 새로운 또는 복잡한 주행 시나리오에 일반화하지 못한다.
• 엔드 투 엔드로 학습된 정책는 표현이 분리되고 이식 가능할 경우, 재훈련 최소화로 새로운 환경과 주행 조건에 일반화할 수 있다.
• 해석 가능한 표현은 더 나은 검증과 장애 분석을 가능하게 하여 학습된 주행 시스템의 안전 임플리먼테이션을 지원한다.
• 오프-폴리시 학습은 데이터 효율성을 크게 향상시켜 대규모이고 다양한 실제 주행 데이터에서 효과적인 정책 학습을 가능하게 한다.
• 해석 가능한 장애 감지기와 같은 안전 핵심 구성 요소를 딥 러닝 정책과 함께 통합하면 강건성과 규정 준수를 확보할 수 있다.
• 오픈 데이터 공유, 통합 시뮬레이터, 학계와 산업 간 협력은 확장 가능하고 일반화 가능한 자율주행 기술로의 진전을 가속화하는 데 필수적이다.