[논문 리뷰] SUMMIT: A Simulator for Urban Driving in Massive Mixed Traffic

Panpan Cai, Yiyuan Lee외 2명|arXiv (Cornell University)|2019. 11. 11.

Autonomous Vehicle Technology and Safety참고 문헌 32인용 수 8

한 줄 요약

SUMMIT는 실제 OpenStreetMap 데이터와 물리적 정확도가 높은 CARLA 백엔드를 사용하여 밀도가 높고 규제되지 않은 혼합 교통 환경에서 도시 자율 주행을 위한 고정밀도, 오픈소스 시뮬레이터입니다. 이는 차량, 자전거, 보행자 등 이질적인 에이전트의 맥락 인식 행동 모델링을 통해 현실적이고 상호작용 가능한 시뮬레이션을 가능하게 하며, 속도, 혼잡도, 충돌 빈도와 같은 정량적 지표를 통해 기준 계획기 대비 뛰어난 교통 효율성과 안전성을 확보합니다.

ABSTRACT

Autonomous driving in an unregulated urban crowd is an outstanding challenge, especially, in the presence of many aggressive, high-speed traffic participants. This paper presents SUMMIT, a high-fidelity simulator that facilitates the development and testing of crowd-driving algorithms. By leveraging the open-source OpenStreetMap map database and a heterogeneous multi-agent motion prediction model developed in our earlier work, SUMMIT simulates dense, unregulated urban traffic for heterogeneous agents at any worldwide locations that OpenStreetMap supports. SUMMIT is built as an extension of CARLA and inherits from it the physics and visual realism for autonomous driving simulation. SUMMIT supports a wide range of applications, including perception, vehicle control and planning, and end-to-end learning. We provide a context-aware planner together with benchmark scenarios and show that SUMMIT generates complex, realistic traffic behaviors in challenging crowd-driving settings.

연구 동기 및 목표

• 밀도가 높고 규제되지 않은 도시 교통 환경에서 이질적인 에이전트를 포함한 고정밀도, 상호작용 가능한 시뮬레이터의 부족을 해결하기 위해.
• 특히 규제되지 않은 도로 규칙이 존재하는 개발이 덜 된 지역에서 관찰되는 복잡하고 혼란스러운 교통 행동을 현실적으로 시뮬레이션하기 위해.
• 자율주행차의 인식, 제어, 계획 및 엔드 투 엔드 학습을 지원하는 확장 가능하고 스케일링 가능한 시뮬레이션 플랫폼을 제공하기 위해.
• 불확실한 인간의 의도와 운전 유형을 명시적으로 모델링하는 맥락 인식 계획기 Context-POMDP를 개발하고 검증하여, 높이 상호작용적이며 예측 불가능한 교통 환경에서 안전하고 효율적이며 매끄러운 주행을 가능하게 하기 위해.

제안 방법

• SUMMIT은 복잡한 레이아웃(원형 교차로, 교차로, 다중 차선 도로 등)을 가진 실제 도시 지도를 자동으로 생성하기 위해 OpenStreetMap 데이터를 통합합니다.
• 고정밀도 물리 모델, 센서 모델, 시각적 현실감을 유지하기 위해 CARLA를 확장하여 자율주행차의 사진 수준의 현실감 있는 시뮬레이션을 가능하게 합니다.
• 공격적, 보수적, 산만한 운전 유형을 포함한 다양한 에이전트 행동을 시뮬레이션하기 위해 이질적인 다중 에이전트 운동 예측 모델을 사용합니다.
• 도로의 토폴로지적 및 기하학적 맥락을 기반으로 교통 에이전트를 안내하여 양보, 차선 변경, 원형 교차로 주행과 같은 현실적인 맥락 기반 행동을 생성합니다.
• Context-POMDP 계획기는 인간의 의도와 운전 유형에 대한 불확실성을 명시적으로 모델링하며, 부분 관측을 통해 상호작용과 장기적 안전성에 대해 추론합니다.
• 외부 통합을 위한 파이썬 기반 API를 지원하여 인식, 제어, 계획 및 엔드 투 엔드 학습 파이프라인에 쉽게 통합할 수 있습니다.

실험 결과

연구 질문

• RQ1 OpenStreetMap가 지원하는 위치에서 어떤 곳이든 고정밀도, 상호작용 가능하고 현실적인 혼합 교통 도시 주행 시나리오를 생성할 수 있는가?
• RQ2 맥락 인식 계획 모델은 안전성, 효율성, 매끄러움 측면에서 반응형 또는 규칙 기반 계획기와 비교해 어떻게 성능을 발휘하는가?
• RQ3 최적화 기반 행동 모델링이 규제되지 않은 도시 환경에서 교통 흐름을 향상시키고 혼잡도를 감소시키는 데 얼마나 기여하는가?
• RQ4 Context-POMDP 계획기는 복잡하고 고밀도의 교통 환경에서 공격성과 보수성의 균형을 얼마나 잘 유지하는가?
• RQ5 최대 400명의 이질적 에이전트를 실시간으로 시뮬레이션할 때의 확장성과 계산 효율성은 어떠한가?

주요 결과

• SUMMIT 내 행동 모델인 Context-GAMMA는 평균 속도 5.53 m/s, 단위 스텝당 충돌률 0.002를 기록하여 속도와 안전성 측면에서 롤아웃 기준 모델을 뛰어넘었습니다.
• TTC 제어 교통에서 혼잡도 요소는 시간이 지남에 따라 급격히 증가하여 좌절된 협력이 나타났지만, Context-GAMMA는 모든 에이전트 유형에서 낮은 혼잡도와 높은 속도를 유지했습니다.
• SUMMIT 시뮬레이션은 에이전트 수에 따라 효율적으로 확장되었으며, 소비자용 랩탑(i7-9750H, RTX 2060)에서도 400명의 에이전트에서 7.1 Hz를 유지했고, 업데이트 시간이 거의 선형적으로 증가했습니다.
• Context-POMDP는 평균 속도 4.53 m/s, 단위 스텝당 충돌률 0.00069를 기록하여 공격적인 Context-GAMMA(0.002 충돌률)와 보수적인 롤아웃 기준 모델(2.1 m/s 속도)을 모두 초월했습니다.
• 시뮬레이터가 Meskel-Intersection와 Magic-Roundabout와 같은 벤치마크 시나리오에서 복잡하고 현실적인 교통 행동을 성공적으로 생성하여 실제 도시의 혼란스러운 동역학을 밀도 있게 반영했습니다.
• Context-POMDP 계획기는 장기적이고 맥락 인식 계획이 예측 불가능한 혼합 교통 환경에서 안전성과 효율성의 균형을 잘 맞추며 주행 성능을 크게 향상시킨다는 점을 입증했습니다.