[논문 리뷰] Supporting Safe Decision Making Through Holistic System-Level Representations & Monitoring - A Summary and Taxonomy of Self-Representation Concepts for Automated Vehicles.

Marcus Nolte, Inga Jatzkowski외 2명|arXiv (Cornell University)|2020. 07. 27.

Advanced Software Engineering Methodologies참고 문헌 26인용 수 16

한 줄 요약

이 논문은 자율주행차에서 자기표현(self-representation)에 대한 공식적인 분류 체계와 정의를 제안하며, 차량의 능력과 상태에 대한 명시적 내부 모델을 통해 통합적 시스템 수준 모니터링이 불확실성 하에서 더 안전하고 적응 가능한 의사결정을 가능하게 한다고 주장한다. 주요 기여는 자기표현이 성능 한계, 임무 목표, 환경 예측을 통합함으로써 실시간 장애 모니터링과 전략적 의사결정을 지원하는 방식을 입증하는 것이다.

ABSTRACT

The market introduction of automated vehicles has motivated intense research efforts into the safety of automated vehicle systems. Unlike driver assistance systems, SAE Level 3+ systems are not only responsible for executing (parts of) the dynamic driving task (DDT), but also for monitoring the automation system's performance at all times. Key components to fulfill these surveillance tasks are system monitors which can assess the system's performance at runtime, e.g. to activate fallback modules in case of partial system failures. In order to implement reasonable monitoring strategies for an automated vehicle, holistic system-level approaches are required, which make use of sophisticated internal system models. In this paper we present definitions and an according taxonomy, subsuming such models as a vehicle's self-representation and highlight the terms' roles in a scene and situation representation. Holistic system-level monitoring does not only provide the possibility to use monitors for the activation of fallbacks. In this paper we argue, why holistic system-level monitoring is a crucial step towards higher levels of automation, and give an example how it also enables the system to react to performance loss at a tactical level by providing input for decision making.

연구 동기 및 목표

• SAE 레벨 3+ 자율주행차에서 신뢰할 수 있는 시스템 운영을 보장하는 데 있어 핵심적인 안전 과제를 해결하기 위해.
• 자율주행 환경에서 자기표현, 자기인식(self-perception), 자율의식(self-awareness)의 개념을 정의하고 공식화하기 위해.
• 차량의 능력과 현재 성능을 포괄하는 시스템 수준 내부 모델의 분류 체계를 수립하기 위해.
• 자기표현이 상황 평가를 향상시키고 적응형, 위험 최소화 의사결정을 지원하는 방식을 입증하기 위해.
• 내부 상태 모델을 의사결정 파이프라인에 통합하여 시스템 모니터링과 고수준 의사결정 간 격차를 메우기 위해.

제안 방법

• 차량의 내부 상태, 능력, 성능 한계에 대한 명시적 런타임 모델로 자기표현을 공식적으로 정의한다.
• 능력 지표, 센서 성능, 임무 목표 등을 포함한 자기표현 구성 요소의 분류 체계를 제안한다.
• 시나리오 기반 접근 방식을 통해 자기표현이 행동 공간 제한 및 행동 예측에 어떻게 기여하는지 설명한다.
• 환경 및 상황 모델과 자기표현을 통합하여 일관된 상황 평가를 가능하게 한다.
• 시뮬레이션과 그래픽 모델링을 활용하여 자기표현이 센서 성능이 열악한 조건에서 의사결정에 어떤 영향을 미치는지 시연한다.
• 다중 차량 교차로 시나리오에 개념을 적용하여 자기표현이 있는 경우와 없는 경우의 의사결정을 비교한다.

실험 결과

연구 질문

• RQ1 자기표현은 자율주행차에서 자기인식이나 자율의식과 어떻게 구별되는가? 이를 공식적으로 정의할 수 있는가?
• RQ2 안전한 시스템 운영을 지원하기 위해 통합적 자기표현에 포함되어야 할 구성 요소와 구조는 무엇인가?
• RQ3 불확실성 또는 센서 성능 저하 조건에서 자기표현은 상황 평가와 의사결정을 어떻게 향상시키는가?
• RQ4 기존의 장애 모니터링을 초월해 자기표현은 사전적 후퇴 및 성능 저하 감지를 어떻게 가능하게 하는가?
• RQ5 임무 목표와 환경 예측과 자기표현을 통합함으로써 전략적 의사결정은 어떻게 향상되는가?

주요 결과

• 자기표현은 차량이 자신의 성능 한계(예: 시야 감소, 센서 성능 저하 등)를 모델링할 수 있게 하며, 이는 직접적으로 의사결정에 영향을 준다.
• 시야가 제한된 상황에서 완전한 자기표현을 갖춘 차량은 안전한 조작(예: 천천히 멈추거나 대기)으로 행동 공간을 제한하지만, 자기표현이 없는 차량은 고위험 조작을 선택할 수 있다.
• 자기표현과 임무 목표의 통합은 조작의 안전성뿐만 아니라 임무 성공 가능성까지 평가할 수 있게 하며, 예를 들어 교차로를 직진 주행하기로 선택하는 것과 같은 의사결정을 가능하게 한다.
• 자기표현은 차량 행동의 예측 시뮬레이션을 지원하여, 실행 이전에 잠재적 조작의 안전성과 효용성을 평가할 수 있도록 한다.
• 통합적 자기표현은 일관된 상황 평가에 필수적이며, 환경 데이터와 임무 목표를 해석하는 데 필요한 맥락을 제공한다.
• 논문은 자기표현이 후퇴 활성화에만 유용한 것이 아니라, 전략 수준에서 적응형, 위험 최소화 의사결정을 가능하게 하는 데 핵심적이라는 점을 시연한다.