[논문 리뷰] A Data Driven Approach for Motion Planning of Autonomous Driving Under Complex Scenario.

Chenyang Xi, Tianyu Shi외 1명|arXiv (Cornell University)|2019. 04. 18.

Robotic Path Planning Algorithms인용 수 3

한 줄 요약

이 논문은 자율주행을 위한 학습 기반 운동 계획 프레임워크를 제안하며, 최적의 차선 변경 경로 생성을 위한 혼합정수이차계획법(MIQP)과 빠른 의사결정을 위한 계층적 지도학습 모델을 결합한다. 이 방법은 기존의 샘플링 및 최적화 기반 방법에 비해 뛰어난 최적성, 실시간 효율성, 일반화 능력을 달성하며 실험에서 여러 베이스라인을 능가한다.

ABSTRACT

Intelligent motion planning is one of the core components in automated vehicles, which has received extensive interests. Traditional motion planning methods suffer from several drawbacks in terms of optimality, efficiency and generalization capability. Sampling based methods cannot guarantee the optimality of the generated trajectories. Whereas the optimization-based methods are not able to perform motion planning in real-time, and limited by the simplified formalization. In this work, we propose a learning-based approach to handle those shortcomings. Mixed Integer Quadratic Problem based optimization (MIQP) is used to generate the optimal lane-change trajectories which served as the training dataset for learning-based action generation algorithms. A hierarchical supervised learning model is devised to make the fast lane-change decision. Numerous experiments have been conducted to evaluate the optimality, efficiency, and generalization capability of the proposed approach. The experimental results indicate that the proposed model outperforms several commonly used motion planning baselines.

연구 동기 및 목표

• 복잡한 주행 상황에서 기존 운동 계획 방법의 최적성, 실시간 성능, 일반화 능력의 한계를 해결한다.
• 샘플링 기반 방법의 부분 최적성과 최적화 기반 접근법의 계산 비효율성을 극복한다.
• 고품질의 최적 경로를 학습 데이터로 활용하여 빠르고 신뢰할 수 있는 의사결정을 위한 학습 기반 프레임워크를 개발한다.
• 계층적 지도학습을 통해 복잡한 교통 환경에서 실시간으로 일반화 가능한 차선 변경 의사결정을 가능하게 한다.

제안 방법

• 최적의 차선 변경 경로를 생성하기 위해 혼합정수이차계획법(MIQP)을 사용하여 훈련 데이터셋을 확보함으로써 고품질의 타당한 운동 계획을 보장한다.
• 빠른 의사결정 예측을 위해 계층적 지도학습 모델을 설계하여 실시간 실행을 가능하게 한다.
• MIQP로 생성된 경로를 기반으로 학습 모델을 훈련시켜 최적 행동을 통합하면서도 계산 효율성을 유지한다.
• 학습된 정책을 활용해 운동 계획 문제를 고수준 의사결정과 저수준 경로 생성으로 분해한다.
• 학습된 의사결정 모델을 빠른 추론 파이프라인과 통합하여 동적 환경에서 실시간 구현을 지원한다.
• MIQP의 구조적 출력을 활용해 학습 과정을 이끌어내어 학습된 의사결정의 안전성과 타당성을 보장한다.

실험 결과

연구 질문

• RQ1 최적의 MIQP로 생성된 경로를 기반으로 한 학습 기반 접근법이 기존 샘플링 또는 최적화 기반 방법보다 더 뛰어난 최적성과 효율성을 달성할 수 있는가?
• RQ2 계층적 지도학습 모델이 훈련 중에 볼 수 없었던 복잡한 교통 상황에 얼마나 잘 일반화되는가?
• RQ3 제안된 프레임워크가 경로 품질 향상을 이루면서도 실시간 성능을 얼마나 유지하는가?
• RQ4 MIQP로 생성된 최적 경로를 훈련 데이터로 사용할 경우 학습된 정책의 일반화 및 강건성에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 기준 샘플링 및 최적화 기반 방법에 비해 더 높은 경로 최적성을 달성한다.
• 학습 기반 모델은 실시간 의사결정을 가능하게 하여 기존 최적화 기반 접근법에 비해 계산 효율성에서 뚜렷한 우수성을 보인다.
• 훈련 중에 볼 수 없었던 복잡한 교통 상황에 대해서도 잘 일반화되어 강력한 강건성을 보여준다.
• 실험 결과, 제안된 프레임워크가 최적성, 속도, 적응 가능성 측면에서 여러 확립된 운동 계획 베이스라인을 뛰어넘는 것으로 확인되었다.