[論文レビュー] Baidu Apollo Auto-Calibration System - An Industry-Level Data-Driven and Learning based Vehicle Longitude Dynamic Calibrating Algorithm

Fan Zhu, Lin Ma+4 more|arXiv (Cornell University)|Aug 30, 2018

Vehicle Dynamics and Control Systems参考文献 20被引用数 7

ひとこと要約

本論文は、自動運転車の縦方向運動のデータ駆動型で学習ベースの自己キャリブレーションシステムを提示する。事前に学習されたニューラルネットワークモデルを用いて、人的ドライブデータから初期キャリブレーションテーブルを生成し、その後、リアルタイムでの勾配降下法による更新によって、変化する車両状態に適応する。このシステムは、さまざまな積載量において、速度および停止位置の誤差を顕著に低減し、100台以上のBaidu Apollo車両に実際に導入された。これは、量産に適した耐障害性とスケーラビリティを示している。

ABSTRACT

For any autonomous driving vehicle, control module determines its road performance and safety, i.e. its precision and stability should stay within a carefully-designed range. Nonetheless, control algorithms require vehicle dynamics (such as longitudinal dynamics) as inputs, which, unfortunately, are obscure to calibrate in real time. As a result, to achieve reasonable performance, most, if not all, research-oriented autonomous vehicles do manual calibrations in a one-by-one fashion. Since manual calibration is not sustainable once entering into mass production stage for industrial purposes, we here introduce a machine-learning based auto-calibration system for autonomous driving vehicles. In this paper, we will show how we build a data-driven longitudinal calibration procedure using machine learning techniques. We first generated offline calibration tables from human driving data. The offline table serves as an initial guess for later uses and it only needs twenty-minutes data collection and process. We then used an online-learning algorithm to appropriately update the initial table (the offline table) based on real-time performance analysis. This longitudinal auto-calibration system has been deployed to more than one hundred Baidu Apollo self-driving vehicles (including hybrid family vehicles and electronic delivery-only vehicles) since April 2018. By August 27, 2018, it had been tested for more than two thousands hours, ten thousands kilometers (6,213 miles) and yet proven to be effective.

研究の動機と目的

• 自動運転車における縦方向車両ダイナミクスの手動による1台ずつのキャリブレーションという産業的課題に対処すること。これは時間のかかる作業であり、誤差の原因にもなる。
• 自動運転車の大量導入に適した、自動的かつスケーラブルなソリューションを開発すること。
• 積載量の変化や摩耗といったリアルタイムの車両ダイナミクスの変化に応じてキャリブレーションテーブルを動的に適応させることで、制御の正確性と安定性を向上させること。
• 手動キャリブレーションに依存することを排除しながらも、縦方向制御性能における高い精度を維持すること。

提案手法

• オフラインキャリブレーションモデルは、人的ドライブデータを用いて、アクセル、ブレーキ、速度入力を加速度出力にマッピングするニューラルネットワークを学習させ、初期キャリブレーションテーブルを生成する。
• 本システムは、モデルフリーで勾配降下法に基づくオンライン学習アルゴリズムを採用し、10 ms（100 Hz）ごとにリアルタイムの追従誤差フィードバックに基づいてキャリブレーションテーブルを繰り返し更新する。
• オンラインアルゴリズムは、キャリブレーションテーブルの個々のグリッドポイントを独立して更新するため、効率的な並列計算とリアルタイム応答性を実現する。
• キャリブレーションテーブルは、所望の加速度と実際の加速度の差異を用いて更新され、自律走行中に継続的なフィードバックによって誤差を最小化する。
• 本手法は、オフラインでのテーブル生成にエンドツーエンドのニューラルネットワークを、リアルタイムの動的適応に軽量で高周波の更新メカニズムを組み合わせたものである。
• 本システムは産業的導入を想定しており、計算負荷が低く抑えられている：オフラインテーブル生成は10秒未満、標準ハードウェア上での1更新サイクルあたり2 ms未満である。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型で学習ベースのアプローチが、自動運転車の縦方向車両ダイナミクスの手動キャリブレーションを効果的に置き換えることができるか？
• RQ2 実際の人的ドライブデータから、信頼できる出発点としての初期キャリブレーションテーブルをどのように効率的に生成できるか？
• RQ3 オンライン学習アルゴリズムは、積載量の変化や機械的摩耗といった動的変化をリアルタイムでキャリブレーションテーブルに適応させることができるか、その程度はどの程度か？
• RQ4 提案された自己キャリブレーションシステムにより、静的オフラインキャリブレーションと比較して、速度および停止位置追従精度にどの程度の向上が達成できるか？

主な発見

• オンラインキャリブレーションシステムは、オフラインオンativeのみのキャリブレーションと比較して、全積載量において平均して速度追従の平均絶対誤差（MAE）を10.5％低減した。
• オンラインキャリブレーションを有効にした場合、300 kg積載時における停止位置誤差MAEはオフラインのみのキャリブレーションと比較して55.2％低減し、360 kg積載時では60.7％低減した。
• 満載（300 kg）時、オンラインシステムは速度誤差MAEが0.102 m/s、RMSEが0.153 m/sを達成し、オフラインシステムのMAE 0.149 m/sおよびRMSE 0.199 m/sを顕著に上回った。
• 本システムは多様な条件下でも耐障害性を示し、20％の過積載（360 kg）時でも低誤差を維持した。停止位置誤差RMSEは、オフライン時1.191 mからオンライン時0.607 mに低減した。
• 自動キャリブレーションシステムは、100台以上のBaidu Apollo車両に実際に導入され、2018年8月27日までに2,000時間以上、10,000 km（6,213マイル）以上走行されたが、重大な障害は報告されていない。
• 本システムの計算効率はリアルタイム動作を可能にしている：オフラインテーブル生成は10秒未満、標準産業用ハードウェア上でのオンライン更新は1サイクルあたり2ミリ秒未満である。