[논문 리뷰] Efficient Uncertainty-aware Decision-making for Automated Driving Using Guided Branching

Lu Zhang, Wenchao Ding외 2명|arXiv (Cornell University)|2020. 03. 05.

Autonomous Vehicle Technology and Safety참고 문헌 29인용 수 5

한 줄 요약

이 논문은 도메인 특화의 닫힌 루프 정책 트리(DCP-Tree)와 조건부 집중 분기(CFB)를 사용하여 밀도 높은 교통 환경에서 실시간으로 장기 예측 계획을 수행할 수 있는 효율적인 불확실성 인식 의사결정(EUDM) 프레임워크를 제안한다. 전문 지식을 통합하여 행동 및 의도 공간의 분기 구조를 안내함으로써 EUDM는 20 Hz에서 안전하고 부드럽고 효율적인 의사결정을 달성하며, 기존 방법에 비해 안전성 및 편안함 지표에서 뛰어난 성능을 보이며 계산적으로도 타당성을 유지한다.

ABSTRACT

Decision-making in dense traffic scenarios is challenging for automated vehicles (AVs) due to potentially stochastic behaviors of other traffic participants and perception uncertainties (e.g., tracking noise and prediction errors, etc.). Although the partially observable Markov decision process (POMDP) provides a systematic way to incorporate these uncertainties, it quickly becomes computationally intractable when scaled to the real-world large-size problem. In this paper, we present an efficient uncertainty-aware decision-making (EUDM) framework, which generates long-term lateral and longitudinal behaviors in complex driving environments in real-time. The computation complexity is controlled to an appropriate level by two novel techniques, namely, the domain-specific closed-loop policy tree (DCP-Tree) structure and conditional focused branching (CFB) mechanism. The key idea is utilizing domain-specific expert knowledge to guide the branching in both action and intention space. The proposed framework is validated using both onboard sensing data captured by a real vehicle and an interactive multi-agent simulation platform. We also release the code of our framework to accommodate benchmarking.

연구 동기 및 목표

• 스토케스틱한 에이전트 행동과 감지 노이즈가 존재하는 밀도 높은 교통 환경에서 POMDP의 계산 비가용성 문제를 해결하기 위해.
• 불확실성 하에서 실시간으로 장기(최대 8초)의 횡방향 및 종방향 주행 계획을 가능하게 하기 위해.
• 완전한 탐색 없이도 위험한 시나리오를 명시적으로 식별하고 우선순위를 정하여 안전성과 편안함을 향상시키기 위해.
• 고정된 행동 가정에 대한 의존도를 줄이기 위해 계획 수월 동안 자동차의 행동이 시간이 지남에 따라 변화하도록 허용하기 위해.
• 복잡한 주행 환경에서 벤치마킹 및 구현을 위한 고도로 병렬 처리 가능한 오픈소스 프레임워크를 제공하기 위해.

제안 방법

• DCP-Tree 구조는 각 루트에서 리프까지의 경로가 유한한 시간 간격 동안 자동차의 행동 시퀀스(예: 차선 변경, 차선 유지 등)를 나타내는 의미 수준의 행동 공간을 정의한다.
• 모든 행동 시퀀스는 다른 에이전트와의 동적 상호작용을 고려한 닫힌 루프 시뮬레이션을 통해 평가되며, 안전성과 타당성에 대한 현실적인 평가가 가능해진다.
• CFB 메커니즘은 자동차 행동 시퀀스에 조건부로 적용되는 오픈 루프 안전성 평가를 수행하여 고위험 시나리오를 식별하고, 계산 자원을 주로 중요한 케이스에 집중시킨다.
• CFB는 충돌이나 안전하지 않은 상호작용으로 이어질 가능성이 높은 의도 조합의 탐색을 우선순위로 정하여, 효율적인 탐색을 가능하게 한다.
• 프레임워크는 민감도 상태에서의 감지 불확실성과 예측 오차를 통합함으로써 실시간 성능을 유지하면서도 전문 지식에 기반한 선택적 탐색을 가능하게 한다.
• 시스템은 C++11로 구현되었으며 표준 하드웨어에서 안정적으로 20 Hz로 작동하여 실시간 구현이 가능하다.

실험 결과

연구 질문

• RQ1 도메인 특화의 정책 트리 구조가 자율주행에서 장기 예측 의사결정을 위한 탐색 공간을 효과적으로 줄일 수 있는가, 동시에 유연성은 유지하는가?
• RQ2 에이전트의 의도와 감지에 대한 불확실성을 실시간 계획에서 효율적으로 모델링하고 우선순위를 정할 수 있는가?
• RQ3 조건부 집중 분기 기법이 과도한 계산 비용 없이도 안전성 향상과 위험 있는 결정 감소에 기여할 수 있는가?
• RQ4 계획 수월 동안 자동차 행동의 동적 변화를 통합함으로써 고정된 행동 가정 대비 의사결정 품질이 얼마나 향상되는가?
• RQ5 실제 환경과 시뮬레이션 조건에서 최신 기술 대비 안전성, 효율성, 편안함 측면에서 제안된 프레임워크는 어떻게 비교되는가?

주요 결과

• EUDM는 더블 머지 지도에서 안전성 지표 0.025, 링 지도에서 0.003을 기록하여 MPDM(0.048 및 0.042)와 EDM(0.043 및 0.030)를 크게 능가하며, 위험 완화 능력이 뛰어나다는 것을 입증했다.
• 편안함 측면에서 EUDM는 더블 머지에서 1킬로미터당 불편한 감속(UD)을 0.38로 줄였고, 링에서는 0.48로 유지하여 MPDM의 1.85 및 1.09보다 훨씬 낮게 나타내, 더 부드러운 주행 행동을 보였다.
• EUDM의 평균 속도는 더블 머지에서 4.63 m/s, 링에서는 3.21 m/s를 기록하여 MPDM와 유사하고, EDM보다 略로 낮아 효율성 측면에서 균형 잡힌 성능을 보였다.
• 제거 실험 결과, CFB를 제거하면(즉, EDM가 되면) 평균 속도는 높아지지만 안전성은 크게 악화되어 CFB가 체계의 강건성 향상에 기여한다는 점을 확인했다.
• EUDM는 시뮬레이션과 실제 데이터 모두에서 충돌하는 차선 변경과 병합하는 차량과 같은 위험한 시나리오를 성공적으로 식별하고 처리하여, 불확실성에 대한 적응성을 입증했다.
• 프레임워크는 표준 데스크톱 하드웨어에서 안정적인 실시간 성능을 20 Hz로 확보하여 현장 구현 가능성에 대한 타당성을 입증했다.