[논문 리뷰] Online Risk-Bounded Motion Planning for Autonomous Vehicles in Dynamic Environments

Xin Huang, Sungkweon Hong외 2명|arXiv (Cornell University)|2019. 04. 04.

Autonomous Vehicle Technology and Safety참고 문헌 10인용 수 9

한 줄 요약

이 논문은 실시간 의도 인식과 부분 관측 마르코프 결정 과정(POMDP)을 통합하여 동적 환경에서 안전하고 효율적인 경로를 생성하는 온라인, 위험 제한형 운동 계획 시스템을 제안한다. 사전에 학습된 확률적 유량 튜브(PFTs)를 사용한 베이지안 필터링을 통해 에이전트의 동작과 경로를 예측하고, 근접 충돌 확률에 대한 상한을 보장하는 휴리스틱 탐색을 통해 POMDP를 해결함으로써, 보호 없는 좌회전과 차선 변경과 같은 도전적인 시나리오에서 기준 계획자들보다 안전성과 효율성 면에서 뛰어난 성능을 발휘한다.

ABSTRACT

A crucial challenge to efficient and robust motion planning for autonomous vehicles is understanding the intentions of the surrounding agents. Ignoring the intentions of the other agents in dynamic environments can lead to risky or over-conservative plans. In this work, we model the motion planning problem as a partially observable Markov decision process (POMDP) and propose an online system that combines an intent recognition algorithm and a POMDP solver to generate risk-bounded plans for the ego vehicle navigating with a number of dynamic agent vehicles. The intent recognition algorithm predicts the probabilistic hybrid motion states of each agent vehicle over a finite horizon using Bayesian filtering and a library of pre-learned maneuver motion models. We update the POMDP model with the intent recognition results in real time and solve it using a heuristic search algorithm which produces policies with upper-bound guarantees on the probability of near colliding with other dynamic agents. We demonstrate that our system is able to generate better motion plans in terms of efficiency and safety in a number of challenging environments including unprotected intersection left turns and lane changes as compared to the baseline methods.

연구 동기 및 목표

• 에이전트의 의도가 불확실한 동적 환경에서 안전하지 않거나 지나치게 보수적인 운동 계획 문제를 해결하기 위해.
• 실시간으로 주변 차량의 의도를 동적으로 추론함으로써 계획의 효율성과 안전성을 향상시키기 위해.
• 근접 충돌 확률에 대한 상한을 보장하는 확률 제약 조건이 있는 POMDP 계획을 통해 충돌 위험을 공식적으로 제한하기 위해.
• 보호 없는 좌회전과 차선 변경과 같은 복잡한 교통 시나리오에서 실시간 운영을 가능하게 하기 위해.

제안 방법

• 근접 충돌 확률을 제한하기 위해 확률 제약 조건이 있는 부분 관측 마르코프 결정 과정(POMDP)으로 차량 운동을 모델링한다.
• 사전에 학습된 확률적 유량 튜브(PFTs)의 라이브러리 위에서 베이지안 필터링을 사용하여 유한 시간 간격 동안 에이전트의 동작 의도를 추정하고 하이브리드 운동 상태(이산적 동작 + 연속적 경로)를 예측한다.
• 충돌 위험에 대한 증명 가능한 상한을 가진 정책을 생성하기 위해 휴리스틱 전방 탐색 알고리즘(RAO*)을 사용하여 POMDP를 해결한다.
• 실시간으로 의도 인식 결과를 사용하여 믿음 상태를 동적으로 갱신하여 현재 에이전트 행동과 불확실성을 반영한다.
• 계산 부담과 반응성 간의 균형을 위해 유한한 계획 시간 간격(H=2)을 적용하며, 활성 에이전트 수에 따라 시간 간격을 적응적으로 조정한다.
• 운전자 스타일의 다양성과 동작 불확실성을 표현하기 위해 확률적 하이브리드 오토마타를 사용하여 에이전트 행동을 모델링한다.

실험 결과

연구 질문

• RQ1 실시간 의도 인식은 동적 교통 상황에서 운동 계획의 안전성과 효율성을 향상시키는가?
• RQ2 다른 에이전트의 의도에 대한 불확실성 하에서 자율주행차 계획에서 위험을 공식적으로 어떻게 제한할 수 있는가?
• RQ3 POMDP 프레임워크에서 위험 한도를 조정할 때 계획의 공격성과 위험 사이의 상호 교환 관계는 어떠한가?
• RQ4 확률적 동작 예측과 POMDP 기반 계획의 통합은 보호 없는 좌회전과 같은 복잡한 동작에서 성능에 어떤 영향을 미치는가?
• RQ5 다중 에이전트 교통 상황에서 위험 보장을 확보하면서도 실시간 성능(≤0.2초 계획 시간)을 유지를 할 수 있는가?

주요 결과

• 차선 변경 시나리오에서 시스템은 98.5%의 동작 추정 정확도와 2.23미터의 경로 예측 오차를 달성했다.
• 위험 한도를 작은 값으로 설정했을 때, 계획자는 100%의 안전성을 유지하면서 보수적인 기준 계획자들보다 효율성 면에서 뛰어난 성능을 보였다.
• 위험 한도를 높임으로써 계획자는 더 공격적인 전략을 채택할 수 있었고, 평균 완료 시간은 감소했지만 성공률는 상응하여 감소했다.
• 세 명의 에이전트와 시간 간격 2에서의 계획 시간은 0.191초였으며, 5Hz 제어에 필요한 0.2초 이내 실시간 제약 조건을 충족했다.
• 보호 없는 좌회전과 다중 에이전트 차선 변경 갈등과 같은 고위험 시나리오에서도 시스템은 뛰어난 강건성을 보였다.
• PFT의 사용은 운전자 스타일을 고려한 정확한 운동 예측을 가능하게 하여 의도 인식과 계획 품질을 향상시켰다.