Core Concepts
자율주행 시스템 테스트를 위해 시뮬레이션 기반 데이터를 실제 데이터와 유사하게 변환하는 신경망 기반 기법의 효과를 다양한 품질 지표를 통해 평가하고, 이를 통해 신뢰할 수 있는 현실 격차 완화 지표를 제안한다.
Abstract
이 연구는 자율주행 시스템 테스트를 위해 시뮬레이션 데이터를 실제 데이터와 유사하게 변환하는 신경망 기반 기법의 효과를 평가하였다.
주요 내용은 다음과 같다:
- 차량 감지와 차선 유지 두 가지 자율주행 시스템 태스크에 대해 pix2pix와 CycleGAN 신경망 모델을 적용하여 현실 격차 완화 효과를 평가하였다.
- 13개의 기존 품질 지표를 사용하여 신경망 생성 데이터와 자율주행 시스템 성능 간의 상관관계를 분석하였다.
- 태스크 별 맞춤형 지각 기반 품질 지표를 개발하여 기존 지표 대비 향상된 상관관계를 확인하였다.
- 차량 감지 태스크의 경우 고품질 CycleGAN 모델이, 차선 유지 태스크의 경우 다양한 I2I 모델이 현실 격차 완화에 효과적인 것으로 나타났다.
- 기존 품질 지표는 자율주행 시스템 성능과 일관된 상관관계를 보이지 않았으나, 태스크 별 맞춤형 지각 기반 지표는 향상된 상관관계를 보였다.
이 연구 결과는 자율주행 시스템 테스트를 위한 신뢰할 수 있는 현실 격차 완화 지표 개발에 기여할 것으로 기대된다.
Stats
차량 감지 태스크에서 고품질 CycleGAN 모델(C3)은 실제 데이터와 유사한 예측 오차 분포를 보였다.
차선 유지 태스크에서 CycleGAN 모델(C2, C3)과 pix2pix 모델(P2)은 실제 데이터와 유사한 예측 및 주의 오차 분포를 보였다.
신경망 생성 데이터의 지각 기반 품질 지표(CPL, SSS)는 차량 감지 태스크의 예측 오차와 유의미한 상관관계를 보였다.
태스크 별 맞춤형 지각 기반 지표(OC-TSS, TSS)는 자율주행 시스템 성능과 더 강한 상관관계를 보였다.
Quotes
"시뮬레이션 기반 테스트는 통제된, 안전하고 비용 효율적인 대안이지만, 가상 시뮬레이션은 종종 실제 세계 조건을 정확하게 복제하지 못한다."
"I2I 모델은 생성된 출력의 품질에 있어 여전히 한계를 가지고 있으며, 이는 ADS 테스트의 효과에 영향을 미칠 수 있다."