Core Concepts
자율주행차량의 지능을 지속적으로 평가하고 향상시키기 위해서는 알려진 시나리오뿐만 아니라 알려지지 않은 잠재적으로 중요한 시나리오를 지속적으로 탐색하고 테스팅해야 한다.
Abstract
이 논문은 자율주행차량의 지능을 지속적으로 평가하고 향상시키기 위한 새로운 패러다임을 제안한다. 기존 연구들은 자율주행차량이 다양한 시나리오에서 실패할 확률을 최소화하는 것을 목표로 했지만, 이 논문에서는 모든 가능한 시나리오를 탐색하여 자율주행차량이 모든 상황에서 잘 작동하도록 하는 것을 목표로 한다.
이를 위해 저자들은 시나리오 생성을 지속적인 최적화 프로세스로 정의하였다. 외부 루프에서는 이미 생성된 시나리오를 통해 자율주행차량을 평가하고, 이 결과를 바탕으로 새로운 시나리오를 생성한다. 내부 루프에서는 새로 생성된 시나리오가 알려진 시나리오와 겹치지 않도록 최적화한다.
이 과정을 통해 알려진 시나리오뿐만 아니라 알려지지 않은 잠재적으로 중요한 시나리오를 지속적으로 탐색하고 테스팅할 수 있다. 시뮬레이션 결과, 이 방법이 기존 방법보다 더 많은 중요 시나리오를 찾아내고 자율주행차량의 성능을 더 정확하게 평가할 수 있음을 보여준다.
Stats
자율주행차량의 안전성 지표인 TTC(Time-to-Collision)가 임계값 TTCθ 이하인 경우 해당 시나리오를 중요 시나리오로 간주한다.
자율주행차량의 효율성 지표인 감속도 a가 임계값 aθ 이하인 경우 해당 시나리오를 중요 시나리오로 간주한다.
Quotes
"Testing AV in all possible scenarios is unrealistic. Instead, we should speculate the potentially critical scenarios based on the AV evaluation results (or scores) in known scenarios."
"Without a clear understanding of the scenario distribution, it is usually very difficult to cover the critical subspaces."
"Though it is difficult to cover the entire space, we still need to find enough critical scenarios as soon as possible to evaluate AV."