Core Concepts
본 논문은 HD 맵 없이도 자율 주행 소프트웨어 스택의 예측, 의사결정 및 계획 모듈을 통합하는 데이터 기반 접근법을 제안한다. 이를 통해 기존 규칙 기반 방식의 한계를 극복하고자 한다.
Abstract
본 논문은 자율 주행 소프트웨어 스택의 예측, 의사결정 및 계획 모듈을 통합하는 데이터 기반 접근법을 제안한다. 기존 자율 주행 시스템은 인지, 예측, 경로 계획 등의 하위 문제로 나누어 해결하는 규칙 기반 방식을 사용해왔다. 그러나 이는 정확한 사전 지식에 의존하므로 확장성이 제한적이며, 특히 도심 환경에서 많은 한계를 보인다.
저자들은 HD 맵 없이도 작동할 수 있는 접근법을 제안한다. 먼저 지각 모듈에서 얻은 랜드마크와 점유 격자 정보를 활용하여 국부적 도로 토폴로지를 재구성한다. 이를 바탕으로 예측과 계획 모듈을 통합적으로 학습하는 모델을 제안한다.
구체적으로, 모델은 두 개의 스트림으로 구성된다. 하나는 래스터화된 장면 정보를 인코딩하고, 다른 하나는 벡터화된 인스턴스 정보를 인코딩한다. 장면 인코딩은 비용 볼륨을 출력하여 궤적 후보를 평가하고, 인스턴스 인코딩은 미래 움직임을 예측한다. 이를 통해 규칙 기반 방식의 한계를 극복하고자 한다.
저자들은 실제 도심 환경에서 공장 출고 센서와 컴퓨팅 플랫폼을 사용하여 제안 모델을 평가했다. 실험 결과, 제안 모델이 다양한 어려운 주행 상황을 성공적으로 처리할 수 있음을 보였다.
Stats
제안 모델은 10시간의 사람 운전 데이터만으로 학습되었다.
제안 모델은 현재 시장에 출시된 모든 ADAS 기능을 지원한다.
Quotes
"규칙 기반 계획 모듈은 실제 주행 시나리오, 특히 도심 환경에서의 자율 주행 시스템 실패와 결함의 주요 원인으로 간주된다."
"HD 맵은 복잡성과 비용 때문에 확장이 어려우며, 실제 도로 상황 변화를 신속히 반영하지 못하는 한계가 있다."