Anomaly Detection and Uncertainty aware Prediction and Planning for Robust Autonomous Driving

Abstract

이제는 자율주행이라는 단어를 익숙하게 들을 수 있는 시대가 되었습니다. 집안에서 로봇 청소기를 작동시키거나 고속도로와 같은 상황에서 부분적인 자율주행 기술들을 이용하는 등, 이미 생활의 많은 부분에서 자율주행 로봇들을 접할 수 있습니다. COVID-19로 인해 비대면에 대한 니즈도 점차 높아지면서 자율주행 기술에 대한 수요도 많아지고 이에 따라 더 복잡한 환경에서도 자율주행을 확장하려는 시도가 많이 있습니다.

하지만 이러한 자율주행 기술을 좀 더 복잡한 환경에서 활용하기 위해서는 인지-판단-행동 각 부분에서 발생할 수 있는 불확실도(uncertainties)를 효과적으로 처리할 수 있는 강인한 자율주행 알고리즘이 필요합니다. 센서에서 잘못된 정보를 제공할 수도 있고, 주변 환경이 미래에 어떻게 변화할지도 불확실합니다. 이 논문에서는 강인한 자율주행 알고리즘의 설계를 위해 센서 레벨에서 발생할 수 있는 이상치(anomaly)를 검출하고, 주변 차량의 미래 궤적을 예측하며, 마지막으로는 이러한 불확실한 상황에서 충돌 없이 주행할 수 있는 안전한 경로를 설계하는 방법에 대해 다룹니다.

먼저 이상치를 모니터링하는 프레임워크에서는 이상치 데이터의 수가 정상 데이터의 수에 비해 현저히 적은 데이터 불균형 문제를 해결하는 방법을 중심으로 다룹니다. 학습 과정에서의 데이터 불균형 문제를 해결하기 위해 적대적 생성모델(Generative Adversarial Network)을 이용하여 학습을 위한 이상치 데이터를 생성하는 접근법을 사용하였습니다. 제안한 방법은 실차에서 취득한 차선 감지 센서의 이상치를 검출하는 것으로 검증되었으며, 이는 다른 이상치 검출 방법과 비교했을 때 큰 성능의 향상을 보였습니다. 센서의 이상치를 해결했다면, 센서 데이터를 기반으로 주변 환경을 인지하고 안전한 경로 생성을 위해 주변 환경이 미래에 어떻게 변해 갈 지를 예측합니다. 이 때, 주변 환경에서의 상호작용(interaction)을 고려해 주변 차량을 예측하는 알고리즘이 제안되었습니다. 예측에 사용되는 네트워크는 Multi-head attention 구조를 활용하여 차량 간의 상호작용을 비지도 방법으로 유추하고, 이를 통해 주변 차량의 미래 궤적에 대한 분포가 더 정확하게 학습될 수 있도록 했습니다. 마지막으로는 미래 궤적에 대한 분포가 예측 모델에 의해 주어졌을 때 충돌 없이 주행할 수 있는 안전한 경로를 생성하는 방법에 대해 다룹니다. 주변 차량의 미래궤적에 대한 분포와 자차량의 충돌을 검사할 때 Sigma-points를 기반으로 분포를 근사함으로써 더 빠르고 쉽게 경로 계획 문제를 해결할 수 있도록 했습니다. 이는 비보호 좌회전 상황에서 검증되었으며, 제안한 방법을 통해 자율주행 차량이 충돌없이 주행함을 확인 하였습니다.