• 550 star
• https://github.com/autonomousvision/tuplan_garage
• 2023, 90회 인용
• Parting with Misconceptions about Learning-based Vehicle Motion Planning
• https://proceedings.mlr.press/v229/dauner23a/dauner23a.pdf

학습 기반 차량 모션 플래닝에 대한 오해를 풀며

• 자율주행 차량의 모션 플래닝(Motion Planning)은 차량이 주변 환경을 인식하고, 안전하게 목적지까지 경로를 계획하는 핵심 기술입니다.
• 최근에 nuPlan이라는 대규모 실제 데이터셋이 공개되면서, 이 분야의 연구에 새로운 전환점이 마련되었습니다.
• nuPlan은 정확한 단기 계획과 장기적인 자차 예측(ego-forecasting)을 모두 요구하는 첫 번째 대규모 실제 데이터셋입니다.
• 하지만 기존의 시스템들은 이 두 가지 요구 사항을 동시에 만족시키는 데 어려움을 겪고 있습니다.
• 이번 글에서는 이러한 문제를 분석하고, 이를 해결하기 위한 새로운 접근 방식을 소개하고자 합니다.

핵심 발견

1. 단기 계획과 장기 자차 예측은 서로 맞지 않습니다

• 많은 학습 기반 플래너(planner)들은 목표 위치를 기반으로 자율주행 차량의 미래 움직임을 예측하는 자차 예측(ego-forecasting)을 학습합니다.
• 이는 차량이 앞으로 어떻게 움직일지를 예측하는 것입니다. nuPlan에서는 두 가지 평가 방식이 있습니다:
• 오픈 루프 평가(Open-loop evaluation): 실제 주행과는 독립적으로 예측된 경로의 정확도를 거리 기반 지표로 측정합니다.
• 클로즈드 루프 평가(Closed-loop evaluation):
  • 시뮬레이션에서 실제 주행 성능을 평가하며, 진행률이나 충돌률과 같은 지표를 사용합니다.
• 놀랍게도, 우리는 이 두 평가 방식 사이에 **음의 상관관계**가 있음을 발견했습니다.
• 학습 기반 플래너는 자차 예측에서는 뛰어난 성능을 보이지만, 클로즈드 루프 시뮬레이션에서는 안전한 계획을 만들지 못했습니다.
• 반대로, 규칙 기반의 플래너는 클로즈드 루프 평가에서 우수한 성능을 보였습니다.

2. 규칙 기반 플래닝의 일반화 능력

• 많은 연구에서 규칙 기반 플래닝은 일반화에 한계가 있다고 비판받았습니다.
• 하지만 우리의 연구 결과, 20년 전에 제안된 규칙 기반 플래닝 알고리즘이 nuPlan의 클로즈드 루프 평가 지표에서 모든 최신 학습 기반 방법들을 능가한다는 것을 발견했습니다.
• 이는 학습 기반 플래너들이 규칙 기반 방법보다 항상 우수하다는 일반적인 생각에 반하는 결과입니다.

3. 자차 예측에는 차선 중심선(centerline)만으로 충분하다

• 우리는 장면에서 다른 에이전트(다른 차량이나 보행자 등)의 정보를 전혀 사용하지 않고,
  • 단순히 차선의 중심선(centerline)만을 기반으로 자차의 상태를 예측하는 간단한 학습 플래너를 구현했습니다.
• 놀랍게도, 이 간단한 접근 방식이 nuPlan의 오픈 루프 평가에서 새로운 최고 성능을 기록했습니다.
• 이는 복잡한 장면 표현(예: 레인 그래프, 벡터화된 지도, 레스터화된 지도 등)을 사용하는 기존의 복잡한 모델들이 반드시 더 좋은 성능을 보이지 않는다는 것을 보여줍니다.

우리의 접근 방식

• 위의 발견을 바탕으로, 우리는 매우 간단하고 효율적인 플래너를 제안했습니다. 이 플래너는 다음과 같은 특징을 가지고 있습니다:
• 규칙 기반 플래닝의 활용:
  • 기존의 IDM(Intelligent Driver Model)을 개선하여 실시간으로 동작할 수 있도록 했습니다.
  • IDM은 앞 차량과의 거리를 유지하며 안전한 속도를 결정하는 알고리즘
• 학습 기반 자차 예측과의 결합:
  • 클로즈드 루프에서 규칙 기반 플래너의 강점을 유지하면서, 오픈 루프 성능을 향상시키기 위해 학습된 자차 예측 모델을 결합
• 단순성과 효율성: 복잡한 입력 표현이나 무거운 계산 없이도 우수한 성능을 달성했습니다.
• 이러한 접근 방식으로, 우리는 2023년 nuPlan 플래닝 챌린지에서 24개의 경쟁자들을 제치고 우승을 차지했습니다.

자세한 분석

결론 및 제언

• 이번 연구를 통해, 학습 기반 차량 모션 플래닝에 대한 몇 가지 일반적인 오해를 확인했습니다:

• 오픈 루프 성능이 항상 클로즈드 루프 성능으로 이어지지는 않는다: 정확한 자차 예측이 장기적인 플래닝 목표 달성에 필수적인 것은 아닙니다.

• 규칙 기반 플래닝의 재평가 필요성: 규칙 기반 플래너는 여전히 강력한 성능을 보이며, 추가적인 연구와 발전이 필요합니다.

• 평가 방식의 재고: 플래닝 성능의 주요 지표로 오픈 루프 메트릭을 사용하는 것은 적절하지 않을 수 있습니다.

한계 및 향후 연구

• 우리의 플래너는 차선 변경과 같은 복잡한 행동을 수행하지 못하며, 고해상도 지도나 정확한 센서 정보에 의존합니다.
• 또한, 시뮬레이터의 한계로 인해 실제 환경에서의 일반화 능력을 충분히 평가하지 못했습니다.
• 향후 연구에서는 보다 현실적인 반응형 환경을 구축하고, 다양한 시나리오에서의 성능을 평가해야 합니다.

마무리

• 이번 연구를 통해, 학습 기반 차량 모션 플래닝에서 흔히 갖고 있던 몇 가지 오해를 밝혀내고, 이를 바탕으로 간단하면서도 효율적인 플래너를 제안했습니다.
• 우리의 PDM-Hybrid 모델은 IDM을 기반으로 하면서 학습된 자차 예측을 결합하여, 2023년 nuPlan 대회에서 우승하는 성과를 거두었습니다.
• 앞으로도 이 분야에서의 지속적인 연구와 발전을 기대합니다.