9._.coding

Long-tailed Distribution일반적인 상황이 대부분이고, 안전과 직결적인 상황이 드물게 발생하는 data imbalance 문제.자주 발생하는 평범한 상황(차선을 따라가는 주행 등)이 대부분을 차지하는 반면, 안전에 중요한 드문 시나리오(사고 위험 상황 등)는 데이터셋에서 매우 희소하고 다양성이 부족합니다.이로 인해 모델이 드문 상황에서 일반화하고 적응하는 데 어려움을 겪음.많은 연구가 시뮬레이터에서 적대적 시나리오에 초점을 맞추고 있지만, 실제 데이터를 더 잘 활용하여 중요한 시나리오를 탐색하고 이를 시뮬레이션에 잠재적으로 적응시키는 것도 중요합니다.안전에 중요한 시나리오를 대상으로 엔드-투-엔드 자율주행 방법을 평가하기 위해 체계적이고, 엄격하며, 포괄적이고 현실적인 테스트 프레임워크가..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다.  Causal Confusion 모델이 본질적 인과 관계를 학습하지 못하고 비본질적 상관관계(Spurious Correlations)에 의존하는 현상모델이 데이터에서 중요한 요인을 파악하기보다는, 쉽게 사용할 수 있는 shortcut 정보에 지나치게 의존함으로써 발생.자율주행 차량의 현재 행동은 속도나 과거 궤적과 같은 low-dimensional spurious feature와 강하게 연관될 수 있음.End-to-End 모델이 이러한 특징에 의존하게 되면 causal confusion이 발생할 수 있다.이는 모델이 진정한 인과 관계를 학습하지 못하고, 단순히 부차적 패턴에 의존..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다. Interpretability자율주행에서 중요한 역할.엔지니어가 시스템을 더 잘 debug하게 해줌사회적 관점(societal perspective)에서 performance 보장public acceptance 촉진.‘black box’라고 불리는 E2E 자율주행에서 interpretability를 가진다는 것은, 필수적이고 중요한 과제.Sliency map(중요도 맵)훈련된 모델이 주어지면 X-AI 기법을 적용해 얻을 수 있음.모델이 planning에 의존하는 visual input의 특정한 영역 강조한정된 정보를 제공하고 효율성과 타당성(validity) 평가 어려움.mode..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다. Policy DistillationImitation learning(또는 세부 항목인 behavior cloning)은 expert의 행동을 모방하는 지도학습이므로 일반적으로 Teacher-Student paradigm을 따름.이와 관련한 두 main challenges:Teacher(expert)가 완벽한 운전자가 아니지만 주변 agent와 map의 ground-truth에 접근 가능Student는 오직 sensor input으로 기록된 output에 의해 지도되므로 perceptual feature를 얻고 policy를 처음부터 학습(learning from scratch)해..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다.World-modelworld model이 policy model에 대한 명확한 future prediction을 제공하는 현재 model-based policy learning works의 challengesMBRLModel-Based Reinforcement Learning.high sample complexity를 겪음.agent를 실제 환경 대신 learned world model과 상호작용하는 방식으로 sample efficiency를 향상시킴.transition dynamics와 reward function으로 구성된 explicit world model 사용.주행에서 ..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다.Dependence on Visual AbstractionEnd-to-End autonomous driving system에서의 두 단계:state를 latent feature representation으로 encodingintermediate features 기반으로 driving policy decoding.문제점도시 주행에서 주변 환경과 ego state가 매우 다양하고 고차원적.이는 representation과 policy making에 필요한 attention area의 불일치 발생 가능.해결Intermediate Perception Represenatation을 잘 설계..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다.Sensingmonocular camera: 초기 방식- Lane following 기술, 복잡한 상황을 처리하는 것에 한계RGB images from cameras: 인간의 시각적 정보 재현, 풍족한 의미론적 디테일LiDAR or stereo cameras: 정확한 3D 공간 정보 제공mmWave radars and event cameras: 객체의 상대적 움직임 포착Speedometers, IMU, 내비게이션 명령 등: 시스템을 안내하는 입력 데이터로 사용 Multi-sensor Fusion주로 object detection, semantic segmentation과 같은 pe..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다.Sensor Simulation시뮬레이터에서 image나 LiDAR 스캔 같은 raw data 생성 및 noise와 occlusion 반영한 현실적인 평가Graphics-Based3D environment model과 traffic entity model을 사용하여, 센서에서의 phisical rendering 과정을 근사(approximation)하여 데이터 생성.Ex) image에서 occlusion, shadow, and reflection 등 시뮬레이션.현실감 제한적, 높은 연산 비용 소요, 병렬 처리 어려움.3D model의 quality와 sensor modeling에 ..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다.Parameter Initialization시뮬레이션 환경에서 초기 parameter가 많아 설계 과정의 복잡성을 해결하기 위한 방법Procedural Generation초기 매개변수를 알고리즘으로 생성하는 방식rule, huristic, randomization을 결합해 다양한 도로망, 교통 패턴, 조명 조건, object placement를 만듦.비디오 게임 및 시뮬레이션에서 널리 사용되며, fully manual design보다 효율적.신뢰성 있는 생성을 위해 algorithm과 parameter의 pre-define 필요시간이 많이 소요되고 전문가의 지식이 필요함.Data-..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다.BenchmarkingReal-world초기 자율주행 벤치마킹은 실제 환경 평가에서 시작.DARPA자율주행 경주 시리즈.240km의 모하비 사막 경로를 자율적으로 주행.100만 달러의 상금을 걸었으나 성공하지 못함.DARPA Urban Challenge차량이 교통법을 준수하며 장애물을 피하고 96km의 가상 도시 코스 주행LiDAR 센서와 같은 자율주행 기술 발전을 이끌어냄.MCity자율주행차 테스트를 위한 대규모 제어된 실세계 환경을 설립.데이터와 차량 부족으로 인해 학계에서는 엔드투엔드 시스템에 이 환경을 널리 활용하지 못했습니다.산업체는 알고리즘 개선을 벤치마킹하기 위해 실세..