[E2E 자율주행] (2) 모듈러 자율주행 기술

End-to-End Autonomous Driving과 관련된 다양한 게시물은
Introduction에서 확인하실 수 있습니다.

 

자율주행 전체 시스템을 여러 개의 모듈로 나누어 특정 작업을 수행하도록 설계한 방식.

• 모듈: 독립적인 기능 단위

 

특징

• 학계 및 산업계(Waymo, Zoox HMC 등)을 중심으로 모듈화 된 자율주행 시스템 개발이 활발함.
• 일반적으로 Perception-Prediction-Planning-Control로 구성된 단계적 구조를 가짐.
• 한 모듈의 출력이 다음 모듈의 입력으로 전달되어 전체 시스템을 완성.
• 각각의 모듈은 특정한 목적함수를 기준으로 학습 및 작동.
• 주행 경험을 결정짓는 중요한 역할은 조향 및 가속 출력 생성 계획 및 제어 모듈이 담당.
• 작업 예시:
  • 감지: 객체 탐지(Object Detection), 객체 추적(Object Tracking), 위치 확인(Localization).
  • 계획: 경로 설계(Path Planning) 및 제어(Control).

 

모듈러 자율주행 기술 구성

Modular Approach

인지(Perception)-판단(Planning)-제어(Control)

인지

센서 신호를 이용하여 주변의 동적 객체들을 검출하고 객체들의 움직임과 의도를 알아내는 작업

• 라이다, 레이다, 카메라, 열화상 카메라, 초음파 센서 등 수많은 센서를 통해 주변 환경으로 부터 방대한 양의 실시간 데이터를 수집
• 차량이 주변 환경을 이해하고 해석하여 정보에 근거한 결정을 내릴 수 있도록 하는 데 필수적
• 주변의 동적/정적 객체 검출
• 객체 움직임과 의도 파악

+ 측위

• 자율주행차 위치 파악
• 주변의 정적 환경(도로, 건물 등) 파악
• 고정밀 지도와 비교
• 나의 위치를 정확하게 추정
• 정밀 지도의 정확한 이해 및 정적 환경 파악

판단

인지와 측위 결과를 기반으로 경로를 계획하고 장애물을 피하는 등의 상위 판단을 내리는 작업

• 상위 판단 및 경로 계획
• 경로 계획 : 목적 지점까지의 최적의 경로 결정, 안전성/신속성을 목표로 최적의 경로 결정
• 의사 결정 : 차로 변경, 위험 회피, 차로 유지 등 주행에 필요한 의사 결정
• 주변 동적 객체들과의 상호작용이 중요
• 타차량과의 상호작용(예>차로 변경을 허용할지) - 타차량 운전 성향 및 의도 파악
• 보행자와의 상호작용(예>보행자가 길을 건널지 말지) - 보행자의 미래 위치 및 거동 예측 -> 충돌 여부 판단
• 센서 정보를 활용하여 보행자의 자율주행차 주시 여부 파악
• 위험 회피
  • 위험도 분석(주변 동적 객체 또는 장애물과의 충돌 위험도 평가)
  • 위험 회피 판단(자동 긴급 제동 기술 : 충돌 위험 및 충돌 가능성이 높다고 판단하면 자동으로 제동 수행, 위험 상황이나 사고 상황에서 피해를 최소화하는 판단 및 계획 수행)

제어

판단의 결과에 따라 차량을 운전하는 작업.

• 차량의 가속, 제동, 조향 및 기타 제어 시스템을 관리하여 선택한 동작 과정을 실행
• 다른 영역과 실시간으로 통신하면서 속도 조절, 조향, 제동, 알림 등에 대해 명령 받은 대로 작동
• 차량이 환경을 통해 안전하게 이동하고, 충돌을 피하고, 올바른 차선을 유지하고, 주변 환경의 동적 변화에 적절하게 대응하도록 보장

 

장점

• 개발 효율성: 각 모듈을 독립적으로 개발 가능하며, 팀 단위로 분업 가능.
• 해석 가능성: 문제 발생 시 원인을 특정 모듈에서 쉽게 진단 가능.
• 시스템 안정성: 특정 모듈에서 오류가 발생해도 전체 시스템에 미치는 영향이 제한적.

단점

• 비최적화 문제 (Sub-optimality)
  • 각 모듈에 대해 다른 목적함수로 학습 진행 → 모듈이 기능이 비정렬적으로 동작, 전체 주행 성능과 일치하지 않을 가능성.
  • 서로 다른 모델을 제각각 학습 및 학습함으로서 Interpratability는 항상되지만, 전체 모델 최적화 어려움
  • 각 모듈의 입출력이 궁극적 과제 수행에 최적이 아닐 수 있음.
    • ex) 탐지는 mAP를 추구하고, 계획은 주행 안전성과 편안함을 목표로 함
  • 예측 모듈의 ADE(Average Displacement Error) 등 중간 지표가 최종 목표(안전성 등)와 맞지 않을 수 있음.
• 오류 누적: 각 모듈의 오류가 순차적으로 진행되며 누적되어 정보 손실 초래. (모듈 간 오류 전파)
• 컴퓨팅 자원: 여러 인코더와 메시지 전송 시스템을 포함한 멀티 태스크, 멀티 모델 배포는 계산 부담을 증가시키고 컴퓨팅 자원을 비효율적으로 사용할 가능성
• Perception: 모든 객체를 정확하게 탐지하려는 시도는 불필요하고 효율적이지 않을 수 있음
  • 멀리 있는 자동차까지 전부 감지하지만 그것이 주행 성능에 크게 영향을 미치지는 않음.
  • 답이 하나만 있는 것이 아니기 때문에 메트릭 상으로 표현이 어려움.
• Prediction: ADE와 같은 중간 모듈 평가 지표가 최종 목표와 맞지 않을 수 있음
• 위험성: 잠재적인 위험상황에 대한 대처 능력을 보장하기 어려움
• 주행 가능한 상황을 먼저 정의해 시스템 설계 및 구현하기 때문에 예측 가능한 범위 내에서는 잘 작동하는 반면 예상하지 못한 상황에 직면하는 경우 대처가 어려운 문제점

 

References

• https://arxiv.org/pdf/2306.16927
• https://medium.com/@parkie0517/학부-연구생의-자율주행-자동차의-핵심-기술-소개와-측위-인식-판단-제어-해볼만한-연구주제-39a6941fb914
• https://divinetechnology.tistory.com/65
• https://www.cctoday.co.kr/news/articleView.html?idxno=2138326