[E2E 자율주행] (6)-2 Closed-loop: Parameter Initialization / Traffic Simulation

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

Parameter Initialization

시뮬레이션 환경에서 초기 parameter가 많아 설계 과정의 복잡성을 해결하기 위한 방법

Procedural Generation

초기 매개변수를 알고리즘으로 생성하는 방식

• rule, 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 필요
• 시간이 많이 소요되고 전문가의 지식이 필요함.

Data-Driven

실제 주행 데이터에서 현실을 반영한 새로운 시나리오를 생성.

• Log Sampling
  • pre-recorded dataset에서 road map이나 교통 패턴 등으로 real-world driving logs를 추출해 시뮬레이션 초기 parameter 설정
  • 실제 데이터의 자연스러운 변동성(variability)을 반영하여 더 현실적인 시뮬레이션 환경을 제공.
  • 자율주행의 robustness testing에 치명적인 rare한 상황은 포함하지 못할 가능성.
  • Initial parameters는 각 시나리오의 representation을 증가시키는 것을 최적화할 수 있음.
• Generative Modeling
  • 머신러닝 알고리즘을 활용해 real-world data의 structure와 distribution을 학습하고 이를 기반으로 새로운 시나리오를 생성.
  • real-world data에 포함되지 않은 상황을 만들어내는 데 유용.

 

Traffic Simulation

차량, 보행자 virtual entities를 generating & 실제처럼 움직이도록 positioning.

• 속도, 가속도, 제동, 장애물, 교통신호 변화 등 현실적 시내 주행 요소 포함.

Rule-Based

미리 정의된 규칙을 사용해 교통 객체의 움직임을 생성.

 

Intelligent Driver Model - IDM

• 차량 속도, 앞차와의 거리, 안전 거리(safety distance) 등을 바탕으로 가속도를 계산하는 car-following model.
• 간단하고 잘 사용되나 복잡한 도시 환경 시뮬레이션에 한계.

Data-Driven

• 실제 주행 데이터를 활용해 interactive & complex한 traffic behavior(차선 변경, 합류, 급정지 등) 모델링.
• 더 현실적인 움직임을 반영할 수 있지만, 학습을 위한 대규모 라벨링 데이터가 필요.
• 다양한 learning-based technique이 이러한 data-driven 시뮬레이션에 사용됨.