반응형
End-to-End Autonomous Driving과 관련된 다양한 게시물은
Introduction에서 확인하실 수 있습니다.
Sensor Simulation
시뮬레이터에서 image나 LiDAR 스캔 같은 raw data 생성 및 noise와 occlusion 반영한 현실적인 평가
Graphics-Based
3D 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 사용된 근사치에 따라 결과가 크게 달라질 수 있음.
- 자세한 내용은 “Synthetic datasets for autonomous driving: A survey” 참조.
Data-Driven
real-world sensor data를 활용하여 시뮬레이션을 생성
- 자율주행 차량과 주변 교통은 실제 기록된 것과 다르게 움직일 수 있음.
- Neural Radiance Fields(NeRF) & 3D Gaussian Splatting
- scene의 geometry와 appearance에 대한 implicit representation을 학습하여 새로운 시점 생성
- 장점: Graphics-Based Approach보다 시각적으로 더 현실적인 센서 데이터를 생성
- 단점: 높은 렌더링 시간, 재구성되는 각 장면에 대해 개별적 훈련이 필요
- Domain Adaptation
- 목표: 실제 데이터와 graphics-based 시뮬레이션 데이터 간의 차이를 최소화
- GAN과 같은 deep learning 기술: 현실감을 높이는 데 사용.
Vehicle Dynamics Simulation
시뮬레이션된 차량이 물리적으로 타당한 움직임을 따르도록 보장
- 시뮬레이션에서 real-world로 전환하기 위해서는 더 정확한 차량 동역학 모델링이 필요.
- 대부분의 시뮬레이터는 unicycle model or bicycle model과 같은 매우 단순화된 차량 모델을 사용.
Benchmarks
- CARLA: 거의 완벽한 점수로 해결됨.
- NoCrash: 특정 날씨 조건에서 단일 CARLA 도시에서 훈련하고, 다른 도시와 날씨 조건에 대한 일반화를 테스트.
- Town05: 단일 도시 대신 모든 도시에서 훈련하고 Town05를 테스트용으로 제외.
- LAV: Town02와 Town05를 테스트용으로 제외하며 나머지 도시에서 훈련.
- Roach: 훈련 중 본 세 개의 테스트 도시를 사용하지만, Town05와 LAV의 안전성 중요한 시나리오는 포함되지 않음.
- Longest6: 여섯 개의 테스트 도시를 포함. 두 개의 온라인 서버(Leaderboard v1 및 v2)는 평가 경로를 비공개로 유지하여 공정한 비교 보장.
- Leaderboard v2: 긴 경로 길이(평균 8km 이상)와 다양한 트래픽 시나리오로 매우 challenging함.
- nuPlan 시뮬레이터: 현재 NAVSIM 프로젝트를 통해 엔드 투 엔드 시스템 평가에 접근. 또한, nuPlan의 데이터 기반 parameter initialization 통해 지도 및 객체 속성을 입력하는 두 가지 벤치마크가 있음.
- Val14: nuPlan의 검증 데이터를 사용하며, 비공개 테스트 세트가 포함된 리더보드는 2023년 nuPlan 챌린지에 사용되었지만 더 이상 공개적으로 제출할 수 없음.
반응형