arXiv:2410.06345

Work-in-Progress: Traded Control Transfer for Managing Real-Time Sensor Uncertainties in Autonomous Vehicle

Md Sakib Galib Sourav, Liang Cheng

제출 2024-10-08

원문 초록

At Levels 2 and 3 of autonomous driving defined by the Society of Auto-motive Engineers, drivers must take on certain driving responsibilities, and automated driving must sometimes yield to human control. This situation can occur in real time due to uncertainties in sensor measurements caused by environmental factors like fog or smoke. To address this challenge, we propose a method to manage real-time sensor uncertainties in autonomous vehicles by monitoring sensor conflicts and dynamically adjusting control authority to maintain safe operation. However, to achieve this, we have introduced a novel metric called the Degree of Conflicts (DoC), which quantifies the conflict between real-time sensor data by measuring the differences between data from multiple sensors. Our approach aims to demonstrate the importance of selecting an appropriate DoC threshold for transferring control between the automation agent and the human driver. The results have shown that choosing the correct DoC threshold can enhance safety by promptly handing over the driving control from the automation system to the human driver in challenging conditions.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.15846v1cs.CV공통 태그 Autonomous Driving, Autonomous Vehicles

이동성이 학습을 돕는다: 움직임을 통한 객체 인식의 비지도 모델 적응

Mobility Helps Learning: Unsupervised Model Adaptation for Object Recognition via Movement

자율주행차와 로봇과 같이 이동 가능한 에이전트(agent)는 사람의 주석(annotation) 없이도 사전학습된 객체 인식 모델(model)을 새로운 환경에 자율적으로 적응시킬 수 있어야 한다. 기존의 테스트 시점 적응(test-time adaptation, TTA) 방법들은 라벨이 없는 모델 적응 문제를 다루지만, 일반적으로 테스트 데이터를 독립적인 스냅샷으로 취급하며, 에이전트가 동일한 객체를 서로 다른 거리와 시점(viewpoint)에서 관찰할 때 나타나는 예측 품질의 큰 분산이라는 풍부하고 고유한 감독(supervision) 신호를 적극적으로 활용하지 않는다. 이를 활용하기 위해, 우리는 모션에 의해 유발된 예측 분산을 활용하여 비지도 적응을 수행하는, 모델에 구애받지 않고(model-agnostic) 하이퍼파라미터(hyperparameter)에 민감하지 않은 패러다임인 MoCaFe를 제안한다. 구체적으로, 우리는 먼저 교차 시점(cross-view) 예측을 역분산(inverse-variance) 가중치로 융합하여 신뢰할 수 있는 가상 레이블(pseudo-label)을 구성하는 이동성 보정 필터링(mobility-calibrated filtering)을 개발한다. 필터링된 가상 레이블은 이후 효과적인 학습을 위한 '어려운 샘플(hard sample)'의 선택을 안내한다. 가상 레이블의 손상(corruption)을 추가로 억제하기 위해, 우리는 공개 데이터셋(dataset)을 사용하여 데이터 샘플에 가중치 인자를 할당함으로써 바이어스(bias)가 제한된(bounded) 클린 손실(loss) 추정량을 산출하는 선택적 확장인 p-MoCaFe를 도입한다. 자율주행(nuScenes, KITTI) 및 임바디드 에이전트(embodied-agent) 데이터셋에 대한 광범위한 실험을 통해 MoCaFe가 최신(state-of-the-art) TTA 기법들을 크게 능가하며, 최대 약 20%의 정확도 향상을 달성함을 보인다.

arXiv:2610.02825v1cs.CV공통 태그 Autonomous Driving, Autonomous Vehicles

TerrainForge: 반사실적 자율주행을 위한 물리 기반 도로 기하학 편집

TerrainForge: Physics-Grounded road geometry Editing for Counterfactual Autonomous Driving

도로 기하학(예: 정점부, 오목부, 과속방지턱)과 노면 상태(예: 젖어 있거나 빙판인 노면)는 차량의 움직임, 운전자와 온보드 카메라의 시야, 차량 간 여유 거리(clearance)에 영향을 미칩니다. 따라서 주행 장면에서 이러한 속성을 편집하려면 이에 상응하는 차량 움직임의 변화가 수반되어야 합니다. 주행 비디오에서 이러한 차이를 포착하려면 도로 편집 내용이 차량 움직임, 카메라 시점, 차량 간 여유 거리로 전파되어야 합니다. 본 논문에서는 재구성된 다중 차량 주행 에피소드로부터 도로 기하학 중심의 반사실적(counterfactual) 시나리오를 생성하는 프레임워크인 TerrainForge를 제시합니다. 통합 도로 모델(model)은 장면 변형을 4륜 차량 동역학과 연결하여 정점부, 오목부, 과속방지턱, 마찰력 변화가 차량 움직임, 카메라 시점 및 차량 간 여유 거리로 전파될 수 있도록 합니다. 차량 동역학은 CarSim을 기준으로 평가되었으며, 규정된 도로 기하학은 재구성된 Waymo 장면에서 검증되었습니다. 18개의 에피소드에 걸쳐 주변 차량의 반응을 재계산하는 대신 기록된 궤적에 그대로 둘 경우, 예측된 자차-선행 차량 간 거리의 중앙값 피크 차이는 정점부에서 1.52m, 오목부에서 1.41m로 나타났습니다. 나아가 983개의 제동 에피소드에 걸친 15,758개의 도로 편집에 대해 자차의 반응을 시뮬레이션하고, 각 편집을 편집되지 않은 재생 대비 안전성(safety) 결과와 쌍으로 구성했습니다. 이 쌍들을 통해 원래 주행 컨텍스트와 후보 도로 편집 파라미터를 입력으로 받아 자차의 최종 간격(terminal gap) 변화를 예측하는 1단계 선별 대리(surrogate) 모델을 학습시킵니다. 홀드아웃(held-out) 장면에서 이 예측은 변화가 없다고 예측하는 기준 대비 22-40% 더 낮은 평균 절대 오차를 달성하므로, 전체 다중 차량 롤아웃(rollout)을 수행하기 전에 후보군을 저비용으로 선별할 수 있습니다.

arXiv:2609.27296v1cs.SE공통 태그 Autonomous Driving, Autonomous Vehicles

Teach-to-Crash: 충돌 유발 테스트 시나리오 생성을 위한 폐루프 학생-교사 LLM 프레임워크

Teach-to-Crash: A Closed-Loop Student-Teacher LLM Framework for Collision-Inducing Test Scenario Generation

시뮬레이션에서 자율주행 시스템(ADS)을 검증하려면, 희귀하고 안전에 중요한(safety-critical) 실패를 발견하면서 실행 가능하고 다양하며 후속 실패 분석에 유용한 시나리오를 생성할 수 있는 테스트 아키텍처가 필요하다. 본 논문은 제약된 ego 중심 시나리오 표현, 정체(stagnation) 인식 검색 제어, 적응형 실패 탐색을 위한 이중 LLM 아키텍처를 결합한 폐루프 테스트 프레임워크 Teach-to-Crash를 제안한다. 고추론 Teacher LLM은 적응형 검색 제어기 역할을 하고, 저추론 Student LLM은 엄격한 JSON 스키마로 시뮬레이터에서 실행 가능한 시나리오를 출력한다. Teacher는 rolling collision rate와 time-to-collision 지표가 정체될 때만 개입하여 검색을 재방향할 전략적 지침을 제공한다. ego 차량의 속도 정책을 달리한 두 실험 설정으로 수행한 CARLA 사례 연구에서 Teach-to-Crash는 최고 Collision Hit Rate(90.79%), 최단 평균 Time-to-Collision(18.31 s), 경쟁력 있는 Collision Discovery Rate(136.21)를 달성했다. PAFOT은 더 높은 평균 CDR(179.44)을 기록했으나 분산이 훨씬 컸다. Teach-to-Crash는 또한 최고 다양성(0.547)과, CARLA Traffic Manager 컨트롤러 기준 두 설정을 평균했을 때 비교 방법 중 avoidability 기반 유용성 proxy가 가장 높았다(60.04%). 평가된 CARLA 범위 내에서 이러한 결과는, 폐루프 이중 LLM 추론이 제약된 실행 가능 프로그램 공간 위에서 적대적 시뮬레이션 기반 테스트를 조향하여 빈번하고 구조적으로 다양하며 더 자주 회피 가능한 것으로 평가되는 실패를 생성할 수 있음을 보여 준다.

arXiv:2607.21488v1cs.LG공통 태그 Autonomous Driving, Autonomous Vehicles

신호등 없는 교차로에서 자율주행 차량을 위한 압축 잠재 조율

Compact Latent Coordination for Autonomous Vehicles at Unsignalized Intersections

신호등 없는 교차로에서 자율주행 차량을 조율하는 것은 다중 에이전트 강화학습(MARL) 시스템에 있어 여전히 중요한 과제이며, 이러한 시스템은 일반적으로 조합적 행동 공간, 특권 정보에 대한 의존, 또는 경직된 에이전트 설계로 어려움을 겪는다. 우리는 중앙집중식 Master 에이전트가 전역 조율 전략을 인코딩하는 proto-plan이라고 부르는 압축된 연속 임베딩을 생성하는 계층적 심층 강화학습(DRL) 아키텍처인 Master-Agent Proto-plan System(MAPS)을 제안한다. 분산 Worker 에이전트는 이 임베딩을 지역 관측과 통합하여 차량별 제어를 수행하며, 전략적 의도와 전술적 실행을 분리하고 각 모듈의 독립적 최적화를 가능하게 한다. 이 조율 메커니즘에 대한 개념 증명 평가로, HighwayEnv에서 72가지 교차로 구성에 걸쳐 MAPS를 테스트한다. MAPS는 최신 베이스라인을 능가하며 평균 이동 시간을 크게 줄이면서 충돌 없는 주행을 달성한다. 학습된 proto-plan은 또한 견고한 일반화를 보인다: 3개 에이전트로 학습된 시스템이 5개 에이전트 시나리오에 제로샷(zero-shot)으로 배포될 때 94%의 성공률을 달성하여, proto-plan 기반 계층적 학습이 다중 차량 조율을 위한 유망한 프레임워크임을 확인한다.

arXiv:2607.14436v1cs.ET공통 태그 Autonomous Driving, Autonomous Vehicles

자율주행차 대중 수용의 전 세계적 동인과 장벽: 17개국의 실증

Global drivers and barriers to the public acceptance of autonomous vehicles: Evidence from 17 countries

본 연구는 특정 조건 하에서 자율 주행할 수 있지만, 요청 시 인간 운전자가 다시 제어할 준비를 유지해야 하는 자동차공학회(SAE) 3레벨 조건부 자동화 자동차에 대한 대중 수용을 조사했다. 기존 통합 기술 수용 및 사용 이론 2(UTAUT2) 기반 연구는 주로 유럽 표본에 초점을 맞춰 왔으며, 따라서 동일한 요인이 더 넓은 세계 지역 전반에서 수용을 형성하는지 여부는 여전히 불분명하다. 이 지식 공백은 L3Pilot 글로벌 사용자 수용 설문조사를 통해 해소되었다. 원본 데이터셋 18,631명의 응답자 중, 최종 분석 표본은 아프리카, 아시아, 유럽, 북미, 남미 17개국의 18,603명으로 구성되었다. 데이터는 UTAUT2 기반 구조방정식 모델을 사용하여 성능 기대, 노력 기대, 사회적 영향, 촉진 조건, 쾌락적 동기가 3레벨 자동차 사용 의도를 어떻게 형성하는지 검토하기 위해 분석되었다. 모델은 강한 설명력을 보였다. 분석 표본 전반에서 3레벨 자동차 사용 의도는 주로 성능 기대, 사회적 영향, 쾌락적 동기에 의해 촉진되었다. 노력 기대와 촉진 조건 역시 기여했지만, 직접적 역할은 더 작았다. 나이, 성별, 첨단 운전자 보조 시스템(ADAS) 사용 경험은 통계적으로 유의했지만, 비교적 약한 예측 변수였다. 전반적으로, 연구 결과는 3레벨 자동화 자동차 수용이 인구통계학적 특성이나 사용 편의성에 대한 우려보다는 사람들이 해당 기술을 유용하고, 사회적으로 지지받으며, 사용하기 즐겁다고 인식하는지에 더 크게 달려 있음을 시사한다.

arXiv:2607.11646v1cs.CV공통 태그 Autonomous Driving, Autonomous Vehicles

야간 고속도로 인식을 위한 이벤트-RGB 적응형 추적

Event-RGB Adaptive Tracking for Nighttime Highway Perception

고속도로에 배치된 지능형 교통 시스템(Intelligent Transportation Systems)은 교통 인식 및 차량 추적에 주로 일반 RGB 카메라에 의존한다. 그러나 고속도로 환경은 고유한 과제를 수반한다. 인공 조명 인프라의 부재와 높은 차량 속도가 결합되어 저조도 조건에서 인식 성능이 심각하게 저하된다. 특히, 야간 시나리오에서는 모션 블러, 노출 부족, 낮은 신호 대 잡음비로 인해 RGB 기반 감지 시스템의 신뢰성이 치명적으로 손상된다. 이러한 한계를 해결하기 위해 우리는 새로운 결합 이벤트-RGB 적응형 추적(JEAT, Joint Event-RGB Adaptive Tracking) 프레임워크를 제안한다. 고정된 하드코딩 우선순위에 제약된 기존 다중 센서 추적기와 달리, JEAT는 비동기 이벤트 스트림과 RGB 프레임을 통합된 결합 데이터 연관 최적화로 병합한다. 적응형 확장 칼만 필터(Adaptive Extended Kalman Filter)를 활용해 NIS 통계를 통해 측정 잡음을 지속적으로 추정함으로써, 프레임워크는 두 모달리티를 동적으로 가중하고 융합하며, 어둡거나 고속 이동 시에는 이벤트 스트림을, 밝거나 정적인 조건에서는 RGB 프레임을 최적으로 활용한다. 또한, 다양한 환경 조건을 갖춘 이벤트 기반 고속도로 인식용 공개 데이터셋이 없다는 점을 고려하여, CARLA 시뮬레이터를 사용해 생성한 대규모 합성 데이터셋인 SEHN을 제시한다. 본 데이터셋은 다양한 환경 조건(주간, 야간, 인공 조명 없는 야간)과 다양한 교통 밀도를 포함하며, 다중 모달 융합 연구를 촉진하기 위해 동기화된 RGB 영상과 이벤트 스트림을 제공한다. 코드와 데이터셋은 https://github.com/haidongwang96/SEHN 에서 공개될 예정이다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.