WOD-E2E: Waymo Open Dataset for End-to-End Driving in Challenging Long-tail Scenarios
Created by
- Haebom
Category
Empty
저자
Runsheng Xu, Hubert Lin, Wonseok Jeon, Hao Feng, Yuliang Zou, Liting Sun, John Gorman, Kate Tolstaya, Sarah Tang, Brandyn White, Ben Sapp, Mingxing Tan, Jyh-Jing Hwang, Drago Anguelov
개요
본 논문은 확장성과 다중 모달 대형 언어 모델(MLLM)과의 시너지로 인해 연구 커뮤니티의 관심을 받고 있는 비전 기반 종단 간(E2E) 자율 주행의 잠재력을 시험하기 위해 Waymo Open Dataset for End-to-End Driving (WOD-E2E)를 소개한다. WOD-E2E는 일상 생활에서 0.03% 미만의 빈도로 발생하는, 까다로운 롱테일 시나리오를 위해 특별히 구성된 12시간 분량의 4,021개의 주행 세그먼트를 포함한다. 또한, 기존의 오픈 루프 평가 지표가 자율 주행의 다중 모달 특성을 포착하거나 롱테일 시나리오에서의 성능을 효과적으로 평가하는 데 미흡하다는 점을 해결하기 위해, Rater Feedback Score (RFS)라는 새로운 오픈 루프 평가 지표를 제안한다. RFS는 예측된 궤적이 평가자가 주석 처리한 궤적 선호 레이블과 얼마나 일치하는지 측정한다.
시사점, 한계점
•
시사점:
◦
롱테일 시나리오에 특화된 새로운 데이터셋(WOD-E2E)을 제공하여 자율 주행 연구를 발전시킬 수 있는 기반을 마련함.
◦
기존 평가 지표의 한계를 극복하기 위해 새로운 평가 지표(RFS)를 제안하여, 롱테일 시나리오에서 자율 주행 시스템의 성능을 더 정확하게 평가할 수 있도록 함.
◦
일반화 가능하고 견고하며 안전한 E2E 자율 주행 에이전트 연구를 촉진하여, 복잡한 실제 상황을 처리할 수 있는 기술 개발을 목표로 함.
•
한계점:
◦
테스트 데이터셋에 대한 라벨이 공개되지 않아, 연구자들이 자체적으로 테스트를 수행하고 결과를 검증하는 데 제약이 있을 수 있음.
◦
논문에서 구체적인 실험 결과나 성능 비교에 대한 상세 정보가 부족할 수 있음.
◦
데이터셋 및 평가 지표가 특정 환경(Waymo 데이터)에 맞춰져 있어, 다른 환경에서의 일반화 가능성에 대한 추가 연구가 필요할 수 있음.
