Uncertainty-Aware Autonomous Vehicles: Predicting the Road Ahead
Created by
- Haebom
Category
Empty
저자
Shireen Kudukkil Manchingal, Armand Amaritei, Mihir Gohad, Maryam Sultana, Julian F. P. Kooij, Fabio Cuzzolin, Andrew Bradley
개요
자율주행차(AV) 인지 시스템의 오류를 줄이기 위해, RS-NN(Random-Set Neural Networks)을 활용하여 예측 불확실성을 명시적으로 정량화하는 연구를 수행했습니다. RS-NN은 전통적인 CNN 및 베이지안 방식과 달리 클래스 집합에 대한 신뢰 함수를 예측하여, 새로운 또는 모호한 시나리오에서 불확실성을 명확하게 식별하고 신호를 보낼 수 있습니다. 실제 자율 레이싱 차량 소프트웨어 스택에서 RS-NN을 테스트하여 도로 레이아웃 분류 및 관련 불확실성을 제공했습니다. 다양한 도로 조건에서 RS-NN의 성능을 전통적인 CNN 및 베이지안 신경망과 비교한 결과, RS-NN이 더 높은 정확도와 우수한 불확실성 보정을 달성했습니다. ROS 기반 차량 제어 파이프라인에 RS-NN을 통합하여 예측 불확실성이 차량 속도를 동적으로 조절하여 안전성을 향상시킬 수 있음을 입증했습니다.
시사점, 한계점
•
시사점:
◦
RS-NN을 활용한 불확실성 인지 예측 모델은 자율주행차의 안전성을 향상시킬 수 있습니다.
◦
RS-NN은 전통적인 CNN 및 베이지안 방법에 비해 높은 정확도와 우수한 불확실성 보정을 제공합니다.
◦
예측 불확실성을 기반으로 차량 속도를 동적으로 조절하여 안전성을 확보할 수 있습니다.
•
한계점:
◦
논문에서 구체적인 한계점은 명시되지 않았습니다.
◦
연구가 실제 자율 레이싱 차량 소프트웨어 스택에서 이루어졌으므로, 일반적인 자율주행 환경에서의 성능은 추가 연구가 필요할 수 있습니다.
