[논문 리뷰] A Driving Intention Prediction Method Based on Hidden Markov Model for Autonomous Driving

Shiwen Liu, Kan Zheng외 2명|arXiv (Cornell University)|2019. 02. 25.

Autonomous Vehicle Technology and Safety참고 문헌 17인용 수 7

한 줄 요약

이 논문은 실세계의 플라이오버 데이터를 기반으로 훈련된 은닉 마르코프 모델(HMM)을 사용하여 자율주행 차량의 주행 의도 예측 방법을 제안한다. 차량 이동 특성을 K-평균 군집화를 통한 이산적 특성화 또는 가우시안 믹스처 모델(GMM)을 통한 연속적 특성화 방식으로 모델링함으로써, 연속적 특성화 및 주변 차량 동역학을 포함할 경우 더 높은 정확도로 향후 주행 의도를 예측할 수 있다.

ABSTRACT

In a mixed-traffic scenario where both autonomous vehicles and human-driving vehicles exist, a timely prediction of driving intentions of nearby human-driving vehicles is essential for the safe and efficient driving of an autonomous vehicle. In this paper, a driving intention prediction method based on Hidden Markov Model (HMM) is proposed for autonomous vehicles. HMMs representing different driving intentions are trained and tested with field collected data from a flyover. When training the models, either discrete or continuous characterization of the mobility features of vehicles is applied. Experimental results show that the HMMs trained with the continuous characterization of mobility features can give a higher prediction accuracy when they are used for predicting driving intentions. Moreover, when the surrounding traffic of the vehicle is taken into account, the performances of the proposed prediction method are further improved.

연구 동기 및 목표

• 혼합 교통 환경에서 인간 운전 차량의 의도를 예측하여 자율주행 차량의 안전한 운영을 향상시키는 데 도전하는 것.
• 모의 주행 데이터가 아닌 현장에서 수집한 실세계 이동 데이터를 활용하여 예측 정확도를 향상시키는 것.
• 주변 교통 환경이 의도 예측에 미치는 영향을 분석하기 위해 인근 차량의 동역학을 통합하는 것.
• 최적의 성능을 얻기 위해 HMM 기반 의도 모델링에서 이산적 대비 연속적 특성화 방식의 영향을 조사하는 것.
• 주변 차량의 상대적 위치 및 속도 비율이 예측 정확도에 기여하는 정도를 평가하는 것.

제안 방법

• 이 방법은 주행 의도를 은닉 상태로 모델링하고, 이동 특성(예: 속도, 위치)을 관측 가능한 출력으로 사용하는 은닉 마르코프 모델(HMM)을 사용한다.
• 이동 특성은 K-평균 군집화를 통한 이산적 특성화 또는 가우시안 믹스처 모델(GMM)을 통한 연속적 특성화 방식으로 처리된다.
• HMM은 플라이오버에서 수집된 실차량의 궤적 데이터를 사용하여 훈련되어 실세계 적용 가능성 확보된다.
• 예측은 관측된 이동 특성에 기반해 가장 가능성이 높은 은닉 상태 시퀀스(주행 의도)를 찾기 위해 비터비 알고리즘을 사용한다.
• 관측 벡터에는 대상 차량의 이력뿐 아니라 주변 차량의 상대적 위치와 속도도 포함된다.
• 특성 행렬은 교통 맥락 영향을 반영하기 위해 상대적 위치 차이와 차선 속도 비율을 추가로 포함한다.

실험 결과

연구 질문

• RQ1 HMM에서 이동 특성을 연속적으로 특성화할 경우 이산적 특성화보다 더 높은 예측 정확도를 달성하는가?
• RQ2 주변 차량의 동역학을 통합할 경우 주행 의도 모델의 예측 성능이 어떻게 향상되는가?
• RQ3 예측 시간 지연이 HMM을 사용한 의도 예측 정확도에 미치는 영향은 무엇인가?
• RQ4 HMM의 하이퍼파rameter(예: 은닉 상태 수 Q, 가우시안 성분 수 M)가 예측 정확도에 미치는 영향은 무엇인가?
• RQ5 접근하는 차량의 상대적 위치 및 속도 비율을 포함할 경우 모델이 차선 변경 의도를 예측하는 능력이 향상되는가?

주요 결과

• GMM를 사용한 연속적 이동 특성 특성화로 훈련된 HMM은 K-평균 군집화를 사용한 이산적 특성화보다 유의미하게 높은 예측 정확도를 기록한다.
• 예측 시간 지연이 길어질수록 정확도가 감소하지만, 3초 전방 예측에서도 모델은 강력한 성능 유지를 보인다.
• 주변 차량의 이동 특성을 포함할 경우, 특히 장기 예측에서 교통 제약 조건을 더 잘 모델링함으로써 예측 정확도가 향상된다.
• 주변 차량의 상대적 위치는 특히 차선 변경 의도를 제한하거나 허용하는 데 핵심적인 맥락적 신호로 작용한다.
• 현재 차선과 인접 차선의 속도 비율은 운전자의 속도 추구 동기를 반영하므로 예측 정확도를 더욱 향상시킨다.
• 특성 수를 늘일수록 정확도는 향상되지만, 반복 알고리즘의 수렴성이 떨어져 특성 수가 너무 많아지면 평균 정확도가 약간 감소하는 경향이 있다.