[논문 리뷰] A Framework for Real-time Traffic Trajectory Tracking, Speed Estimation, and Driver Behavior Calibration at Urban Intersections Using Virtual Traffic Lanes

Awad Abdelhalim, Montasir Abbas외 2명|arXiv (Cornell University)|2021. 06. 18.

Autonomous Vehicle Technology and Safety참고 문헌 26인용 수 7

한 줄 요약

이 논문은 도시 교차로에서 차량 궤적 추적, 도로변 영상에서의 속도 추정, 그리고 운전자 행동 모델 캘리브레이션을 위한 실시간 프레임워크를 가상 교통선을 사용하여 제시한다. 평균 속도 오차가 0.19 m/s(평균 속도의 2%)이며, Gazis-Herman-Rothery 차량 추종 모델의 정확한 캘리브레이션을 가능하게 한다. 모델 캘리브레이션 오차는 평균 0.45 m/s이다.

ABSTRACT

In a previous study, we presented VT-Lane, a three-step framework for real-time vehicle detection, tracking, and turn movement classification at urban intersections. In this study, we present a case study incorporating the highly accurate trajectories and movement classification obtained via VT-Lane for the purpose of speed estimation and driver behavior calibration for traffic at urban intersections. First, we use a highly instrumented vehicle to verify the estimated speeds obtained from video inference. The results of the speed validation show that our method can estimate the average travel speed of detected vehicles in real-time with an error of 0.19 m/sec, which is equivalent to 2% of the average observed travel speeds in the intersection of the study. Instantaneous speeds (at the resolution of 30 Hz) were found to be estimated with an average error of 0.21 m/sec and 0.86 m/sec respectively for free-flowing and congested traffic conditions. We then use the estimated speeds to calibrate the parameters of a driver behavior model for the vehicles in the area of study. The results show that the calibrated model replicates the driving behavior with an average error of 0.45 m/sec, indicating the high potential for using this framework for automated, large-scale calibration of car-following models from roadside traffic video data, which can lead to substantial improvements in traffic modeling via microscopic simulation.

연구 동기 및 목표

• 도로변 영상에서 실시간으로 정확한 차량 궤적 추적 및 속도 추정을 위한 시스템을 개발한다.
• 고해상도 장비 측정 차량 데이터와 비교하여 영상 기반 속도 추정의 정확도를 검증한다.
• Gazis-Herman-Rothery와 같은 운전자 행동 모델을 영상 기반 속도 데이터를 이용해 캘리브레이션한다.
• 저비용 영상 데이터에서 실시간으로 대규모 자동 캘리브레이션을 가능하게 하여 미시적 교통 시뮬레이션 모델을 보정한다.
• 고정밀 영상 기반 운전자 행동 파rameter를 통해 교통 안전성 향상과 시뮬레이션 정확도 향상을 도모한다.

제안 방법

• VT-Lane 프레임워크는 추적 및 분류 성능 향상을 위해 운동 유형별로 영역을 정의하는 가상 교통선을 사용한다.
• 딥 러닝 기반 객체 검출(예: YOLO 또는 유사 기법)을 사용하여 30 Hz에서 실시간 추론을 수행함으로써 차량 검출 및 추적을 수행한다.
• 공간적 및 시간적 해상도를 기반으로 추적된 궤적에서 속도 추정을 수행하며, 척도 캘리브레이션을 위해 시점 변환을 적용한다.
• 검증을 위해 고정밀 장비 측정 차량이 100 Hz로 기준 속도 데이터를 제공하며, 30 Hz 영상 기반 추정치와 비교한다.
• NEMA 단계 분류 및 동일 차선 내 차량의 동시 추적을 통해 차량 추종 이벤트를 식별한다.
• 영상 기반 속도 추정치와 모델 예측 속도 간 평균 절대 오차(MAE)를 최소화함으로써 운전자 행동 모델 파ram터(Gazis-Herman-Rothery)를 캘리브레이션한다.

실험 결과

연구 질문

• RQ1 도로변 영상에서 실시간 차량 속도 추정이 도시 교차로 환경에서 1m/s 이내의 정확도를 달성할 수 있는가?
• RQ2 자유 주행 조건과 정체 조건에서 영상 기반 속도 추정의 정확도는 어떻게 달라지는가?
• RQ3 영상 기반으로 유추된 속도 데이터로 미시적 운전자 행동 모델(Gazis-Herman-Rothery)을 얼마나 정확히 캘리브레이션할 수 있는가?
• RQ4 정체 상태에서의 가림 및 경계 상자 불안정성이 속도 추정 정확도에 미치는 영향은 어떠한가?
• RQ5 제안된 프레임워크는 여러 교차로 이동 방향에 걸쳐 대규모로 자동으로 운전자 행동 모델을 캘리브레이션할 수 있는가?

주요 결과

• 프레임워크는 평균 주행 속도를 평균 절대 오차 0.19 m/sec(측정된 평균 속도 9.52 m/sec의 2%)로 추정한다.
• 자유 주행 조건에서는 순순간 속도 추정 오차가 평균 0.21 m/sec이며, 정체 조건에서는 0.86 m/sec이다.
• 속도 추정의 결정 계수 R²는 93%로, 유추된 속도와 기준 속도 간 강한 상관관계를 나타낸다.
• 캘리브레이션된 Gazis-Herman-Rothery 모델은 NEMA 모든 이동 방향에서 실제 운전 행동을 평균 오차 0.45 m/sec로 재현한다.
• 신뢰할 수 있는 캘리브레이션을 위한 최소 인스턴스 수는 이동 방향에 따라 달라지며, 안정적인 파ram터 추정을 위한 기준은 30~60 프레임이다.
• 프레임워크는 도로변 영상 데이터만으로도 대규모 자동 캘리브레이션을 가능하게 하여 높은 잠재력을 보여준다.