[논문 리뷰] A Generic Framework for Clustering Vehicle Motion Trajectories

Fazeleh Sadat Hoseini, Sadegh Rahrovani외 1명|arXiv (Cornell University)|2020. 09. 25.

Time Series Analysis and Forecasting참고 문헌 25인용 수 6

한 줄 요약

이 논문은 비모수적 프레임워크인 DTMM을 제안하며, 중요한 초모수 조정이 필요하지 않은 채 다양한 길이의 차량 운동 궤적을 군집화하는 데에 사용된다. 동적 시간 왜곡(DTW)을 사용해 시간적 정렬을 수행하고, 최소최대 표현 학습을 통해 이행 관계를 임bedding하고, t-SNE를 활용해 시각화를 수행하여 실제 데이터에서 높은 군집 정확도를 달성하였으며, GAN에 의해 생성된 합성 궤적도 실제 군집과 일관됨을 검증하였다.

ABSTRACT

The development of autonomous vehicles requires having access to a large amount of data in the concerning driving scenarios. However, manual annotation of such driving scenarios is costly and subject to the errors in the rule-based trajectory labeling systems. To address this issue, we propose an effective non-parametric trajectory clustering framework consisting of five stages: (1) aligning trajectories and quantifying their pairwise temporal dissimilarities, (2) embedding the trajectory-based dissimilarities into a vector space, (3) extracting transitive relations, (4) embedding the transitive relations into a new vector space, and (5) clustering the trajectories with an optimal number of clusters. We investigate and evaluate the proposed framework on a challenging real-world dataset consisting of annotated trajectories. We observe that the proposed framework achieves promising results, despite the complexity caused by having trajectories of varying length. Furthermore, we extend the framework to validate the augmentation of the real dataset with synthetic data generated by a Generative Adversarial Network (GAN) where we examine whether the generated trajectories are consistent with the true underlying clusters.

연구 동기 및 목표

• 자율주행 시나리오 분석에서 길이가 다른 실제 차량 궤적을 군집화하는 문제를 해결하기 위해.
• 핵심 초모수에 의존하지 않는 비모수적, 무 supervision 군집화 프레임워크를 개발하기 위해.
• GAN에 의해 생성된 합성 궤적의 품질을 실제 궤적 군집과의 일관성 평가를 통해 검증하기 위해.
• 희귀 시나리오(예: 차선 변경)에 대한 실제 데이터가 부족한 경우에도 효과적인 군집화를 가능하게 하기 위해.
• 자율주행 차량 개발에서 교통 시나리오 데이터베이스를 구축하고 유지보수하기 위한 확장성 있고 견고한 도구를 제공하기 위해.

제안 방법

• 쌍별 시간적 이질성 계산을 위해 궤적을 동적 시간 왜곡(DTW)을 사용해 정렬하기.
• 최소최대 표현 학습을 통해 DTW 기반 이질성을 저차원 벡터 공간에 임베딩하기.
• 임bedded 공간에서 이행 관계를 추출하여 군집 간 분리도 향상시키기.
• 구조적 관계를 유지하면서 이행 관계를 새로운 벡터 공간에 재임베딩하기.
• 최종 임베딩 공간에 군집 알고리즘(예: 혼합 가우시안 모델, GMM)을 적용하여 최적의 군집 식별하기.
• 실제 궤적 데이터셋을 GAN(RecAE-GAN, RecAE-WGAN)으로 생성된 합성 궤적을 추가하여 소수 클래스의 군집 성능 향상시키기.

실험 결과

연구 질문

• RQ1 비모수적 군집화 프레임워크가 중요한 초모수 조정 없이도 다양한 길이의 차량 궤적을 효과적으로 처리할 수 있는가?
• RQ2 쌍별 이질성에서 유도된 이행 관계는 복잡하고 길쭉한 궤적 형태에서 군집 간 분리도를 얼마나 잘 향상시키는가?
• RQ3 GAN에 의해 생성된 합성 궤적은 실제 도로 주행 시나리오의 구조적 및 분포적 특성을 어느 정도 유지하는가?
• RQ4 제안된 프레임워크는 낮은 데이터 환경에서 합성 궤적 품질을 검증하는 도구로 기능할 수 있는가?
• RQ5 GAN에 의해 생성된 궤적을 활용한 데이터 증강이 차선 변경과 같은 희귀하지만 중요한 주행 시나리오에서 군집 성능을 크게 향상시키는가?

주요 결과

• DTMM는 실재 데이터가 제한된 상황에서도 합성 궤적을 포함한 증강 데이터셋에서 완벽한 군집 성능을 달성했으며, 랜드 인덱스 = 1.0, 상호정보량 = 1.0을 기록했다.
• 프레임워크는 다양한 임베딩 차원(d ≥ 1)에서 일관된 결과를 보이며 안정성과 강건성을 입증하여 초모수 조정이 거의 필요하지 않음을 시사했다.
• t-SNE 시각화 결과, 최종 공간 내 임베딩된 궤적이 군집 간에 잘 분리되어 명확하게 구분됨을 확인했다.
• 팔꿈치 방법을 통해 임베딩에 적합한 차원 수로 d=2를 도출하였으며, 고유값 감쇠가 명확한 분리점으로 나타났다.
• GAN에 의해 생성된 궤적(RecAE-GAN 및 RecAE-WGAN)은 시각적·정량적으로 실제 궤적 군집과 일관성이 있었으며, DTMM 군집 결과를 통해 검증되었다.
• 실제 데이터가 부족한 경우(Set4) DTMM은 정상적인 군집화를 하지 못했지만, GAN 증강 데이터를 사용한 경우(Set5 및 Set6)에서는 완벽한 군집화가 복원되어 합성 데이터의 유용성을 확인했다.