[논문 리뷰] A Learning-Based Approach for Lane Departure Warning Systems with a Personalized Driver Model

Wenshuo Wang, Ding Zhao외 2명|arXiv (Cornell University)|2017. 02. 04.

Autonomous Vehicle Technology and Safety참고 문헌 18인용 수 7

한 줄 요약

이 논문은 개인화된 운전자 모델을 사용하여 운전자 의도와 차량 궤적을 예측하는 기계학습 기반의 차선 이탈 경고 시스템을 제안한다. 이 모델은 가우시안 믹스처 모델(GMM)과 은닉 마르코프 모델(HMM)을 융합하여 구성되며, 차선 이탈을 수정할지 여부를 예측함으로써 거짓 경고율을 3.07%로 낮춘다. 이는 기존의 시간-차선-횡과거(TLC) 및 TLC-DSPLS 방법보다 유의미하게 뛰어나다.

ABSTRACT

Misunderstanding of driver correction behaviors (DCB) is the primary reason for false warnings of lane-departure-prediction systems. We propose a learning-based approach to predicting unintended lane-departure behaviors (LDB) and the chance for drivers to bring the vehicle back to the lane. First, in this approach, a personalized driver model for lane-departure and lane-keeping behavior is established by combining the Gaussian mixture model and the hidden Markov model. Second, based on this model, we develop an online model-based prediction algorithm to predict the forthcoming vehicle trajectory and judge whether the driver will demonstrate an LDB or a DCB. We also develop a warning strategy based on the model-based prediction algorithm that allows the lane-departure warning system to be acceptable for drivers according to the predicted trajectory. In addition, the naturalistic driving data of 10 drivers is collected through the University of Michigan Safety Pilot Model Deployment program to train the personalized driver model and validate this approach. We compare the proposed method with a basic time-to-lane-crossing (TLC) method and a TLC-directional sequence of piecewise lateral slopes (TLC-DSPLS) method. The results show that the proposed approach can reduce the false-warning rate to 3.07\%.

연구 동기 및 목표

• 차선 이탈 경고(LDW) 시스템에서 거짓 경고를 줄이기 위해 운전자 보정 행동(DCB)과 차선 이탈 행동(LDB)을 정확히 예측하는 것.
• 개별 운전 스타일의 차이를 반영하는 개인화된 운전자 모델(PDM)을 개발하는 것.
• 운전자 고유의 동역학과 도로 조건을 기반으로 향후 횡방향 차량 궤적을 예측하는 모델 기반 예측 알고리즘을 설계하는 것.
• 예측된 운전자 의도에 기반해 필요할 때만 경고를 발령하는 운전자 우호적인 경고 전략을 구현하는 것.
• 미시간 대학교 안전 파ilot 모델 배포 프로그램을 통해 수집한 10명의 운전자로부터의 자연주의 주행 데이터를 사용하여 접근 방식을 검증하는 것.

제안 방법

• 차량 속도, 상대 요각, 요 속도, 도로 곡률, 상대 횡방향 이격도의 다섯 가지 핵심 변수의 연합 확률 밀도를 표현하기 위해 가우시안 믹스처 모델(GMM)을 사용하여 개인화된 운전자 모델을 구축한다.
• 은닉 마르코프 모델(HMM)을 사용하여 운전자 행동의 시간적 동역학을 모델링하며, 상태는 차선 유지, 차선 이탈, 보정과 같은 구체적인 운전 모드를 나타낸다.
• 모드 전이를 연속적인 데이터 포인트 간에 세어 전이 행렬을 학습 데이터로부터 추정하며, GMM 성분의 최대 우도 기반 할당을 이용한다.
• 온라인 모델 기반 예측 알고리즘은 훈련된 PDM을 사용하여 향후 1초 동안의 차량 횡방향 궤적을 예측한다.
• 예측된 궤적에 기반한 경고 전략을 구현하여, 운전자가 차선 이탈을 수정할 가능성이 낮다고 판단될 경우에만 경고를 발령한다.
• 안전성과 경고 빈도의 균형을 맞추기 위해 시간-차선-횡과거(TLC) 및 파rameter γ₁, γ₂를 사용하여 위험 함수를 정의한다.

실험 결과

연구 질문

• RQ1 실제 주행 데이터를 기반으로 개인화된 운전자 모델이 차선 유지, 차선 이탈, 보정 행동을 효과적으로 구분할 수 있는가?
• RQ2 GMM-HMM 융합 모델이 1초 창에서 향후 차량의 횡방향 궤적을 얼마나 정확하게 예측할 수 있는가?
• RQ3 제안된 TLC-PDM 방법이 기준선 TLC 및 TLC-DSPLS 방법에 비해 거짓 경고율을 얼마나 줄이는가?
• RQ4 다양한 경고 전략 파라미터(γ₁, γ₂)가 안전성과 경고 빈도 사이의 트레이드오프에 어떤 영향을 미치는가?
• RQ5 운전자 고유의 행동 패턴을 신뢰성 있게 캡처하여 LDW 시스템의 수용성과 효과성을 향상시킬 수 있는가?

주요 결과

• 제안된 TLC-PDM 방법은 기준선 TLC 방법 및 TLC-DSPLS 방법보다 유의미하게 낮은 거짓 경고율 3.07%를 달성한다.
• 개인화된 운전자 모델은 차선 이탈 및 보정 행동에서의 개인적 차이를 효과적으로 포착하여 운전자 의도를 정확히 예측할 수 있다.
• 모델 기반 예측 알고리즘은 다섯 가지 입력 변수만을 사용하여도 향후 차량의 횡방향 궤적을 높은 정확도로 예측할 수 있었다.
• 예측된 운전자 행동에 기반한 경고 전략은 자연주의 주행 데이터 10명에 대한 검증을 통해 불필요한 경고를 줄이면서도 안전성을 유지함을 확인했다.
• LDW 설계에 운전자 고유의 동역학을 통합함으로써 시스템의 수용성 향상과 거짓 경고로 인한 번거로움 감소를 달성했다.
• γ₁ 및 γ₂의 파라미터 튜닝을 통해 안전성과 경고 빈도 사이의 조절 가능한 트레이드오프를 가능하게 하여 맞춤형 시스템 배포를 지원한다.