[논문 리뷰] A Learning-based Discretionary Lane-Change Decision-Making Model with Driving Style Awareness

Yifan Zhang, Qian Xu외 4명|arXiv (Cornell University)|2020. 10. 19.

Autonomous Vehicle Technology and Safety참고 문헌 18인용 수 9

한 줄 요약

이 논문은 자동차의 주행 스타일과 주변 차량의 주행 스타일을 통합하여 인간과 유사한 양측 주행 결정을 가능하게 하는 학습 기반의 비의무적 차선 변경 결정 모델을 제안한다. 실제 주행 트레이젝터리 데이터를 기반으로 딥 러닝을 활용함으로써, 인간 운전자의 결정을 98.66%의 정확도로 예측하며, 뒤따르는 차량에 미치는 부정적 영향을 줄여 교통 안전성과 효율성을 향상시킨다.

ABSTRACT

Discretionary lane change (DLC) is a basic but complex maneuver in driving, which aims at reaching a faster speed or better driving conditions, e.g., further line of sight or better ride quality. Although many DLC decision-making models have been studied in traffic engineering and autonomous driving, the impact of human factors, which is an integral part of current and future traffic flow, is largely ignored in the existing literature. In autonomous driving, the ignorance of human factors of surrounding vehicles will lead to poor interaction between the ego vehicle and the surrounding vehicles, thus, a high risk of accidents. The human factors are also a crucial part to simulate a human-like traffic flow in the traffic engineering area. In this paper, we integrate the human factors that are represented by driving styles to design a new DLC decision-making model. Specifically, our proposed model takes not only the contextual traffic information but also the driving styles of surrounding vehicles into consideration and makes lane-change/keep decisions. Moreover, the model can imitate human drivers' decision-making maneuvers to the greatest extent by learning the driving style of the ego vehicle. Our evaluation results show that the proposed model almost follows the human decision-making maneuvers, which can achieve 98.66% prediction accuracy with respect to human drivers' decisions against the ground truth. Besides, the lane-change impact analysis results demonstrate that our model even performs better than human drivers in terms of improving the safety and speed of traffic.

연구 동기 및 목표

• 기존의 비의무적 차선 변경(DLC) 결정 모델에서 인간 요소, 특히 주변 차량의 주행 스타일 통합의 부족을 해결하기 위해.
• 혼합 교통 환경에서 자율주행 차량과 인간 운전 차량 간의 상호작용 안전성과 효율성을 향상시키기 위해.
• 실제 주행 행동에서 학습하고 개인의 주행 스타일에 적응 가능한 인간과 유사한 DLC 결정 모델을 개발하기 위해.
• 사전에 지정된 목표 차선에 대한 가정 없이 비의무적 차선 변경과 의무적 차선 변경을 구분하기 위해.
• 시간까지 충돌(TTC) 및 속도 변화율 지표를 사용하여 주변 차량에 대한 차선 변경의 안전성 및 효율성 영향을 평가하기 위해.

제안 방법

• 모델은 실제 주행 트레이젝터리 데이터에서 차선 변경/유지 결정을 학습하기 위해 딥 네ural 네트워크를 사용하며, 상대적 위치, 속도, 간격과 같은 맥락적 교통 특징을 포함한다.
• 자신차량과 주변 차량의 주행 스타일이 잠재적 임bedding으로 인코딩되어 결정 과정에 통합되어 운전자의 성격과 행동 경향을 모델링한다.
• 모델은 실제 교통 조건에서 자연스러운 주행 행동을 캡처하는 highD 데이터셋을 기반으로 엔드 투 엔드로 훈련된다.
• 다중 작업 학습 프레임워크를 활용하여, TTC 및 속도 변화율을 사용해 차선 변경 결정과 동시에 뒤따르는 차량에 대한 안전성 영향을 추정한다.
• 모델은 맥락과 의도를 분석함으로써 비의무적 차선 변경과 의무적 차선 변경을 구분하여 사전에 할당된 목표 차선에 의존하지 않는다.
• 결정 과정은 역사적 교통 상태와 주행 스타일 프로파일에 조건화된 행동의 시퀀스로 모델링되어 적응형이고 맥락 인식 가능한 행동을 가능하게 한다.

실험 결과

연구 질문

• RQ1 주변 차량의 주행 스타일을 효과적으로 모델링하고 DLC 결정 시스템에 통합하여 상호작용 안전성을 향상시킬 수 있는가?
• RQ2 자신차량의 주행 스타일을 통합함으로써 학습 기반 모델이 인간과 유사한 차선 변경 결정을 어느 정도 재현할 수 있는가?
• RQ3 제안된 모델은 인간 운전자와 비교해 과도한 감속과 충돌 위험과 같은 부정적 교통 영향을 줄이는가?
• RQ4 모델이 목표 차선의 뒤따르는 차량에 대한 악영향을 최소화함으로써 전체 교통 효율성과 안전성을 향상시킬 수 있는가?
• RQ5 결정 정확도와 안전성 영향 측면에서 모델의 성능은 인간 운전자와 비교해 어떻게 다른가?

주요 결과

• 제안된 DSA-DLC 모델은 인간 운전자 결정에 대해 98.66%의 정확도를 달성하여 인간 행동과 강한 일치를 보였다.
• 안전성 영향 측면에서, 41.41%의 잘못된 양성 차선 변경 예측이 뒤따르는 차량에 악영향을 주었으며, 진짜 음성 사례의 31.37%보다 높은 수준이었으며, 이는 모델이 위험을 완화하는 데 성공했다는 것을 시사한다.
• 모델은 부정적 영향을 줄였다: 모델이 차선 유지 예측를 했지만 실제로 차선 변경이 일어난 경우, 목표 차선의 21.93%의 뒤따르는 차량이 속도 변화율이 -3% 이하로 감소했으며, 예측과 실행 모두 차선 변경이 일어난 경우 17.37%였다는 점에서 비교적 더 낮은 영향을 미쳤다.
• TTC 분석 및 속도 변화율 비교를 통해, 모델은 불필요한 감속을 최소화하고 더 안전한 간격을 유지함으로써 교통 효율성을 향상시켰다.
• 특히 목표 차선의 뒤따르는 차량과의 유해한 상호작용을 줄임으로써, 안전성과 속도 성능 측면에서 인간 운전자를 초월했다.
• 주행 스타일의 통합은 결정 품질을 크게 향상시켜, 모델이 주변 차량의 행동을 더 잘 예측하고 대응할 수 있도록 했다.