[논문 리뷰] A New Multi-vehicle Trajectory Generator to Simulate Vehicle-to-Vehicle Encounters

Wenhao Ding, Wenshuo Wang외 1명|arXiv (Cornell University)|2018. 09. 15.

Autonomous Vehicle Technology and Safety참고 문헌 36인용 수 16

한 줄 요약

이 논문은 학습된 잠복 코드에서부터 실재성 있고 시공간적으로 일관된 차량 간 만남 시나리오를 생성하기 위해 이중 방향 GRU 인코더와 다중 분지 디코더를 사용하는 다중 차량 궤적 생성기(MTG)를 제안한다. 주요 기여는 모델의 강건성과 코드 독립성을 평가하는 새로운 분리도 측정법으로, MTG가 VAE 및 InfoGAN보다 더 이성적이고 안정적이며 해석 가능한 다중 차량 상호작용을 생성함을 보여준다.

ABSTRACT

Generating multi-vehicle trajectories from existing limited data can provide rich resources for autonomous vehicle development and testing. This paper introduces a multi-vehicle trajectory generator (MTG) that can encode multi-vehicle interaction scenarios (called driving encounters) into an interpretable representation from which new driving encounter scenarios are generated by sampling. The MTG consists of a bi-directional encoder and a multi-branch decoder. A new disentanglement metric is then developed for model analyses and comparisons in terms of model robustness and the independence of the latent codes. Comparison of our proposed MTG with $β$-VAE and InfoGAN demonstrates that the MTG has stronger capability to purposely generate rational vehicle-to-vehicle encounters through operating the disentangled latent codes. Thus the MTG could provide more data for engineers and researchers to develop testing and evaluation scenarios for autonomous vehicles.

연구 동기 및 목표

• 자율 주행 차량의 테스트 및 훈련을 위한 다양한 고품질의 다중 차량 상호작용 데이터의 부족 문제를 해결하기 위해.
• 제한된 실세계 데이터로부터 차량 간 만남의 시공간 역학을 포괄하는 깊이 생성 모델을 개발하기 위해.
• 운동 요소의 분리된 잠복 인자들을 통해 제어 가능하고 해석 가능한 새로운 상호작용 시나리오 생성을 가능하게 하기 위해.
• 생성 모델의 잠복 코드의 해석 가능성과 강건성을 평가하는 새로운 분리도 측정법을 제안하기 위해.
• MTG가 VAE 및 InfoGAN과 같은 기준 모델보다 더 이성적이고 물리적으로 타당한 궤적을 생성함을 입증하기 위해.

제안 방법

• MTG는 다중 차량 궤적을 시공간적 의존성을 포착하는 분리된 잠복 공간으로 매핑하기 위해 이중 방향 GRU 인코더를 사용한다.
• 다중 분지 디코더는 샘플된 잠복 코드로부터 궤적을 재구성하며, 잠복 공간의 조작을 통해 다양한 시나리오 생성이 가능하다.
• 모델은 확률적 샘플링을 위해 재구성 기법을 활용하여 변분 추론을 통한 미분 가능한 훈련을 허용한다.
• 새로운 분리도 측정법은 입력 변동성 변화에 대한 출력 변동성 민감도 분석을 통해 코드 독립성과 강건성을 정량화한다.
• 이 측정법은 한 개의 잠복 코드가 다른 코드에 미치는 영향을 평가하여 잠복 공간 내 주요 요인과 의존성을 식별한다.
• 프레임워크는 실세계 궤적 데이터에서 엔드 투 엔드로 훈련되며, 궤적 유사도, 이성성, 분리도 분석을 통한 평가가 이루어진다.

실험 결과

연구 질문

• RQ1 제한된 실세계 데이터로부터 깊이 생성 모델이 실재성 있고 시공간적으로 일관된 다중 차량 상호작용 궤적을 생성할 수 있는가?
• RQ2 모델의 잠복 코드가 상대 속도나 회전 행동과 같은 독립적인 운동 요소를 얼마나 잘 분리할 수 있는가?
• RQ3 제안된 분리도 측정법이 기존 측정법보다 모델의 강건성과 코드 독립성 평가에서 어떻게 뛰어나게 되는가?
• RQ4 개별 잠복 코드를 조작하면 생성된 궤적에 예측 가능하고 물리적으로 타당한 변화가 일어나는가?
• RQ5 MTG는 VAE 및 InfoGAN과 비교해 어떻게 더 이성적이고 안정적이며 다양한 차량 상호작용 시나리오를 생성하는가?

주요 결과

• MTG는 VAE 및 InfoGAN보다 실세계 데이터와 시공간 공간에서 훨씬 더 가까운 궤적을 생성하며, 실세계 데이터와의 평균 궤적 거리가 낮다.
• MTG가 생성한 궤적은 더 부드러운 회전 행동을 보이며 급격한 각도 변화를 피함으로써 VAE보다 더 높은 물리적 타당성을 보여준다.
• 제안된 분리도 측정법은 기존 측정법이 고분산 또는 저신호 조건에서 실패하는 것과 달리 주요 잠복 코드(예: $z_6$)를 성공적으로 식별하고 코드 간 의존성을 드러낸다.
• MTG는 잠복 코드 간 거의 영향 없는 상호작용(의존도 근처 0)을 보이며, 강력한 분리도와 해석 가능성의 증거로 나타난다.
• VAE 기준 모델은 뚜렷한 코드 의존성을 보이며, $z_8$ 가 $z_1$ 과 $z_5$ 에 영향을 주며, 두 개의 코드($z_5$ 와 $z_6$)는 정보가 없음(출력 분산 ≈ 1)으로 나타나, 낮은 분리도를 보인다.
• MTG와 VAE 모두 출력 분산이 입력 분산보다 큰 경향을 보이며, 이는 제한된 강건성을 나타내지만, MTG는 더 안정적이고 해석 가능한 잠복 표현을 유지한다.