[논문 리뷰] A Taxonomy and Review of Algorithms for Modeling and Predicting Human Driver Behavior

Bhattacharyya, Raunak P., Kyle Brown외 3명|arXiv (Cornell University)|2020. 06. 15.

Autonomous Vehicle Technology and Safety인용 수 30

한 줄 요약

이 논문은 통합 POSG 기반 프레임워크 내에서 200개의 운전 행동 모델에 대한 포괄적인 분류체계와 검토를 제시하며, 핵심 작업(상태 추정, 의도 추정, 특성 추정, 모션 예측)과 보조 작업을 상세히 다룬다.

ABSTRACT

An open problem in autonomous driving research is modeling human driving behavior, which is needed for the planning component of the autonomy stack, safety validation through traffic simulation, and causal inference for generating explanations for autonomous driving. Modeling human driving behavior is challenging because it is stochastic, high-dimensional, and involves interaction between multiple agents. This problem has been studied in various communities with a vast body of literature. Existing reviews have generally focused on one aspect: motion prediction. In this article, we present a unification of the literature that covers intent estimation, trait estimation, and motion prediction. This unification is enabled by modeling multi-agent driving as a partially observable stochastic game, which allows us to cast driver modeling tasks as inference problems. We classify driver models into a taxonomy based on the specific tasks they address and the key attributes of their approach. Finally, we identify open research opportunities in the field of driver modeling.

연구 동기 및 목표

• 다중 에이전트 교통에서 운전자 행동을 모델링하기 위한 공통 수학적 프레임워크를 확립한다.
• 핵심 작업과 보조 능력에 기반한 분류법을 사용하여 기존 운전자 모델을 분류한다.
• 연구자들을 위한 연결고리와 격차를 밝히기 위해 200개의 발표된 모델을 분류법에 매핑한다.

제안 방법

• 대상 프레임워크를 도입: 상호 작용하는 교통 역학을 설명하는 이산 시간 다중 에이전트 부분 관찰 확률 게임(POSG) 프레임워크.
• 핵심 모델링 작업 정의: 상태 추정, 의도 추정, 특성 추정, 모션 예측, 명시적 추론 목표와 함께.
• 모델을 아키텍처, 학습, 이론, 범위 및 평가 축으로 배치하기 위해 작업별 비교 표와 키워드 카탈로그를 제공.
• 온라인/오프라인 특성 추정 구분 및 모션 예측(온라인, 구분적)과 교통 시뮬레이션(오프라인, 생성적) 간 구분.
• 관찰, 내부 상태, 정책, 상태 전이 가정에 따른 기존 모델의 접근 방식으로 요약.

실험 결과

연구 질문

• RQ1 다중 에이전트 교통에서 운전자 행동 모델링을 공통의 POSG 기반 수학적 프레임워크로 통합할 수 있는가?
• RQ2 핵심 작업(상태 추정, 의도/특성 추정, 모션 예측) 및 보조 작업에서 기존 모델은 어떻게 다른가, 그리고 구조화된 분류법 내에서 어떤 위치를 차지하는가?
• RQ3 운전자 모델 전반에서 의도 공간, 가설 표현, 추론 패러다임 간의 트레이드오프는 무엇인가?
• RQ4 자동차 계획 및 제어를 위한 상태 추정, 의도 추정, 특성 추정, 모션 예측을 위한 모델 선택에 대한 분류법의 지침은 무엇인가?

주요 결과

• POSG 기반 형식은 미시적이고 상호작용하는 교통 역학을 설명하기 위한 통합 수학적 프레임워크를 제공한다.
• 네 가지 핵심 작업(상태 추정, 의도 추정, 특성 추정, 모션 예측)과 보조 작업(위험 추정, 이상 탐지, 행태 모방, 미시적 시뮬레이션)을 중심으로 분류법이 구축된다.
• 논문은 200개의 운전자 모델을 목록화하고 분류하며, 그들의 아키텍처, 학습, 이론, 범위 및 평가 특성을 자세히 설명한다.
• 의도 추정 모델은 의도 공간, 가설 표현 및 추론 패러다임에서 차이를 보이며, 베이지안, 프로토타입-움직임, 게임 이론적 접근을 포함한다.
• 특성 추정은 종종 오프라인 또는 온라인일 수 있으며 결정론적 매개변수로 표현될 수 있고, 일부 모델은 매개변수 불확실성을 위해 파티클 또는 연속 분포를 활용한다.