[논문 리뷰] A Transferable Pedestrian Motion Prediction Model for Intersections with Different Geometries

Nikita Jaipuria, Golnaz Habibi외 1명|arXiv (Cornell University)|2018. 06. 25.

Traffic and Road Safety참고 문헌 14인용 수 14

한 줄 요약

이 논문은 다양한 기하학적 구조를 가진 교차로 간에 궤적을 애핀 변환할 수 있도록 곡선변위 좌표 프레임에서 반변성 성분을 사용하는 이식 가능한 보행자 운동 예측 모델인 TASNSC를 제안한다. 이 기하학적 불변성 특성을 활용하여, 동일한 교차로에서 훈련 및 테스트할 경우 기준 모델인 ASNSC보다 7.2% 높은 분류 정확도를 달성하며, 다른 교차로 간에도 유사한 성능을 유지하여 현장 특화 지도가 필요 없이도 강력한 일반화 성능을 보여준다.

ABSTRACT

This paper presents a novel framework for accurate pedestrian intent prediction at intersections. Given some prior knowledge of the curbside geometry, the presented framework can accurately predict pedestrian trajectories, even in new intersections that it has not been trained on. This is achieved by making use of the contravariant components of trajectories in the curbside coordinate system, which ensures that the transformation of trajectories across intersections is affine, regardless of the curbside geometry. Our method is based on the Augmented Semi Nonnegative Sparse Coding (ASNSC) formulation and we use that as a baseline to show improvement in prediction performance on real pedestrian datasets collected at two intersections in Cambridge, with distinctly different curbside and crosswalk geometries. We demonstrate a 7.2% improvement in prediction accuracy in the case of same train and test intersections. Furthermore, we show a comparable prediction performance of TASNSC when trained and tested in different intersections with the baseline, trained and tested on the same intersection.

연구 동기 및 목표

• 다양한 곡선변위 및 횡단보도 기하학적 구조를 가진 새로운, 볼 수 없는 교차로에서도 잘 작동하는 일반화 가능한 보행자 의도 예측 모델을 개발하는 것.
• 이전 모델이 현장 특화 공간적 특징이나 고해상도 지도에 의존함으로써 이식성이 저해되는 한계를 극복하는 것.
• 특히 곡선변위까지의 거리를 기하학적으로 불변하는 표현 방식을 사용해, 교차로 간에 애핀 변환 가능성을 보장하는 상황적 맥락을 인코딩하는 것.
• 사전에 의미적 지도나 고정밀 환경 사전 지식이 필요 없이 장기적인 궤적 예측을 정확하게 수행할 수 있도록 하는 것.
• 다른 기하학적 구조를 가진 두 개의 서로 다른 교차로에서 테스트하여 모델의 이식 가능성을 검증하는 것.

제안 방법

• 모델은 애핀 변환을 통해 보행자 궤적을 곡선변위 좌표 프레임으로 변환하여, 다양한 교차로 기하학적 구조 간에도 기하학적 성질(예: 공선성, 평행성)을 유지한다.
• 곡선변위까지의 거리는 교차하는 곡선변위 간의 각도에만 의존하는 반변성 성분을 사용하여 기하학적 불변성을 확보한다.
• 증강된 반비음성 희소 코딩(ASNSC) 수식을 곡선변위 좌표 프레임에서 운동 원형과 전이 모델을 학습하기 위해 확장한다.
• 전이 모델은 가우시안 프로세스 기반으로 구성되며, 교차로 신호 상태를 추가 맥락 특성으로 포함할 수 있다.
• 곡선변위 기하학에 기반한 변환을 통해 궤적이 곡선변위 프레임으로 투영되어 다양한 교차로 간 일관된 표현이 가능해진다.
• 예측 성능 평가에는 분류 정확도(확률 가중치 기반)와 예측 궤적과 진짜 궤적 간의 수정 허스트로프 거리(MHD)를 사용한다.

실험 결과

연구 질문

• RQ1 다양한 곡선변위 기하학을 가진 교차로 간에 현장 특화 훈련 데이터나 고해상도 지도 없이도 보행자 운동 예측 모델이 일반화 가능한가?
• RQ2 곡선변위 좌표 프레임에서 곡선변위까지의 거리를 반변성 성분을 사용해 표현할 경우, 궤적이 애핀 변환되어 다양한 기하학적 환경에서 일관된 모델링이 가능한가?
• RQ3 다른 교차로에서 훈련 및 테스트할 경우, 제안된 모델이 기준 모델 대비 예측 정확도와 내성에 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 맥락 특성으로 교차로 신호 상태를 포함할 경우 예측 성능과 계산 비용에 어떤 영향을 미치는가?
• RQ5 다양성이나 훈련 궤적이 적은 교차로에서도 모델이 높은 성능을 유지할 수 있는가?

주요 결과

• TASNSC는 동일한 교차로(교차로 A)에서 훈련 및 테스트할 경우 ASNSC 대비 7.2% 높은 분류 정확도(90.47% 대 84.39%)를 달성한다.
• 교차로 B에서 훈련하고 교차로 A에서 테스트할 경우, TASNSC는 79.43%의 분류 정확도를 기록하여 다른 곡선변위 기하학을 가진 환경에서도 강력한 이식 가능성을 입증한다.
• 동일한 교차로에서 훈련 및 테스트할 경우 TASNSC의 수정 허스트로프 거리(MHD)는 2.031m이며, 기준 모델인 ASNSC(2.267m)보다 우수한 성능을 보인다.
• 교차로 간 실험에서 교차로 A에서 훈련하고 B에서 테스트할 경우, 교차로 신호 상태를 맥락 특성으로 포함하면 분류 정확도가 75.92%에서 79.51%로 향상된다.
• 다양한 교차로 간에 유사한 성능을 유지함으로써, 곡선변위 좌표 프레임이 현장 특화 사전 지식 없이도 효과적인 일반화를 가능하게 한다는 점을 시사한다.
• 가우시안 프로세스의 초모수 학습으로 인해 TASNSC의 계산 비용은 ASNSC보다 略로 높지만, 교차로 신호 상태를 포함할 경우 예측당 평균 0.8643초로 여전히 관리 가능하다.