[논문 리뷰] An LSTM Network for Highway Trajectory Prediction

Florent Altché, Arnaud de La Fortelle|arXiv (Cornell University)|2018. 01. 24.

Autonomous Vehicle Technology and Safety참고 문헌 29인용 수 635

한 줄 요약

이 논문은 자연주의 주행 데이터의 시간적 의존성을 활용하여 장기 예측 정확도를 향상시킨 LSTM 기반 신경망을 제안한다. 전체 NGSIM US101 데이터셋을 사용하여 10초 예측 시 횡방향으로는 0.73 m, 縦방향으로는 2.96 m/s의 중앙값 RMS 오차를 달성한다. 기존 방법은 종종 편향되거나 제한된 궤적 데이터 세트에 의존하지만, 본 모델은 이를 개선한다.

ABSTRACT

In order to drive safely and efficiently on public roads, autonomous vehicles will have to understand the intentions of surrounding vehicles, and adapt their own behavior accordingly. If experienced human drivers are generally good at inferring other vehicles' motion up to a few seconds in the future, most current Advanced Driving Assistance Systems (ADAS) are unable to perform such medium-term forecasts, and are usually limited to high-likelihood situations such as emergency braking. In this article, we present a first step towards consistent trajectory prediction by introducing a long short-term memory (LSTM) neural network, which is capable of accurately predicting future longitudinal and lateral trajectories for vehicles on highway. Unlike previous work focusing on a low number of trajectories collected from a few drivers, our network was trained and validated on the NGSIM US-101 dataset, which contains a total of 800 hours of recorded trajectories in various traffic densities, representing more than 6000 individual drivers.

연구 동기 및 목표

• 현재 ADAS 시스템에서 긴급 브레이킹을 초과하는 복잡한 조작을 예측하지 못하는 중기 예측의 부재를 해결한다.
• 수작업으로 선별하거나 소규모 궤적 데이터 세트를 사용하는 이전 연구의 한계를 극복한다. 이는 선택 편향을 유발하고 실제 환경 적용 시 일반화 능력을 떨어뜨린다.
• 다양한 교통 조건에서 장기간 예측(최대 10초)이 가능한 딥 러닝 모델을 개발하여 종방향 및 횡방향 차량 궤적을 정확히 예측한다.
• 자율주행 차량의 운동 계획 수립을 향상시키기 위해 주변 차량 행동을 더 신뢰성 있게 예측할 수 있도록 한다. 특히 추월 및 차선 변경 상황에서 유용하다.
• 대규모 실세계 데이터셋(NGSIM US101)을 기반으로 모델을 검증하여 일반화 능력과 일반 고속도로 주행 시나리오에 대한 강건성을 확보한다.

제안 방법

• 모델은 순차적인 차량 상태 데이터에서 시간적 의존성을 학습하기 위해 장기 단기 기억(LSTM) 신경망 아키텍처를 사용한다.
• 입력 특징은 정의된 범위 내에서 주변 차량의 종방향 및 횡방향 위치, 속도, 상대 위치를 포함하며, NGSIM US101 데이터셋에서 추출된다.
• 데이터 전처리 과정은 특징 정규화 및 과거 관측치를 고정 길이의 시간 윈도우(Kprev = 10)로 구성하여 네트워크에 입력하는 것을 포함한다.
• 미래의 횡방향 위치와 종방향 속도를 예측하기 위해 두 개의 별도 출력 헤드를 사용하며, 평균 제곱오차 손실을 사용해 공동으로 훈련한다.
• 예측의 강건성과 분산 감소를 위해 네 개의 최고 성능 모델 예측 평균을 취하는 배깅 기법을 적용한다.
• 사전 궤적 선택 없이 전체 US101 데이터셋(800시간, 6000명 이상의 운전자)을 사용해 훈련하여 실제 주행 행동의 광범위한 대표성을 확보한다.

실험 결과

연구 질문

• RQ1 자연주의 고속도로 주행 데이터의 대규모 비편향 데이터셋에서 훈련된 LSTM 네트워크가 10초까지의 장기 궤적 예측에 얼마나 잘 일반화되는가?
• RQ2 차량 유형 정보를 포함할 경우 횡방향 및 종방향 운동 예측 정확도에 어떤 영향을 미치는가?
• RQ3 표준 회귀 지표와 비교해 복잡한 이벤트(예: 차선 변경, 급브레이킹)를 예측할 때 모델의 성능은 어떠한가?
• RQ4 앙상블 학습(배깅)을 사용할 경우 개별 모델 대비 예측 안정성과 오차 감소에 어떤 기여를 하는가?
• RQ5 특히 차선 변경과 같은 전환 상황에서 모델이 예측 지연을 보이거나, 이로 인해 실용적 활용도에 어떤 영향을 미치는가?

주요 결과

• 제안된 LSTM 모델은 10초 예측 시 횡방향 위치 예측에 대해 중앙값 RMS 오차 0.73 m, 종방향 속도 예측에 대해 2.96 m/s를 기록한다.
• 네 개의 모델을 조합한 앙상블을 사용할 경우 기준 모델 대비 10초 예측 시점에서 횡방향 오차를 12% 감소시켜 최고의 성능를 달성한다.
• 예측 수준이 증가함에 따라 정확도가 점진적으로 저하되며, 10초 시점에서 횡방향 오차는 0.73 m, 종방향 속도 오차는 2.96 m/s에 도달한다.
• 강력한 전반적 성능에도 불구하고, 행동 변화에 대한 반응이 뚜렷한 지연을 보이며, 특히 장기 예측에서 횡방향 위치에 대해 최대 8~9초의 지연이 발생한다.
• 차량 유형 정보 제공은 종방향 속도 예측 정확도를 향상시켜 평균 약 0.2 m/s의 오차 감소를 이끌지만, 횡방향 위치 예측에는 도움이 되지 않는다.
• 기존 최고 수준의 방법들, 특히 [14]에서 제시한 다층 퍼셉트론 기반 기준 모델보다도 성능이 뛰어나며, 궤적 모델링에서 순환 기억의 우수성을 입증한다.