[논문 리뷰] Beyond Target-Level: ISAC-Enabled Event-Level Sensing for Behavioral Intention Prediction

Haotian Liu, Zhiqing Wei외 4명|arXiv (Cornell University)|2026. 01. 17.

Autonomous Vehicle Technology and Safety인용 수 0

한 줄 요약

이 논문은 ISAC 기반 프레임워크를 자율주행의 이벤트 수준 행동 의도 예측(BIP)에 제안하고, 비동기적 다중 소스 데이터를 처리하기 위해 ASI-BIP 네트워크를 도입하며 악천후에서 센서 베이스라인 대비 F1-스코어 11.4% 향상을 보인다.

ABSTRACT

Integrated Sensing and Communication (ISAC) holds great promise for enabling event-level sensing, such as behavioral intention prediction (BIP) in autonomous driving, particularly under non-line-of-sight (NLoS) or adverse weather conditions where conventional sensors degrade. However, as a key instance of event-level sensing, ISAC-based BIP remains unexplored. To address this gap, we propose an ISAC-enabled BIP framework and validate its feasibility and effectiveness through extensive simulations. Our framework achieves robust performance in safety-critical scenarios, improving the F1-score by 11.4% over sensor-based baselines in adverse weather, thereby demonstrating ISAC's potential for intelligent event-level sensing.

연구 동기 및 목표

• ISAC를 대상 수준 감지에서 이벤트 수준 감지로 확장하여 의미적이고 상호작용하는 행동 예측을 수행하도록 동기를 부여한다.
• 다중 초 간격 창에서 협력 감지와 차량 온보드 데이터를 융합하는 ISAC 기반 BIP 프레임워크를 개발한다.
• 이중 Bi-LSTM과 Transformer 기반 추론 모델로 비동기 데이터 융합 문제를 다룬다.
• 시뮬레이션을 통해 악조건에서 ISAC 기반 BIP의 타당성과 강건성을 평가한다.

제안 방법

• 감지 스냅샷당 여섯 차원 TV 상태 벡터를 추출하기 위한 ISAC 에코 신호 처리를 개발한다.
• 다른 갱신 주기의 TV 및 UV 물리 정보를 비동기 매트릭스로 구성한다.
• ASI-BIP 제안: 고속 TV 데이터와 저속 UV 데이터용 이중 독립 Bi-LSTM, 차량 간 상호 작용을 위한 Transformer 인코더 및 전역 맥락을 위한 분류 토큰.
• 어려운 의도에 대한 주목을 개선하고 클래스 불균형을 다루기 위해 focal loss로 학습한다.

실험 결과

연구 질문

• RQ1 ISAC 기반 협력 감지가 자율주행에서 정확한 이벤트 수준 행동 의도 예측을 지원할 수 있는가?
• RQ2 보간 없이 비동기 다중 속도 감지 데이터를 BIP에 효과적으로 융합할 수 있는 방법은 무엇인가?
• RQ3 어려운 조건에서 ISAC 기반 BIP와 탑재 레이다 기반 기준선 간의 성능 향상은 어느 정도인가?
• RQ4 제안된 모델은 보이지 않는 의도와 보이지 않는 SNR 영역에 얼마나 잘 일반화되는가?

주요 결과

사례	평균 정확도	매크로 F1-점수
사례 1	92.33%	0.9249
사례 2	87.08%	0.8642
사례 3	87.50%	0.8761
사례 4	86.42%	0.8660
사례 5	79.17%	0.7758

• ASI-BIP 네트워크는 학습 로스와 검증 로스의 수렴과 함께 강건한 BIP 성능을 달성한다.
• 검증 정확도는 알려진 7개 행동 세트에서 빠르게 약 90%에 도달하며, 행동별 F1은 다르게 나타난다(예: 급제동은 0.7568로 가장 낮고, 추월은 1.0000으로 완벽).
• 악천후에서 ISAC 기반 BIP는 센서 기반 기준선 대비 매크로 F1-점수를 11.4% 향상시킨다.
• 제안된 프레임워크는 보이지 않는 의도(따름)를 ROC AUC 0.6994로 일반화하고 보이지 않는 SNR 조건에 부분적으로 강건함을 보이며, 특히 추월의 경우 테스트된 SNR에서 F1-score가 1.0으로 나타난다.
• 탑재 레이더와 비교할 때, LoS 하에서 경쟁력 있는 성능을 보이며 악천후에서의 sub-6 GHz 센싱으로 severe-weather radar 사례를 능가한다.