[논문 리뷰] Clustering of Driving Scenarios Using Connected Vehicle Datasets.

Wenshuo Wang, Aditya Ramesh외 1명|arXiv (Cornell University)|2018. 07. 23.

Autonomous Vehicle Technology and Safety참고 문헌 17인용 수 11

한 줄 요약

이 논문은 GPS 트래잭터리에서 주행 환경의 압축된 표현을 학습하기 위해 딥 오토에인코더와 거리 기반 측정법을 조합한 비지도 학습 프레임워크를 제안한다. 이후 k-means 군집화를 통해 2,568개의 자연주의 주행 시나리오를 서로 다른 행동군으로 분류하며, 레이블이 없는 데이터로도 효과적인 군집화를 달성한다.

ABSTRACT

Driving encounter classification and analysis can benefit autonomous vehicles to efficiently achieve a more smart decision. This paper presents an unsupervised learning framework to classify a wide range of driving encounters which compose of a pair of vehicles' GPS trajectories ordered by time. First, we develop five specific approaches, through integrating deep autoencoders with distance-based measures, to learn underlying representations of driving encounters in terms of both shape and distance, and we thoroughly compare and evaluate the performance of the five approaches. We then apply k-means clustering to categorize driving encounters into distinguishable groups based on the learned representations. Our proposed unsupervised learning framework for driving encounter classification is finally validated based on 2568 naturalistic driving encounters from connected vehicle datasets.

연구 동기 및 목표

• 수동 레이블링에 의존하지 않고 다양한 주행 환경을 자율주행차 시스템에서 분류하는 과제를 해결하기 위해.
• 차량 트래잭터리 쌍에서 공간적 형태와 시간적 거리 패턴을 모두 포착하는 표현 학습 기법을 개발하기 위해.
• 주행 환경 임베딩을 위한 여러 딥 오토에인코더 기반 접근법을 평가하고 비교하기 위해.
• 학습된 표현을 기반으로 k-means 군집화를 적용하여 주행 환경을 의미적으로 유의미한 카테고리로 그룹화하기 위해.
• 실제 연결차량 데이터셋(2,568건의 자연주의 주행 환경)을 대상으로 프레임워크를 검증하기 위해.

제안 방법

• 쌍체의 GPS 트래잭터리에서 도출된 형태 및 거리 특징을 통합하는 다섯 가지 다른 딥 오토에인코더 기반 방법을 활용한다.
• 트래잭터리 데이터를 기반으로 오토에인코더를 학습시켜 주행 환경의 저차원 잠재 표현을 학습한다.
• 구조적 및 시간적 정밀도를 향상시키기 위해 거리 기반 측정법(예: 동적 시간 왜곡 또는 하우스도르프 거리)을 활용한다.
• 학습된 표현에 k-means 군집화를 적용하여 유사한 주행 환경을 군집으로 묶는다.
• 다섯 가지 표현 학습 접근법의 아블레이션 및 비교 평가를 통해 군집화 성능을 최적화한다.
• 실제 연결차량 데이터셋(2,568건의 자연주의 주행 환경)을 대상으로 최종 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 어느 딥 오토에인코더와 거리 기반 측정법 조합이 가장 효과적인 주행 환경 표현을 제공하는가?
• RQ2 레이블이 없는 데이터로 비지도 군집화가 주행 환경을 의미적으로 구분 가능한 카테고리로 잘 분류할 수 있는가?
• RQ3 다양한 표현 학습 접근법 간에 차량 트래잭터리의 형태와 거리 패턴을 포착하는 데 있어 상대적인 성능은 어떠한가?
• RQ4 학습된 표현은 실제 연결차량 데이터의 다양한 자연주의 주행 시나리오에 대해 일반화 가능한가?
• RQ5 다섯 가지 제안된 표현 학습 방법 간에 군집의 응집도와 분리도 측면에서 군집 결과는 어떻게 비교되는가?

주요 결과

• 제안된 프레임워크는 레이블이 없는 데이터만을 사용하여 2,568건의 자연주의 주행 환경을 명확히 구분되는 행동군으로 성공적으로 군집화하였다.
• 딥 오토에인코더와 거리 기반 측정법의 통합은 기준 방법 대비 표현 품질을 크게 향상시켰다.
• 평가된 다섯 가지 접근법 중에서 특정한 오토에인코더 아키텍처와 거리 측정법 조합이 가장 높은 군집화 성능를 달성하였다.
• 학습된 표현은 차량 환경에서 공간적 트래잭터리 형태와 시간적 순서 패턴을 효과적으로 포착하였다.
• 학습된 임베딩에 k-means 군집화를 적용한 결과, 다양한 주행 행동에 해당하는 일관되고 구분 가능한 군집이 생성되었다.
• 프레임워크는 실제 연결차량 데이터에서 강력한 일반화 성능을 보이며, 자율주행차 의사결정 시스템에의 적용 가능성을 입증하였다.