[논문 리뷰] Data-Driven Vehicle Trajectory Forecasting

Shayan Jawed, Eya Boumaiza외 2명|arXiv (Cornell University)|2019. 02. 09.

Autonomous Vehicle Technology and Safety참고 문헌 27인용 수 4

한 줄 요약

이 논문은 원시 카메라 데이터를 사용하여 다단계 차량 경로 예측을 위한 컨volution 신경망(CNN) 기반 접근법을 제안하며, 이 작업을 시계열 회귀 문제로 설정한다. 이 방법은 선형 회귀, 의사결정나무, 평균/최근값 예측과 같은 베이스라인을 능가하여 통합 예측 전략을 사용할 때 평균 제곱 오차(MSE) 3393.64를 기록하며 자율주행 안전성 향상을 위한 뛰어난 정확도와 실시간 추론 능력을 입증한다.

ABSTRACT

An active area of research is to increase the safety of self-driving vehicles. Although safety cannot be guarenteed completely, the capability of a vehicle to predict the future trajectories of its surrounding vehicles could help ensure this notion of safety to a greater deal. We cast the trajectory forecast problem in a multi-time step forecasting problem and develop a Convolutional Neural Network based approach to learn from trajectory sequences generated from completely raw dataset in real-time. Results show improvement over baselines.

연구 동기 및 목표

• 자율주행의 안전성을 향상시키기 위해 주변 차량의 향후 경로를 정확하게 예측하는 것.
• 실시간 원시 카메라 데이터를 사용하여 동적인 교통 환경에서 복잡하고 노이즈가 많은 차량 경로를 예측하는 과제를 해결하는 것.
• LiDAR와 같은 고비용 센서에 의존하지 않고도 계산 효율적이며 실시간 추론이 가능한 경로 예측 시스템을 개발하는 것.
• CNN을 사용한 다단계 경로 예측에서 독립적 예측 전략과 통합 예측 전략의 성능을 비교하는 것.
• 기존의 회귀 모델 및 최신 기술의 회귀 모델과 비교하여 제안된 CNN 프레임워크의 성능을 평가하는 것.

제안 방법

• 시스템은 최신 기술의 객체 탐지 및 추적을 사용하여 원시 카메라 입력에서 경로 시퀀스를 생성함으로써 LiDAR가 필요 없도록 한다.
• 1D 컨volution 신경망(CNN)이 다중 타임스텝 동안 추적된 차량의 향후 (x,y) 위치를 예측하도록 훈련된다.
• 두 가지 훈련 전략을 평가함: 독립 예측(각 예측 수준에 대해 별도의 모델 5개 사용)과 통합 예측(하나의 모델이 동시에 모든 예측 수준을 예측).
• 실시간 응용 프로그램에 매우 중요한 빠른 추론 속도를 고려하여 최종 평가에 통합 전략을 채택함.
• 고정된 초기 학습률 0.0001과 배치 크기 3을 사용하여 Adam 최적화를 통해 엔드 투 엔드로 모델을 훈련함.
• 손실은 다중 향후 타임스텝 동안 예측된 경로 포인트와 진실값 간의 평균 제곱 오차(MSE)로 계산됨.

실험 결과

연구 질문

• RQ1 CNN 기반 아키텍처가 선형 회귀 및 의사결정나무와 같은 전통적 회귀 모델보다 다단계 차량 경로 예측에서 성능을 뛰어나게 할 수 있는가?
• RQ2 통합 예측 전략은 독립 예측 전략에 비해 예측 정확도와 추론 속도 측면에서 어떻게 비교되는가?
• RQ3 제안된 방법이 자율주행 차량에 구현 가능한 실시간 추론 성능을 달성하는가?
• RQ4 장기 예측 수준으로 갈수록 모델 성능이 얼마나 떨어지는가?
• RQ5 LiDAR나 복잡한 센서 융합 기술에 의존하지 않고도 CNN이 원시 경로 시퀀스에서 복잡한 비선형 경로 패턴을 효과적으로 학습할 수 있는가?

주요 결과

• 통합 CNN 전략이 가장 낮은 평균 제곱 오차(MSE) 3393.64를 기록하며, 다음으로 성능이 좋은 베이스라인인 독립 CNN 접근법(15181.55 MSE)을 크게 앞서나갔다.
• 통합 전략은 독립 전략 대비 추론 시간을 단축시켜 자율주행 차량에 실시간 구현에 더 적합함을 확인했다.
• 모델 성능은 예측 수준이 증가함에 따라 떨어졌으며, 이는 오차 누적이 발생하기 때문으로 기대되는 바였다. 예를 들어, t₄₅₋₅₀에서 MSE 값이 6192.45로 높아졌다.
• 최근 관측 위치를 예측하는 베이스라인의 MSE는 23511.61이었고, 평균 예측 베이스라인은 7259.255였으며, 이는 심지어 단순한 베이스라인이라도 극복하기 어려운 도전임을 보여준다.
• 통합 전략은 평균 예측 베이스라인 대비 79.4%의 MSE 감소와 최근값 예측 베이스라인 대비 84.5%의 MSE 감소를 기록하여 강력한 예측 능력을 입증했다.
• 비지도 추적 실패 탐지 방법은 인간 평가 결과(553건의 실패)와 높은 일치도(580건의 실패)를 보이며 데이터 품질 제어에 효과적임을 검증했다.