[논문 리뷰] Deep Kinematic Models for Kinematically Feasible Vehicle Trajectory Predictions

Henggang Cui, Thi Nguyen외 5명|arXiv (Cornell University)|2019. 08. 01.

Autonomous Vehicle Technology and Safety참고 문헌 44인용 수 7

한 줄 요약

이 논문은 차량 운동학적 제약 조건을 궤적 예측에 통합하여 운동학적으로 타당한 출력을 보장하는 딥 러닝 프레임워크인 딥 운동학 모델(DKM)을 제안한다. 네트워크의 출력층에 이중축 차량 운동 모델을 통합함으로써 DKM은 정확도 향상과 함께 위치, 헤딩, 속도를 동시에 예측하며, 실세계 자율주행 차량 데이터에서 최신 기술을 능가한다.

ABSTRACT

Self-driving vehicles (SDVs) hold great potential for improving traffic safety and are poised to positively affect the quality of life of millions of people. To unlock this potential one of the critical aspects of the autonomous technology is understanding and predicting future movement of vehicles surrounding the SDV. This work presents a deep-learning-based method for kinematically feasible motion prediction of such traffic actors. Previous work did not explicitly encode vehicle kinematics and instead relied on the models to learn the constraints directly from the data, potentially resulting in kinematically infeasible, suboptimal trajectory predictions. To address this issue we propose a method that seamlessly combines ideas from the AI with physically grounded vehicle motion models. In this way we employ best of the both worlds, coupling powerful learning models with strong feasibility guarantees for their outputs. The proposed approach is general, being applicable to any type of learning method. Extensive experiments using deep convnets on real-world data strongly indicate its benefits, outperforming the existing state-of-the-art.

연구 동기 및 목표

• 비제약 딥 러닝 모델이 운동학적으로 비현실적인 차량 궤적을 예측하는 데서 비롯되는 한계를 해결하기 위해.
• 물리적 차량 운동학을 통합하여 위치, 헤딩, 속도 등의 차량 운동 상태 예측 정확도를 향상시키기 위해.
• 예측된 궤적이 물리적으로 타당하도록 보장하여, 비현실적인 회전 반경이나 일관성 없는 헤딩 추정과 같은 문제를 방지하기 위해.
• 모든 딥 러닝 아키텍처에 적용 가능한 일반화된 방법을 개발하고, 래스터화된 시나리오 입력에 기반한 컨volutional 네트워크를 사용하여 검증하기 위해.
• 신뢰할 수 있고 운동학적으로 타당한 예측을 통해 더 안전하고 효율적인 자율주행 차량 운동 계획을 가능하게 하기 위해.

제안 방법

• 딥 뉴럴 네트워크의 출력층에 이중축 차량 운동 모델을 통합하여 예측된 궤적에 물리적 제약 조건을 강제한다.
• 예측된 궤적이 위치, 헤딩, 속도의 전체 운동 상태를 동시에 예측하며, 단순히 위치만 예측하는 것과는 다릅니다.
• 운동학 레이어는 모든 예측 궤적이 자전거 모델 제약 조건을 충족하도록 보장하며, 최대 조향 각도 및 회전 반경 제한도 포함한다.
• 이 방법은 다양한 딥 러닝 아키텍처, 특히 래스터라이제이션된 시나리오 입력에 기반한 컨볼루션 네트워크를 사용한 경우에도 일반화 가능하고 호환성이 있다.
• 지상 진동 상태를 사용하여 엔드 투 엔드로 모델을 훈련시키며, 위치, 헤딩, 속도 정확도를 최적화하기 위한 손실 함수를 사용한다.
• 가능한 운동 패턴을 학습할 수 있도록, 운동 모델을 통해 역전파가 가능한 가역적 운동학 레이어를 제공한다.

실험 결과

연구 질문

• RQ1 딥 러닝에 물리적으로 기반한 차량 운동학 모델을 통합하면 궤적 예측의 정확도와 타당성이 향상되는가?
• RQ2 운동학 제약 조건을 강제하면 가속도 및 회전 속도 프로파일의 매끄럽고 현실적인 정도에 어떤 영향을 미치는가?
• RQ3 위치, 헤딩, 속도를 동시에 예측하는 것이 위치만 별도로 예측하는 것보다 운동학적 타당성과 오차 지표 측면에서 더 우수한가?
• RQ4 예측 오차로 인한 헤딩 오차는 보간 기반 방법에 비해 얼마나 감소하는가?
• RQ5 복잡한 조작(예: 회전 및 브레이킹) 상황에서 실세계 자율주행 시나리오에서 DKM 방법은 최신 기술 모델보다 어떻게 비교되는가?

주요 결과

• DKM는 평가된 모든 모델 중에서 가장 낮은 헤딩 오차를 기록했으며, 비제약 및 독립 예측 헤딩 기반 모델보다 뚜렷이 향상되었다.
• DKM는 비제약 모델 대비 회전 속도 분포에 대한 워샤르시안 거리(지표)를 두 배 이상 감소시켜 실제 동역학과의 일치도가 훨씬 높음을 시사했다.
• DKM는 소음이 최소화된 매끄러운 가속도 및 헤딩 프로파일을 생성했으며, 궤적 및 도함수 프로파일 품질 측면에서 비제약 UM 모델보다 뛰어났다.
• DKM는 운동학적 타당성을 보장했으며, 0%의 예측 궤적이 물리적 제약을 위반했으며, UM-heading(20% 비타당성 위반) 또는 CTRA(정확도에서 열등)와 같은 모델과 대비되었다.
• 우회전 및 브레이킹 사례 연구에서 DKM는 정확하고 매끄럽고 물리적으로 타당한 궤적을 생성했으며, 대체 모델은 회전을 과도하게 예측하거나 부적절하게 후진 운동을 예측했다.
• 이 프레임워크는 실세계 테스트에서 성공적으로 검증되었으며, 자율주행 차량에 탑재된 상태에서도 뛰어난 내구성과 신뢰성을 입증했다.