[논문 리뷰] Deep Kinematic Models for Physically Realistic Prediction of Vehicle Trajectories

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

Autonomous Vehicle Technology and Safety참고 문헌 25인용 수 24

한 줄 요약

이 논문은 신경망과 운동 모델을 결합하여 운동학적으로 타당한 출력을 보장하는 딥 러닝 프레임워크를 제안한다. 실제 데이터를 이용한 실험 결과, 최신 기술 대비 더 현실적인 차량 궤적을 예측하는 데 성공했다.

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

• 차량 운동학적 특성을 명시적으로 코딩하여 기존 딥 러닝 모델이 운동학적으로 비가능한 차량 궤적을 생성하는 문제를 해결한다.
• 신경망 아키텍처에 물리적 제약 조건을 통합하여 자율주행 차량의 운동 예측의 현실성과 안전성을 향상시킨다.
• 모든 딥 러닝 방법에 적용 가능한 일반화 가능한 프레임워크를 개발한다.
• 예측된 궤적이 가속도, 곡률, 속도 한계와 같은 기본적인 차량 운동학 제약 조건을 준수하도록 보장한다.

제안 방법

• 물리 기반 차량 운동 모델(예: 운동학 자전거 모델)을 딥 러닝 아키텍처에 인덕티브 바이어스로 통합한다.
• 학습 및 추론 중에 운동 제약 조건을 강제하기 위해 가역성 있는 운동학 레이어를 사용하여 예측 궤적의 타당성을 확보한다.
• 컨볼루션 신경망(CNN)과 운동학 헤드를 조합하여 궤적 점을 회귀하면서도 동적 제약 조건을 준수한다.
• 예측 정확도를 최적화하면서도 물리적 타당성을 유지하도록 실제 주행 데이터로 종단 간 모델을 훈련한다.
• 예측 헤드를 백본 네트워크에서 분리하여 다양한 딥 러닝 아키텍처와의 호환성을 확보한다.
• 운동학 타당성에서의 이탈을 처벌하는 정규화 및 손실 함수를 적용하여 일반화 및 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델에 차량 운동학을 명시적으로 통합하면 예측 궤적의 물리적 타당성이 향상되는가?
• RQ2 신경망의 능력과 물리 기반 운동 모델을 조합하면 순수 데이터 기반 접근 방식에 비해 예측 정확도에 어떤 영향을 미치는가?
• RQ3 제안된 방법이 다양한 딥 러닝 아키텍처와 주행 시나리오에 얼마나 일반화되는가?
• RQ4 운동학 제약 조건을 강제하면 실제 자율주행 응용 분야에서 더 현실적이고 안전한 궤적 예측이 이루어지는가?

주요 결과

• 제안된 방법은 실제 궤적 예측 벤치마크에서 최신 기술 대비 뛰어난 성능을 달성한다.
• 예측 궤적이 일관되게 운동학적으로 타당하며, 무한 가속도나 불가능한 회전과 같은 비현실적인 조작을 방지한다.
• 물리 기반 제약 조건의 통합은 특히 장거리 예측에서 예측 정확도를 크게 향상시킨다.
• 프레임워크는 다양한 딥 러닝 아키텍처, 특히 컨볼루션 네트워크와도 호환되며 일반화 가능하다.
• 실험 결과, 다양한 주행 시나리오와 교통 조건에서 모델의 일반화 능력이 뛰어나다는 것이 입증되었다.
• 학습 및 추론 중에 차량 역학을 명시적으로 모델링함으로써 물리적으로 비가능한 예측 수를 줄였다.