[논문 리뷰] Diversity-Aware Vehicle Motion Prediction via Latent Semantic Sampling.

Xin Huang, Stephen G. McGill외 5명|arXiv (Cornell University)|2019. 11. 28.

Autonomous Vehicle Technology and Safety참고 문헌 23인용 수 6

한 줄 요약

이 논문은 GAN 프레임워크 내에서 잠재적 의미 공간을 사용하여 현실적이고 의미적으로 다양한 궤적을 생성하는 다각도 인식 차량 운동 예측 방법을 제안한다. 낮은 차원의 잠재 공간을 병합 및 전환과 같은 동작을 인코딩하도록 형상화함으로써, 모델은 제어 가능한 샘플링을 가능하게 하여 의미적 결과의 커버리지가 향상되면서도 공개 벤치마크에서 최신 기술 수준의 예측 성능을 달성한다.

ABSTRACT

Vehicle trajectory prediction is crucial for autonomous driving and advanced driver assistant systems. While existing approaches may sample from a predicted distribution of vehicle trajectories, they lack the ability to explore it - a key ability for evaluating safety from a planning and verification perspective. In this work, we devise a novel approach for generating realistic and diverse vehicle trajectories. We extend the generative adversarial network (GAN) framework with a low-dimensional approximate semantic space, and shape that space to capture semantics such as merging and turning. We sample from this space in a way that mimics the predicted distribution, but allows us to control coverage of semantically distinct outcomes. We validate our approach on a publicly available dataset and show results that achieve state of the art prediction performance, while providing improved coverage of the space of predicted trajectory semantics.

연구 동기 및 목표

• 기존 차량 궤적 예측 모델에서의 의미적 다양성 부족 문제를 해결하여, 안전 중심 계획 및 검증에 활용 가능한 모델의 유용성을 높이기 위해.
• 주행 행동의 핵심 요소를 포괄하는 저차원 의미 공간을 도입하여 예측 궤적 분포의 제어 가능한 탐색을 가능하게 하기 위해.
• 병합, 전환, 차선 유지와 같은 의미적으로 구분되는 결과의 커버리지 향상을 위해 궤적 샘플링 과정에서의 다양성 확보를 위해.
• 생성적 적대적 프레임워크 내에서 의미 인식 샘플링을 통해 다양성을 향상시키면서도 높은 예측 정확도를 유지하기 위해.
• 공개 데이터셋에서 방법을 검증하고, 의미적 커버리지가 향상된 상태에서 최신 기술 수준의 성능을 입증하기 위해.

제안 방법

• 생성적 적대적 네트워크(GAN) 프레임워크를 확장하여 차량 주행 동작의 의미를 근사하는 저차원 잠재 공간을 도입한다.
• 학습 과정에서 의미 감독을 활용하여 잠재 공간을 병합, 전환, 차선 변경과 같은 의미 개념과 일치하도록 형상화한다.
• 예측 궤적 분포를 모방하면서도 의미적으로 구분되는 결과의 제어 가능한 커버리지가 가능한 잠재 공간에 대한 샘플링 전략을 구현한다.
• 의미 공간의 잠재 코드를 조건으로 삼아 다양하고 현실적인 궤적을 합성하는 생성망을 활용한다.
• 생성된 궤적이 현실적이면서도 의미적으로 의미 있는지를 보장하기 위해 적대적 손실과 의미 일致성 손실을 함께 학습에 적용한다.
• 샘플링 과정에서 서로 다른 의미적 행동을 독립적으로 제어할 수 있도록 잠재 공간 내에서 분리된 표현을 도입한다.

실험 결과

연구 질문

• RQ1 저차원 잠재 공간이 차량 궤적 예측에서 다양한 의미적 행동을 효과적으로 포착하고 제어할 수 있는가?
• RQ2 기본적인 GAN 기반 샘플링과 비교해 의미 인식 샘플링이 궤적 분포 커버리지에 얼마나 기여하는가?
• RQ3 제안된 방법이 다양성을 향상시키는 동안에도 높은 예측 정확도를 유지하는 정도는 어느 정도인가?
• RQ4 모델은 현실적이면서도 실제 주행 행동을 잘 반영하는 의미적으로 구분되는 궤적(예: 병합, 전환)을 생성할 수 있는가?

주요 결과

• 제안된 방법은 공개 차량 궤적 예측 벤치마크에서 최신 기술 수준의 성능을 달성한다.
• 기본 GAN 기반 방법과 비교해 병합, 전환과 같은 의미적으로 구분되는 궤적 결과의 커버리지가 뚜렷이 향상됨을 입증한다.
• 의미 인식 샘플링은 예측 정확도를 희생시키지 않은 채 궤적 분포의 제어 가능한 탐색을 가능하게 한다.
• 잠재 공간은 핵심 주행 행동을 성공적으로 분리하여 해석 가능하고 제어 가능한 궤적 생성을 가능하게 한다.
• 생성된 궤적이 고도로 현실적이면서도 예측 동작의 다양성이 확대됨을 유지한다.