[논문 리뷰] Driver Digital Twin for Online Prediction of Personalized Lane Change Behavior

Xishun Liao, Xuanpeng Zhao외 6명|arXiv (Cornell University)|2022. 11. 02.

Vehicle emissions and performance인용 수 4

한 줄 요약

이 논문은 차량-에지-클라우드 아키텍처를 사용하여 연결형 및 자율주행차량(CAVs)이 실시간으로 개인화된 차선 변경 행동을 예측할 수 있는 드라이버 디지털 트윈(DDT) 시스템을 제안한다. 클라우드에서 이력 데이터를 바탕으로 개인 운전자를 모델링하고 에지에서 실시간 데이터를 처리함으로써, 시스템은 차선 변경 실행 6초 전에 의도를 94.3%의 정확도로 탐지하며, 4초 창 동안 평균 궤적 오차는 1.03미터를 기록한다. 이는 일반 모델 대비 정확도에서 27.8% 향상된 성능이다.

ABSTRACT

Connected and automated vehicles (CAVs) are supposed to share the road with human-driven vehicles (HDVs) in a foreseeable future. Therefore, considering the mixed traffic environment is more pragmatic, as the well-planned operation of CAVs may be interrupted by HDVs. In the circumstance that human behaviors have significant impacts, CAVs need to understand HDV behaviors to make safe actions. In this study, we develop a Driver Digital Twin (DDT) for the online prediction of personalized lane change behavior, allowing CAVs to predict surrounding vehicles' behaviors with the help of the digital twin technology. DDT is deployed on a vehicle-edge-cloud architecture, where the cloud server models the driver behavior for each HDV based on the historical naturalistic driving data, while the edge server processes the real-time data from each driver with his/her digital twin on the cloud to predict the lane change maneuver. The proposed system is first evaluated on a human-in-the-loop co-simulation platform, and then in a field implementation with three passenger vehicles connected through the 4G/LTE cellular network. The lane change intention can be recognized in 6 seconds on average before the vehicle crosses the lane separation line, and the Mean Euclidean Distance between the predicted trajectory and GPS ground truth is 1.03 meters within a 4-second prediction window. Compared to the general model, using a personalized model can improve prediction accuracy by 27.8%. The demonstration video of the proposed system can be watched at https://youtu.be/5cbsabgIOdM.

연구 동기 및 목표

• 혼합 교통 환경에서 인간 운전 차량(HDVs)이 존재하는 연결형 및 자율주행차량(CAVs)의 안전하고 효율적인 운영에 도전 과제를 해결하기 위해.
• CAV의 의사결정을 향상시키기 위해 인간 운전 차량의 차선 변경 행동에 대한 개인화되고 실시간 예측 시스템을 개발하기 위해.
• 차량-에지-클라우드 인프라에 배포된 디지털 트윈 프레임워크를 통해 온라인, 확장 가능하고 적응 가능한 운전자 행동 모델링을 가능하게 하기 위해.
• 실시간 네트워크 조건 하에서 시뮬레이션 및 실제 현장 환경 모두에서 시스템 성능을 검증하기 위해.

제안 방법

• 이력적인 주행 데이터를 기반으로 각 HDV에 대해 클라우드 기반 디지털 트윈을 구축하여 개인 운전자 행동 패턴을 모델링한다.
• 각 운전자로부터의 실시간 차량 데이터는 해당되는 디지털 트윈 모델을 사용하여 에지 서버에서 처리되어 차선 변경 조작을 예측한다.
• 시스템은 계층적 아키텍처를 채택한다: 장기적 행동 모델링은 클라우드에서, 실시간 추론은 에지에서, 데이터 수집은 차량에서 수행된다.
• 개별 운전자 궤적 데이터를 기반으로 개인화된 예측 모델을 훈련시켜 일반 모델 대비 정확도를 향상시킨다.
• 시스템은 4초 예측 창을 사용하며, 예측된 궤적과 GPS로 검증된 궤적 간의 평균 유클리드 거리(MED)를 성능 평가 지표로 사용한다.
• 현장 시험에서 실시간 통신을 보장하기 위해 4G/LTE 네트워크를 통해 아키텍처를 구현한다.

실험 결과

연구 질문

• RQ1 혼합 교통 환경에서 디지털 트윈 프레임워크는 개인 운전자에 대한 실시간 차선 변경 의도를 효과적으로 예측할 수 있는가?
• RQ2 디지털 트윈를 통한 개인화된 모델링은 일반 모델 대비 차선 변경 행동 예측에서 어떻게 비교되는가?
• RQ3 제안된 에지-클라우드 아키텍처를 사용할 경우, 차선 변경 의도 예측의 시간 정확도는 어떠한가?
• RQ4 실제 인간 운전자와 네트워크 지연 조건이 존재하는 실제 현장 조건에서 시스템은 어떻게 성능을 발휘하는가?
• RQ5 시스템의 궤적 예측 정확도는 기준 GPS 데이터와 비교해 어떻게 되는가?

주요 결과

• 시스템은 차선 분리선을 횡단하기 약 6초 전에 평균 94.3%의 정확도로 차선 변경 의도를 탐지한다.
• 4초 예측 창 동안 예측 궤적과 기준 궤적 간의 평균 유클리드 거리(MED)는 1.03미터이다.
• 개인화된 모델을 사용할 경우 일반(비개인화된) 모델 대비 예측 정확도가 27.8% 향상된다.
• 차선 변경 시작 6초 전에 평균 예측 지연 시간이 6초 이내로 실시간 성능을 달성한다.
• 4G/LTE 네트워크를 통해 3대의 승용차를 대상으로 실시한 현장 시험을 통해 시스템의 견고성과 확장 가능성이 실제 환경에서 입증되었다.
• 실제 운전자와 함께 작동하는 인공지능-운전자 협업 시뮬레이션 플랫폼이 다양한 주행 시나리오에서 시스템의 행동 예측 성능을 성공적으로 검증했다.