[논문 리뷰] Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification

Sobhan Moosavi, Pravar D. Mahajan외 3명|arXiv (Cornell University)|2021. 02. 10.

Autonomous Vehicle Technology and Safety인용 수 12

한 줄 요약

이 논문은 테레매틱스 데이터에서 고해상도 주행 스타일 표현을 추출하여 더 나은 운전자 식별을 위한 딥러닝 모델인 D-CRNN을 제안한다. CNN을 사용해 의미 있는 주행 패턴을 탐지하고 RNN을 통해 시간적 의존성을 모델링함으로써 D-CRNN는 최신 기술 수준의 성능을 달성하며, 기준 모델 대비 클러스터링 오차를 감소시키고 조정된 상호정보량(AMI)을 15% 향상시키며, 다양한 경로 샘플링을 통해 공간적 기억화를 완화한다.

ABSTRACT

Identifying driving styles is the task of analyzing the behavior of drivers in order to capture variations that will serve to discriminate different drivers from each other. This task has become a prerequisite for a variety of applications, including usage-based insurance, driver coaching, driver action prediction, and even in designing autonomous vehicles; because driving style encodes essential information needed by these applications. In this paper, we present a deep-neural-network architecture, we term D-CRNN, for building high-fidelity representations for driving style, that combine the power of convolutional neural networks (CNN) and recurrent neural networks (RNN). Using CNN, we capture semantic patterns of driver behavior from trajectories (such as a turn or a braking event). We then find temporal dependencies between these semantic patterns using RNN to encode driving style. We demonstrate the effectiveness of these techniques for driver identification by learning driving style through extensive experiments conducted on several large, real-world datasets, and comparing the results with the state-of-the-art deep-learning and non-deep-learning solutions. These experiments also demonstrate a useful example of bias removal, by presenting how we preprocess the input data by sampling dissimilar trajectories for each driver to prevent spatial memorization. Finally, this paper presents an analysis of the contribution of different attributes for driver identification; we find that engine RPM, Speed, and Acceleration are the best combination of features.

연구 동기 및 목표

• 실세계 테레매틱스 데이터에서 분류 가능한 주행 스타일 표현을 캡처하는 딥러닝 프레임워크를 개발하는 것.
• 운전자 식별에서 공간적 기억화 문제를 해결하는 것. 즉, 모델이 실제 주행 행동이 아닌 노선 유사성에 의존하는 것을 방지하는 것.
• 특히 CAN-bus 데이터로부터 주행 스타일 표현에 가장 유용한 차량 센서 기능 조합을 규명하는 것.
• 최소한의 공간적 편향을 가진 다양한 대규모 실세계 데이터셋에서 제안된 모델의 효과성을 평가하는 것.
• 기존 딥러닝 및 비딥러닝 기준 모델 대비 D-CRNN 아키텍처의 우수성을 운전자 식별 작업에서 입증하는 것.

제안 방법

• D-CRNN 모델은 시계열 주행 데이터(속도, 가속도, RPM)에서 브레이킹 또는 커브 주행 등의 의미적 패턴을 추출하기 위해 컨볼루션 신경망(CNN)을 사용한다.
• 이러한 의미적 패턴 간의 시간적 의존성을 모델링하기 위해 순환 신경망(RNN)을 적용하여 운전자의 순차적 행동 특성을 인코딩한다.
• 최종 완전 연결 층은 운전자 스타일의 잠재 표현을 생성하며, 이는 분류를 통해 신원 예측에 사용된다.
• 공간적 기억화 편향을 줄이기 위해, 각 운전자로부터 유사하지 않은 경로를 선택하는 데이터 샘플링 전략을 구현한다. 이로써 훈련 데이터 내 경로 겹침을 최소화한다.
• 모델는 대규모 CAN-bus 및 GPS 데이터에서 엔드 투 엔드로 훈련되며, 운전자 식별 작업에서 최적의 성능을 내기 위해 초모델 하이퍼파라미터가 조정된다.
• 모델 성능 평가에는 클러스터링 기반의 운전자 해상도를 사용하며, 다양한 경로 세트에서 조정된 상호정보량(AMI)과 추정 오차(EE)를 측정한다.

실험 결과

연구 질문

• RQ1 D-CRNN 아키텍처는 기존 딥러닝 및 비딥러닝 모델 대비 분류 가능한 주행 스타일 표현을 얼마나 효과적으로 학습하는가?
• RQ2 훈련 데이터의 공간적 유사성이 운전자 식별 모델에 얼마나 큰 영향을 미치며, 이를 어떻게 완화할 수 있는가?
• RQ3 속도, 가속도, RPM 등의 차량 센서 기능 조합 중 주행 스타일 표현에 가장 분류 능력이 뛰어난 조합은 무엇인가?
• RQ4 제안된 모델은 서로 다른 경로가 거의 겹치지 않는 다양한 실세계 주행 데이터셋에서도 일반화 가능한가?
• RQ5 비지도 운전자 해상도 작업, 예를 들어 레이블이 없는 경로 세트에서 운전자 수를 추정하는 데서 모델의 성능은 어떠한가?

주요 결과

• D-CRNN 모델은 조정된 상호정보량(AMI) 점수 0.62를 기록하여 최고의 기준 모델(ARNet) 대비 약 15% 높은 성능을 보였다.
• 클러스터 수 추정 오차(EE)는 D-CRNN가 1.08로, 다음으로 우수한 모델인 ARNet의 1.20보다 낮아, 더 높은 클러스터링 정확도를 입증했다.
• 공간적 유사성이 최소한인 경로로 훈련된 D-CRNN는 여전히 뛰어난 성능을 보이며, 이는 모델이 노선 기반 패턴이 아닌 진정된 주행 스타일을 학습하고 있음을 확인한다.
• CAN-bus 데이터에서의 엔진 RPM, 속도, 가속도 조합이 주행 스타일 표현에 가장 분류 능력이 뛰어난 기능 조합임을 입증했다.
• 제안된 데이터 샘플링 전략은 공간적 기억화를 효과적으로 줄여주며, 모델이 지리적 경로 정보가 아닌 행동 패턴을 학습하도록 보장한다.
• D-CRNN 프레임워크는 단독 CNN, RNN, 그리고 오토에인코드 기반 모델(ARNet)보다 AMI 및 EE 지표에서 뚜렷한 우월성을 보이며, 아키텍처 설계의 타당성을 입증했다.