[논문 리뷰] GAMMA: A General Agent Motion Model for Autonomous Driving

Yuanfu Luo, Panpan Cai외 2명|arXiv (Cornell University)|2019. 06. 04.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

GAMMA는 실시간으로 작동하는 분석적 운동 예측 모델로, 자율주행을 위해 에이전트의 운동을 속도 공간 내 제약 최적화 문제로 공식화하며, 운동역학적 제약, 충돌 제약, 환경 제약를 통합하고 인간의 행동 상태에 조건을 두어 예측한다. 이 모델은 밀리초 이하의 추론 속도를 달성하고 이질적인 교통 환경 기준에서 높은 정확도를 보이며, 확장 가능한 시뮬레이션과 불확실성 하에서 실시간 계획 수립을 가능하게 한다.

ABSTRACT

This paper presents GAMMA, a general motion prediction model that enables large-scale real-time simulation and planning for autonomous driving. GAMMA models heterogeneous, interactive traffic agents. They operate under diverse road conditions, with various geometric and kinematic constraints. GAMMA treats the prediction task as constrained optimization in traffic agents' velocity space. The objective is to optimize an agent's driving performance, while obeying all the constraints resulting from the agent's kinematics, collision avoidance with other agents, and the environmental context. Further, GAMMA explicitly conditions the prediction on human behavioral states as parameters of the optimization model, in order to account for versatile human behaviors. We evaluated GAMMA on a set of real-world benchmark datasets. The results show that GAMMA achieves high prediction accuracy on both homogeneous and heterogeneous traffic datasets, with sub-millisecond execution time. Further, the computational efficiency and the flexibility of GAMMA enable (i) simulation of mixed urban traffic at many locations worldwide and (ii) planning for autonomous driving in dense traffic with uncertain driver behaviors, both in real-time. The open-source code of GAMMA is available online.

연구 동기 및 목표

• 복잡한 도심 환경에서 이질적이고 상호작용하는 교통 에이전트에 대해 실시간으로 고해상도 운동 예측을 수행하는 데 도전한다.
• 대규모 학습이 필요한 데이터 기반 모델과 행동 유연성이 떨어지는 분석 모델의 한계를 극복한다.
• 계산 효율성과 정확한 불확실성 인식 예측을 융합하여 자율주행 차량의 확장 가능한 실시간 시뮬레이션과 계획 수립을 가능하게 한다.
• 최적화 파rameter를 통해 주의, 의도, 공격성과 같은 다양한 인간 운전 행동을 명시적으로 모델링한다.
• 효율적이고 미분 가능한 운동 모델링을 통해 커뮤니티 드라이빙 시뮬레이션과 불확실성 하에서의 믿음 공간 계획과 같은 후속 응용을 지원한다.

제안 방법

• 각 에이전트의 속도 공간에서 제약 최적화 문제로 운동 예측을 공식화하여 운동역학적, 충돌, 환경 제약 하에서 주행 성능을 최대화한다.
• 에이전트 기하학적 형태를 다각형으로 모델링하고 상호 최적의 충돌 회피를 통해 선형 제약 조건을 정의하여, 이차 프rogramming을 통한 효율적 해법을 가능하게 한다.
• 행동 상태(예: 목적 경로, 주의)를 파rameter로 하여 최적화에 조건을 두어 다양한 운전 행동을 민첩하게 시뮬레이션할 수 있도록 한다.
• 관측된 궤적에서 행동 상태의 사후 분포를 추론하기 위해 베이지안 추론을 사용하여 불확실성 정량화를 포함한 분포 기반 운동 예측을 가능하게 한다.
• GAMMA를 고해상도 시뮬레이터(SUMMIT)에 통합하여 오픈스트리트맵 기반 지도에서 다양한 도시 지도에 걸쳐 대규모 도심 교통 시뮬레이션을 수행한다.
• 자율주행 차량의 POMDP 기반 계획기에서 GAMMA를 프리디포지션 모델로 활용하여, 몬테카를로 시뮬레이션을 통한 믿음 트리 탐색을 통해 에이전트 의도의 불확실성을 다룬다.

실험 결과

연구 질문

• RQ1 학습이 없는 분석적 운동 모델이 다양한 이질적 교통 상황에서 높은 예측 정확도를 달성하면서도 실시간 성능을 유지할 수 있는가?
• RQ2 행동 상태 파rameter(예: 의도, 주의)가 제약 최적화 프레임워크에 얼마나 효과적으로 통합되어 다양한 인간 운전 행동을 모델링할 수 있는가?
• RQ3 GAMMA의 계산 효율성이 복잡한 도심 환경에서 대규모 시뮬레이션과 실시간 계획 수립을 얼마나 잘 지원하는가?
• RQ4 GAMMA의 불확실성 인식 예측은 높은 불확실성과 예측 불가능성이 있는 교통 환경에서 자율주행 차량의 믿음 공간 계획에서 성능을 얼마나 향상시키는가?
• RQ5 기존 표준 기준에서 GAMMA가 최첨단 데이터 기반 및 분석 모델보다 정확도와 추론 속도 측면에서 모두 승리할 수 있는가?

주요 결과

• GAMMA는 에이전트당 밀리초 이하의 추론 시간을 달성하여 다양한 글로벌 도시 지도에 걸쳐 혼합 도심 교통의 실시간 대규모 시뮬레이션을 가능하게 한다.
• 실제 데이터 기반 벤치마크 데이터셋에서 GAMMA는 동종 및 이종 교통 상황 모두에서 여러 최첨단 분석 및 데이터 기반 모델을 능가하는 성능을 보였다.
• SUMMIT 시뮬레이터에 GAMMA를 통합함으로써 오픈스트리트맵 기반 도시 지도에서 어떤 지도에서든 고해상도 대규모 교통 에이전트 시뮬레이션을 가능하게 하였다.
• 믿음 공간 계획에서 POMDP-GAMMA는 롤아웃-GAMMA 및 POMDP-Simple에 비해 가장 낮은 충돌률, 가장 빠른 목표 도달 시간, 가장 부드러운 주행 행동을 기록하였다.
• GAMMA와 함께 베이지안 추론을 사용함으로써 운동 예측의 강력한 불확실성 정량화가 가능해졌으며, 이는 안전하고 효율적인 자율주행 계획에 필수적이다.
• 단순화된 가정(정적이고 독립적인 행동 상태)에도 불구하고 GAMMA는 뛰어난 성능 유지를 유지하였으며, 향후 공동 추론-최적화 또는 동적 상태 모델링을 통해 추가 향상이 가능할 전망이다.