[논문 리뷰] GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory Prediction

Ziyi Zhao, Haowen Fang외 2명|arXiv (Cornell University)|2020. 03. 22.

Autonomous Vehicle Technology and Safety참고 문헌 32인용 수 10

한 줄 요약

이 논문은 표적 차량과 주변 차량 간의 동적 상호작용을 그래프 신경망을 통해 모델링함으로써 차량 궤적 예측 성능을 향상시키는 그래프 기반 정보 공유 네트워크인 GISNet을 제안한다. 다중 모odal 궤적 특징과 상대 위치를 인코딩함으로써 GISNet은 NGSIM 데이터셋에서 최신 기술 대비 예측 오차를 최대 50.00%까지 감소시킨다.

ABSTRACT

The trajectory prediction is a critical and challenging problem in the design of an autonomous driving system. Many AI-oriented companies, such as Google Waymo, Uber and DiDi, are investigating more accurate vehicle trajectory prediction algorithms. However, the prediction performance is governed by lots of entangled factors, such as the stochastic behaviors of surrounding vehicles, historical information of self-trajectory, and relative positions of neighbors, etc. In this paper, we propose a novel graph-based information sharing network (GISNet) that allows the information sharing between the target vehicle and its surrounding vehicles. Meanwhile, the model encodes the historical trajectory information of all the vehicles in the scene. Experiments are carried out on the public NGSIM US-101 and I-80 Dataset and the prediction performance is measured by the Root Mean Square Error (RMSE). The quantitative and qualitative experimental results show that our model significantly improves the trajectory prediction accuracy, by up to 50.00%, compared to existing models.

연구 동기 및 목표

• 자율주행 시스템에서 정확한 차량 궤적 예측 문제를 해결하기 위해.
• 표적 차량과 주변 차량 간의 복잡한 상호작용, 특히 잠재된 의도를 모델링하기 위해.
• 역사적 궤적 데이터와 상대적 공간 관계를 통합함으로써 예측 정확도를 향상시키기 위해.
• 동적 교통 상호작용을 포착할 수 있는 확장 가능한 정보 공유 메커니즘을 개발하기 위해.
• 정량적 및 정성적 궤적 예측 기준에서 기존 모델을 초월하기 위해.

제안 방법

• GISNet은 노드가 차량(표적 차량 및 주변 차량)을 나타내고, 간선이 상대적 공간 및 시간 관계를 인코딩하는 동적 그래프를 구축한다.
• 모델은 차량 그래프를 통해 궤적 특징을 전파하고 집계하기 위해 그래프 신경망(GNN)을 사용한다.
• 역사적 궤적과 상대 위치를 포함한 다차원 입력 시퀀스가 공유 특징 공간으로 임bedding되어 공동 처리된다.
• GNN은 표적 차량과 주변 차량 간의 정보 공유를 가능하게 하여 국소적 및 전반적인 교통 역학을 포착한다.
• 유사도 기반 특징 학습을 통해 유클리드(공간) 및 비유클리드(관계적) 도메인의 특징을 융합하여 표현 학습을 향상시킨다.
• 다중 헤드 어텐션 메커니즘이 주변 차량의 중요도를 표적 차량의 향후 운동에 대한 관련성에 따라 가중치를 조정한다.

실험 결과

연구 질문

• RQ1 주변 차량의 정보를 효과적으로 공유하여 궤적 예측 정확도를 향상시킬 수 있는 방법은 무엇인가?
• RQ2 시퀀스 기반 또는 텐서 기반 방법에 비해 그래프 기반 차량 상호작용 모델링이 예측 성능 향상에 얼마나 기여하는가?
• RQ3 관계 기반 특징 학습을 통해 주변 차량의 잠재적 의도를 포착할 수 있는가?
• RQ4 상대적 공간 위치와 역학적 궤적 데이터의 통합이 장기 예측 정확도에 어떤 영향을 미치는가?
• RQ5 실제 교통 환경에서 기존 최신 기술 대비 제안된 GISNet의 성능 향상은 어느 정도인가?

주요 결과

• GISNet은 NGSIM US-101 및 I-80 데이터셋에서 기존 모델 대비 최대 50.00%까지 루트 평균 제곱 오차(RMSE)를 감소시켰다.
• 1초 예측 수준에서 CS-LSTM 대비 45.35%의 정확도 향상을 달성했으며, 5초 수준에서는 이득이 25.86%로 감소했다.
• MATS 대비 GISNet은 1초 수준에서 50.00%의 오차 감소를 기록했고, 5초 수준에서는 21.79%의 감소를 기록하여 장기 예측 능력이 뛰어나다는 것을 입증했다.
• 정성적 결과에서는 혼잡한 교통 상황에서도 차선 변경 및 정지-재시작 행동과 같은 차량 운동 추세를 정확히 예측함을 보였다.
• 1초 수준에서 NLS-LSTM 대비 RMSE를 41.07% 감소시켜 예측 수평 전반에 걸쳐 뛰어난 안정성을 입증했고, 5초 수준에서는 24.88%의 감소를 기록했다.
• 시각화 결과는 GISNet의 예측 궤적이 특히 고속 및 저속 주행 조건에서 실제 궤적과 매우 유사하게 유지됨을 확인했다.