[논문 리뷰] Hierarchical Adaptable and Transferable Networks (HATN) for Driving Behavior Prediction

Letian Wang, Yeping Hu외 4명|arXiv (Cornell University)|2021. 11. 01.

Autonomous Vehicle Technology and Safety참고 문헌 17인용 수 11

한 줄 요약

이 논문은 주행 행동 예측을 위한 이중 단계 프레임워크인 계층적 적응형 및 이식 가능한 네트워크(HATN)를 제안한다. 이는 참조선 추적을 이용해 고수준의 의도 식별(예: 삽입 슬롯 선택)과 저수준의 동작 생성을 분리한다. 의미적 하위작업 분해와 온라인 적응 모듈을 활용함으로써 HATN은 다양한 교통 환경에서 더 높은 예측 정확도와 이식 가능성을 달성하였으며, 원형 교차로에서 단기 예측 오차가 최대 28.7% 감소하였다.

ABSTRACT

When autonomous vehicles still struggle to solve challenging situations during on-road driving, humans have long mastered the essence of driving with efficient transferable and adaptable driving capability. By mimicking humans' cognition model and semantic understanding during driving, we present HATN, a hierarchical framework to generate high-quality driving behaviors in multi-agent dense-traffic environments. Our method hierarchically consists of a high-level intention identification and low-level action generation policy. With the semantic sub-task definition and generic state representation, the hierarchical framework is transferable across different driving scenarios. Besides, our model is also able to capture variations of driving behaviors among individuals and scenarios by an online adaptation module. We demonstrate our algorithms in the task of trajectory prediction for real traffic data at intersections and roundabouts, where we conducted extensive studies of the proposed method and demonstrated how our method outperformed other methods in terms of prediction accuracy and transferability.

연구 동기 및 목표

• 기존 자율주행 차량 의사결정 모델이 다양한 주행 환경 간 이식될 때 취약해지는 문제를 해결하기 위해.
• 인간의 인지 계층을 모방함으로써 인간처럼 유연한 주행 적응성과 현재 AV의 능력 간 격차를 메우기 위해.
• 의미적 하위작업 분해와 온라인 적응을 통해 시나리오 이식 가능하고 개인 간 이질적인 행동 예측을 가능하게 하기 위해.
• 교차로 및 원형 교차로와 같은 고밀도 다중 에이전트 교통 환경에서 단기 예측 정확도를 향상시키기 위해.
• 온라인 적응에서 정보 수확과 행동 갭 간의 트레이드오프를 평가하기 위해.

제안 방법

• HATN은 주행 흐름에서 삽입 슬롯을 식별하는 고수준 의도 정책과 참조선을 추적하는 트랙잭처를 생성하는 저수준 동작 정책을 갖는 계층적 구조를 사용한다.
• 프레임워크는 다양한 도로 기하학적 형태와 교통 규칙 간 일관성과 이식 가능성을 확보하기 위해 일반적인 상태 표현 방식을 사용한다.
• 온라인 적응 모듈은 설정 가능한 적응 윈도우 τ 동안 과거 궤적 데이터를 사용해 모델 파라미터를 미세 조정하여 현재 예측을 향상시킨다.
• 적응 과정은 과거 τ 단계 동안의 예측 오차를 최소화함으로써 개별 주행 스타일과 시나리오 특화 동역학에 대한 동적 조정을 가능하게 한다.
• 모델는 교차로 및 원형 교차로에서의 실세계 교통 데이터를 사용해 훈련 및 평가되었으며, 적응 성능 평가를 위해 ADE 1–4 등의 지표를 사용하였다.
• 이중 브랜치 네트워크 아키텍처를 사용한다: 의도 모델링을 위한 SGN(장면 그래프 네트워크)과 동작 생성을 위한 EDN(엔드 투 엔드 디코더 네트워크)이며, 양쪽 모두 GRU와 어텐션 메커니즘을 통합하였다.

실험 결과

연구 질문

• RQ1 의미적 하위작업을 갖는 계층적 주행 정책이 다양한 교통 환경 간 이식 가능성을 향상시킬 수 있는가?
• RQ2 온라인 적응은 행동 분포 이동이 발생하는 상황에서 단기 예측 정확도를 어떻게 향상시키는가?
• RQ3 정보 수확과 시간적 행동 갭 간 균형을 고려할 때 최적의 적응 윈도우 τ는 무엇인가?
• RQ4 재학습 없이도 모델이 원형 교차로와 같은 미리 보지 않은 시나리오에 얼마나 잘 일반화되는가?
• RQ5 의미적 계층과 온라인 적응의 조합이 엔드 투 엔드 모델보다 더 나은 예측 성능을 낼 수 있는가?

주요 결과

• 적응 윈도우 τ = 3일 때 교차로 시나리오에서 단기 궤적 예측 오차가 20.5% 감소하였다(0.3초 기준).
• 원형 교차로 시나리오에서는 τ = 3일 때 단기 예측 오차가 28.7% 감소하여 덜 익숙한 환경에서 더 강력한 적응 잠재력을 보였다.
• 장기 예측(ADE 4)은 최소한의 향상만을 보였으며, 이는 온라인 적응이 단기 이외의 미래 행동 예측에 한계를 가짐을 시사한다.
• 과거 궤적에 대한 오차 감소(ADE 1 및 ADE 3)는 τ가 커질수록 증가하였으며, 이는 더 많은 과거 데이터가 적응 품질을 향상시킴을 확인한다.
• 단기 예측에서의 최고 성능 향상은 τ = 3에서 발생하였으며, 이후에는 과거 상태와 현재 상태 간 행동 갭 증가로 인해 성능이 저하되었다.
• 계층적 설계 덕분에 다양한 시나리오에서 일관된 성능을 달성하였으며, 일반적인 상태 표현과 재사용 가능한 하위정책을 통해 내재된 이식 가능성을 입증하였다.