[논문 리뷰] Identifying Modes of Intent from Driver Behaviors in Dynamic Environments

Katherine Driggs-Campbell, Růžena Bajcsy|arXiv (Cornell University)|2015. 05. 21.

Autonomous Vehicle Technology and Safety참고 문헌 11인용 수 4

한 줄 요약

이 논문은 주행 시뮬레이터에서 실시간으로 인간이 라벨링한 차선 변경 데이터를 활용하여 동적 주행 환경에서 운전자의 의도를 식별하는 하이브리드 시스템 모델을 제안한다. 제어 입력이 아닌 환경 센서 특징을 기반으로 의도를 분류함으로써, 모델은 의도 모드 식별에 최대 92.1%의 정확도를 달성하였으며, SVM는 가장 강력하고 부드러운 전환을 보였다.

ABSTRACT

In light of growing attention of intelligent vehicle systems, we propose developing a driver model that uses a hybrid system formulation to capture the intent of the driver. This model hopes to capture human driving behavior in a way that can be utilized by semi- and fully autonomous systems in heterogeneous environments. We consider a discrete set of high level goals or intent modes, that is designed to encompass the decision making process of the human. A driver model is derived using a dataset of lane changes collected in a realistic driving simulator, in which the driver actively labels data to give us insight into her intent. By building the labeled dataset, we are able to utilize classification tools to build the driver model using features of based on her perception of the environment, and achieve high accuracy in identifying driver intent. Multiple algorithms are presented and compared on the dataset, and a comparison of the varying behaviors between drivers is drawn. Using this modeling methodology, we present a model that can be used to assess driver behaviors and to develop human-inspired safety metrics that can be utilized in intelligent vehicular systems.

연구 동기 및 목표

• 동적이고 이질적인 교통 환경에서 고수준의 의도를 포괄하는 이식성 있고 인간 중심의 운전자 모델을 개발하기 위해.
• 시간 또는 히وري스틱이 아닌 환경 역학에 의해 모드 전환이 유도되는 하이브리드 시스템 공식화를 통해 운전자 의사결정을 모델링하기 위해.
• 실시간 인간 라벨링된 의도 데이터를 활용해 환경 인지 특징 기반 모델을 훈련시키는 강력한 분류 프레임워크를 구축하기 위해.
• 운전자 상태나 제어 입력에 의존하지 않도록 하여 반자율 및 전자 운전 시스템에 적용 가능하게 하기 위해.
• 혼합 교통 환경에서 자율 주행 시스템의 인간 유사 안전 지표 및 고수준 의사결정을 위한 기반을 마련하기 위해.

제안 방법

• 고해상도 주행 시뮬레이터에서 운전자가 주행 중 의도를 명시적으로 라벨링한 차선 변경에 대한 실시간 인간 라벨링 데이터셋을 수집하였다.
• 운전자 의도를 이산 모드(예: 차선 유지, 차선 변경)로 구성된 하이브리드 시스템으로 공식화하였으며, 모드 전환은 동적 환경 상태에 의해 유도되었다.
• 주변 차량의 인지 기반 특징(예: 상대 위치, 속도, 거리)을 분류 모델의 입력으로 추출하였다.
• 라벨링된 데이터셋을 기반으로 다수의 지도 학습 분류기(SVM, 랜덤 포레스트(RF), 로지스틱 회귀(LR))를 훈련하고 비교하였다.
• 전반적인 정확도와 시나리오별 정확도(근처 차량 수 기반)를 평가하였으며, 클래스 불균형 편향을 줄이기 위해 정규화를 적용하였다.
• 혼동 행렬과 정규화된 확률 출력을 사용하여 모드 간 전환의 신뢰성과 부드러움을 분석하였다.

실험 결과

연구 질문

• RQ1 제어 입력이나 운전자 상태가 아닌 환경 기반 특징을 사용하여 동적 환경에서 운전자 의도를 정확히 식별할 수 있는가?
• RQ2 다양한 분류 알고리즘(SVM, RF, LR)은 환경 역학에 기반한 차선 변경 중 모드 전환을 어떻게 탐지하는가?
• RQ3 모델의 정확도는 운전자 간에 어떻게 달라지며, 의도 라벨링의 개인 간 변동성에 기여하는 요인은 무엇인가?
• RQ4 환경에 의해 유도되는 모드 전환을 사용하는 하이브리드 시스템 모델은 기존의 시간 창 기반 또는 히وري스틱 기반 의도 탐지 방법보다 우수한가?
• RQ5 이 모델은 혼합 교통 환경에서 자율 주행 차량의 고수준 제어기로 사용하기에 충분히 강력하고 일반화 가능한가?

주요 결과

• SVM 분류기는 전체 정확도 89.5%를 기록하며 가장 높은 성능을 보였으며, 차선 변경 실행 이전에 보수적이지만 신뢰할 수 있는 예측을 하며 가장 부드러운 모드 전환을 보였다.
• 랜덤 포레스트(RF)는 전체 정확도 88.9%를 기록했고 강력한 모드 식별 능력을 보였지만, 세밀한 경계 감지로 인해 전환 과정이 덜 부드러웠다.
• 로지스틱 회귀(LR)는 전체 정확도가 낮은 87.2%를 기록했지만, 조작 경계에서의 불확실성을 반영하는 확률적 모드 전환을 효과적으로 포착하였다.
• 개별 운전자 간 정확도에 큰 차이가 있었으며, 가장 높은 성능를 보인 시나리오(Scen. 3, 3대의 근처 차량)에서 SVM는 최대 92.1%의 정확도를 기록하여 환경의 복잡성이 성능에 영향을 준다는 것을 시사했다.
• 모든 운전자 데이터를 조합해 글로벌 모델을 구축한 결과 매우 열악한 성능을 보였으며, 이는 신뢰할 수 있는 의도 탐지에 있어 개인별 운전자 모델링이 필수적임을 시사한다.
• 창(Windowing) 기법을 사용하지 않아도 강력한 성능를 달성하여, 최소한의 특징 전처리로도 다양한 주행 조건에서의 유연성과 일반화 능력을 유지할 수 있음을 입증했다.