[논문 리뷰] Impact of Traffic Lights on Trajectory Forecasting of Human-driven Vehicles Near Signalized Intersections

Geunseob Oh, Huei Peng|arXiv (Cornell University)|2019. 06. 02.

Autonomous Vehicle Technology and Safety참고 문헌 24인용 수 4

한 줄 요약

이 논문은 신호등 상태의 향후 정보를 차량-인프라(V2I) 통신을 통해 확보함으로써 교차로 근처에서 인간 운전 차량의 행동을 더 정확하게 예측할 수 있는 새로운 궤적 예측 프레임워크를 제안한다. 신호등 단계(녹색, 노란색, 빨간색)와 시간 조절에 대한 운전자의 반응을 결정론적 및 확률론적 인간 정책 모델로 모델링함으로써, 장기 예측(예: 15초 GYR 시나리오)에서 예측 오차를 최대 150배까지 감소시켜, 노란색 신호의 딜레마 존과 같은 복잡한 상황에서도 뛰어난 성능을 발휘한다.

ABSTRACT

Forecasting trajectories of human-driven vehicles is a crucial problem in autonomous driving. Trajectory forecasting in the urban area is particularly hard due to complex interactions with cars and pedestrians, and traffic lights (TLs). Unlike the former that has been widely studied, the impact of TLs on the trajectory prediction has been rarely discussed. In this work, we first identify the less studied, perhaps overlooked impact of TLs. Second, we present a novel resolution that is mindful of the impact, inspired by the fact that human drives differently depending on signal phase (green, yellow, red) and timing (elapsed time). Central to the proposed approach is Human Policy Models which model how drivers react to various states of TLs by mapping a sequence of states of vehicles and TLs to a subsequent action (acceleration) of the vehicle. We then combine the Human Policy Models with a known transition function (system dynamics) to conduct a sequential prediction; thus our approach is viewed as Behavior Cloning. One novelty of our approach is the use of vehicle-to-infrastructure communications to obtain the future states of TLs. We demonstrate the impact of TL and the proposed approach using an ablation study for longitudinal trajectory forecasting tasks on real-world driving data recorded near a signalized intersection. Finally, we propose probabilistic (generative) Human Policy Models which provide probabilistic contexts and capture competing policies, e.g., pass or stop in the yellow-light dilemma zone.

연구 동기 및 목표

• 도시 환경에서 교차로 신호등의 영향이 궤적 예측 정확도에 미치는 간과된 영향을 규명하는 것.
• 동적 신호등 상태(단계 및 시간 조절)에 대한 인간 운전자의 반응을 모델링하는 행동 클로닝 기반 프레임워크를 개발하는 것.
• V2I 통신을 통해 향후 신호등 상태 정보를 통합함으로써 장기 궤적 예측의 정확도를 향상시키는 것.
• 노란색 신호의 딜레마(정지 vs. 주행)와 같은 다중 모달 행동을 확률론적 정책 모델링을 통해 다루는 것.
• 실제 도로 주행 데이터를 활용한 아블레이션 연구를 통해 제안된 방법의 효과성을 입증하는 것.

제안 방법

• 방법론은 차량-인프라(V2I) 통신을 통해 향후 신호등 단계 및 시간 조절 정보를 확보하고, 이를 예측 모델에 통합한다.
• 차량 및 신호등 상태 시퀀스를 가속도 행동으로 매핑하는 결정론적 인간 정책 모델을 도입하여, 운전자의 행동을 신호등 상태와 경과 시간의 함수로 모델링한다.
• 다중 정책(예: 노란색 단계에서 정지 또는 주행)을 포괄할 수 있도록 인간 정책 모델의 확률론적 확장 버전을 제안하여 다중 모달 궤적 예측을 가능하게 한다.
• 인간 정책 모델을 알려진 시스템 동역학 전이 함수와 결합하여 순차적 궤적 예측을 수행하며, 결정론적 및 생성적 예측을 모두 지원한다.
• 예측 불확실성을 추정하고, 확률론적 모델에서 다양하고 현실적인 궤적 샘플을 생성하기 위해 몬테카를로 샘플링을 사용한다.
• 실제 교차로에서 확보한 실세계 주행 데이터를 바탕으로 평가하며, 신호등 상태 인식 여부에 따라 모델을 비교하는 아블레이션 연구를 수행한다.

실험 결과

연구 질문

• RQ1 향후 신호등 상태의 불확실성이 교차로 근처 인간 운전 차량의 궤적 예측 정확도에 미치는 영향은 어떠한가?
• RQ2 향후 신호등 단계 및 시간 조절 정보는 장기 궤적 예측 성능을 얼마나 향상시킬 수 있는가?
• RQ3 행동 클로닝 기반 모델은 녹색, 노란색, 빨간색 단계 간 전환을 포함한 신호등 상태에 따라 의존적인 운전 행동을 효과적으로 포착할 수 있는가?
• RQ4 확률론적 모델은 노란색 신호 딜레마 기간 동안 정지 또는 주행과 같은 경쟁 정책을 얼마나 잘 표현할 수 있는가?
• RQ5 V2I를 통해 확보한 향후 신호등 상태 정보의 통합이 다양한 교차로 시나리오에서 예측 오차에 미치는 영향은 어떠한가?

주요 결과

• 제안된 방법은 장기 예측(예: 15초 GYR 시나리오)에서 신호등 상태 인식이 없는 모델 대비 궤적 예측 오차(MAE, TWAE, ADN)를 최대 150배까지 감소시킨다.
• 5초 예측 수평에 대해 표준 랩탑에서 가장 가능성 높은 궤적에 대한 추론 시간이 10ms 미만으로 확보되어 계산 효율성이 뛰어나다.
• 확률론적 모델은 노란색 신호 딜레마 존에서 정지 또는 주행 행동을 적절한 확률로 정확히 포착하며, 결정론적 모델이 이러한 상황에서 실패하는 것과 대비된다.
• 아블레이션 연구 결과, 향후 신호등 상태 정보 접근이 모든 테스트 시나리오(G, R, GY, YR, RG, GYR)에서 예측 정확도를 크게 향상시키는 것으로 확인되었으며, 특히 장기 예측에서 가장 큰 성과를 거두었다.
• 예측의 이질적 결과는 주로 갑작스러운 브레이킹과 같은 극단 케이스와 경쟁 정책에 기인하며, 다중 모달 출력을 통해 확률론적 모델이 이를 효과적으로 포착한다.
• 프레임워크는 생성적 성격을 지니며 몬테카를로 샘플링을 통해 불확실성 추정이 가능하여, 강건한 자율 주행 계획 수단으로 실용적으로 활용 가능하다.