[논문 리뷰] Learning from Naturalistic Driving Data for Human-like Autonomous Highway Driving

Donghao Xu, Zhezhang Ding외 5명|arXiv (Cornell University)|2020. 05. 23.

Autonomous Vehicle Technology and Safety참고 문헌 49인용 수 8

한 줄 요약

이 논문은 자연주의적 궤적 데이터로부터 인간과 유사한 주행 행동을 학습하는 동작 계획 프레임워크를 제안한다. 비용 함수의 파라미터를 최적화하여 계획된 궤적과 인간 주행 궤적 간의 공간-시간 거리를 최소화한다. 히ュ리스틱 및 학습 기반의 차선 유도 비용을 통합된 의사결정-계획 프레임워크에 통합함으로써, 이 방법은 차선 변경 의사결정에서 90% 이상의 정확도를 달성하고 베이징 고속도로 데이터에서 인간 운전자와 매우 유사한 궤적을 생성한다.

ABSTRACT

Driving in a human-like manner is important for an autonomous vehicle to be a smart and predictable traffic participant. To achieve this goal, parameters of the motion planning module should be carefully tuned, which needs great effort and expert knowledge. In this study, a method of learning cost parameters of a motion planner from naturalistic driving data is proposed. The learning is achieved by encouraging the selected trajectory to approximate the human driving trajectory under the same traffic situation. The employed motion planner follows a widely accepted methodology that first samples candidate trajectories in the trajectory space, then select the one with minimal cost as the planned trajectory. Moreover, in addition to traditional factors such as comfort, efficiency and safety, the cost function is proposed to incorporate incentive of behavior decision like a human driver, so that both lane change decision and motion planning are coupled into one framework. Two types of lane incentive cost -- heuristic and learning based -- are proposed and implemented. To verify the validity of the proposed method, a data set is developed by using the naturalistic trajectory data of human drivers collected on the motorways in Beijing, containing samples of lane changes to the left and right lanes, and car followings. Experiments are conducted with respect to both lane change decision and motion planning, and promising results are achieved.

연구 동기 및 목표

• 복잡한 고속도로 환경에서 실제 운전자 행동을 모방하는 인간과 유사한 자율 주행 시스템을 개발하기 위해.
• 기존에 전문 지식이 필요로 하는 수작업 기반의 비용 함수 설계 문제를 해결하여 인간의 행동 가능성도 잘 반영하지 못하는 문제를 해결하기 위해.
• 자연주의적 주행 데이터로부터 학습된 유도력 정보를 활용해 차선 변경 의사결정과 동작 계획을 하나의 프레임워크로 통합하기 위해.
• 동일한 교통 조건 하에서 계획된 궤적과 인간 주행 궤적 간의 공간-시간 거리를 최소화함으로써 궤적 계획 정확도를 향상시키기 위해.
• 차선 변경 및 차량 추종 동작을 포함한 고속도로 주행 실세계 데이터셋을 활용해 방법을 검증하기 위해.

제안 방법

• 동작 계획자는 궤적 공간에서 후보 궤적을 샘플링하고, 총합 비용이 가장 낮은 궤적을 선택한다. 이 비용은 편안함, 효율성, 안전성 및 차선 유도 비용 성분을 포함하는 복합 함수로 계산된다.
• 차선 유도 비용은 히ュ리스틱 방식(규칙 기반)과 학습 기반 방식(데이터 기반)으로 모두 모델링되어, 계획자가 인간 운전자와 유사한 궤적을 선택하도록 유도한다.
• 비용 함수의 파라미터는 동일한 교통 맥락에서 선택된 계획된 궤적과 해당 인간 주행 궤적 간의 공간-시간 거리를 최소화함으로써 학습된다.
• 베이징 고속도로에서 수집한 자연주의적 주행 데이터를 기반으로 한 고유의 데이터셋을 구축하였으며, 좌측 및 우측 차선 변경 샘플과 차량 추종 시나리오를 포함한다.
• 특성 기대치 일치를 피하기 위해 직접 궤적 유사도를 최적화함으로써 복잡성과 다중성 문제를 감소시킨다.
• 이 프레임워크는 동시에 동작 계획과 행동 의사결정을 지원하며, 이는 이동 방식 유형과 궤적을 공동 최적화할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 자연주의적 주행 데이터로부터 학습함으로써 동작 계획자가 인간과 유사한 궤적을 생성할 수 있는가?
• RQ2 데이터 기반의 유도력 정보를 활용해 차선 변경 의사결정을 효과적으로 동작 계획에 통합할 수 있는가?
• RQ3 인간 궤적에서 비용 함수 파라미터를 학습함으로써 계획 정확도와 인간과 유사한 행동 수준이 얼마나 향상되는가?
• RQ4 기존 수작업 기반 비용 함수에 비해 제안된 방법은 의사결정 정확도와 궤적 유사도 측면에서 어떻게 비교되는가?
• RQ5 통합된 비용 함수로 차선 변경 및 차량 추종 시나리오 모두에 일반화 가능한가?

주요 결과

• 히ュ리스틱 차선 유도 비용을 사용한 결과, 인간 운전자 기준값과 비교해 좌측 및 우측 차선 변경 예측 정확도가 90% 이상을 달성했다.
• 차선 변경과 차량 추종 동작을 동시에 예측할 경우, 학습 기반 차선 유도 비용이 86% 이상의 의사결정 정확도를 달성했다.
• 균형 잡힌 데이터셋 실험에서 동작 계획자의 전체 정확도는 인간 주행 궤적과 가장 가까운 궤적을 선택한 데서 92.63%였다 (표 IV).
• 차량 추종 데이터 비중이 높은 실험에서는 전체 정확도가 89.70%를 유지했지만, 차선 변경에 대한 재현율은 낮아져 균형 잡힌 데이터의 중요성을 강조했다.
• 선택된 궤적은 항상 후보 궤적 집합 중 인간 주행 궤적과 가장 가까운 궤적이었으며, 강력한 행동 모방 능력을 보였다.
• 프레임워크는 동시에 동작 계획과 행동 의사결정을 가능하게 하여, 기존의 계층적 자율 주행 시스템에서 별도의 레이어로 분리되어 있던 요소들을 효과적으로 결합한다.