[논문 리뷰] Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron

Zhenyu Shou, Ziran Wang외 4명|arXiv (Cornell University)|2020. 06. 23.

Autonomous Vehicle Technology and Safety참고 문헌 20인용 수 4

한 줄 요약

이 논문은 횡방향 또는 각도 정보에 의존하지 않고 종방향 차량 궤적 데이터만을 사용하여 장기적인 차선 변경 예측(5–10초)을 위한 다층 퍼셉트론(MLP) 기반 모델을 제안한다. 이 모델은 새로운 시간 창 레이블링 기법과 예측 스무딩 기법을 통해 기존의 로지스틱 회귀 및 RNN 기준 모델보다 뛰어난 성능을 보이며, 실제 차선 변경의 75%를 탐지하고 평균 예측 리드 타임은 8.05초를 기록한다.

ABSTRACT

Behavior prediction plays an essential role in both autonomous driving systems and Advanced Driver Assistance Systems (ADAS), since it enhances vehicle's awareness of the imminent hazards in the surrounding environment. Many existing lane change prediction models take as input lateral or angle information and make short-term (< 5 seconds) maneuver predictions. In this study, we propose a longer-term (5~10 seconds) prediction model without any lateral or angle information. Three prediction models are introduced, including a logistic regression model, a multilayer perceptron (MLP) model, and a recurrent neural network (RNN) model, and their performances are compared by using the real-world NGSIM dataset. To properly label the trajectory data, this study proposes a new time-window labeling scheme by adding a time gap between positive and negative samples. Two approaches are also proposed to address the unstable prediction issue, where the aggressive approach propagates each positive prediction for certain seconds, while the conservative approach adopts a roll-window average to smooth the prediction. Evaluation results show that the developed prediction model is able to capture 75% of real lane change maneuvers with an average advanced prediction time of 8.05 seconds.

연구 동기 및 목표

• 횡방향 또는 각도 차량 데이터에 의존하지 않고 장기적(5–10초) 차선 변경 예측을 가능하게 하기 위해.
• 장기적 행동 예측에서의 불안정한 예측 문제를 해결하기 위해 강건한 레이블링 및 스무딩 전략을 도입하기 위해.
• 실제 NGSIM 궤적 데이터를 기반으로 MLP, 로지스틱 회귀, RNN 모델의 성능을 평가하고 비교하기 위해.
• 양성 및 음성 샘플 간에 시간 간격을 도입하여 예측 신뢰도를 향상시키는 시간 창 레이블링 기법을 개발하기 위해.

제안 방법

• 양성 및 음성 샘플 간에 시간 간격을 삽입함으로써 궤적 레이블링의 모호성을 줄이기 위한 시간 창 레이블링 기법을 제안한다.
• 횡방향 또는 각도 특징을 제외하고 종방향 궤적 데이터(x, y, v)만을 입력으로 사용하여 입력을 단순화하고 일반화 능력을 향상시킨다.
• 장기적 예측을 위해 차량 궤적의 복잡한 시간적 패턴을 학습하기 위해 다층 퍼셉트론(MLP) 모델을 활용한다.
• 예측 안정성을 향상시키기 위해 두 가지 스무딩 기법을 적용한다: 예측을 시간에 따라 전파하는 공격적인 방법과, 안정화를 위한 보수적인 윈도우 평균 방법.
• 정확한 성능 평가를 위해 NGSIM 데이터셋을 기반으로 MLP 모델을 로지스틱 회귀 및 RNN 기준 모델과 비교한다.
• 탐지율, 예측 리드 타임, F1 점수와 같은 표준 지표를 사용하여 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 종방향 궤적 데이터만을 사용하여 실제 차선 변경을 최대 10초 전에 예측할 수 있는가?
• RQ2 제안된 시간 창 레이블링 기법은 기존의 표준 레이블링 접근 방식에 비해 예측 신뢰도를 어떻게 향상시키는가?
• RQ3 MLP 모델은 장기적 차선 변경 예측에서 로지스틱 회귀 및 RNN 모델에 비해 얼마나 높은 성능 향상을 보이는가?
• RQ4 공격적 및 보수적인 스무딩 전략은 예측의 불안정성을 줄이는 데 얼마나 효과적인가?
• RQ5 장기적 차선 변경 예측에서 정확도와 리드 타임 사이의 최적의 균형은 무엇인가?

주요 결과

• MLP 모델은 실제 차선 변경 행동에 대해 75%의 탐지율을 기록하였으며, 로지스틱 회귀 및 RNN 기준 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 평균 예측 리드 타임은 8.05초로, 효과적인 장기 예측 능력을 입증하였다.
• 제안된 시간 창 레이블링 기법은 궤적 전환의 모호성으로 인한 오진 양성 예측를 줄임으로써 모델의 일반화 능력을 향상시켰다.
• 보수적인 윈도우 평균 방법은 높은 탐지 정확도를 유지하면서도 예측의 불안정성을 효과적으로 감소시켰다.
• MLP 모델은 특히 차량 궤적의 장기적 시간적 의존성을 포착하는 데서 로지스틱 회귀 및 RNN 모델보다 뛰어난 성능을 보였다.
• 횡방향 또는 각도 차량 데이터를 요구하지 않음으로써, 실세계 적용을 위한 입력 요구 조건을 단순화하고 신뢰할 수 있는 예측을 달성하였다.