[논문 리뷰] Maneuver-Aware Pooling for Vehicle Trajectory Prediction

Mohamed Hasan, Albert Solernou외 4명|arXiv (Cornell University)|2021. 04. 29.

Autonomous Vehicle Technology and SafetyEngineering참고 문헌 18인용 수 17

한 줄 요약

이 논문은 자동차의 차선 변경 및 고속도로 융합 시 정확도를 햖ข้ย을 향상시키기 위해 극좌표 표현, 차량 방향, 및 반경 속도를 통합하여 조작 인식 풀링 메커니즘을 제안한다. 이 방법은 인코더-디코더 생성 모델 내에서 상호작용 모델링을 향상시켜, 공개된 코드베이스를 갖춘 NGSIM 데이터셋에서 최신 기술에 비해 뛰어난 성능을 보이며, 특히 조작별 평가에서 두각을 나타낸다.

ABSTRACT

Autonomous vehicles should be able to predict the future states of its environment and respond appropriately. Specifically, predicting the behavior of surrounding human drivers is vital for such platforms to share the same road with humans. Behavior of each of the surrounding vehicles is governed by the motion of its neighbor vehicles. This paper focuses on predicting the behavior of the surrounding vehicles of an autonomous vehicle on highways. We are motivated by improving the prediction accuracy when a surrounding vehicle performs lane change and highway merging maneuvers. We propose a novel pooling strategy to capture the inter-dependencies between the neighbor vehicles. Depending solely on Euclidean trajectory representation, the existing pooling strategies do not model the context information of the maneuvers intended by a surrounding vehicle. In contrast, our pooling mechanism employs polar trajectory representation, vehicles orientation and radial velocity. This results in an implicitly maneuver-aware pooling operation. We incorporated the proposed pooling mechanism into a generative encoder-decoder model, and evaluated our method on the public NGSIM dataset. The results of maneuver-based trajectory predictions demonstrate the effectiveness of the proposed method compared with the state-of-the-art approaches. Our "Pooling Toolbox" code is available at https://github.com/m-hasan-n/pooling.

연구 동기 및 목표

• 자율 주행 차량이 차선 변경 및 고속도로 융합과 같은 복잡한 조작을 수행할 때 궤적 예측 정확도를 향상시키기 위해.
• 기존의 풀링 방법이 유클리드 궤적 표현에만 의존하여 조작 의도를 포착하지 못하는 한계를 해결하기 위해.
• 차량 방향 및 반경 속도와 같은 고차원 역학을 통합함으로써 차량 간 의존성을 더 효과적으로 모델링하기 위해.
• 훈련 중에 명시적인 조작 레이블이 필요 없이도 조작 인식을 암묵적으로 인코딩하는 풀링 메커니즘을 개발하기 위해.
• 전체 평가 외에도 특정 조작에 대해 평가하여, 중요한 주행 시나리오에서의 성능 향상을 드러내기 위해.

제안 방법

• 제안된 풀링 메커니즘은 상대 차량 궤적을 표현하기 위해 카르테시안 좌표가 아닌 극좌표(거리 r 및 각도 φ)를 사용한다.
• 차량 방향을 통합하여 조작 인식 능력을 향상시키고, 차선 변경 및 융합 시 방향성 의도를 더 잘 모델링할 수 있도록 한다.
• 반경 속도(Vr)를 표현에 추가하여 자동차 주변의 움직임 추세(근접 또는 이격)를 포착함으로써 동적 상호작용 모델링을 향상시킨다.
• 이 풀링 연산은 이웃 차량의 LSTM 인코딩 상태와 극좌표 궤적 특징을 연결하여 조작 인식 기반의 컨텍스트 벡터를 형성한다.
• 이 방법은 다중 모달 궤적 분포를 출력하는 생성형 인코더-디코더 모델에 통합되며, 이는 의미적 조작에 조건화된 것이다.
• 전체 모델에서 조작 인식 모듈을 사용하여 LSTM 인코딩 차량 역학과 반경 속도를 기반으로 조작 클래스(예: 융합, 왼쪽 차선 변경)를 예측한다.

실험 결과

연구 질문

• RQ1 풀링 메커니즘에 차량 방향과 반경 속도를 통합하면, 차선 변경 및 고속도로 융합 시 궤적 예측 정확도가 향상되는가?
• RQ2 상대 궤적의 극좌표 표현 방식이 유클리드 표현 방식보다 차량 간 상호작용을 모델링하는 데 어떻게 더 효과적인가?
• RQ3 암묵적으로 조작 의도를 인코딩하는 풀링 전략은 전반적 및 조작별 평가 모두에서 기존의 풀링 방법보다 더 뛰어난 성능을 내는가?
• RQ4 반경 속도를 포함시키면, 차선 변경과 같은 고위험 조작을 예측하는 데 모델의 능력이 어느 정도 향상되는가?
• RQ5 명시적인 조작 레이블 없이도 조작 인식 풀링 메커니즘이 학습 효율성을 향상시킬 수 있는가?

주요 결과

• 제안된 Polar-Vr 풀링 전략은 S-LSTM, CSP, S-GAN 기준 모델에 비해 전반적 및 조작 기반 궤적 예측 정확도에서 뚜렷한 승리를 거두었다.
• 극좌표(Polar) 표현 방식만으로도 유클리드 기반 모델에 비해 성능 향상을 보였으며, 특히 차선 변경 및 융합 조작에서 두각을 나타냈다.
• 반경 속도(Polar-Vr)를 통합함으로써 추가로 예측 정확도가 향상되었으며, 이는 상호작용 모델링에서 고차원 역학의 중요성을 입증한다.
• 조작 인식 모듈을 기준 모델에 적용했을 때 RMSE 향상이 없었으며, 이는 핵심적인 성능 향상 요인이 풀링 메커니즘 자체에 있음을 시사한다.
• 데이터 불균형이 차선 유지 행동을 지배함에도 불구하고, 모델은 조작별 평가에서 뛰어난 성능을 기록했으며, 특히 왼쪽 및 오른쪽 차선 변경, 융합 시나리오에서 두각을 나타냈다.
• 결과는 차량 방향과 반경 속도를 모델링함으로써 더 효율적인 학습 과정과 더 나은 일반화 능력이 가능하다는 것을 확인시켰다.