[논문 리뷰] Maneuver-based Anchor Trajectory Hypotheses at Roundabouts

Mohamed Hasan, Evangelos Paschalidis외 4명|arXiv (Cornell University)|2021. 04. 22.

Autonomous Vehicle Technology and Safety참고 문헌 25인용 수 4

한 줄 요약

이 논문은 라운드about에서 다중 모드 차량 운동 예측을 위한 동작 기반 앵커 경로 접근법을 제안한다. 인코더-디코더 LSTM 모델을 사용하여 운전자 의도를 이산적인 동작으로 모델링하고, 앵커 경로에서 잔차를 회귀함으로써 예측 정확도를 향상시킨다. RounD 데이터셋에서 기준 모델 대비 평균 RMSE를 28% 감소시켰다.

ABSTRACT

Predicting future behavior of the surrounding vehicles is crucial for self-driving platforms to safely navigate through other traffic. This is critical when making decisions like crossing an unsignalized intersection. We address the problem of vehicle motion prediction in a challenging roundabout environment by learning from human driver data. We extend existing recurrent encoder-decoder models to be advantageously combined with anchor trajectories to predict vehicle behaviors on a roundabout. Drivers' intentions are encoded by a set of maneuvers that correspond to semantic driving concepts. Accordingly, our model employs a set of maneuver-specific anchor trajectories that cover the space of possible outcomes at the roundabout. The proposed model can output a multi-modal distribution over the predicted future trajectories based on the maneuver-specific anchors. We evaluate our model using the public RounD dataset and the experiment results show the effectiveness of the proposed maneuver-based anchor regression in improving prediction accuracy, reducing the average RMSE to 28% less than the best baseline. Our code is available at https://github.com/m-hasan-n/roundabout.

연구 동기 및 목표

• 비정형적이고 동적인 환경인 라운드about에서 다중 모드 차량 경로 예측을 향상시키기 위해.
• 예를 들어 '감속' 또는 '지점으로 진입'과 같은 의미적 동작를 사용하여 인간 운전자 의도를 모델링하기 위해.
• 재귀적 인코더-디코더 프레임워크에 동작별 앵커 경로를 통합하여 예측 정확도를 향상시키기 위해.
• 앵커 기반 회귀와 확률적 풀링을 사용하여 미래 경로의 다중 모드 분포를 생성하기 위해.
• 공개된 RounD 데이터셋에서 모델을 평가하고 기존 기준 모델 대비 우수성을 입증하기 위해.

제안 방법

• 모델은 사회적 풀링 메커니즘을 사용하여 자동차와 주변 차량 간의 상호작용을 인코딩하는 시퀀스-투-시퀀스 LSTM 인코더-디코더 아키텍처를 사용한다.
• 운전자 의도는 이산적인 동작으로 모델링되며, 각 동작는 의미적 주행 행동을 나타내는 고정된 앵커 경로와 연결된다.
• 동작 인식 모듈은 각 동작의 가능성을 예측하고, 이에 따라 해당하는 앵커 경로를 선택한다.
• 모델은 앵커 경로에서 잔차를 회귀하여 예측된 향후 경로를 정밀화하며, 다변량 정규분포를 사용하여 불확실성 모델링이 가능하다.
• 다변량 정규분포 출력을 처리하기 위해 풀링 전략이 확장되어 경로 추정 정확도가 향상된다.
• 모델은 음의 로그우도 손실을 사용하여 엔드 투 엔드로 훈련되며, RounD 데이터셋에서 RMSE를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 동작별 앵커 경로는 라운드about에서 다중 모드 차량 운동 예측을 향상시킬 수 있는가?
• RQ2 이산적 동작를 통한 운전자 의도 모델링을 통합할 경우 예측 정확도에 어떤 영향을 미치는가?
• RQ3 복잡한 라운드about 환경에서 앵커 기반 잔차 회귀는 직접 경로 회귀보다 우월한가?
• RQ4 단일 최적 추정치 예측 대비 앵커 경로 기반 다중 모드 분포(GMM) 사용이 예측 성능에 어떤 영향을 미치는가?
• RQ5 위치만 고려하는 모델 대비 차량 자세(위치 및 헤딩)를 고려한 모델링은 경로 예측에서 어떤 성능 향상을 보이는가?

주요 결과

• 모든 예측 수평에서 가장 낮은 RMSE를 달성한 3D-A-W 모델은 각 앵커의 확률을 가중합하여 MAP 경로 추정치의 가중 평균을 출력한다.
• 3D-A-W 모델은 기준 모델(3D-M) 대비 평균 RMSE를 28% 감소시켜 다중 모드 추정의 효과성을 입증한다.
• 차량 헤딩을 포함한 3D 모델링은 위치 전용 2D 모델링보다 더 긴 수평에서 예측 정확도가 향상된다.
• 동작 인식 모듈을 추가한 3D-M 모델은 3D 기준 모델 대비 평균 RMSE를 약 24% 감소시켜 의도 모델링의 가치를 입증한다.
• 가장 가능성 있는 앵커를 하나만 선택하는 3D-A-P 모델도 모든 기준 모델을 능가하며, 앵커 기반 회귀의 이점을 보여준다.
• 모델은 예측 수평 1초에서 RMSE 0.38m, 2초에서 0.80m, 3초에서 1.76m, 4초에서 3.08m를 기록했으며, 3D-A-W 변종은 항상 3D-A-P 변종을 능가한다.