[논문 리뷰] Modeling and Prediction of Human Driver Behavior: A Survey.

Kyle Brown, Katherine Driggs-Campbell외 1명|arXiv (Cornell University)|2020. 06. 15.

Autonomous Vehicle Technology and Safety인용 수 18

한 줄 요약

이 논문은 상태 및 의도 추정, 성향 모델링, 운동 예측과 같은 核심 작업을 중심으로, 부분적으로 관찰 가능한 스토하스틱 게임 프레임워크를 사용하여 200개의 드라이버 행동 모델을 통합하고 비교하는 종합적인 서베이 및 분류 체계를 제시한다. 주요 기여는 모델의 작업 및 방법론적 특성에 기반한 체계적인 분류 체계를 제공함으로써 자율주행 연구 분야에서의 이해와 비교를 더욱 명확히 한다.

ABSTRACT

We present a review and taxonomy of 200 models from the literature on driver behavior modeling. We begin by introducing a mathematical formulation based on the partially observable stochastic game, which serves as a common framework for comparing and contrasting different driver models. Our taxonomy is constructed around the core modeling tasks of state estimation, intention estimation, trait estimation, and motion prediction, and also discusses the auxiliary tasks of risk estimation, anomaly detection, behavior imitation and microscopic traffic simulation. Existing driver models are categorized based on the specific tasks they address and key attributes of their approach.

연구 동기 및 목표

• 다양한 드라이버 행동 모델 간의 복잡성과 분산화 문제를 해결하기 위해 비교를 위한 통합된 프레임워크를 제공하고자 한다.
• 상태 추정, 의도 추론, 성향 모델링, 운동 예측과 같은 드라이버 행동 연구의 핵심 모델링 작업을 식별하고 분류하고자 한다.
• 기존 200개의 모델들 간의 방법론적 다양성을 분석하고, 작업 집중도 및 핵심 특성에 따라 이를 분류하고자 한다.
• 위험 추정, 이질성 탐지, 행동 모방, 마이크로스코픽 교통 시뮬레이션과 같은 보조 작업의 역할을 명확히 하여 향후 연구를 지원하고자 한다.
• 자율주행 차량 시스템에서 드라이버 행동 모델의 체계적 개발 및 평가를 위한 기반을 마련하고자 한다.

제안 방법

• 저자는 부분적으로 관찰 가능한 스토하스틱 게임(POSG) 기반의 수학적 공식화를 개발하여 드라이버 행동 모델링을 위한 공통 이론적 프레임워크로 활용한다.
• 상태 추정, 의도 추정, 성향 추정, 운동 예측의 네 가지 핵심 모델링 작업을 중심으로 한 분류 체계를 정의한다.
• 모델들은 주로 집중하는 작업과 데이터 소스, 추론 기법, 모델링 가정과 같은 핵심 방법론적 특성에 따라 분류된다.
• 위험 추정, 이질성 탐지, 행동 모방, 마이크로스코픽 교통 시뮬레이션과 같은 보조 작업들이 전체 프레임워크에 통합된다.
• 이 분류 체계를 통해 다양한 연구 방향과 응용 분야 간의 모델 간 체계적 비교 및 대비가 가능해진다.

실험 결과

연구 질문

• RQ1 문헌 내 다양한 드라이버 행동 모델을 비교하기 위해 통합된 프레임워크를 어떻게 수립할 수 있는가?
• RQ2 드라이버 행동 모델의 범위와 기능을 정의하는 데 핵심이 되는 모델링 작업은 무엇인가?
• RQ3 상태, 의도, 성향 추정에 있어 다양한 모델들은 어떤 방식으로 접근하는가?
• RQ4 위험 추정 및 이질성 탐지와 같은 보조 작업은 종합적인 드라이버 모델링에서 어떤 역할을 하는가?
• RQ5 이 분류 체계는 자율주행 시스템을 위한 보다 정확하고 상호운용 가능한 모델 개발을 어떻게 지원할 수 있는가?

주요 결과

• 부분적으로 관찰 가능한 스토하스틱 게임 프레임워크는 다양한 드라이버 행동 모델을 공통 수학적 구조 아래 통합하는 데 성공하였다.
• 문헌에서 확인된 네 가지 주요 핵심 모델링 작업은 상태 추정, 의도 추정, 성향 추정, 운동 예측이다.
• 상당 부분의 모델들이 운동 예측에 집중하며, 일반적으로 확률적 또는 딥러닝 기법을 사용하여 궤적을 예측한다.
• 위험 추정 및 이질성 탐지와 같은 보조 작업들은 특히 안전이 중요한 응용 분야에서 점점 더 통합되고 있다.
• 이 분류 체계를 통해 작업 집중도, 데이터 모odal리티, 추론 기법에 따라 모델 간 명확한 차이를 구분할 수 있어, 모델 선택 및 시스템 설계에 도움이 된다.
• 서베이 결과로는 방법론적 다양성이 드러났으며, 단일한 주도적 접근 방식이 없음을 확인하였고, 이는 표준화된 평가 벤치마크의 필요성을 강조한다.