[논문 리뷰] Modeling Multi-Vehicle Interaction Scenarios Using Gaussian Random Field

Yaohui Guo, Vinay Varma Kalidindi외 5명|arXiv (Cornell University)|2019. 06. 25.

Autonomous Vehicle Technology and Safety참고 문헌 14인용 수 4

한 줄 요약

이 논문은 자연주의적 교통 데이터에서 운동 패턴을 학습하기 위해 디리클레 프로세스(DP) 사전분포를 사용하는 가우시안 프로세스(GP) 혼합 모델을 이용한 비모수 베이지안 프레임워크를 제안한다. 이 방법은 사전에 시나리오 유형을 정하지 않고도 고차원의 복잡한 주행 상호작용을 포괄적으로 모델링할 수 있으며, 암묵적인 도로 구조 학습을 통해 고속도로 및 교차로 환경을 현실적으로 시뮬레이션할 수 있다.

ABSTRACT

Autonomous vehicles are expected to navigate in complex traffic scenarios with multiple surrounding vehicles. The correlations between road users vary over time, the degree of which, in theory, could be infinitely large, thus posing a great challenge in modeling and predicting the driving environment. In this paper, we propose a method to model multi-vehicle interactions using a stochastic vector field model and apply non-parametric Bayesian learning to extract the underlying motion patterns from a large quantity of naturalistic traffic data. We then use this model to reproduce the high-dimensional driving scenarios in a finitely tractable form. We use a Gaussian process to model multi-vehicle motion, and a Dirichlet process to assign each observation to a specific scenario. We verify the effectiveness of the proposed method on highway and intersection datasets from the NGSIM project, in which complex multi-vehicle interactions are prevalent. The results show that the proposed method can capture motion patterns from both settings, without imposing heroic prior, and hence demonstrate the potential application for a wide array of traffic situations. The proposed modeling method could enable simulation platforms and other testing methods designed for autonomous vehicle evaluation, to easily model and generate traffic scenarios emulating large scale driving data.

연구 동기 및 목표

• 자율주행차 환경에서 복잡하고 고차원적인 다중 차량 상호작용을 완전히 데이터 기반으로 모델링하기 위한 방법을 개발하는 것.
• 기존 모델이 강한 사전분포, 고정된 시나리오 수량, 또는 단순화된 일對일 상호작용에 의존하는 한계를 극복하는 것.
• 사전에 상호작용 시나리오의 수를 가정하지 않고도 대규모 자연주의적 교통 데이터로부터 잠재된 운동 패턴을 추출하는 것.
• 자율주행차 테스트 및 시뮬레이션을 위한 현실적이고 대표적인 교통 시나리오를 생성하는 것.
• 기하학적 입력 없이도 궤적 데이터로부터 암묵적으로 도로 구조 및 차선 수준의 행동을 학습하는 것.

제안 방법

• 각 구성 요소가 별개의 운동 패턴을 나타내는 가우시안 프로세스(GP) 성분의 혼합으로 다중 차량 운동을 모델링한다.
• 데이터로부터 운동 패턴의 수를 비모수적으로 추론하기 위해 디리클레 프로세스(DP) 사전분포를 사용하여 사전 설정을 피한다.
• 혼합 성분, 가중치, GP 초모수의 후행 분포 추론을 위해 지브스 샘플링을 적용한다.
• 각 운동 패턴을 관심 영역(ROI) 상의 GP 속도장으로 표현하여 매끄럽고 연속적인 궤적 생성을 가능하게 한다.
• 실제 관측치로부터 상호작용 역학을 학습하기 위해 NGSIM 고속도로 및 교차로 데이터셋을 사용해 모델을 훈련한다.
• 학습된 GP 평균 속도장으로부터 실질적인 상호작용 시나리오(예: 차선 변경, 전방 주행, 좌회전 등)를 반영한 궤적을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 비모수 베이지안 모델이 고정된 시나리오 수를 가정하지 않고 대규모 자연주의적 교통 데이터로부터 다중 차량 상호작용 패턴을 효과적으로 학습할 수 있는가?
• RQ2 가우시안 프로세스 기반의 속도장 모델이 고속도로 및 교차로에서 복잡하고 다방향의 상호작용을 얼마나 잘 포착할 수 있는가?
• RQ3 궤적 데이터만으로도 모델이 도로 구조 및 차선 수준의 행동을 얼마나 잘 암묵적으로 학습할 수 있는가?
• RQ4 학습된 운동 패턴이 실제 주행 행동을 반영하는 현실적이고 다양한 교통 시나리오를 생성할 수 있는가?
• RQ5 비모수적 또는 단순화된 모델 대비 모델이 다이나믹하고 고차원적인 상호작용을 얼마나 잘 포착하는가?

주요 결과

• 모델은 고속도로 및 교차로 데이터셋 모두에서 운동 패턴을 성공적으로 학습하였으며, 병합, 차선 변경, 좌회전과 같은 다양한 상호작용 유형을 포착하였다.
• GP 평균 속도장은 기하학적 입력 없이도 도로 경계 및 차선 구성 구조를 암묵적으로 학습하였으며, 도로 외부 영역에 낮은 확률 질량이 분포된 것으로 확인되었다.
• 시뮬레이션된 궤적은 교차로에서의 방향성 흐름과 정지-진행 패턴을 포함해 실제 주행 행동과 밀도적으로 유사하였다.
• 수동 레이블링 없이도 차량이 좌회전, 직진, 또는 교차로에서 대기하는 등의 의미론적 교통 시나리오를 반영한 운동 패턴을 생성하였다.
• 디리클레 프로세스는 잠재된 운동 패턴 수의 자동 탐지 기능을 제공하여 시나리오 수에 대한 사전 가정이 필요 없음을 입증하였다.
• 특히 고속도로 데이터보다 더 높은 상호작용 다양성을 보이는 교차로 시나리오에서 복잡하고 다방향의 상호작용을 모델링하는 데 뛰어난 강건성을 보였다.