[논문 리뷰] Motion Prediction on Self-driving Cars: A Review

Shahrokh Paravarzar, Belqes Mohammad|arXiv (Cornell University)|2020. 11. 06.

Autonomous Vehicle Technology and Safety참고 문헌 29인용 수 4

한 줄 요약

이 리뷰는 자율주행 차량에서의 운동 예측에 대한 최신 기법들을 종합적으로 분석하며, 고전적 방법, 딥 러닝 및 강화 학습 기반 접근법을 평가한다. 동적 교통 조건 하에서 복잡한 다중모드 상호작용을 모델링할 수 있는 능력 덕분에 딥 강화 학습이 가장 유망한 접근법으로 규명된다.

ABSTRACT

The autonomous vehicle motion prediction literature is reviewed. Motion prediction is the most challenging task in autonomous vehicles and self-drive cars. These challenges have been discussed. Later on, the state-of-theart has reviewed based on the most recent literature and the current challenges are discussed. The state-of-the-art consists of classical and physical methods, deep learning networks, and reinforcement learning. prons and cons of the methods and gap of the research presented in this review. Finally, the literature surrounding object tracking and motion will be presented. As a result, deep reinforcement learning is the best candidate to tackle self-driving cars.

연구 동기 및 목표

• 자율주행 차량에서의 운동 예측 기술 현황을 분석하여, 동적이고 상호작용적인 교통 행동을 모델링하는 데 직면한 과제를 집중적으로 다룬다.
• 고전적, 딥 러닝 및 강화 학습 기반 운동 예측 기법의 강점과 한계를 평가한다.
• 실세계에서 자율주행 시스템을 구현하기 위해 요구되는 정확도, 안전성 및 일반화 능력 향상을 위한 연구 격차를 규명한다.
• 세マン틱 지ap, 센서 융합 및 환경 제약 조건이 예측 성능에 미치는 영향을 분석한다.
• 다중모드 및 상호의존적인 차량 행동을 다루는 데 있어 강화 학습이 확장 가능한 솔루션으로서의 가능성 여부를 평가한다.

제안 방법

• 2011년부터 2020년까지 자율주행 차량의 운동 예측에 관한 문헌을 체계적으로 검토하며, 방법론적 접근에 따라 분류한다.
• 운동 예측 기법을 세 가지 주요 범주로 분류한다: 고전적/물리 기반 모델, 딥 러닝(컨볼루션 신경망-순환 신경망 하이브리드), 강화 학습.
• 다중모드 행동 처리 능력, 환경 의존성, 실시간 제약 조건 대응 능력에 기반해 기법을 평가한다.
• LiDAR, 레이더, 카메라 등의 센서 데이터 통합 및 세마틱 맵핑을 통한 맥락 인식 예측 분석.
• 확률적 프레임워크를 활용한 운동 모델링 및 불확실성 하에서의 궤적 예측 분석.
• 예측 모델에 교통 규칙, 도로 기하학적 특성, 동적 환경 변화를 제약 조건으로 통합한다.

실험 결과

연구 질문

• RQ1 고전적 및 물리 기반 운동 예측 모델은 복잡한 실제 교통 상호작용을 다룰 때 어떻게 비교되는가?
• RQ2 딥 러닝 모델(예: CNN-RNN)은 다중모드 상황에서 전통적 방법에 비해 예측 정확도를 얼마나 향상시키는가?
• RQ3 강화 학습 모델은 자율주행 환경에서 장기적 의존성과 차량 간 상호의존성을 효과적으로 포착할 수 있는가?
• RQ4 현재의 운동 예측 모델에서 안전성, 내구성 및 다양한 주행 환경에서의 일반화 능력 측면에서의 주요 한계는 무엇인가?
• RQ5 기상 조건, 도로 기하학적 특성, 교통 규칙과 같은 환경 요소가 운동 예측 시스템 성능에 미치는 영향은 어떠한가?

주요 결과

• 특히 컨볼루션 신경망과 순환 신경망을 융합한 딥 러닝 모델은 차량 궤적의 공간-시간적 의존성을 모델링하는 데 뛰어난 성능을 보인다.
• 고전적 및 딥 러닝 기반 기준 대비 강화 학습 기법은 복잡한 다중모드 행동과 차량 간 상호작용을 다루는 데 뛰어난 잠재력을 보여준다.
• 진전이 있었음에도 불구하고, 현재의 모델들은 고위험 교통 상황에서 실세계 적용을 위해 요구되는 정확도와 안전성 기준을 충족하지 못하고 있다.
• 세마틱 지도와 센서 융합의 통합은 동적 환경에서 맥락 인식 능력과 예측 신뢰도를 크게 향상시킨다.
• 차선 변경, 정지, 급작스러운 조작과 같은 다중모드 행동은 차량 간 높은 불확실성과 상호의존성으로 인해 여전히 주요 과제로 남아 있다.
• 현재의 모델들은 특히 악천후나 예측 불가능한 도로 변화 상황에서 다양한 주행 조건으로의 일반화 능력을 많이 상실한다.