[논문 리뷰] Multi-Fidelity Recursive Behavior Prediction

Mihir Jain, Kyle Brown외 1명|arXiv (Cornell University)|2018. 12. 18.

Autonomous Vehicle Technology and Safety참고 문헌 19인용 수 4

한 줄 요약

이 논문은 다중 신뢰도 순환 행동 예측(MFRBP)을 제안하며, Level-$k$ 및 인지 계층 모델을 기반으로 향후 상호작용을 순환적으로 추론함으로써 차량 궤적 예측 정확도를 향상시키는 게임 이론 모델이다. 다중 신뢰도 모델링을 통해 주요 에이전트(예: 자기 차량)에 대해 높은 수준의 추론을 할당함으로써 NGSIM 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하였으며, 특히 장기 예측 수평에서 이전 방법 대비 루트 평균 제곱 오차(RMSE)를 감소시켰다.

ABSTRACT

Predicting the behavior of surrounding vehicles is a critical problem in automated driving. We present a novel game theoretic behavior prediction model that achieves state of the art prediction accuracy by explicitly reasoning about possible future interaction between agents. We evaluate our approach on the NGSIM vehicle trajectory data set and demonstrate lower root mean square error than state-of-the-art methods.

연구 동기 및 목표

• 교통 에이전트 간의 향후 상호작용을 명시적으로 모델링하여 자율 주행에서 차량 행동 예측 정확도를 향상시키는 것.
• 기존 모델이 상호작용을 무시하거나 시나리오 컨텍스트에 암묵적으로 조건화하는 한계를 해결하기 위해 순환적이고 게임 이론적인 추론 프레임워크를 도입하는 것.
• 다양한 에이전트에 대해 중요도에 따라 다른 수준의 추론 정밀도를 부여하는 다중 신뢰도 예측을 가능하게 하는 것(예: 자기 차량 대비 주변 차량).
• 계획된 자기 차량 궤적에 조건화된 예측의 영향을 평가하여 실제 자율 주행 시나리오를 시뮬레이션하는 것.
• 순환적이고 다중 신뢰도 기반의 추론이 최신 기술 수준의 기준 모델 대비 측정 가능한 예측 정확도 향상을 이끌어내는지 입증하는 것.

제안 방법

• 모델는 Level-$k$ 및 인지 계층 추론에 영감을 얻은 순환 예측 기반으로, 각 에이전트의 궤적 수준 $k$는 이전 수준까지의 다른 에이전트의 최고 수준 예측에 의존한다.
• 각 에이전트는 추론 수준 $k_i$와 정책 모델 시퀀스 $(\pi_{i,0}, \dots, \pi_{i,k_i})$를 할당받으며, 높은 수준일수록 더 정교한 상호작용 모델링을 포함한다.
• 궤적 예측는 현재 역사와 다른 에이전트의 이전 수준 예측에 조건화된 평균 $\hat{\mathbf{x}}_{i,k}^{(t+1:t_f)}$와 공분산 $\Sigma_{i,k}$를 가진 정규분포로 모델링된다.
• 다중 신뢰도 모델링은 주변 에이전트에 낮은 추론 수준($k_i = 0$)과 간단한 정책 모델(예: 일정 속도)을 할당하고, 자기 차량에는 높은 수준과 더 복잡한 모델을 사용함으로써 구현된다.
• 기본 구현에서 컨볼루션 사회 풀링(CSP)의 구성 요소를 통합하여 특징 추출 및 궤적 예측를 수행하며, Leaky ReLU와 Adam 최적화 기법을 사용한다.
• 실험은 세 가지 변형으로 구성된다: L1-RBP(단일 수준), L1-MFRBP(다중 신뢰도 자기 중심형), 및 계획 인식 변형(실제 자기 차량 궤적을 입력으로 사용해 예측을 조건화함).

실험 결과

연구 질문

• RQ1 향후 에이전트 상호작용에 대해 순환적 게임 이론적 추론을 적용할 경우, 상호작용을 무시하거나 암묵적으로 조건화하는 모델 대비 궤적 예측 정확도가 향상되는가?
• RQ2 다른 에이전트에 대해 다른 추론 수준과 정책 모델을 할당하는 다중 신뢰도 모델링이, 특히 자기 중심형 자율 주행 시나리오에서 예측 성능 향상에 기여하는가?
• RQ3 예측을 후보 향후 자기 차량 궤적(예: 계획된 경로)에 조건화할 경우 정확도가 얼마나 향상되는가?
• RQ4 제안된 순환 프레임워크가 NGSIM과 같은 표준 벤치마크에서 CSP와 같은 최신 기술 수준 기준 모델을 초월할 수 있는가?
• RQ5 추론 깊이(높은 $k$)를 증가시킬 경우, 특히 장기 예측 수평에서 예측 오차에 어떤 영향을 미치는가?

주요 결과

• L1-RBP는 모든 시간 수평에서 기준 모델 $\mathbf{\pi}_{\text{CSP}}$ 보다 낮은 RMSE를 기록했으며, 1초 수평에서 14.5%의 상대적 감소와 5초 수평에서 8.5% 감소를 기록했다.
• L1-MFRBP는 자기 중심형 집중 다중 신뢰도 모델링을 적용하여 기준 모델 대비 약간이지만 일관된 향상을 보였으며, 2초 수평에서 1.20 RMSE, 5초 수평에서 4.16 RMSE를 기록했다.
• 계획 인식 변형인 L1-MFRBP는 실제 자기 차량 궤적을 입력으로 사용해 예측을 조건화하였으며, 4초 수평에서 2.88 RMSE, 5초 수평에서 4.01 RMSE를 기록하여 가장 우수한 성능을 달성했다. 이는 계획된 궤적에 접근할 수록 예측 정확도가 향상됨을 시사한다.
• 향상 정도가 장기 예측 수평에서 더 두드러졌으며, 이는 향후 상호작용에 대해 순환적 추론이 장기 운동 예측에 특히 유리함을 시사한다.
• 모델의 순환적 구조는 전체 공동 궤적 최적화가 필요 없이도 확장 가능하고 계층적인 상호작용 추론을 가능하게 한다.
• CSP 기반 특징과 순환 게임 이론적 추론의 통합은 딥러닝과 구조적 추론을 융합한 행동 예측에서의 효과성을 입증한다.