[논문 리뷰] Multi-Vehicle Trajectories Generation for Vehicle-to-Vehicle Encounters.

Wenhao Ding, Wenshuo Wang외 1명|arXiv (Cornell University)|2018. 09. 15.

Autonomous Vehicle Technology and Safety참고 문헌 20인용 수 8

한 줄 요약

이 논문은 차량 간 상호작용의 분리 가능하고 해석 가능한 잠재 표현을 학습하기 위해 변분 오토인코더(VAE)를 사용하는 비지도 다중 차량 경로 생성 프레임워크를 제안한다. 학습된 잠재 공간에서 샘플링함으로써, 다중 차량 경로 생성기(MTG)는 다양한 교통 상황을 생성하며, 기존의 VAE와 infoGAN보다 분리성과 현실성에서 뛰어난 성능을 보인다. 이는 자율주행차의 강력한 테스트를 가능하게 한다.

ABSTRACT

Generating multi-vehicle trajectories analogous to these in real world can provide reliable and versatile testing scenarios for autonomous vehicle. This paper presents an unsupervised learning framework to achieve this. First, we implement variational autoencoder (VAE) to extract interpretable and controllable representatives of vehicle encounter trajectory. Through sampling from the distribution of these representatives, we are able to generate new meaningful driving encounters with a developed Multi-Vehicle Trajectory Generator (MTG). A new metric is also proposed to comprehensively analyze and compare disentangled models. It can reveal the robustness of models and the dependence among latent codes, thus providing guidance for practical application to improve system performance. Experimental results demonstrate that our proposed MTG outperforms infoGAN and vanilla VAE in terms of disentangled ability and traffic awareness. These generations can provide abundant and controllable driving scenarios, thus providing testbeds and algorithm design insights for autonomous vehicle development.

연구 동기 및 목표

• 자율주행차 테스트를 위해 현실적이고 다양한, 제어 가능한 다중 차량 주행 상황을 생성하기 위해.
• 인간 레이블 없이도 차량 경로 패턴의 분리 가능하고 해석 가능한 잠재 표현을 학습하기 위해.
• 자율주행차 개발을 위한 체계적인 시나리오 설계를 지원하는 확장성 있고 다용도인 경로 생성기를 개발하기 위해.
• 실제 구현을 안내하기 위해 모델의 강건성과 잠재 코드 간 독립성 평가하기 위해.

제안 방법

• 실제 세계 유사한 다중 차량 경로 데이터에 대해 VAE를 훈련시어 압축되고 분리 가능한 잠재 공간을 학습한다.
• VAE의 잠재 공간에서 이해 가능하고 제어 가능한 경로 대표를 추출하여 시나리오 설계를 위해 활용한다.
• 학습된 잠재 분포에서 샘플링하여 새로운 의미 있는 주행 상황을 합성하는 다중 차량 경로 생성기(MTG)를 개발한다.
• 잠재 코드 간의 분리성, 강건성, 상호의존성을 평가하기 위한 새로운 지표를 제안한다.
• 조건부 샘플링을 통해 특정 주행 행동이나 상호작용 유형을 가진 시나리오를 생성할 수 있도록 한다.
• 질적 및 정량적 분석을 통해 infoGAN과 기존 VAE 기반 모델과의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 비지도 VAE 기반 프레임워크는 다중 차량 경로 패턴의 분리 가능하고 해석 가능한 표현을 학습할 수 있는가?
• RQ2 생성된 경로는 실제 교통 역학과 다양한 상호작용을 얼마나 잘 반영하는가?
• RQ3 모델의 잠재 코드가 얼마나 독립적인 주행 행동이나 상호작용 유형을 표현하는가?
• RQ4 제안된 지표는 기존 모델 대비 모델의 강건성과 코드 간 독립성을 얼마나 잘 드러내는가?
• RQ5 MTG는 기존의 GAN 및 VAE 기반 접근법보다 더 현실적이고 제어 가능한 시나리오를 생성할 수 있는가?

주요 결과

• 제안된 다중 차량 경로 생성기(MTG)는 기존의 VAE와 infoGAN보다 뛰어난 분리 성능를 달성한다.
• 모델은 실제 세계의 차량 간 상호작용과 유사한 다양한 교통 상황을 생성한다.
• 제안된 지표는 잠재 코드 간의 의존성을 성공적으로 식별하고 모델의 강건성을 평가한다.
• 학습된 잠재 공간에서의 샘플링을 통해 차선 변경이나 병합 동작과 같은 특정 상호작용 유형을 제어 가능하게 생성할 수 있다.
• MTG는 복잡한 다중 차량 상호작용을 더 잘 모델링하여 자율주행차를 위한 풍부한 테스트베드 개발을 지원한다.
• 실험 결과는 MTG가 분리성 및 교통 인지 지표 모두에서 기준 모델을 능가함을 확인한다.