[논문 리뷰] Physically Feasible Vehicle Trajectory Prediction

Harshayu Girase, Jerrick Hoang외 2명|arXiv (Cornell University)|2021. 04. 29.

Autonomous Vehicle Technology and Safety참고 문헌 35인용 수 7

한 줄 요약

이 논문은 자동주행 차량의 물리적 현실성, 유지보수 용이성, 샘플 효율성을 확보하기 위해 그래프 신경망과 미분 가능한 순수 추적 경로 추적 레이어를 결합한 하이브리드 차량 궤적 예측 모델인 PTNet을 제안한다. 기계학습 프레임워크에 로봇공학 기반의 운동 제약 조건을 통합함으로써 PTNet은 상태 수준의 궤적 오차 성능을 달성하면서도 곡률과 가속도의 실현 가능성(가능성)을 보장하며, 기준 모델 대비 반 토막 난 학습 데이터로도 성능을 내는 데 성공했다.

ABSTRACT

Predicting the future motion of actors in a traffic scene is a crucial part of any autonomous driving system. Recent research in this area has focused on trajectory prediction approaches that optimize standard trajectory error metrics. In this work, we describe three important properties -- physical realism guarantees, system maintainability, and sample efficiency -- which we believe are equally important for developing a self-driving system that can operate safely and practically in the real world. Furthermore, we introduce PTNet (PathTrackingNet), a novel approach for vehicle trajectory prediction that is a hybrid of the classical pure pursuit path tracking algorithm and modern graph-based neural networks. By combining a structured robotics technique with a flexible learning approach, we are able to produce a system that not only achieves the same level of performance as other state-of-the-art methods on traditional trajectory error metrics, but also provides strong guarantees about the physical realism of the predicted trajectories while requiring half the amount of data. We believe focusing on this new class of hybrid approaches is an useful direction for developing and maintaining a safety-critical autonomous driving system.

연구 동기 및 목표

• 자율주행 차량에서 사용되는 순수 데이터 기반 궤적 예측 모델의 물리적 현실성 부족 문제를 해결하기 위해.
• 기계학습과 구조적 로봇공학 기법을 통합함으로써 기술 부채와 코드 혼란을 줄여 시스템 유지보수 용이성을 향상시키기 위해.
• 기존의 물리적 운동 동역학 지식을 활용함으로써 학습에 필요한 데이터를 줄여 샘플 효율성을 향상시키기 위해.
• 하이브리드 학습-로봇공학 접근 방식이 동적 실현 가능성 보장을 하면서도 최신 기술 수준의 성능을 달성할 수 있음을 입증하기 위해.
• 궤적 오차 외에도 실현 가능성 지표를 평가 기준의 핵심 요소로 삼는 데 초점을 옮기기 위해.

제안 방법

• PTNet는 장면의 맥락과 상호작용 정보를 기반으로 각 운전자에 대해 운동 프로파일(가속도 및 조향각)을 예측하기 위해 그래프 신경망을 사용한다.
• 미분 가능한 순수 추적 경로 추적 레이어가 예측된 운동 프로파일을 실행하며, 곡률 및 가속도 제한과 같은 물리적 제약 조건을 강제로 적용한다.
• 경로 추적 레이어는 미분 가능하므로 전체 모델의 엔드 투 엔드 학습이 가능하면서도 물리적 실현 가능성은 유지된다.
• 모델은 각 목표지점에 대해 다수의 운동 프로파일을 생성함으로써 다중 모달 공간-시간 궤적을 출력하며, 각 프로파일은 미분 가능한 추적기로 실행된다.
• 기존의 로봇공학 기반 운동 모델(예: 운동학적 자전거 모델)을 신경망 아키텍처에 통합하여 물리적 현실성을 인덕티브 바이어스로 삽입한다.
• 실생활 주행 데이터를 기반으로 엔드 투 엔드로 학습되며, 궤적 오차와 실현 가능성 제약 조건을 동시에 최적화하는 손실 함수가 사용된다.

실험 결과

연구 질문

• RQ1 기계학습과 로봇공학 기법을 융합한 하이브리드 모델이 성능을 저하시키지 않은 채 차량 궤적 예측의 물리적 현실성을 향상시킬 수 있는가?
• RQ2 미분 가능한 경로 추적 레이어를 통합함으로써 시스템 유지보수 용이성은 얼마나 향상되고 기술 부채는 얼마나 감소하는가?
• RQ3 물리 기반 제약 조건을 포함함으로써 궤적 예측 모델의 샘플 효율성은 어떻게 영향을 받는가?
• RQ4 표준 궤적 오차 지표가 포착하지 못하는 상태 수준의 모델의 한계는 실현 가능성 지표가 어떻게 드러내는가?
• RQ5 모델이 동적 실현 가능성을 보장하면서도 同시에 최신 기술 수준의 궤적 오차 성능을 달성할 수 있는가?

주요 결과

• 3T 설정에서 PTNet은 곡률과 이동 가속도 실현 가능성 지표에서 0% 위반률을 기록했고, GoalNet은 각각 69.02%와 5.64% 위반률을 기록했다.
• 모든 시간 모드에서 PTNet은 최소 및 최대 이동 가속도에 대해 0% 위반률을 유지하여 일관된 물리적 실현 가능성의 성능을 입증했다.
• 모델은 샘플 효율성에서 100% 향상을 달성했다: PTNet는 GoalNet이 달성하는 동일한 성능 수준에 도달하기 위해 학습 데이터의 절반만을 사용했다.
• 정성적 분석 결과, PTNet는 매끄럽고 동적으로 실현 가능한 궤적을 생성하는 반면, GoalNet의 출력은 낮은 L2 오차에도 불구하고 노이즈가 많고 물리적으로 실현 불가능한 경우가 많았다.
• 미분 가능한 순수 추적 레이어 덕분에 물리적 제약 조건을 강제로 적용하면서도 엔드 투 엔드 학습이 가능해져 유지보수 용이성과 해석 가능성 모두 향상되었다.
• PTNet는 표준 궤적 오차 지표에서 GoalNet과 동일하거나 뛰어난 성능을 보이며, 핵심 실현 가능성 지표에서 더 뛰어난 성능을 보였다.