[논문 리뷰] Platoon trajectories generation: A unidirectional interconnected LSTM-based car following model

Yangxin Lin, Ping Wang외 4명|arXiv (Cornell University)|2019. 10. 25.

Traffic control and management참고 문헌 26인용 수 6

한 줄 요약

이 논문은 일방향 상호연결 LSTM 기반의 차량 따라하기 모델을 제안하여 시간적 및 공간적 오차 전파 문제를 해결함으로써 편대 운행 시뮬레이션의 정확도를 향상시킨다. 계획된 샘플링과 새로운 편대 인지 아키텍처를 통합함으로써 기존의 LSTM 접근 방식 대비 오차를 약 40% 감소시켜 교통 진동 현상에 대한 마이크로 시뮬레이션의 정밀도를 크게 향상시킨다.

ABSTRACT

Car following models have been widely applied and made remarkable achievements in traffic engineering. However, the traffic micro-simulation accuracy of car following models in a platoon level, especially during traffic oscillations, still needs to be enhanced. Rather than using traditional individual car following models, we proposed a new trajectory generation approach to generate platoon level trajectories given the first leading vehicle's trajectory. In this paper, we discussed the temporal and spatial error propagation issue for the traditional approach by a car following block diagram representation. Based on the analysis, we pointed out that error comes from the training method and the model structure. In order to fix that, we adopt two improvements on the basis of the traditional LSTM based car following model. We utilized a scheduled sampling technique during the training process to solve the error propagation in the temporal dimension. Furthermore, we developed a unidirectional interconnected LSTM model structure to extract trajectories features from the perspective of the platoon. As indicated by the systematic empirical experiments, the proposed novel structure could efficiently reduce the temporal and spatial error propagation. Compared with the traditional LSTM based car following model, the proposed model has almost 40% less error. The findings will benefit the design and analysis of micro-simulation for platoon level car following models.

연구 동기 및 목표

• 편대 수준의 교통 마이크로 시뮬레이션 동안 기존 차량 따라하기 모델에서 지속적으로 발생하는 시간적 및 공간적 오차 전파 문제를 해결하기 위해.
• 특히 교통 진동 상황에서 차량 편대의 궤적 생성 정확도를 향상시키기 위해.
• 개별 차량을 별도로 모델링하는 것이 아니라 편대의 집단적 역학을 포착하는 딥 러닝 아키텍처를 개발하기 위해.
• LSTM 기반 차량 따라하기 모델의 학습 절차와 모델 구조를 수정함으로써 오차 전파를 줄이기 위해.

제안 방법

• 시간 차원에서 오차 누적을 완화하기 위해 학습 중에 계획된 샘플링 기법을 적용하였다.
• 앞에서 뒤로의 편대 전반에 걸친 차량 간 상호의존성을 모델링하기 위해 일방향 상호연결 LSTM 아키텍처를 설계하였다.
• 주도 차량의 궤적을 주어진 조건으로 뒤따르는 차량의 궤적을 예측할 수 있도록 엔드 투 엔드로 모델을 훈련시켰다.
• 입력으로 주도 차량의 궤적, 출력으로 모든 뒤따르는 차량의 궤적을 가지는 시퀀스 투 시퀀스 학습 과제로 모델을 정의하였다.
• 편대 전반에 걸쳐 은닉 상태가 일방향으로 전파되도록 하여 시간적 및 공간적 특징 학습을 통합하였다.
• 오차 전파 메커니즘을 분석하고 진단하기 위해 차량 따라하기 시스템의 블록도 표현을 사용하였다.

실험 결과

연구 질문

• RQ1 기존의 LSTM 기반 차량 따라하기 모델에서 편대 운영 중 오차가 시간적 및 공간적으로 어떻게 전파되는가?
• RQ2 계획된 샘플링은 순차적 궤적 예측 과정에서 오차 누적에 얼마나 효과적으로 작용하는가?
• RQ3 일방향 상호연결 LSTM 아키텍처는 표준 순환 아키텍처에 비해 편대 수준의 역학을 더 잘 포착할 수 있는가?
• RQ4 제안된 모델은 교통 진동을 시뮬레이션할 때 기존의 LSTM 기반 차량 따라하기 모델에 비해 정확도에서 어떻게 비교되는가?

주요 결과

• 제안된 모델은 기준 LSTM 기반 차량 따라하기 모델 대비 궤적 예측 오차를 약 40% 감소시켰다.
• 계획된 샘플링은 순차적 궤적 생성 과정에서 시간 차원의 오차 전파를 효과적으로 완화시켰다.
• 일방향 상호연결 LSTM 아키텍처는 편대를 전체로 모델링함으로써 차량 간 상호의존성을 더 정확히 포착하였다.
• 실증 결과는 교통 진동 상황에서 공간적 및 시간적 정확도 향상이 뚜렷하게 이루어졌음을 보여주었다.
• 특히 고밀도 및 불안정한 교통 조건에서 현실적인 편대 행동을 시뮬레이션하는 데 있어 표준 LSTM 모델보다 모델 성능이 뛰어났다.