[논문 리뷰] Predicting Vehicle Behaviors Over An Extended Horizon Using Behavior Interaction Network

Wenchao Ding, Jing Chen외 1명|arXiv (Cornell University)|2019. 03. 03.

Autonomous Vehicle Technology and Safety참고 문헌 31인용 수 9

한 줄 요약

이 논문은 반복적 인코딩과 적응형 상호작용 가중치를 사용하여 동적인 상호작용 인식 차량 행동을 모델링함으로써 장기 예측 차량 행동 예측을 향상시키는 행동 상호작용 네트워크(VBIN)를 제안한다. 이 방법은 평균 예측 리드 타임 2.622초를 달성하고 임계적인 잘못된 음성 결과를 206건으로 줄여 실제 고속도로 데이터셋에서 정확도와 불확실성 감소 측면에서 최신 기술을 초월한다.

ABSTRACT

Anticipating possible behaviors of traffic participants is an essential capability of autonomous vehicles. Many behavior detection and maneuver recognition methods only have a very limited prediction horizon that leaves inadequate time and space for planning. To avoid unsatisfactory reactive decisions, it is essential to count long-term future rewards in planning, which requires extending the prediction horizon. In this paper, we uncover that clues to vehicle behaviors over an extended horizon can be found in vehicle interaction, which makes it possible to anticipate the likelihood of a certain behavior, even in the absence of any clear maneuver pattern. We adopt a recurrent neural network (RNN) for observation encoding, and based on that, we propose a novel vehicle behavior interaction network (VBIN) to capture the vehicle interaction from the hidden states and connection feature of each interaction pair. The output of our method is a probabilistic likelihood of multiple behavior classes, which matches the multimodal and uncertain nature of the distant future. A systematic comparison of our method against two state-of-the-art methods and another two baseline methods on a publicly available real highway dataset is provided, showing that our method has superior accuracy and advanced capability for interaction modeling.

연구 동기 및 목표

• 기존 행동 예측 방법의 짧은 예측 수명 주기를 해결함으로써 자율 주행 차량의 효과적인 장기 계획 수립을 방해하는 문제를 해결한다.
• 기존 사회적 풀링 방법이 이질적인 에이전트 역학으로 인해 실패하는 고속, 동적인 주행 환경에서 차량 상호작용을 더 효과적으로 모델링한다.
• 관측 가능한 동작 패턴을 초월해 상호작용 단서를 활용하여 행동 예측을 조기에 수행할 수 있도록 능력을 확장한다.
• 행동 가능성에 대한 이웃 차량의 영향을 포착하는 상호작용 인식형 엔드 투 엔드 학습 가능한 확장 가능한 네트워크를 개발한다.
• 특히 차선 변경에 대해 장기 행동 예측의 정확도를 향상시키고 불확실성을 감소시킨다.

제안 방법

• 모델은 반복 신경망(RNN)을 사용하여 차량 관측치를 은닉 상태로 인코딩함으로써 시간적 동역학을 포착한다.
• 차량 쌍 간의 상대 위치, 속도 및 동작 특징에 기반해 동적인 상호작용 가중치를 계산하는 새로운 차량 행동 상호작용 네트워크(VBIN)를 제안한다.
• 상호작용 특징이 집계되어 예측 대상에 대한 총 사회적 영향을 계산하고, 이는 행동 클래스 가능성에 영향을 준다.
• 출력은 행동 클래스(예: 차선 유지, 차선 변경)에 대한 확률 분포이며, 다중 모달성과 불확실성을 반영한다.
• 모델은 엔드 투 엔드 학습 가능하며 실시간 자율 주행 차량 계획에 적합하도록 설계되어 있다.
• 상호작용 가중치는 동적으로 학습되며, 고속 주행 환경에서 기존 사회적 풀링 방법의 동일 가중치 문제를 피한다.

실험 결과

연구 질문

• RQ1 관측 가능한 동작 패턴이 나타나는 시점 이후에도 상호작용이 행동 예측에 신뢰할 수 있는 단서를 제공할 수 있는가?
• RQ2 에이전트 역학이 사회적 영향에 크게 영향을 주는 고속 주행 환경에서 상호작용 모델링을 어떻게 적응시킬 수 있는가?
• RQ3 학습 가능한 동적 상호작용 가중치 메커니즘이 장기 예측 수명 주기에서 고정된 사회적 풀링보다 우수한 성능을 낼 수 있는가?
• RQ4 상호작용 인식 모델링이 예측 정확도를 얼마나 향상시키고 예측 수명 주기를 얼마나 연장할 수 있는가?
• RQ5 제안된 방법은 먼 미래 행동 예측에서 잘못된 양성 결과와 잘못된 음성 결과를 얼마나 줄이는가?

주요 결과

• 제안된 VBIN은 2.622초의 평균 예측 시간을 기록하여 기준 모델에 비해 예측 수명 주기를 크게 연장했다.
• 임계적인 잘못된 음성 결과(FNs) 수가 206건으로 모든 비교 모델 중에서 가장 낮아 차선 변경의 조기에 대한 검출 능력이 뛰어나다는 것을 나타낸다.
• 임계적인 잘못된 양성 결과(FPs) 수가 322건으로 모든 방법 중에서 가장 낮아 상호작용 모델링을 통한 잘못된 경고 거부 능력 향상이 입증되었다.
• 모든 TTLC(Time-to-lead-collision) 값에서 음의 로그우도(NLL) 손실이 가장 낮아 분류 정확도가 뛰어나다는 것을 확인했다.
• TTLC가 3.6초일 때 VBIN은 높은 신뢰도로 차선 변경을 정확히 예측하지만, CLSTM은 정적 사회적 풀링의 잘못된 차단 가정으로 인해 실패한다.
• 모델은 F1 점수, 정밀도, 재현율 측면에서 두 개의 최신 기술 모델과 두 개의 기준 모델을 모두 능가하며, 특히 장기 예측에서 뛰어난 성능을 보였다.