[논문 리뷰] SafeCritic: Collision-Aware Trajectory Prediction

Tessa van der Heiden, Naveen Shankar Nagaraja외 2명|arXiv (Cornell University)|2019. 10. 15.

Autonomous Vehicle Technology and Safety참고 문헌 28인용 수 19

한 줄 요약

SafeCritic는 생성적 적대적 네트워크(GANs)와 강화학습 기반 크리틱을 조합하여 정확하고 다양한 충돌 없는 궤적을 생성하는 새로운 궤적 예측 모델을 제안한다. 정적 및 동적 장애물과의 충돌을 방지하기 위해 환경 인지 기반의 크리틱을 통합함으로써 안전성과 성능을 향상시켰으며, UCY 및 SDD 벤치마크에서 최신 기술(SOTA)을 달성하여 기준 모델 대비 3배 이상 충돌 수를 감소시켰다.

ABSTRACT

Navigating complex urban environments safely is a key to realize fully autonomous systems. Predicting future locations of vulnerable road users, such as pedestrians and cyclists, thus, has received a lot of attention in the recent years. While previous works have addressed modeling interactions with the static (obstacles) and dynamic (humans) environment agents, we address an important gap in trajectory prediction. We propose SafeCritic, a model that synergizes generative adversarial networks for generating multiple "real" trajectories with reinforcement learning to generate "safe" trajectories. The Discriminator evaluates the generated candidates on whether they are consistent with the observed inputs. The Critic network is environmentally aware to prune trajectories that are in collision or are in violation with the environment. The auto-encoding loss stabilizes training and prevents mode-collapse. We demonstrate results on two large scale data sets with a considerable improvement over state-of-the-art. We also show that the Critic is able to classify the safety of trajectories.

연구 동기 및 목표

• 궤적 예측에서 명시적인 안전 모델링의 부족, 특히 정적 및 동적 장애물과의 충돌 회피 문제를 해결하기 위해.
• 생성 과정에서 비현실적이고 위험한 궤적을 제거함으로써 궤적 예측 정확도를 향상시키기 위해.
• 장면의 복잡성에 관계없이 에이전트 간 공간적 상호작용을 포괄하는 확장 가능한 어텐션 기반 시나리오 표현을 개발하기 위해.
• 지속적인 미래 궤적의 진실값을 기반으로 하지 않고도 현실성(GAN을 통한)과 안전성(학습된 보상 함수를 통한)을 균형 잡는 엔드 투 엔드 학습을 가능하게 하기 위해.

제안 방법

• 생성자는 과거 관측값을 기반으로 다수의 다양한 미래 궤적 후보를 생성하기 위해 조건부 GAN 프레임워크를 사용한다.
• 판별자는 생성된 궤적과 진실값 궤적을 구분함으로써 생성 궤적의 현실성을 평가한다.
• 역강화학습을 통해 학습된 크리틱 네트워크는 정적 장애물과 동적 에이전트와의 충돌 여부를 감지함으로써 궤적의 안전성을 평가한다.
• 크리틱은 어텐션 기반 시나리오 표현을 사용하여 에이전트 및 환경 요소 간의 공간적 종속성과 상호작용을 모델링한다.
• GAN 프레임워크에서 모드 붕괴를 완화하고 학습을 안정화하기 위해 오토인코딩 손실이 적용된다.
• GAN 손실(현실성에 기여)과 크리틱의 보상(안전성에 기여)의 볼록 조합이 최종 궤적 선택을 이끈다.

실험 결과

연구 질문

• RQ1 지속적인 미래 궤적의 진실값을 기반으로 하지 않고도 현실성과 안전성을 동시에 최적화할 수 있는 궤적 예측 모델은 가능한가?
• RQ2 학습된 크리틱 네트워크는 궤적 생성 과정에서 정적 및 동적 장애물과의 충돌을 얼마나 효과적으로 감지하고 처벌할 수 있는가?
• RQ3 환경 인지 기반의 요소를 통합할 경우 궤적 정확도와 다양성은 어느 정도 향상되는가?
• RQ4 제안된 방법은 예측 정확도를 유지하거나 향상시키면서 최신 기술 모델 대비 충돌 빈도를 줄일 수 있는가?
• RQ5 크리틱 네트워크는 새로운 환경에 일반화되어 궤적 안전성에 대해 신뢰성 있게 분류할 수 있는가?

주요 결과

• UCY 데이터셋에서 SafeCritic는 mADE 0.37과 mFDE 0.84를 기록하여 SocialGAN, SoPhie, CAR-Net를 포함한 모든 기준 모델을 능가했다.
• 더 복잡한 SDD 데이터셋에서 SafeCritic는 mADE 14.39와 mFDE 27.39를 기록하여 다음으로 우수한 모델인 CAR-Net(25.72와 51.80)보다 뚜렷이 뛰어났다.
• 모든 데이터셋에서 SafeCritic는 SocialGAN, SoPhie, 선형 회귀 모델 대비 충돌 수를 3배 감소시켰으며, 진실값 궤적의 충돌 수에 가까워졌다.
• 모드 붕괴에 대한 강건성을 입증하였으며, 정량적·정성적 분석을 통해 붐비는 장면에서도 다양한 궤적을 생성하는 데 성공했다.
• 크리틱 네트워크는 안전한 궤적을 성공적으로 분류하였으며, 주변 장애물과 다른 에이전트를 피하는 경로를 생성함을 어텐션 시각화 및 충돌 없는 궤적 예시를 통해 확인했다.
• 제거 분석을 통해 GAN 기반의 현실성 손실과 크리틱 기반의 안전성 보상의 조합이 다양성과 안전성을 균형 잡고 최고의 전체 성능을 달성함을 확인했다.