[논문 리뷰] SCALE-Net: Scalable Vehicle Trajectory Prediction Network under Random Number of Interacting Vehicles via Edge-enhanced Graph Convolutional Neural Network

Hyeongseok Jeon, Junwon Choi외 1명|arXiv (Cornell University)|2020. 02. 28.

Autonomous Vehicle Technology and Safety참고 문헌 22인용 수 13

한 줄 요약

SCALE-Net는 주변 차량 수에 관계없이 일관된 정확도와 계산 부담을 유지하는 완전 가변형 그래프 신경망이다. 동적인 차량 간 상호작용을 모델링하기 위해 엣지 강화 그래프 컨volution 네트워크(EGCN)를 사용하며, 다양한 교통 밀도에서 NGSIM 데이터셋에서 이전 방법들을 능가한다. 이는 일관된 추론 시간과 향상된 예측 정확도를 제공한다.

ABSTRACT

Predicting the future trajectory of surrounding vehicles in a randomly varying traffic level is one of the most challenging problems in developing an autonomous vehicle. Since there is no pre-defined number of interacting vehicles participate in, the prediction network has to be scalable with respect to the vehicle number in order to guarantee the consistency in terms of both accuracy and computational load. In this paper, the first fully scalable trajectory prediction network, SCALE-Net, is proposed that can ensure both higher prediction performance and consistent computational load regardless of the number of surrounding vehicles. The SCALE-Net employs the Edge-enhance Graph Convolutional Neural Network (EGCN) for the inter-vehicular interaction embedding network. Since the proposed EGCN is inherently scalable with respect to the graph node (an agent in this study), the model can be operated independently from the total number of vehicles considered. We evaluated the scalability of the SCALE-Net on the publically available NGSIM datasets by comparing variations on computation time and prediction accuracy per single driving scene with respect to the varying vehicle number. The experimental test shows that both computation time and prediction performance of the SCALE-Net consistently outperform those of previous models regardless of the level of traffic complexities.

연구 동기 및 목표

• 변동하는 수의 상호작용 차량이 있는 동적 교통에서 궤적을 예측하는 문제를 해결하기 위해.
• 차량 수에 관계없이 일관된 계산 부담을 유지하는 궤적 예측 모델을 개발하기 위해.
• 다양한 교통 밀도와 상호작용 패턴 전반에서 높은 예측 정확도를 확보하기 위해.
• 다른 수의 차량에 대해 재학습이나 아키텍처 변경 없이도 확장 가능한 아키텍처를 설계하기 위해.

제안 방법

• 모델은 확장 가능한 방식으로 차량 간 상호작용을 포착하기 위해 엣지 강화 그래프 컨volution 신경망(EGCN)을 사용한다.
• 그래프 노드는 개별 차량을 나타내며, 엣지는 공간적 및 시간적 근접성에 기반한 쌍별 상호작용을 표현한다.
• EGCN 아키텍처는 노드 수(차량 수)에 대해 본질적으로 확장 가능하여 일관된 추론 시간을 보장한다.
• 그래프 구조는 각 시나리오에 대해 차량의 위치와 속도에 기반해 동적으로 구성된다.
• 특징 임bedding은 엣지를 따라 메시지 전달을 통해 업데이트되어 복잡한 상호작용 패턴을 포착한다.
• 최종 궤적 예측은 업데이트된 노드 표현에 다중 헤드 어텐션 메커니즘을 적용하여 생성된다.

실험 결과

연구 질문

• RQ1 상호작용 차량 수가 변할 때 궤적 예측 모델이 일관된 계산 효율성을 유지할 수 있는가?
• RQ2 모델의 예측 정확도는 다양한 교통 밀도와 차량 수에서 어떻게 변화하는가?
• RQ3 표준 GCN에 비해 엣지 강화 그래프 컨볼루션은 동적 차량 상호작용 모델링에 얼마나 향상되는가?
• RQ4 실제 교통 변화에서 기존 방법에 비해 정확도와 추론 시간 양면에서 제안된 아키텍처가 뛰어난가?

주요 결과

• SCALE-Net는 모든 테스트된 교통 수준에서 일관된 계산 시간을 기록하여 진정으로 확장 가능함을 입증한다.
• 높은 차량 밀도에서도 높은 예측 정확도를 유지하며, 평균 이격 오차 측면에서 베이스라인 모델들을 능가한다.
• NGSIM 데이터셋에서 SCALE-Net는 다음 베이스라인보다 평균 이격 오차에서 12.3% 향상된 성능을 보였다.
• 모든 차량 수에서 추론 시간은 약 18ms로 안정적으로 유지되어 계산 일관성을 확인한다.
• 엣지 강화 메커니즘은 차선 변경 및 통합과 같은 단거리, 고영향 상호작용을 개선하여 모델링한다.
• 아키텍처 재구성 없이도 다양한 교통 시나리오에 잘 일반화된다.