[논문 리뷰] Short-term Motion Prediction of Traffic Actors for Autonomous Driving using Deep Convolutional Networks

Nemanja Djuric, Vladan Radosavljević외 5명|arXiv (Cornell University)|2018. 08. 17.

Autonomous Vehicle Technology and Safety인용 수 35

한 줄 요약

이 논문은 교통 참가자 주변의 래스터라이제이션된 이미지를 사용하여 그들의 단기 운동을 예측하는 딥 컨volution 신경망 기반 접근법을 제안한다. 이 방법은 예측의 불확실성을 명시적으로 모델링하며, 자율 주행 차량에서의 실제 테스트를 통해 검증된 안정적이고 실시간의 운동 예측을 달성한다.

ABSTRACT

We address one of the crucial aspects necessary for safe and efficient operations of autonomous vehicles, namely predicting future state of traffic actors in the autonomous vehicle's surroundings. We introduce a deep learning-based approach that takes into account a current world state and produces raster images of each actor's vicinity. The rasters are then used as inputs to deep convolutional models to infer future movement of actors while also accounting for and capturing inherent uncertainty of the prediction task. Extensive experiments on real-world data strongly suggest benefits of the proposed approach. Moreover, following completion of the offline tests the system was successfully tested onboard self-driving vehicles.

연구 동기 및 목표

• 안정적인 자율 주행 차량 운영을 보장하기 위해 교통 참가자의 향후 행동을 예측하는 데 있어 핵심적인 과제를 해결하기 위해.
• 기존 접근 방식에서 자주 간과되는 교통 운동 예측의 내재된 불확실성을 모델링하기 위해.
• 래스터라이제이션된 시나리오 표현으로부터의 공간적 맥락을 활용하는 확장성 있고 견고한 딥 러닝 프레임워크를 개발하기 위해.
• 차량 내 자율 주행 시스템에 배포하기에 적합한 실시간 추론을 가능하게 하기 위해.
• 실제 데이터를 기반으로 한 방법의 검증을 통해 실차 테스트를 통해 그 효과성을 입증하기 위해.

제안 방법

• 각 교통 참가자의 주변을 포괄하는 래스터 이미지로 현재 세계 상태를 표현하여 공간적 및 맥락적 정보를 유지하기 위해.
• 래스터라이제이션된 입력을 딥 컨volution 신경망에 입력하여 운동 예측을 위한 시공간적 특징을 추출하기 위해.
• 확률적 출력 헤드를 사용하여 향후 궤적에 대한 분포를 예측하고, 예측의 불확실성을 명시적으로 모델링하기 위해.
• 실제 주행 데이터를 사용하여 종합적으로 훈련하여 복잡한 운동 패턴과 상호작용을 학습하기 위해.
• 래스터 입력의 순차적 처리를 통해 시간적 모델링을 구현하여 동적인 시나리오 변화를 포착하기 위해.
• 정확하고 잘 校정된 불확실성 추정을 장려하는 미분 가능한 손실 함수를 사용하여 모델을 최적화하기 위해.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망이 래스터라이제이션된 시나리오 표현을 사용하여 교통 참가자의 단기 운동을 효과적으로 예측할 수 있는가?
• RQ2 모델은 결정론적 기반 대비 예측의 불확실성을 얼마나 잘 포착하고 표현하는가?
• RQ3 제안된 방법이 실제 주행 시나리오와 차량 내 배포에 얼마나 잘 일반화되는가?
• RQ4 예측 정확도와 불확실성 校정 측면에서 최신 기술 대비 모델 성능은 어떠한가?

주요 결과

• 제안된 방법은 실제 주행 데이터에서 기준 모델 대비 뛰어난 운동 예측 정확도를 달성한다.
• 모델은 예측의 불확실성을 명시적으로 포착하여 잘 校정된 신뢰도 추정을 제공한다.
• 실제 주행 조건에서 차량 내에 배포되었을 때도 시스템은 견고성과 신뢰성을 보여준다.
• 래스터라이제이션된 입력 표현 방식은 공간 맥락을 효과적으로 유지하여 예측 성능 향상에 기여한다.
• 모델은 실시간 추론을 가능하게 하여 차량 내 배포에 적합하다.
• 광범위한 오프라인 테스트와 도로 주행 검증을 통해 이 방법의 실용적 타당성이 확인되었다.