[논문 리뷰] Social Attention for Autonomous Decision-Making in Dense Traffic

Edouard Leurent, Jean Mercat|arXiv (Cornell University)|2019. 11. 27.

Autonomous Vehicle Technology and Safety참고 문헌 37인용 수 68

한 줄 요약

논문은 변동 수의 인근 차량 처리와 순열 불변성을 다루는 어텐션 기반 정책 아키텍처를 제안하여 밀집한 교통에서 자율 의사결정을 개선하고, 해석 가능한 어텐션 패턴을 제공합니다.

ABSTRACT

We study the design of learning architectures for behavioural planning in a dense traffic setting. Such architectures should deal with a varying number of nearby vehicles, be invariant to the ordering chosen to describe them, while staying accurate and compact. We observe that the two most popular representations in the literature do not fit these criteria, and perform badly on an complex negotiation task. We propose an attention-based architecture that satisfies all these properties and explicitly accounts for the existing interactions between the traffic participants. We show that this architecture leads to significant performance gains, and is able to capture interactions patterns that can be visualised and qualitatively interpreted. Videos and code are available at https://eleurent.github.io/social-attention/.

연구 동기 및 목표

• 밀집 교통에서 자율 주행을 위한 학습 기반 행동 계획 동기 부여.
• 가변 크기 입력과 순열 불변성에 대한 일반적인 상태 표현(특징 목록 vs 공간 격자)을 비판.
• 다수의 인근 차량과의 상호 작용을 포착하는 어텐션 기반 아키텍처를 도입.
• 최대 15대의 차량이 포함된 복잡한 교차로 횡단 작업에서 성능 및 해석 가능성 향상 시연.
• 어텐션 패턴이 직관적 안전 및 협상 역학과 정렬되는지 보이기.

제안 방법

• 특화된 Q-function 아키텍처를 갖춘 DQN 프레임워크를 사용.
• 각 주변 차량을 공유 선형 인코더로 인코딩.
• 다수의 헤드를 갖는 ego-attention 계층을 적용하여 ego-vehicle과의 상호 작용을 계산.
• 잔차 연결로 ego 인코딩과 어텐션 출력을 집계.
• 선형 디코더를 사용하여 고수준 결정에 대한 액션 값을 생성.
• 패딩 없이 가변 입력 크기와 순열 불변성 입증.

실험 결과

연구 질문

• RQ1 어텐션 기반 사회적 상호 작용이 고정 크기 표현보다 밀집 교통에서 의사결정을 개선할 수 있는가?
• RQ2 ego 중심의 다중 헤드 어텐션이 의미 있는 차량-자기 의존성을 포착하고 해석 가능하게 만들 수 있는가?
• RQ3 제안된 방법이 교차로 시나리오에서 성능과 안전 측면에서 리스트 기반 및 격자 기반 표현과 어떻게 비교되는가?
• RQ4 모델이 상호 작용 패턴을 활용하고 도로 우선순위에 따라 더 공격적이거나 덜 공격적으로 될 수 있는가?
• RQ5 더 많은 차량 수와 다양한 구성의 장면에 확장 가능한가?

주요 결과

• ego-attention 아키텍처가 FCN/List 및 CNN/Grid 기준선 대비 상당한 성능 향상을 이끌어낸다.
• 모델은 가변 차량 수를 처리하고 순열 불변성을 유지하며 교차로 횡단에서 의사결정 품질을 향상시킨다.
• 어텐션 헤드가 서로 다른 영역(예: 왼쪽 및 앞/오른쪽)으로 특화되고 충돌 가능성이 있는 차량에 더 집중하며, 대상이 가까워질수록 어텐션이 증가한다.
• 정책은 우선순위에 따라 차선의 양보를 정교하게 학습하고 도로 우선순위에 따라 공격성을 조절할 수 있다.
• 정성적 시각화는 에피소드 중 해석 가능한 상호 작용 패턴과 어텐션 동역학을 보여준다.