[논문 리뷰] Transferable and Adaptable Driving Behavior Prediction

Letian Wang, Yeping Hu외 4명|arXiv (Cornell University)|2022. 02. 10.

Autonomous Vehicle Technology and Safety인용 수 20

한 줄 요약

계층적이고 이전 가능하며 적응 가능한 운전 행동 예측 프레임워크인 HATN을 제안하며, 이는 고수준의 의미 그래프 기반 의도 모델과 저수준 궤적 생성기 및 온라인 적응 모듈을 결합합니다.

ABSTRACT

While autonomous vehicles still struggle to solve challenging situations during on-road driving, humans have long mastered the essence of driving with efficient, transferable, and adaptable driving capability. By mimicking humans' cognition model and semantic understanding during driving, we propose HATN, a hierarchical framework to generate high-quality, transferable, and adaptable predictions for driving behaviors in multi-agent dense-traffic environments. Our hierarchical method consists of a high-level intention identification policy and a low-level trajectory generation policy. We introduce a novel semantic sub-task definition and generic state representation for each sub-task. With these techniques, the hierarchical framework is transferable across different driving scenarios. Besides, our model is able to capture variations of driving behaviors among individuals and scenarios by an online adaptation module. We demonstrate our algorithms in the task of trajectory prediction for real traffic data at intersections and roundabouts from the INTERACTION dataset. Through extensive numerical studies, it is evident that our method significantly outperformed other methods in terms of prediction accuracy, transferability, and adaptability. Pushing the state-of-the-art performance by a considerable margin, we also provide a cognitive view of understanding the driving behavior behind such improvement. We highlight that in the future, more research attention and effort are deserved for transferability and adaptability. It is not only due to the promising performance elevation of prediction and planning algorithms, but more fundamentally, they are crucial for the scalable and general deployment of autonomous vehicles.

연구 동기 및 목표

• 시나리오 간 예측 전이성을 개선하기 위해 인간과 유사한 계층적 인지(고수준 슬롯 삽입 및 저수준 궤적 추적)를 동기 부여하고 모델링한다.
• 시나리오 전이를 지원하는 간결하고 일반적인 표현(동적 삽입 영역이 있는 시맨틱 그래프)을 개발한다.
• 개인별 및 시나리오 특유의 행동 변화를 포착하기 위해 온라인 적응을 도입한다.
• 실제 교통 데이터(INTERACTION 데이터 세트)에서 더 낫은 예측 정확도, 전이성, 적응성을 입증한다.

제안 방법

• 세 가지 구성요소를 갖는 HATN(Hierarchical Adaptable and Transferable Network)을 도입한다: 의도 추정을 위한 고수준의 Semantic Graph Network(SGN), 궤적 생성을 위한 저수준의 Encoder-Decoder Network(EDN), 수정된 확장 칼만 필터(MEKFλ)를 사용하는 온라인 적응(OA) 모듈.
• 주행 장면을 Semantic Graph로 표현하며, Dynamic Insertion Areas(DIA)가 의도 및 목표 상태 분포를 안내하는 그래프 노드이다.
• SGN은 DIAs에 대한 삽입 확률 w_t과 가우시안 혼합 모델을 통해 목표 상태 분포 g_t를 출력한다.
• EDN은 과거 역학 S_{t-T_h:t} 및 의도 신호 g_t에 조건화된 미래 궤적을 생성한다.
• OA는 MEKFλ를 사용하여 예측 오차를 최소화하도록 EDN 매개변수 θ를 온라인으로 적응시킨다.
• 고수준 문제를 Y_{t+1:t+T_f} = f_HATN(O_{t-T_h:t})를 예측하는 문제로 공식화한다.

실험 결과

연구 질문

• RQ1 계층적이고 의미적으로 기반한 표현이 교차로, 원형교차로 등 다양한 운전 시나리오에서 제로샷 전이를 가능하게 할 수 있는가?
• RQ2 온라인 적응이 운전 행동 예측의 개인화 및 시나리오 전이성 개선에 기여하는가?
• RQ3 의미 그래프와 Dynamic Insertion Areas가 의도 및 궤적 예측 모두에 대해 상호작용이 풍부한 운전 맥락을 효과적으로 포착하는가?
• RQ4 제안된 프레임워크가 실제 데이터에서 예측 정확도, 전이성, 적응성 측면에서 최첨단 방법과 비교해 어떤 차이를 보이는가?

주요 결과

• HATN 프레임워크는 고수준 의도와 저수준 궤적 생성을 분리함으로써 예측 품질을 높인다.
• Dynamic Insertion Areas가 있는 시맨틱 그래프는 시나리오에 구애받지 않는 간결한 표현을 제공해 시나리오 간 전이를 지원한다.
• 온라인 적응 MEKFλ를 통해 EDN 매개변수를 온라인으로 업데이트하여 개인과 시나리오에 대한 맞춤화를 높인다.
• INTERACTION 데이터셋에 대한 실험에서 정확도, 전이성, 적응성 측면에서 베이스라인을 능가하는 성능을 보이며 광범위한 제거 분석이 뒷받침된다.
• 이 논문은 계층적이고 전이 가능하며 적응 가능한 설계가 밀집한 교통에서 운전 행동 예측을 더 잘 이끌어낸다는 인지적 해석을 제공한다.