[논문 리뷰] Uncertainty-Aware Driver Trajectory Prediction at Urban Intersections

Xin Huang, Stephen G. McGill외 3명|arXiv (Cornell University)|2019. 01. 16.

Autonomous Vehicle Technology and Safety참고 문헌 29인용 수 11

한 줄 요약

이 논문은 학습된 신뢰도 추정기와 함께 변동형 딥 네트워크와 물리기반 오도메트리 예측기의 조합을 통한 신뢰도 인식, 불확실성 인식 가능 trajectory 예측 프레임워크를 제안한다. 실시간 신뢰도 점수에 기반해 더 신뢰할 수 있는 예측기를 동적으로 선택함으로써, 물리기반 모델 대비 예측 오차를 25% 감소시키며, 3초 예측 환경에서 불확실한 경우를 82% 정확도로 식별한다.

ABSTRACT

Predicting the motion of a driver's vehicle is crucial for advanced driving systems, enabling detection of potential risks towards shared control between the driver and automation systems. In this paper, we propose a variational neural network approach that predicts future driver trajectory distributions for the vehicle based on multiple sensors. Our predictor generates both a conditional variational distribution of future trajectories, as well as a confidence estimate for different time horizons. Our approach allows us to handle inherently uncertain situations, and reason about information gain from each input, as well as combine our model with additional predictors, creating a mixture of experts. We show how to augment the variational predictor with a physics-based predictor, and based on their confidence estimations, improve overall system performance. The resulting combined model is aware of the uncertainty associated with its predictions, which can help the vehicle autonomy to make decisions with more confidence. The model is validated on real-world urban driving data collected in multiple locations. This validation demonstrates that our approach improves the prediction error of a physics-based model by 25% while successfully identifying the uncertain cases with 82% accuracy.

연구 동기 및 목표

• 다양한 가능한 동작가능성이 존재하는 도심 교차로에서 운전자의 트래젝터리 예측에 따른 높은 불확실성 문제를 해결하기 위해.
• 결정 과정에 불확실성 추정을 통합하여 안전이 중요한 공유 제어 자율주행의 예측 정확도를 향상시키기 위해.
• 다양한 시간 간격에서 다른 트래젝터리 예측기(예: DNN 대비 물리모델)의 신뢰성을 정량화할 수 있는 신뢰도 추정기 개발을 위해.
• 학습된 신뢰도에 기반해 전문 예측기(변동형 DNN 및 오도메트리 모델) 간에 동적으로 선택함으로써 전체 예측의 강건성을 향상시키기 위해.
• 실세계 도심 주행 데이터를 기반으로 시스템을 검증하여, 복잡한 교차로 상황에서 개선된 정확도와 불확실성 인식 능력을 입증하기 위해.

제안 방법

• 다중 모달 센서 입력(예: 속도, 가속도)을 처리하는 변동형 신경망이 향후 트래젝터리에 대한 조건부 변동분포를 생성한다.
• 각 후보 예측기(변동형 DNN 및 오도메트리 모델)의 신뢰성을 향후 다양한 시간 간격에서 예측하기 위해 별도의 딥 네트워크를 신뢰도 추정기로 훈련시킨다.
• 전문가 혼합 프레임워크는 각 시간 단계에서 두 예측기 중에서 가장 높은 추정된 신뢰도 점수를 가진 트래젝터리 예측을 선택한다.
• 신뢰도 추정기는 각 모델이 언제 더 정확한지 학습할 수 있도록 진짜 오차 차이를 기반으로 훈련된다.
• 시스템은 두 예측기 모두 임계값 오차(2.54 m)를 초과하는 경우의 비율을 측정하여 불확실성 정도를 정량화한다.
• 예측 수평선 0.1에서 3초까지의 범위에서 성능을 평가하며, 각 간격에서 오차 및 불확실성 지표를 보고한다.

실험 결과

연구 질문

• RQ1 도심 교차로에서 운전자의 행동에 내재된 불확실성을 효과적으로 모델링할 수 있는 트래젝터리 예측 시스템은 어떻게 설계할 수 있는가?
• RQ2 학습된 신뢰도 추정기는 DNN 또는 물리기반 모델이 트래젝터리 예측에서 더 정확한 경우를 신뢰성 있게 식별할 수 있는가?
• RQ3 신뢰도 점수를 사용해 여러 예측기의 조합을 통해 예측 정확도와 불확실성 인식 능력이 얼마나 향상되는가?
• RQ4 예측 불확실성은 시간이 지남에 따라 어떻게 변화하는가? 그리고 시스템은 안전한 의사결정 지원을 위해 고불확실성 예측 사례를 신뢰성 있게 경고할 수 있는가?
• RQ5 특히 복잡한 주행 상황에서 예측 오차를 줄이면서도 불확실한 예측을 식별하는 데 높은 신뢰도를 유지할 수 있는가?

주요 결과

• 전문가 혼합 예측기는 물리기반 오도메트리 모델 대비 25%의 예측 오차 감소와 변동형 DNN 단독 대비 23%의 오차 감소를 기록했다.
• 신뢰도 추정기는 전체 테스트 샘플에서 75%의 비율로 더 잘 작동하는 예측기를 정확히 식별했다.
• 두 예측기 모두 오차가 2.54미터를 초과하는 것으로 정의된 불확실한 케이스의 82%를 정확히 식별하여 치명적인 잘못된 예측의 위험을 최소화했다.
• 불확실한 케이스의 18%에서만 신뢰도 추정기가 불확실성을 과소평가했으며, 이는 높은 위험 예측을 경고하는 데 강력한 신뢰성을 보임을 시사한다.
• 1.4초 이후로 예측 불확실성이 크게 증가했으며, 2.5초가 넘어서는 시점에서 불확실한 케이스 수가 급격히 증가했다.
• 2.5초 이상의 수평선에서 불확실한 케이스의 10% 이하에서만 신뢰도 추정이 불확실성을 과소평가했으며, 이는 불확실성 추정에 대해 높은 자신감을 유지하고 있음을 나타낸다.