[논문 리뷰] Uncertainty-aware Short-term Motion Prediction of Traffic Actors for Autonomous Driving

Nemanja Djuric, Vladan Radosavljević외 6명|arXiv (Cornell University)|2018. 08. 17.

Autonomous Vehicle Technology and Safety참고 문헌 51인용 수 38

한 줄 요약

이 논문은 교통 상황의 래스터라이제이션된 위성 시점 표현을 사용하여 차량의 단기 예측 궤적을 추론하면서 불확실성을 명시적으로 모델링하는 딥러닝 접근법을 제안한다. 실제 데이터로 훈련된 이 방법은 정확하고 잘 校정된 예측을 달성했으며, 자율주행 차량에 탑재되어 성공적으로 검증되었으며, 전통적인 칼만 필터 기반 모델 대비 더 높은 강인성을 보였다.

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

• 주변 교통 참가자의 단기 궤적을 정확히 예측하여 자율주행 차량의 안전성과 신뢰성을 향상시키기 위해.
• 교통 운동의 본질적 불확실성을 다루기 위해 예측에서 지식 기반 불확실성(epistemic)과 랜덤 불확실성(aleatoric)을 모두 모델링하기 위해.
• 고정밀 지도 및 센서 데이터를 활용하여 스케일링 가능한 종단간 딥러닝 프레임워크를 개발하기 위해.
• 오프라인 평가 및 자율주행 차량에서의 현장 테스트를 통해 실제 환경 조건에서 방법을 검증하기 위해.

제안 방법

• 관심 있는 교통 참가자 각각에 대해 주변 환경(차선, 차량, 지도 기능 포함)을 위성 시점 이미지로 래스터라이제이션한다.
• 딥 컨volution 신경망(CNN), 특히 MobileNetV2가 래스터라이제이션된 입력을 처리하여 향후 궤적과 관련된 불확실성을 예측한다.
• 모델은 향후 궤적의 점 추정치와 예측 분산을 동시에 출력하여 불확실성 인식 의사결정을 가능하게 한다.
• 불확실성은 학습된 분산 헤드를 사용하여 모델링되며, 입력 컨텍스트에 기반해 예측에 대한 신뢰도를 추정할 수 있도록 한다.
• 손실 함수가 궤적 정확도와 불확실성 校정을 동시에 최적화하도록, 실제 자율주행 차량 데이터셋에서 종단간으로 훈련된다.
• 막힘 맵을 통한 민감도 분석을 통해 모델이 주로 사용하는 핵심 시나리오 영역은 정면 차선, 횡단보도, 인근 차량과 같이 안전에 중요한 요소임을 확인하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 시나리오 컨텍스트와 불확실성을 효과적으로 통합하여 자율주행에서 단기 운동 예측을 어떻게 향상시킬 수 있는가?
• RQ2 원시 센서 데이터나 상태 기반 입력에 비해, 래스터라이제이션된 입력 표현 방식은 궤적 예측 정확도를 얼마나 향상시키는가?
• RQ3 학습된 불확실성을 가진 딥러닝 모델은 복잡하고 동적인 교통 환경에서 기존의 운동 모델(예: UKF)보다 우수한 성능을 보일 수 있는가?
• RQ4 모델은 모호한 운동과 다중 모달 행동을 포함한 실제 주행 조건에 얼마나 잘 일반화되는가?

주요 결과

• 제안된 모델은 UKF 기반 모델 대비 상당히 낮은 이격 오차를 기록했으며, 모든 예측 수평선에서 평균 이격 오차가 25% 향상되었다.
• 모델은 잘 校정된 불확실성을 보였으며, 예측된 신뢰구간이 실제 오차율과 매우 유사하게 나타나 신뢰도 있는 불확실성 추정이 가능함을 시사했다.
• 민감도 분석 결과, 모델은 정면 교통, 횡단보도, 인근 차량 등 맥락적으로 관련된 영역에 집중함을 확인하였으며, 안전에 중요한 요소들에 직관적인 주의를 기울임을 보였다.
• 모델은 행동 변화에 신속히 적응했으며, 예를 들어 회전 조작이 시작된 지 0.5초 내에 예측 오차를 감소시켰지만, UKF는 1.5초 이상 오차를 수정하는 데 소요되었다.
• 회전이 완료된 후에도 모델은 낮은 오차를 유지했지만, UKF는 오랫동안 높은 오차를 기록하며 동적 적응 능력이 열 劣한 것으로 나타났다.
• 엄격한 오프라인 평가를 거친 후, 시스템은 실제 자율주행 차량에 성공적으로 탑재 및 테스트되었으며, 실생활 적용 가능성은 확인되었다.