[논문 리뷰] Understanding V2V Driving Scenarios through Traffic Primitives

Wenshuo Wang, Weiyang Zhang외 1명|arXiv (Cornell University)|2018. 07. 27.

Time Series Analysis and Forecasting참고 문헌 30인용 수 15

한 줄 요약

이 논문은 비모수 베이지안 학습 프레임워크를 제안하여 복잡한 차량 간(V2V) 주행 상황을 주행 프리미티브라고 불리는 기본적인 행동 빌딩 블록으로 분해한다. 976건의 자연스러운 주행 상황에 스틱키 계층 다항분포 은닉 마르코프 모델(HDP-HMM)을 적용하여 4,000개 이상의 프리미티브를 추출하였고, 이후 동적 시간 왜곡(DTW)과 k-means를 통해 군집화하여 교통 내 핵심 상호작용 패턴을 반영하는 20종류의 구체적 프리미티브 유형을 규명하였다.

ABSTRACT

Semantically understanding complex drivers' encountering behavior, wherein two or multiple vehicles are spatially close to each other, does potentially benefit autonomous car's decision-making design. This paper presents a framework of analyzing various encountering behaviors through decomposing driving encounter data into small building blocks, called driving primitives, using nonparametric Bayesian learning (NPBL) approaches, which offers a flexible way to gain an insight into the complex driving encounters without any prerequisite knowledge. The effectiveness of our proposed primitive-based framework is validated based on 976 naturalistic driving encounters, from which more than 4000 driving primitives are learned using NPBL - a sticky HDP-HMM, combined a hidden Markov model (HMM) with a hierarchical Dirichlet process (HDP). After that, a dynamic time warping method integrated with k-means clustering is then developed to cluster all these extracted driving primitives into groups. Experimental results find that there exist 20 kinds of driving primitives capable of representing the basic components of driving encounters in our database. This primitive-based analysis methodology potentially reveals underlying information of vehicle-vehicle encounters for self-driving applications.

연구 동기 및 목표

• 행동 유형에 대한 사전 가정 없이 복잡한 V2V 주행 상황을 분석하기 위한 비지도 프레임워크 개발.
• 자연스러운 차량 궤적에 내재된 기본 행동 빌딩 블록인 주행 프리미티브 식별.
• 자율주행차의 의사결정 향상과 안전 평가 향상을 위해 차량 간 상호작용의 체계적 모델링 지원.
• 기존 방법의 한계를 극복하기 위해 사전에 정의된 이산 상태나 구조화된 도로 환경에 의존하지 않는 것.

제안 방법

• 고정된 행동 수를 가정하지 않고 원시 차량 궤적 데이터에서 주행 프리미티브를 추출하기 위해 스틱키 HDP-HMM을 활용한 비모수 베이지안 학습.
• 다양한 상황 간 차량 상태의 시간적 시퀀스를 비교하기 위해 동적 시간 왜곡(DTW)을 사용한 특징 표현.
• DTW 기반의 거리 행렬에 기반해 추출된 프리미티브를 k-means로 군집화하여 유사한 행동 그룹화.
• 군집 수 선정 및 군집 품질 평가에 사용되는 군집 내 거리(λw)와 군집 간 거리(λb)의 활용.
• 상황에서 차량 쌍의 공간적 및 시간적 동역학을 반영하는 5,000차원 특징 벡터의 적용.
• SPMD 데이터베이스에서 확보한 976건의 실제 주행 상황 데이터셋을 활용한 검증.

실험 결과

연구 질문

• RQ1 복잡한 V2V 주행 상황의 배경에 존재하는 기본 행동 성분은 무엇인가?
• RQ2 사전 가정 없이 주행 상황을 유한한 수의 재사용 가능한 행동 프리미티브로 효과적으로 분해할 수 있는가?
• RQ3 HDP-HMM과 DTW 기반 군집화와 같은 비지도 학습 기법을 어떻게 활용해 주행 프리미티브를 발견하고 그룹화할 수 있는가?
• RQ4 다양한 V2V 상호작용 패턴을 대표할 수 있는 최적의 주행 프리미티브 수는 얼마인가?
• RQ5 다른 교통 상황에서 추출된 프리미티브는 해석 가능성과 구분 능력 측면에서 어떻게 비교될 수 있는가?

주요 결과

• 스티키 HDP-HMM을 활용해 976건의 자연스러운 주행 상황에서 4,000개 이상의 주행 프리미티브를 성공적으로 추출하였다.
• DTW와 k-means 군집화를 통해 프리미티브는 20개의 구체적 유형으로 그룹화되었으며, 이는 V2V 상호작용의 핵심 행동 성분을 반영한다.
• 식별된 20개의 프리미티브에는 직진 주행, 좌/우회전, 차선 변경, 그리고 조율된 병행 또는 전환 시퀀스와 같은 핵심 행동이 포함되어 있다.
• 군집 #4는 전체적으로 가속도를 유지하는 좌회전을 나타내었고, 군집 #15와 #18은 각각 감속 후 가속도 또는 추가 감속을 보이는 다른 속도 프로파일을 가진 右회전을 나타내었다.
• 이 방법은 노이즈가 있는 GPS 데이터 속에서도 공간적·시간적 동역학을 잘 포착하는 데에 유연성을 보였으며, 교차로 및 병합 상황에서 이해 가능한 행동 패턴을 드러내었다.
• 본 연구는 복잡한 주행 상황이 유한하고 해석 가능한 프리미티브 집합으로 systematic하게 분해될 수 있음을 확인하였으며, 자율주행 시스템의 인간 운전자 행동 모델링 향상에 기여한다.