[논문 리뷰] A Deep Learning Framework for Generation and Analysis of Driving Scenario Trajectories

Ανδρέας Δημητρίου, Henrik Alfsvåg외 2명|arXiv (Cornell University)|2020. 07. 28.

Autonomous Vehicle Technology and Safety인용 수 11

한 줄 요약

이 논문은 조건부 GAN과 오토에인코더-GAN 하이브리드를 사용하여 가변 길이 주행 시나리오 트래잭터리를 생성하고 분석하기 위한 통합 딥러닝 프레임워크를 제안한다. 이는 유연한 트래잭터리 생성, 잠재 공간 클러스터링, 이상치 탐지 기능을 제공하며, 실차 볼보 캐즈 데이터를 기반으로 한 실험에서 재구성 손실을 통한 1% 이상치 탐지 성능을 입증하였다.

ABSTRACT

We propose a unified deep learning framework for the generation and analysis of driving scenario trajectories, and validate its effectiveness in a principled way. To model and generate scenarios of trajectories with different lengths, we develop two approaches. First, we adapt the Recurrent Conditional Generative Adversarial Networks (RC-GAN) by conditioning on the length of the trajectories. This provides us the flexibility to generate variable-length driving trajectories, a desirable feature for scenario test case generation in the verification of autonomous driving. Second, we develop an architecture based on Recurrent Autoencoder with GANs to obviate the variable length issue, wherein we train a GAN to learn/generate the latent representations of original trajectories. In this approach, we train an integrated feed-forward neural network to estimate the length of the trajectories to be able to bring them back from the latent space representation. In addition to trajectory generation, we employ the trained autoencoder as a feature extractor, for the purpose of clustering and anomaly detection, to obtain further insights into the collected scenario dataset. We experimentally investigate the performance of the proposed framework on real-world scenario trajectories obtained from in-field data collection.

연구 동기 및 목표

• 자율주행차 안전 검증을 위한 실차 주행 시나리오 데이터의 부족성과 불균형 문제를 해결하기 위해.
• 가상 테스트를 위한 현실적인 가변 길이 주행 트래잭터리를 생성할 수 있는 통합 딥러닝 프레임워크를 개발하기 위해.
• 학습된 잠재 표현을 활용한 클러스터링 및 이상치 탐지를 통한 탐색적 데이터 분석을 가능하게 하기 위해.
• 볼보 캐즈의 현장 주행 데이터 2000건을 기반으로 프레임워크를 검증하기 위해.

제안 방법

• 트래잭터리 길이에 따라 조건을 주어 가변 길이 주행 시나리오를 생성하기 위해, 재귀적 조건부 GAN(RC-GAN)을 변형 적용하였다.
• 잠재 공간 표현에서 트래잭터리 길이를 추정하기 위한 별도의 피드포워드 네트워크를 갖춘 AE-GAN 아키텍처를 제안하였다.
• 후속 분석 작업을 위한 의미 있는 잠재 특징을 추출하기 위해, 재귀적 오토에인코더를 훈련시켰다.
• 잠재 공간 클러스터의 시각화를 위해 차원 감소를 위해 t-SNE와 PCA를 사용하였다.
• 비구형 클러스터 형태를 고려해 DBSCAN을 사용하였으며, K-means를 기준 비교 모델로 활용하였다.
• 오토에인코더에서 높은 재구성 손실을 기록한 트래잭터리를 이상치로 식별하여, 센서 또는 행동 이상을 시사하였다.

실험 결과

연구 질문

• RQ1 딥러닝 프레임워크가 자율주행차 검증을 위한 현실적이고 가변 길이의 주행 시나리오 트래잭터리를 효과적으로 생성할 수 있는가?
• RQ2 재귀적 오토에인코더에서 학습된 잠재 표현이 주행 시나리오 데이터의 클러스터링 및 이상치 탐지에 얼마나 잘 기여하는가?
• RQ3 다양한 클러스터링 방법(예: DBSCAN 대비 K-means)이 주행 트래잭터리의 학습된 잠재 공간에서 어떤 성능을 보이는가?
• RQ4 오토에인코더의 재구성 손실이 희귀하거나 이방성 주행 행동을 탐지하는 데 얼마나 효과적인가?
• RQ5 제안된 생성 모델 간의 트래잭터리 품질과 다양성 측면에서 성능 비교는 어떻게 이루어지는가?

주요 결과

• RC-GAN 모델은 트래잭터리 길이에 따라 조건을 주어 가변 길이 주행 시나리오 트래잭터리를 성공적으로 생성함으로써, 다양한 테스트 케이스 생성의 유연성을 확보하였다.
• 길이 추정 기능을 갖춘 AE-GAN은 고정 길이 입력 없이도 다양한 길이의 트래잭터리를 효과적으로 생성하였다.
• PCA를 거친 잠재 공간에 DBSCAN를 적용한 결과, 네 개의 의미 있는 비구형 클러스터를 식별하였으며, K-means보다 우수한 성능을 보였다.
• 2000건의 커팅인 트래잭터리 중 약 1%가 높은 재구성 손실로 이상치로 분류되었으며, 주로 상대적 종방향 거리의 급격한 변화에서 기인하였다.
• 이상치 트래잭터리는 주로 감속하는 커팅인 행동을 보였으며, 센서 오류나 희귀한 운전자 행동을 시사하였다.
• 이 프레임워크는 자동 이상치 탐지 및 탐색적 분석을 통해 시나리오 데이터셋의 품질 향상 잠재력을 뚜렷이 입증하였다.