[논문 리뷰] B-GAP: Behavior-Guided Action Prediction for Autonomous Navigation.

Angelos Mavrogiannis, Rohan Chandra외 1명|arXiv (Cornell University)|2020. 11. 07.

Autonomous Vehicle Technology and Safety참고 문헌 30인용 수 7

한 줄 요약

B-GAP는 그래프 컨volution 네트워크와 강화 학습을 사용하여 다른 차량의 주행 행동(공격적 또는 보수적)을 분류함으로써 자율 주행을 위한 행동 유도 동작 예측 프레임워크를 제안한다. 다양한 주행 동작(초과 주행, 갑작스러운 차선 변경 등)을 고려한 행동 기반 시뮬레이터를 활용하여 고속도로 환경 내의 동적인 교통 상황에서 안전한 경로 계획을 향상시킨다.

ABSTRACT

We present a novel learning algorithm for action prediction and local navigation for autonomous driving. Our approach classifies the driver behavior of other vehicles or road-agents (aggressive or conservative) and takes that into account for decision making and safe driving. We present a behavior-driven simulator that can generate trajectories corresponding to different levels of aggressive behaviors and use our simulator to train a policy using graph convolutional networks. We use a reinforcement learning-based navigation scheme that uses a proximity graph of traffic agents and computes a safe trajectory for the ego-vehicle that accounts for aggressive driver maneuvers such as overtaking, over-speeding, weaving, and sudden lane changes. We have integrated our algorithm with OpenAI gym-based Highway-Env simulator and demonstrate the benefits in terms of improved navigation in different scenarios.

연구 동기 및 목표

• 복잡한 교통 환경에서 주변 에이전트의 행동을 모델링하고 예측하여 자율 주행 차량의 주행 안정성을 향상시키기.
• 갑작스러운 차선 변경 및 초과 주행과 같은 공격적 주행 행동을 안전하게 회피하는 과제 해결.
• 훈련을 위한 행동 특화 경로를 생성하는 시뮬레이션 환경 개발.
• 실시간 의사결정을 위한 강화 학습 기반 주행 시스템에 행동 인식 기반 동작 예측 통합.

제안 방법

• 다양한 공격성 수준의 교통 에이전트에 해당하는 경로를 생성하기 위해 행동 기반 시뮬레이터를 활용한다.
• 근접성 그래프를 사용하여 교통 에이전트 간의 공간적 및 행동적 관계를 인코딩하기 위해 그래프 컨volution 네트워크(GCN)를 적용한다.
• 예측된 행동에 기반하여 안전한 경로를 선택하는 주행 정책을 강화 학습을 통해 훈련시킨다.
• 다양한 교통 상황을 포함한 OpenAI Gym 기반의 Highway-Env 시뮬레이터에서 정책을 훈련하고 평가한다.
• 행동 분류(공격적 대비 보수적)를 동작 예측 모듈에 통합하여 경로 계획을 유도한다.
• 웨이브 및 과속과 같은 고위험 주행 동작을 고려하여 자동차의 경로를 동적으로 조정한다.

실험 결과

연구 질문

• RQ1 자율 주행 차량은 실시간으로 공격적 주행 행동을 어떻게 예측하고 적응할 수 있는가?
• RQ2 행동 분류는 경로 안전성 및 주행 성능 향상에 어떤 역할을 하는가?
• RQ3 행동 유도 시뮬레이터는 다양한 주행 행동에 대응하는 강력한 주행 정책을 효과적으로 훈련시킬 수 있는가?
• RQ4 행동 인식 기반 예측을 통합함으로써 복잡한 고속도로 환경에서의 성능 향상은 어떻게 달성되는가?

주요 결과

• B-GAP 프레임워크는 갑작스러운 차선 변경 및 초과 주행과 같은 공격적 주행 행동을 명시적으로 모델링함으로써 주행 안정성을 향상시킨다.
• 행동 기반 시뮬레이터의 사용은 다양한 주행 행동에 일반화 가능한 정책 훈련에 효과적이다.
• 그래프 컨volution 네트워크는 교통 에이전트 간의 상호 관계적 역학을 효과적으로 포착하여 행동 인식 기반 의사결정을 지원한다.
• Highway-Env 시뮬레이터와의 통합은 복잡하고 혼잡한 상황에서 성능 향상을 입증한다.
• 강화 학습 기반 정책는 공격적 동작를 예측하고 반응함으로써 더 안전한 경로 계획을 달성한다.