[논문 리뷰] Human-Like Implicit Intention Expression for Autonomous Driving Motion Planning: A Method Based on Learning Human Intention Priors

Jiaqi Liu, Qi Xiao외 3명|arXiv (Cornell University)|2023. 07. 29.

Traffic and Road SafetyEngineering인용 수 3

한 줄 요약

이 논문은 실질적인 인간 주행 트래잭터리에서 학습함으로써 자율주행차량(AV)이 보호 없는 좌회전 중 인간다운 상호작용 의도를 표현할 수 있는 새로운 궤적 계획 프레임워크를 제안한다. 최대 엔트로피 역강화학습과 볼츠만 기반 궤적 선택을 통해, 의도 표현이 더 이르고 명확해지며, 의도 명확화 시점에서 평균 23% 향상되고 실제 인간 궤적 분포와 77% 일치를 달성한다.

ABSTRACT

One of the key factors determining whether autonomous vehicles (AVs) can be seamlessly integrated into existing traffic systems is their ability to interact smoothly and efficiently with human drivers and communicate their intentions. While many studies have focused on enhancing AVs' human-like interaction and communication capabilities at the behavioral decision-making level, a significant gap remains between the actual motion trajectories of AVs and the psychological expectations of human drivers. This discrepancy can seriously affect the safety and efficiency of AV-HV (Autonomous Vehicle-Human Vehicle) interactions. To address these challenges, we propose a motion planning method for AVs that incorporates implicit intention expression. First, we construct a trajectory space constraint based on human implicit intention priors, compressing and pruning the trajectory space to generate candidate motion trajectories that consider intention expression. We then apply maximum entropy inverse reinforcement learning to learn and estimate human trajectory preferences, constructing a reward function that represents the cognitive characteristics of drivers. Finally, using a Boltzmann distribution, we establish a probabilistic distribution of candidate trajectories based on the reward obtained, selecting human-like trajectory actions. We validated our approach on a real trajectory dataset and compared it with several baseline methods. The results demonstrate that our method excels in human-likeness, intention expression capability, and computational efficiency.

연구 동기 및 목표

• 복잡한 혼합 교통 환경에서의 상호작용에 있어 AV 궤적 계획에서 사회적 의도 표현의 부족을 해결하기 위해.
• 보호 없는 좌회전 상황에서 AV 행동과 인간 주행 패턴 간 격차를 해소하기 위해.
• 궤적 설계를 통해 AV가 암시적으로 상호작용 의도를 통신함으로써 인간의 이해도와 신뢰도를 향상시키기 위해.
• 높은 인간 주행 행동에 대한 충실도를 유지하면서도 계산 효율성을 향상시키기 위해.
• 잠재적 상호작용 규범과 인간 주행 사전지식을 AV 의사결정에 통합하여 더 자연스러운 운동 계획을 가능하게 하기 위해.

제안 방법

• 실제 인간 주행 궤적 데이터를 사용하여 다양한 상호작용 결정에 따른 기대 궤적 공간의 제약 조건을 정의함으로써, 암시적 의도를 반영하는 후보 운동 궤적을 생성한다.
• 교통 효율성, 주행 편안함, 상호작용 안전성 기반으로 인간 궤적 선호도를 평가하고 학습하기 위해 최대 엔트로피 역강화학습(ME-IRL)을 적용한다.
• 볼츠만 분포 기반의 선택 메커니즘이 후보 궤적에 보상과 확률을 할당하여 인간다운 의사결정 및 의도 표현을 촉진한다.
• 인간 주행 사전지식에서 유도된 고수준 의사결정 제약 조건을 궤적 계획 과정에 통합하여, 의사결정이 실행 이전에 이루어지도록 보장한다.
• 인간 운전자로부터의 잠재적 상호작용 규범과 전문 지식을 계획 공간에 통합하여 사회적 준수성과 해석 가능성 향상에 기여한다.
• 실제 궤적 데이터셋을 사용하여 검증하고 시뮬레이터 및 인간-중심 실험을 통해 의도 명확성, 안전성, 계산 성능을 평가한다.

실험 결과

연구 질문

• RQ1 자율주행차량은 보호 없는 좌회전 상황에서 어떻게 인간 주행 행동을 모방하는 방식으로 사회적 상호작용 의도를 표현할 수 있는가?
• RQ2 학습된 인간 주행 사전지식은 AV 궤적 계획의 현실성과 해석 가능성에 어느 정도 기여하는가?
• RQ3 역강화학습 기반 궤적 계획 프레임워크는 복잡한 교차로 상호작용에서 인간의 선호도를 효과적으로 포착하고 재현할 수 있는가?
• RQ4 혼합 교통 환경에서 AV 궤적의 의도 표현 시점과 명확성은 인간 운전자 및 기준 방법에 비해 어떻게 비교되는가?
• RQ5 제안된 프레임워크는 계산 효율성, 안전성, 실제 인간 궤적 분포와의 일치도에 어떤 영향을 미치는가?

주요 결과

• 제안된 프레임워크는 실제 인간 궤적 분포와 77% 일치를 달성하여 강력한 행동 충실도를 보였다.
• AV 궤적과 실제 인간 궤적 간 평균 오프셋이 기준 대비 85%로 감소하여 궤적 정확도 향상을 입증했다.
• 교차로 내 평균 이동 시간은 7.4초로, 복잡한 운전 행동에서 경쟁 가능한 효율성을 보였다.
• 기준 방법 대비 평균 계산 시간이 41.1% 감소하여 뛰어난 계산 효율성을 입증했다.
• 의도 명확화의 중앙값 시점은 4.0(약간 이른 편으로 분류됨)이며, 비교 전략 대비 평균 23% 향상되었고(p = 0.000), 통계적으로 유의미했다.
• 와이크슨 순위합 검정 결과, 모든 다섯 개 시나리오에서 의도 명확화 시점에 통계적으로 유의미한 차이가 확인되었으며(p < 0.05), 좌회전 우선순위 시나리오에서 가장 큰 효과 크기(r = 0.52)를 기록했다.