[논문 리뷰] Interaction-aware Kalman Neural Networks for Trajectory Prediction

Ce Ju, Zheng Wang외 3명|arXiv (Cornell University)|2019. 02. 28.

Traffic Prediction and Management Techniques인용 수 10

한 줄 요약

이 논문은 상호작용 인식 칼만 신경망(IaKNN)을 제안한다. IaKNN는 상호작용 인식 가속도, 운동학적 궤적 변환, 그리고 예측 정확도를 높이기 위해 학습된 칼만 필터를 통합한 다층 딥러닝 아키텍처이다. IaKNN는 NGSIM 데이터셋에서 최고의 베이스라인(CS-LSTM) 대비 10% 향상된 성능을 기록하여 복잡한 교통 상황에서 뛰어난 성능을 입증한다.

ABSTRACT

Forecasting the motion of surrounding obstacles (vehicles, bicycles, pedestrians and etc.) benefits the on-road motion planning for intelligent and autonomous vehicles. Complex scenes always yield great challenges in modeling the patterns of surrounding traffic. For example, one main challenge comes from the intractable interaction effects in a complex traffic system. In this paper, we propose a multi-layer architecture Interaction-aware Kalman Neural Networks (IaKNN) which involves an interaction layer for resolving high-dimensional traffic environmental observations as interaction-aware accelerations, a motion layer for transforming the accelerations to interaction aware trajectories, and a filter layer for estimating future trajectories with a Kalman filter network. Attributed to the multiple traffic data sources, our end-to-end trainable approach technically fuses dynamic and interaction-aware trajectories boosting the prediction performance. Experiments on the NGSIM dataset demonstrate that IaKNN outperforms the state-of-the-art methods in terms of effectiveness for traffic trajectory prediction.

연구 동기 및 목표

• 차량 간 고차원적이고 동적인 상호작용이 존재하는 복잡한 교통 환경에서의 궤적 예측 과제를 해결한다.
• 단일 에이전트 모델의 한계를 극복하기 위해 다중 차량 환경에서 집단적이고 상호작용 인식 운동 패턴을 모델링한다.
• 소음이 많은 센서 데이터와 불확실성을 다루기 위해 딥러닝과 확률적 필터링을 통합하여 예측 정확도를 향상시킨다.
• 동적 궤적과 상호작용 인식 신호를 융합하는 엣지 투 엔드 학습 가능한 프레임워크를 개발하여 강력한 운동 예측을 구현한다.

제안 방법

• 근처 차량의 과거 궤적에서 상호작용 인식 가속도를 추출하기 위해 컨볼루션 및 LSTM 네트워크를 활용한 상호작용 레이어를 갖춘 다층 아키텍처를 사용한다.
• 운동학적 통합을 통해 상호작용 인식 가속도를 상호작용 인식 궤적으로 변환하기 위한 운동 레이어를 사용한다.
• 시간에 따라 변하는 과정 및 측정 노이즈 파rameter를 학습하는 두 개의 LSTM 네트워크에 의해 학습된 칼만 필터를 사용한 필터 레이어를 구현한다.
• 필터 레이어에서 동적 궤적과 상호작용 인식 궤적을 융합하여 추정 정확도와 강인성을 향상시킨다.
• 기울기 클리핑과 Xavier 가중치 초기화를 사용한 Adam 최적화를 통해 전체 모델을 엣지 투 엔드로 학습시킨다.
• 밀도 높은 교통 상황에서 차량 간 암묵적 상호작용 효과를 모델링하기 위해 사회력(social force)을 잠재 표현으로 통합한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 밀도 높은 교통 상황에서 차량 간 복잡하고 고차원적인 상호작용 효과를 효과적으로 포착할 수 있는가?
• RQ2 학습된 칼만 필터를 상호작용 인식 가속도와 융합함으로써 기존의 RNN 기반 모델 대비 궤적 예측 정확도가 어떻게 향상되는가?
• RQ3 상호작용 인식 궤적과 동적 궤적을 융합함으로써 노이즈가 많은 센서 조건 하에서 예측 강인성이 얼마나 향상되는가?
• RQ4 실제 궤적 예측 벤치마크에서 IaKNN이 RMSE와 NLL 모두에서 최신 기술을 초월할 수 있는가?

주요 결과

• IaKNN는 NGSIM 데이터셋에서 5초 예측 시간 간격 동안 최고의 베이스라인인 CS-LSTM 대비 약 10% 향상된 RMSE를 기록한다.
• 모델은 비교된 모든 방법 중에서 가장 낮은 NLL을 기록하여 예측 궤적의 확률적 校정 성능이 뛰어나다는 것을 나타낸다.
• 사례 연구 결과 IaKNN는 차선 변경 의도와 안전한 뒷차랑 주행 행동을 정확히 예측하여 현실적인 교통 역학을 반영한다.
• 상호작용 레이어는 사회력 유사한 상호작용 패턴을 성공적으로 포착하여 차선 변경과 같은 집단적 행동을 예측할 수 있도록 한다.
• 칼만 필터 레이어에 학습된 과정 및 측정 노이즈를 통합함으로써 궤적 추정의 안정성과 정확도가 크게 향상된다.
• IaKNN는 단일 에이전트 모델이 집단 운동 패턴을 포착하지 못하는 고상호작용 밀도의 복잡한 시나리오에서도 뛰어난 성능을 보인다.