[논문 리뷰] Lane Attention: Predicting Vehicles' Moving Trajectories by Learning Their Attention over Lanes

Jiacheng Pan, Hongyi Sun외 5명|arXiv (Cornell University)|2019. 09. 29.

Autonomous Vehicle Technology and Safety참고 문헌 38인용 수 4

한 줄 요약

이 논문은 시공간 그래프와 LSTM 기반의 시간적 인코딩을 사용하여 비유클리드적 도로 구조를 기반으로 주행 차량의 궤적 예측을 위한 어텐션을 학습하는 그래프 신경망인 Lane-Attention을 제안한다. 이는 장기 예측에서 특히 뛰어난 성능을 보이며, 3초 FDE 오차가 2.13m로 LSTM 대비 1.5배 이상 낮다. 또한 운전자 의도를 반영하는 해석 가능한 어텐션 점수를 제공하여 고정밀 지도 기반 및 뷰이온리(비전 온리) 자율주행 시스템에 모두 구현 가능하다.

ABSTRACT

Accurately forecasting the future movements of surrounding vehicles is essential for safe and efficient operations of autonomous driving cars. This task is difficult because a vehicle's moving trajectory is greatly determined by its driver's intention, which is often hard to estimate. By leveraging attention mechanisms along with long short-term memory (LSTM) networks, this work learns the relation between a driver's intention and the vehicle's changing positions relative to road infrastructures, and uses it to guide the prediction. Different from other state-of-the-art solutions, our work treats the on-road lanes as non-Euclidean structures, unfolds the vehicle's moving history to form a spatio-temporal graph, and uses methods from Graph Neural Networks to solve the problem. Not only is our approach a pioneering attempt in using non-Euclidean methods to process static environmental features around a predicted object, our model also outperforms other state-of-the-art models in several metrics. The practicability and interpretability analysis of the model shows great potential for large-scale deployment in various autonomous driving systems in addition to our own.

연구 동기 및 목표

• 기존 방법에서 자주 간과되는 정적 도로 인프라, 특히 도로 차선 구조의 영향을 모델링하여 차량 궤적 예측 정확도를 향상시키는 것.
• 도로 차선을 유클리드 데이터(예: 격자 또는 지ap)로 간주하는 것의 한계를 해결하여, 분기나 곡선 형태 등 복잡하고 비균일한 위상 구조를 정확히 반영할 수 있도록 하는 것.
• 차선을 기반으로 한 어텐션 메커니즘을 통해 운전자 의도를 암묵적으로 학습하여 장기 예측의 정확도와 해석 가능성을 향상시키는 것.
• 고정밀 지도 데이터가 필요 없는 HD-맵 기반 및 저비용 비전 온리 자율주행 시스템 모두에 구현 가능한 모델을 설계하는 것.
• 인간 운전자의 행동을 모방하는 바람직한 방식으로, 관련 차선에 집중하는 방식을 반영하는 가시화된 어텐션 점수를 통해 모델의 의사결정 과정을 해석 가능하게 하는 것.

제안 방법

• 노드는 차선을, 엣지는 차선 간의 공간적 근접성과 방향 일致성을 나타내는 시공간 그래프를 구성한다.
• 차량의 운동 이력은 장기 기억 장치(LSTM)를 사용하여 위치 및 속도의 시간적 변화를 모델링한다.
• 그래프 어텐션 네트워크(GAT)를 통한 공간 메시지 전파가 차선 특징을 집계하며, 어텐션 가중치는 차량-차선 관계에 기반해 동적으로 학습된다.
• 모델은 차선 변경 또는 융합 상황에서 관련이 없는 차선에서 의도된 경로와 일치하는 차선으로 어텐션을 이동시키는 방식으로 학습한다.
• 어텐션 점수는 가시화되어 모델의 의사결정 과정을 해석 가능하게 하며, 곡선 도로에서 가장자리 차선을 집중하거나 차선 변경 시 목표 차선에 집중하는 인간 운전 행동과 유사한 패턴을 보인다.
• 모델은 지ap 유형에 관계없이 작동하며, 최소한의 입력(차선 중심선 및 차량 궤적)만으로도 작동하며, 도로 경계선이나 교차로 유형 등의 세부 지도 정보가 필요하지 않다.

실험 결과

연구 질문

• RQ1 비유클리드적 그래프로 정적 도로 인프라(특히 차선)를 표현할 경우, 유클리드 표현 방식보다 차량 궤적 예측 정확도가 향상되는가?
• RQ2 차선을 기반으로 한 어텐션 메커니즘이 운전자 의도를 효과적으로 포착하여 장기 예측 성능을 향상시키는가?
• RQ3 모델이 고정밀 지도가 없는 자율주행 시스템을 포함한 다양한 자율주행 시스템에 일반화되는가?
• RQ4 학습된 어텐션 점수는 모델의 의사결정 과정에 대한 해석 가능한 통찰을 제공하는가?
• RQ5 시작 신호가 미흡한 경우나 차선 변경 또는 융합과 같은 도전적인 상황에서 모델의 성능은 어떠한가?

주요 결과

• Lane-Attention 모델은 1초 후 평균 이격 오차(ADE)가 0.3979m, 3초 후에는 2.1299m를 기록하며, 특히 장기 예측에서 LSTM과 같은 기준 모델보다 뚜렷한 성능 향상을 보였다.
• 3초 후 최종 이격 오차(FDE)는 2.13m로, LSTM 기준 대비 1.5배 낮아 장기 예측 능력이 뛰어나다는 것을 입증했다.
• 세부 고정밀 지도 데이터가 없이도 차량 궤적과 차선 중심선만으로도 높은 성능 유지를 보이며, 저비용 비전 기반 시스템에 적합하다.
• 가시화된 어텐션 점수는 모델이 불필요한 차선에서 의도된 경로로의 집중을 학습하고 있음을 보여주며, 차선 변경 시 목표 차선이나 곡선 도로에서 가장자리 차선에 집중하는 등 인간 운전 행동과 유사한 패턴을 반영한다.
• 노이즈가 많은 센서 데이터에도 강건하게 작동하여, 종방향 위치 측정값이 정확하지 않더라도 차선 변경을 정확히 예측할 수 있었다.
• 명시적인 신호가 아직 없는 상황에서는 오차가 발생할 수 있으나, 미세한 신호가 나타나는 즉시 모델은 신속히 적응하여 조기 신호에서 의도를 효과적으로 학습하고 있음을 보였다.