[논문 리뷰] Motion Prediction of Traffic Actors for Autonomous Driving using Deep Convolutional Networks.

Nemanja Djuric, Vladan Radosavljević외 5명|arXiv (Cornell University)|2018. 08. 17.

Advanced Neural Network Applications인용 수 56

한 줄 요약

이 논문은 자율주행 시나리오에서 교통 참가자의 향후 운동을 예측하기 위해 교통 참가자 둘레의 래스터라이제이션 표현을 사용하는 딥 컨volution 신경망 접근법을 제안한다. 공간적 맥락과 불확실성을 모델링함으로써, 이 방법은 실차량 페어에서의 실제 배포를 통해 검증된 강건한 운동 예측을 달성한다.

ABSTRACT

Recent algorithmic improvements and hardware breakthroughs resulted in a number of success stories in the field of AI impacting our daily lives. However, despite its ubiquity AI is only just starting to make advances in what may arguably have the largest impact thus far, the nascent field of autonomous driving. In this work we discuss this important topic and address one of crucial aspects of the emerging area, the problem of predicting future state of autonomous vehicle's surrounding necessary for safe and efficient operations. We introduce a deep learning-based approach that takes into account current state of traffic actors and produces rasterized representations of each actor's vicinity. The raster images are then used by deep convolutional models to infer future movement of actors while accounting for inherent uncertainty of the prediction task. Extensive experiments on real-world data strongly suggest benefits of the proposed approach. Moreover, following successful tests the system was deployed to a fleet of autonomous vehicles.

연구 동기 및 목표

• 안전한 자율주행 차량 운영을 위한 교통 참가자의 향후 운동 예측이라는 핵심 과제를 해결하기 위해.
• 교통 상황의 래스터라이제이션 표현을 통해 공간적 맥락을 활용함으로써 운동 예측을 향상시키기 위해.
• 딥 컨volution 신경망을 사용하여 교통 행동에 내재된 불확실성을 고려하기 위해.
• 실제 자율주행 차량 페어에서 검증된 구현 가능한 시스템을 개발하기 위해.

제안 방법

• 해당 방법은 교통 참가자의 현재 상태를 그 주변을 나타내는 래스터라이제이션된 정면도 이미지로 변환한다.
• 이러한 래스터라이제이션 입력은 향후 궤적을 추론하기 위해 딥 컨volution 신경망에 의해 처리된다.
• 모델은 확률적 출력 레이어를 사용하여 예측의 불확실성을 명시적으로 모델링한다.
• 모델은 복잡한 시공간적 종속성을 학습하기 위해 실차량 주행 데이터를 기반으로 엔드 투 엔드로 훈련된다.
• 실시간 추론을 위해 설계되었으며, 자율주행 차량 페어에 배포되었다.
• 다중 헤드 출력 헤드가 불확실성 추정과 함께 향후 위치를 예측한다.

실험 결과

연구 질문

• RQ1 자율주행에서 운동 예측을 위해 교통 상황의 공간적 맥락을 효과적으로 인코딩할 수 있는가?
• RQ2 딥 컨volution 신경망을 사용하여 교통 참가자의 래스터라이제이션 표현을 활용함으로써 운동 예측 정확도를 향상시킬 수 있는가?
• RQ3 딥 러닝 프레임워크에서 향후 운동 예측의 불확실성을 어떻게 모델링하고 표현할 수 있는가?
• RQ4 자율주행 차량 페어에 배포된 운동 예측 시스템의 실세계 성능은 어떠한가?
• RQ5 제안된 방법이 다양한 교통 상황과 조건에서 일반화 가능한가?

주요 결과

• 제안된 방법은 순수한 상태 정보만을 사용하는 기준 방법에 비해 운동 예측 정확도를 크게 향상시킨다.
• 래스터라이제이션 표현은 교통 참가자 주변의 공간적 맥락을 인코딩함으로써 성능 향상을 이룬다.
• 모델은 예측의 불확실성을 효과적으로 포착하여 보다 신뢰할 수 있는 궤적 예측을 이끈다.
• 시스템은 성공적으로 실세계 자율주행 차량 페어에 배포되어 강건성과 확장성을 입증했다.
• 다양한 교통 상황에서의 실세계 데이터를 대상으로 한 광범위한 실험을 통해 이 방법의 유효성이 검증되었다.