[논문 리뷰] Probabilistic Vehicle Trajectory Prediction over Occupancy Grid Map via Recurrent Neural Network

ByeoungDo Kim, Chang Mook Kang외 5명|arXiv (Cornell University)|2017. 04. 24.

Traffic Prediction and Management Techniques참고 문헌 12인용 수 70

한 줄 요약

이 논문은 LSTM 네트워크를 사용하여 점유 격자 지도에서 확률적 미래 차량 위치를 예측하고 고속도로 시나리오에서 칼만 필터 기반 방법을 능가한다.

ABSTRACT

In this paper, we propose an efficient vehicle trajectory prediction framework based on recurrent neural network. Basically, the characteristic of the vehicle's trajectory is different from that of regular moving objects since it is affected by various latent factors including road structure, traffic rules, and driver's intention. Previous state of the art approaches use sophisticated vehicle behavior model describing these factors and derive the complex trajectory prediction algorithm, which requires a system designer to conduct intensive model optimization for practical use. Our approach is data-driven and simple to use in that it learns complex behavior of the vehicles from the massive amount of trajectory data through deep neural network model. The proposed trajectory prediction method employs the recurrent neural network called long short-term memory (LSTM) to analyze the temporal behavior and predict the future coordinate of the surrounding vehicles. The proposed scheme feeds the sequence of vehicles' coordinates obtained from sensor measurements to the LSTM and produces the probabilistic information on the future location of the vehicles over occupancy grid map. The experiments conducted using the data collected from highway driving show that the proposed method can produce reasonably good estimate of future trajectory.

연구 동기 및 목표

• 불확실성 하에서 주변 차량의 궤적을 예측함으로써 안전한 자율주행을 촉진한다.
• 궤적 데이터로부터 복잡한 차량 동역학을 학습하기 위한 데이터 기반의 엔드 투 엔드 LSTM 기반 프레임워크를 제안한다.
• 계획 수립 및 충돌 회피를 돕기 위해 점유 격자 지도에서 확률적 미래 위치를 출력한다.
• 미래 격자 점유 목표를 통한 자동 라벨링으로 실제 센서 데이터에서의 학습을 가능하게 한다.

제안 방법

• 상대 차량의 상대 좌표 및 자율주행 차량 상태의 시퀀스로부터 시간적 동역학을 모델링하기 위해 LSTM 네트워크를 사용한다.
• 소프트맥스 계층을 사용하여 미래 Delta 초 동안 Mx x My 점유 격자에 대한 확률적 점유를 예측한다.
• 근처 N대의 차량으로부터의 예측을 합집합 공식 Po(i_x,i_y)=1-∏(1-Po^(i)(i_x,i_y))를 통해 결합한다.
• 라벨링된 미래 격자 점유에 대해 L2 규제 및 BPTT를 포함한 음의 로그 우도 손실로 학습한다.
• 선택적으로 소프트맥스를 직접 좌표 출력과 제곱오차 손실로 대체하여 결정론적 회귀 경로를 제공한다.

실험 결과

연구 질문

• RQ1 LSTM이 과거 센서 데이터로부터 차량 궤적을 좌우하는 복잡하고 잠재적인 요인을 학습할 수 있는가?
• RQ2 LSTM을 통한 확률적 점유 격자 예측은 전통적인 칼만 필터 기반 궤적 예측과 비교하여 얼마나 잘 수행하는가?
• RQ3 고속도로 시나리오에서 단기/중기/장기 예측의 예측 정확도는 (Delta = 0.5s, 1.0s, 2.0s)에서 어떠한가?
• RQ4 근처 여러 차량의 예측을 집계하는 것이 전체 궤적 위험 평가 및 계획을 개선하는가?

주요 결과

• LSTM 기반 방법은 모든 시점에서 칼만 필터보다 예측 정확도가 더 높다.
• Delta=0.5s에서 제안된 스킴의 x, y 및 전체 격자 MAE는 각각 0.29, 0.52, 0.77 격자 단위이다.
• Delta=1.0s에서 MAE는 0.27 (X), 0.70 (Y), 그리고 0.88 (grid); Delta=2.0s에서 MAE는 0.44 (X), 1.06 (Y), 그리고 1.31 (grid).
• Kalman filter MAEs는 0.51, 1.55, 1.73 (Delta=0.5s); 0.96, 2.99, 3.26 (Delta=1.0s); 2.07, 5.84, 6.36 (Delta=2.0s).
• 해당 방법은 도전적인 사례에서도 합리적인 정확도를 유지하고, 예측 지평이 늘어남에 따라 이득이 커지며 특히 측면 운동에서 더 큰 이점이 나타난다.
• 결정론적 회귀 변형도 MAE에서 칼만 필터보다 상당한 개선을 보인다.