[논문 리뷰] StylePredict: Machine Theory of Mind for Human Driver Behavior From Trajectories

Rohan Chandra, Aniket Bera외 1명|arXiv (Cornell University)|2020. 11. 09.

Autonomous Vehicle Technology and Safety참고 문헌 36인용 수 7

한 줄 요약

StylePredict는 스펙트럴 그래프 이론과 중심성 함수를 사용하여 차량 궤적에서 인간 운전사 행동을 추론하는 기계적 마음 이론(M-ToM) 프레임워크를 도입한다. 이는 종방향(예: 과속)과 횡방향(예: 차선 변경) 운전 스타일 간의 역상관관계를 드러내며, 밀도가 높고 이질적인 교통 환경(인도/중국)에서는 횡방향 행동에 대해 낮은 시간 지연 추정(TDE)을 보이고, 희박하고 동질적인 교통 환경(미국/싱가포르)에서는 종방향 행동에 대해 낮은 TDE를 기록한다.

ABSTRACT

Studies have shown that autonomous vehicles (AVs) behave conservatively in a traffic environment composed of human drivers and do not adapt to local conditions and socio-cultural norms. It is known that socially aware AVs can be designed if there exist a mechanism to understand the behaviors of human drivers. We present a notion of Machine Theory of Mind (M-ToM) to infer the behaviors of human drivers by observing the trajectory of their vehicles. Our M-ToM approach, called StylePredict, is based on trajectory analysis of vehicles, which has been investigated in robotics and computer vision. StylePredict mimics human ToM to infer driver behaviors, or styles, using a computational mapping between the extracted trajectory of a vehicle in traffic and the driver behaviors using graph-theoretic techniques, including spectral analysis and centrality functions. We use StylePredict to analyze driver behavior in different cultures in the USA, China, India, and Singapore, based on traffic density, heterogeneity, and conformity to traffic rules and observe an inverse correlation between longitudinal (overspeeding) and lateral (overtaking, lane-changes) driving styles.

연구 동기 및 목표

• 혼합 교통 환경에서 보수적이고 비적응적인 행동을 유도하는 자율주행차(AV)의 이론적 마음 이론(ToM) 부재 문제를 해결한다.
• 거대한 데이터가 필요하고 노이즈에 민감한 기존의 역강화학습(IRL) 기반 M-ToM 방법의 한계를 극복한다.
• 명시적 의사소통 없이 차량 궤적에서 운전 스타일을 실시간으로 추론할 수 있는 실시간, 노이즈에 강인한 방법을 개발한다.
• 미국, 중국, 인도, 싱가포르 등 다양한 문화권에서의 교통 밀도와 이질성이 운전 스타일 패턴에 미치는 영향을 조사한다.
• 차량 궤적과 운전 스타일 간의 계산적 맵핑을 수립하여 사회적으로 인지 가능한 AV 의사결정을 가능하게 한다.

제안 방법

• 동적 상호작용을 포착하기 위해 슬라이딩 윈도우 방식을 사용해 시간에 따라 변화하는 그래프로 차량 궤적을 모델링한다.
• 스펙트럴 그래프 이론과 정점 중심성(도수, 가까움, 중간성)을 적용하여 행동 영향력을 정량화하고 운전 의도를 예측한다.
• 관측된 궤적에서 행동을 추론하는 데 소요되는 시간 지연을 측정하는 지표로 시간 지연 추정(TDE)을 정의하며, 낮은 TDE는 더 빠르고 정확한 추론을 의미한다.
• 그래프 이론 기반 중심성 함수를 사용해 궤적 패턴에서 행동 가능성도를 계산하고, 과속, 유영, 급격한 차선 변경과 같은 스타일의 실시간 추론을 가능하게 한다.
• 미국, 인도, 중국의 공개 데이터셋과 싱가포르의 비공개 데이터셋을 활용해 모델을 훈련 및 검증한다.
• 모델을 자율주행 시스템에 경량의 실시간 구성 요소로 통합하여 행동 예측 및 적응을 가능하게 한다.

실험 결과

연구 질문

• RQ1 궤적 분석 기반의 머신러닝 모델은 다양한 교통 환경에서 높은 시간 정확도로 인간 운전사 행동을 추론할 수 있는가?
• RQ2 교통 밀도와 이질성이 종방향 대비 횡방향 운전 스타일의 빈도와 탐지 가능성에 어떤 영향을 미치는가?
• RQ3 다양한 문화적 교통 환경에서 종방향과 횡방향 운전 행동의 시간 지연 추정(TDE) 간에 측정 가능한 역상관관계가 존재하는가?
• RQ4 그래프 이론 기반 중심성 측정치는 명시적 보상 함수나 대규모 IRL 훈련 없이도 원시 차량 궤적에서 운전 의도와 행동을 효과적으로 모델링할 수 있는가?
• RQ5 노이즈에 강인하고 실시간인 M-ToM 시스템은 현지 운전 규범과 사회문화적 교통 패턴에 대한 AV의 적응성에 어느 정도 기여할 수 있는가?

주요 결과

• 미국에서는 과속에 대해 TDE가 0.25초를 기록했고, 싱가포르에서는 0.54초를 기록하여 희박하고 동질적인 교통 환경에서 종방향 행동의 추론 속도가 더 빠름을 확인했다.
• 밀도가 높고 이질적인 교통 환경에서 인도는 횡방향 행동에 가장 낮은 TDE 기록: 유영 0.06초, 급격한 차선 변경 0.19초, 추월 0.38초.
• 중국 역시 횡방향 행동에 유사하게 낮은 TDE 기록: 유영 0.23초, 급격한 차선 변경 0.39초, 추월 0.44초.
• 미국에서는 공격적인 운전 행동의 83%가 과속으로 분류되었고, 인도에서는 공격적 행동이 더 균형 있게 분포: 급격한 차선 변경 27%, 추월 27%, 과속 27%, 유영 18%.
• TDE와 행동 유형 간에 역상관관계가 관찰됨: 밀도가 높고 이질적인 지역(인도/중국)에서는 횡방향 행동에 대해 낮은 TDE, 희박하고 동질적인 지역(미국/싱가포르)에서는 종방향 행동에 대해 낮은 TDE.
• 모델는 노이즈에 강인하며 실시간 자율주행 시스템에 통합 가능하여 대규모 IRL 훈련 데이터가 필요 없이 사회적으로 적응 가능한 행동을 가능하게 한다.