[논문 리뷰] Trajectory Prediction for Vehicle Conflict Identification at Intersections Using Sequence-to-Sequence Recurrent Neural Networks

Amr Abdelraouf, Mohamed Abdel‐Aty외 2명|arXiv (Cornell University)|2022. 10. 13.

Traffic and Road Safety인용 수 6

한 줄 요약

이 논문은 교차로에서 차량의 궤적을 최대 3초 전방으로 예측하기 위해 위치와 헤딩을 모두 사용하여 충돌 탐지에서 기하학적 정확도를 향상시키는 순서-순서 순환 신경망(Sequence-to-Sequence Recurrent Neural Network, Seq2Seq RNN)을 제안한다. 이 방법은 기존 모델보다 궤적 기반 충돌 탐지 성능에서 뛰어나며, 중심점 대신 차량 경계상자(bounding boxes)를 사용할 경우 시간-충돌도(TTC) 충돌 식별 정확도가 크게 향상됨을 보여준다.

ABSTRACT

Surrogate safety measures in the form of conflict indicators are indispensable components of the proactive traffic safety toolbox. Conflict indicators can be classified into past-trajectory-based conflicts and predicted-trajectory-based conflicts. While the calculation of the former class of conflicts is deterministic and unambiguous, the latter category is computed using predicted vehicle trajectories and is thus more stochastic. Consequently, the accuracy of prediction-based conflicts is contingent on the accuracy of the utilized trajectory prediction algorithm. Trajectory prediction can be a challenging task, particularly at intersections where vehicle maneuvers are diverse. Furthermore, due to limitations relating to the road user trajectory extraction pipelines, accurate geometric representation of vehicles during conflict analysis is a challenging task. Misrepresented geometries distort the real distances between vehicles under observation. In this research, a prediction-based conflict identification methodology was proposed. A sequence-to-sequence Recurrent Neural Network was developed to sequentially predict future vehicle trajectories for up to 3 seconds ahead. Furthermore, the proposed network was trained using the CitySim Dataset to forecast both future vehicle positions and headings to facilitate the prediction of future bounding boxes, thus maintaining accurate vehicle geometric representations. It was experimentally determined that the proposed method outperformed frequently used trajectory prediction models for conflict analysis at intersections. A comparison between Time-to-Collision (TTC) conflict identification using vehicle bounding boxes versus the commonly used vehicle center points for geometric representation was conducted. Compared to the bounding box method, the center point approach often failed to identify TTC conflicts or underestimated their severity.

연구 동기 및 목표

• 교차로에서 정확한 예측 기반 충돌 탐지를 가능하게 하여 사전적 교통 안전성을 향상시키는 것.
• 특히 중심점 대신 전체 경계상자를 사용할 경우 차량 기하학적 표현의 정확도가 떨어지는 문제를 해결하는 것.
• 미래의 차량 경계상자 추정에 더 현실적인 결과를 얻기 위해 위치와 헤딩을 모두 예측하는 궤적 예측 모델을 개발하는 것.
• 기하학적 표현이 시간-충돌도(TTC) 충돌 탐지 성능에 미치는 영향을 평가하는 것.
• 충돌 탐지 맥락에서 기존 궤적 예측 방법과의 비교를 통해 제안된 모델의 성능을 평가하는 것.

제안 방법

• 최대 3초 전방까지 위치와 헤딩을 포함한 미래 차량 궤적을 예측하기 위해 순서-순서 순환 신경망(Seq2Seq RNN)을 훈련한다.
• 모델은 교차로 시나리오에 적합한 고정밀 차량 운동 데이터를 제공하는 CitySim 데이터셋을 사용해 훈련된다.
• 예측된 궤적을 이용해 예측된 위치와 헤딩을 조합하여 미래의 차량 경계상자를 추정함으로써 기하학적 정확도를 확보한다.
• 정확한 공간적 관계 유지로 인해 일관되고 정밀한 충돌 탐지가 가능해진다.
• 시간-충돌도(TTC) 기반 충돌 탐지 프레임워크를 사용하여 경계상자와 중심점 기반 결과를 비교 평가한다.
• 복잡하고 다양한 교차로 주행 행동을 모델링하기 위해 인코더-디코더 RNN 아키텍처에 어텐션 메커니즘을 통합한다.

실험 결과

연구 질문

• RQ1 Seq2Seq RNN를 사용한 궤적 예측 정확도가 교차로 시나리오에서 기존 모델 대비 어떻게 비교되는가?
• RQ2 중심점 대신 차량 경계상자를 사용할 경우 시간-충돌도(TTC) 충돌 탐지 정확도가 어느 정도 향상되는가?
• RQ3 예측된 미래 차량 궤적과 경계상자를 통해 제안된 방법이 충돌 사건을 신뢰성 있게 식별할 수 있는가?
• RQ4 헤딩 예측 통합이 충돌 분석에서 미래 차량 위치의 기하학적 사실성에 어떻게 기여하는가?
• RQ5 기하학적 표현 정확도가 사전적 교통 안전 조치의 신뢰성에 미치는 영향은 무엇인가?

주요 결과

• 제안된 Seq2Seq RNN 모델은 교차로에서 미래 차량 궤적 예측에서 일반적으로 사용되는 궤적 예측 모델보다 뛰어난 성능을 보였다.
• 충돌 탐지에 차량 경계상자를 사용할 경우 중심점 기반 방법보다 시간-충돌도(TTC) 충돌을 더 정확하게 식별할 수 있었다.
• 중심점 접근 방식은 기하학적 정확도가 떨어져 TTC 충돌을 탐지하지 못하거나 심각도를 과소 평가하는 경우가 빈번히 발생했다.
• 예측된 헤딩을 위치와 통합함으로써 향후 차량 경계상자 추정의 현실성과 정확도가 향상되었다.
• 모델은 도색 및 융합 행동을 포함한 다양한 교차로 주행 행동 예측에서도 뛰어난 성능을 보였다.
• 정확한 기하학적 표현이 사전적 교통 안전 시스템에서 신뢰성 있는 충돌 탐지에 필수적임을 결과가 확인했다.