[논문 리뷰] Transferable Pedestrian Motion Prediction Models at Intersections

Macheng Shen, Golnaz Habibi외 1명|arXiv (Cornell University)|2018. 03. 15.

Autonomous Vehicle Technology and Safety참고 문헌 12인용 수 7

한 줄 요약

이 논문은 비재귀적 강화 학습(irl)을 사용하여 이동 경로 예측 모델을 제안하며, 교차로, 보행자 도로, 장애물 등의 의미적 특징과 목표 지향적 행동을 통합하여 새로운 교차로에서의 일반화 능력을 향상시킨다. 기준 모델인 ASNSC보다 통계적으로 유의미한 정확도 향상을 달성하였으며, 이동 및 비이동 설정 모두에서 1.36–2.03 m EMHD의 낮은 오차를 기록하여 교차로 간 기하학적 및 위상적 변형에 대해 강건함을 입증한다.

ABSTRACT

One desirable capability of autonomous cars is to accurately predict the pedestrian motion near intersections for safe and efficient trajectory planning. We are interested in developing transfer learning algorithms that can be trained on the pedestrian trajectories collected at one intersection and yet still provide accurate predictions of the trajectories at another, previously unseen intersection. We first discussed the feature selection for transferable pedestrian motion models in general. Following this discussion, we developed one transferable pedestrian motion prediction algorithm based on Inverse Reinforcement Learning (IRL) that infers pedestrian intentions and predicts future trajectories based on observed trajectory. We evaluated our algorithm on a dataset collected at two intersections, trained at one intersection and tested at the other intersection. We used the accuracy of augmented semi-nonnegative sparse coding (ASNSC), trained and tested at the same intersection as a baseline. The result shows that the proposed algorithm improves the baseline accuracy by 40% in the non-transfer task, and 16% in the transfer task.

연구 동기 및 목표

• 새로운, 이전에 본 적이 없는 교차로에서 재학습 없이도 보행자 이동을 예측하는 데 도전한다.
• 기하학적 및 의미적 차이로 인해 일반화에 실패하는 비이동 가능 모델의 한계를 극복한다.
• 원시 이동 경로 패tern이 아닌 의미적 및 구조적 맥락을 강조함으로써 이동 가능한 이동 예측을 가능하게 하는 특징 선택 프레임워크를 개발한다.
• 이동 및 비이동 시나리오 모두에서 높은 정확도를 유지하는 이동 가능 모델을 설계하여 교차로 특화 데이터 수집에 대한 의존도를 줄인다.
• 목표 지향적 행동과 의미적 맥락을 통합할 경우 다양한 교차로 레이아웃에서 일반화 및 예측 정확도가 향상됨을 입증한다.

제안 방법

• 관측된 이동 경로로부터 IRL을 통해 학습된 보상 함수를 사용하여 보행자 이동 예측을 마르코프 결정 과정(MDP)으로 공식화한다.
• 도로, 장애물, 횡단보도, 보행자 도로 등의 의미적 특징을 상태 표현에 통합하여 장면 맥락을 인코딩한다.
• 의미적 맥락(예: 횡단보도)을 기반으로 목표 위치를 정의하고, 원형 기저 함수를 사용하여 이동 경로를 이러한 목표로 유도하는 보상 함수를 설계한다.
• 기대 최대화(EM) 알고리즘을 사용하여 잠재 변수를 통한 보행자 의도 추정과 보상 함수 파라미터 최적화를 동시에 수행한다.
• 먼저 학습된 후행 분포에서 의도를 샘플링한 후, 해당 의도와 보상 함수 조건 하에 이동 경로를 샘플링하여 미래 이동 경로를 생성한다.
• 예측 정확도 평가를 위해 100개의 몬테카를로 샘플을 사용하여 기대 평균 하우스도르프 거리(EMHD)를 근사한다.

실험 결과

연구 질문

• RQ1 어떤 특징이 다양한 교차로 기하학적 및 위상적 구조 간에 보행자 이동 예측 모델의 효과적 이동 가능성을 가능하게 하는가?
• RQ2 IRL 기반 MDP 모델은 높은 예측 정확도를 유지하면서도 새로운 교차로에 일반화될 수 있는가?
• RQ3 횡단보도, 보행자 도로 등의 의미적 맥락과 목표 지향적 행동을 통합할 경우, ASNSC와 같은 데이터 기반 모델에 비해 이동 가능성은 어떻게 향상되는가?
• RQ4 이동 가능한 이동 예측 모델에서 예측 정확도와 계산 비용 간의 상충 관계는 어떠한가?
• RQ5 모델 성능은 장면 내 목표 위치 선택에 얼마나 민감한가?

주요 결과

• 학습된 교차로에서의 비이동 설정에서 제안된 IRL 기반 모델은 1.36 m EMHD를 기록하며, ASNSC(1.03 m EMHD)보다 유의미하게 높은 정확도를 확보한다.
• 교차로 A에서 B로의 이동 설정에서 제안된 모델은 0.87 m EMHD를 기록하며, 동일한 테스트 교차로에서 ASNSC의 1.03 m EMHD를 능가한다.
• 교차로 C에서 학습한 모델은 다른 교차로로 일반화되었을 때, A에서의 EMHD 1.70 m, B에서의 1.67 m, C에서의 2.03 m를 기록하였으며, 이는 모두 ASNSC의 C에서의 3.60 m보다 낮다.
• 교차로 B에서 학습한 모델은 모든 테스트 시나리오에서 가장 정확한 예측을 제공하며, 이는 데이터 품질과 의미적 맥락 준수 여부가 학습 효과성에 영향을 준다는 것을 시사한다.
• 제안된 방법은 이동 및 비이동 작업 모두에서 기준 모델의 정확도를 통계적으로 유의미하게 향상시켜 강력한 일반화 능력을 입증한다.
• ASNSC(0.02–0.04 s) 대비 증가한 계산 시간(0.35–0.61 s)은 특히 이동 설정에서의 상당한 정확도 향상 덕분에 정당화된다.