Deep Learning-based Prediction of Vehicle Trajectory using Multimodal Contexts

Abstract

본 학위논문에서는 멀티모달 맥락(multimodal context)을 활용하는 딥 러닝 기반 차량 이동경로 예측 기법을 연구하였다. 멀티모달 맥락이란 주변 환경에 대한 다수의 관측 속에 분포한 상호 보완적 특징점(complementary feature) 을 지칭하며, 에이전트 행동에 다양성을 부여하는 요소이다. 본 논문의 각 장 에서 제안하는 여러 기법들은 현실의 다중 에이전트(multi-agent) 환경에서 다양한 미래 상황을 예측하는데 그 목적을 두고 있으며, 이산 또는 연속적인 영역에서, 저차원 또는 고차원의 멀티모달 맥락을 활용하여, 분류 또는 생성 문제를 통한 접근법으로 차량 이동경로 예측을 수행한다. 본 논문에서는 여러 실험을 통해 경로 예측 기법의 정확도(precision), 다양성(diversity), 허용성 (admissibility) 등을 정량적으로 평가하며, 이를 위해 표준적인 유클리드 거리 및 모델 성능 평가에 유용한 척도를 제안하여 사용한다. 결론적으로, 본 논문 에서는 제안하는 기법이 현존하는 최신 기법에 대한 비교 실험에서 우수한 성능을 가진다는 것을 보인다.; In this thesis, we study deep learning-based prediction of vehicle trajectory using multimodal contexts under multi-agent, real-world, and diverse scenarios. We refer to complementary features distributed in multiple observations of the environment that govern the long-term behaviors (e.g., agent interactions) as the multimodal context. Through the chapters, we propose different models for predicting trajectories in discrete/continuous domains, as classification/generative tasks, by utilizing multimodal contexts from low/high-dimensional information cues.

We perform multiple experiments that reveal various performance attributes in the prediction, including precision, diversity, and admissibility. We quantitatively compare our models with state-of-the-art baselines using the standard displacement errors as well as our proposed metrics that are useful for assessing the prediction performances. As a result, we empirically find that our models outperform the baselines significantly.