Deep Neural Network 기반의 차량 경로 예측

Abstract

현재 자율주행 자동차 개발이 빠르게 발전하고 있으며 이에 대한 요소기술로서 운전자 보조 시스템(Advanced Driver Assistance Systems, ADAS)의 개발이 활발하게 진행되고 있다. ADAS의 대표적인 기능인 전방충돌경고 또는 긴급자동제동장치와 같은 기능들은 높은 신뢰성과 안정성을 가지기 위해서 주행 상태 데이터를 사용하여 미래에 어디에 존재할지에 대한 경로 예측 기반의 기능이 구현되어야한다. 이러한 주행 상태 데이터는 차량 내부센서로부터 얻을 수 있다. 하지만 센서로부터 얻어진 주행 상태 데이터는 잡음(Noise)이 포함되어 있기 때문에 필터링 기법이 적용되어야 하며 대표적인 방법으로 칼만필터(Kalman Filter)가 있다. 차량은 주행 속도에 따라 타이어 슬립이 발생하는 특성을 가지고 있다. 따라서 저속 주행 상태에서는 타이어 슬립이 적게 발생하기 때문에 타이어 슬립을 고려하지 않은 기구학 모델(Kinematic model)이 적합하며, 고속 주행 상태에서 발생하는 타이어 슬립이 크게 발생하기 때문에 타이어 슬립까지 고려한 동적 모델(Dynamic model)의 설계가 필요하다. 또한, 직선로나 도로의 곡률이 일정할 경우에는 등선회율 및 등속도로 가정하여 선형적으로 경로 예측하는 방법이 있다. 반면, 도로 곡률이 일정하지 않거나 차선 변경과 같은 비선형일 경우에는 몬테카를로 시뮬레이션(Monte Carlo simulation), 은닉 마르코프 모델(Hidden Markov Model, HMM) 등 시뮬레이션 기반의 경로 예측을 하였다. 이는 시뮬레이션의 반복수행 때문에 연산 시간이 오래 걸리며 모델식이 복잡하다는 단점이 있으며 새로운 상태변수를 고려하여 모델식을 수정하고자 할 때에도 모델식의 복잡성 때문에 보완이 어렵다는 단점이 있다. 본 논문에서는 이러한 문제를 해결하기 위해서 심층신경망(Deep Neural Network, DNN) 기반의 차량 경로 예측을 한다. 심층신경망 기반의 경로 예측은 학습을 통하여 경로 예측을 수행하기 때문에 별도의 필터를 설계하지 않아도 되며 모델식이 간단하다. 또한 경로 예측에 대한 학습된 심층신경망으로 경로 예측을 수행하면 빠른 연산이 가능하고 새로운 상태변수를 고려한 경로 예측을 수행하고자 할 때에도 기존의 모델식을 수정하지 않아도 된다는 장점이 있다. 본 논문에서 심층신경망 기반 경로 예측 모델 성능 검증을 위해 일반적인 주행 환경에서의 경로 예측을 수행하였고 기존에 사용되었던 모델과 비교하여 성능을 평가하였다. 먼저 도로 곡선 반경이 140m으로 고정되어 있는 시나리오에서 경로 예측을 하였을 때에 1초는 0.08m, 2초는 0.13m 3초는 0.26m로 전체적으로 MAE가 낮은 오차를 가지는 것을 확인하였고, 도로 곡선 반경이 200m에서 260m로 변하는 시나리오에서 경로 예측을 하였을 때에도 1초는 0.11m, 2초는 0.20m, 3초는 0.63m로 도로 곡선 반경이 고정되어 있을때보다 오차가 커지는 것을 확인 할 수 있었다. 하지만 기존 경로 예측방법인 등선회율 및 등속도(Constant Turn Rate and Velocity, CTRV) 모델을 사용하였을 경우 1초는 0.23m, 2초는 0.44m, 3초는 0.60m로 1초, 2초 구간에서 심층신경망 기반의 경로 예측 결과보다 2배 이상의 오차가 발생하여 심층신경망 기반 경로 예측 모델의 우수성을 확인하였다.