그래프 어텐션 기반 에이전트 상호작용을 고려한 확률적 경로 예측

Abstract

첨단 운전자 보조 시스템의 자동 긴급 조향 시스템과 같은 충돌 회피 시스템의 위험도 판단이나, 자율주행차의 안전한 경로 계획을 위해서는 자 차량 주변의 차량, 오토바이, 보행자 등 여러 에이전트들에 대한 경로 예측이 필수적이다. 여기서 에이전트들은 자신 주변의 에이전트들과 상호작용을 하면서 움직이며, 동일한 상황에서도 개인의 성향에 따라 다르게 움직이기 때문에 미래 경로는 본질적으로 불확실성을 갖는다. 본 논문에서는 에이전트들의 상호작용을 그래프 기반으로 고려하고, 불확실성을 포함하여 주변 에이전트들의 경로를 예측하는 네트워크를 제안한다. 네트워크는 크게 세 단계로 구성된다. 첫 번째 단계는 에이전트들의 과거 및 현재 정보를 이용하여 그래프를 생성하는 단계이고, 두 번째 단계는 생성된 그래프를 그래프 어텐션 네트워크에 입력으로 주어 각 에이전트들의 과거 및 현재 프레임마다 상호작용이 임베딩된 정보를 생성하는 단계이고, 마지막 단계는 임베딩된 정보를 통해 불확실성을 고려한 미래 경로를 예측하는 단계이다. 제안한 네트워크를 도심 주행 데이터 셋인 Apolloscape Dataset과 고속도로 주행 데이터 셋인 HighD Dataset을 이용하여 학습시키고 검증하였으며, 기존 모델들 보다 높은 경로 예측 성능을 가지는 것을 보였다. |To determine the risk in collision avoidance system such as Autonomous Emergency Steering of Advanced Driving Assistance System or to plan a safe trajectory for an autonomous vehicle, it is essential to predict the trajectory for various traffic agents such as vehicles, motorcycles, and pedestrians around the ego vehicle. Here, the agents move while interacting with the agents around them, and future paths have inherent uncertainty because they move differently even in the same situation according to individual preferences. In this paper, a network that predicts the trajectories of neighboring agents with uncertainty of future path considering the interactions of agents based on graphs is proposed. The network consists of three stages. The first step is to generate graphs using the agent's past and present information. The second step is to provide generated graphs as inputs to the Graph Attention Network to generate interaction embedded information for each agent's past and current frames. The last step is to predict the future trajectories considering uncertainty using the embedded information. The proposed network was trained and verified using Apolloscape Dataset, an urban driving dataset, and HighD Dataset, a highway driving dataset, and showed higher path prediction performance than existing baseline models.