다중모델과 딥러닝을 이용한 확률적 경로예측 알고리즘

Abstract

전 세계적으로 활발히 연구되고 있는 ADAS와 자율주행은 운전자가 교통 상황에서 안전하고 편안하게 운전할 수 있도록 돕고, 잠재적인 위험을 회피하여 사고를 예방하는 기술이다. 도로에서 잠재적인 위험을 감지하고 회피를 위한 거동을 결정하기 위해 차량은 주변 물체의 움직임을 정확하게 예측해야 한다. 차량 경로 예측에는 물리적 기반 모델, 네트워크 기반 모델, 등 여러 가지 기법들이 사용될 수 있다. 물리학 기반 모델은 예측 시점부터 짧은 시간 동안 높은 정확도를 가지고, 네트워크 기반 모델은 주변 상황 정보를 네트워크 입력으로 사용해 먼 미래의 경로를 예측하는 데 좋은 성능을 보인다. 본 논문에서는 경로 예측을 위해 차량의 동적 특성과 주변 환경을 모두 고려한 경로 예측 알고리즘을 제안한다. 물리학 기반 예측을 위해 상호 간섭 다중 모델(IMM) 알고리즘을 확장 칼만 필터를 이용하여 등속, 등속선회율 모델을 통해 구현하였다. 네트워크 기반 예측을 위해서 차량의 위치정보와 차선정보를 입력으로 LSTM을 이용한 딥러닝 네트워크를 구현하였다. 두 모델을 통해 예측된 경로들을 예측 시간에 대한 가중치 함수에 의해 결합해 통합 알고리즘을 구현했다. 제안된 알고리즘은 도심 주행 데이터 셋인 Argoverse 데이터셋과 시뮬레이션 데이터, 실제 실험 데이터에 의해 검증했으며, 개별 모델의 결과에 비해 향상된 결과를 보여주었다. |ADAS and autonomous driving, which are being actively studied around the world, are technologies that help drivers to drive safely and comfortably in traffic situations and prevent accidents by avoiding potential risks. In order to detect potential hazards on the road and determine behavior for avoidance, vehicles must accurately predict the movement of surrounding objects. Various techniques, such as physical-based, network-based model, etc., may be used for vehicle path prediction. The physics-based model has high accuracy for a short period of time from the time of prediction, and the network-based model shows good performance in predicting a distant future path using the scene context as a network input. In this paper, we propose a path prediction algorithm that considers both the dynamic characteristics of the vehicle and the surrounding environment. For physics-based prediction, Interacting Multiple Model (IMM) algorithm was implemented through a constant velocity and constant turn rate and velocity model using an Extended Kalman Filter. For network-based prediction, a deep learning network using LSTM was implemented by using vehicle location and lane information as an input. An integration algorithm was implemented by combining the paths predicted through the two models by a weighting function for the prediction time.