An Interacting Multiple Model for Trajectory Prediction of Intelligent Vehicles in Typical Road Traffic Scenario
원문 초록
This article presents an interacting multiple model (IMM) for short-term prediction and long-term trajectory prediction of an intelligent vehicle. This model is based on vehicle's physics model and maneuver recognition model. The long-term trajectory prediction is challenging due to the dynamical nature of the system and large uncertainties. The vehicle physics model is composed of kinematics and dynamics models, which could guarantee the accuracy of short-term prediction. The maneuver recognition model is realized by means of hidden Markov model, which could guarantee the accuracy of long-term prediction, and an IMM is adopted to guarantee the accuracy of both short-term prediction and long-term prediction. The experiment results of a real vehicle are presented to show the effectiveness of the prediction method.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
TSCA-Net: 해석 가능한 멀티모달 보행자 궤적 예측을 위한 시간-공간 클리크 어텐션
TSCA-Net: Temporal-Spatial Clique Attention for Interpretable Multimodal Pedestrian Trajectory Prediction
군중 환경에서의 정확한 보행자 궤적 예측은 인간 움직임의 멀티모달 불확실성과 서로 다른 장면 맥락에서 운동 역학의 가변적 복잡성으로 인해 여전히 어려운 과제이다. 기존 목표 조건부(goal-conditioned) 모델은 모든 과거 시간 단계에 동일한 가중치를 부여하는 정적 변위 구조, 표준 그래프 어텐션 메커니즘, 그리고 국소적 예측 복잡도에 적응할 수 없는 고정 용량 운동 디코더에 의존한다. 이러한 한계를 해결하기 위해, 세 가지 상보적 모듈을 기반으로 한 궤적 예측 프레임워크인 TSCA-Net을 제안한다. 시간-공간 클리크 어텐션(TSCA) 모듈은 클리크 기반 목표-이력 상호작용에 학습 가능한 시간 게이팅을 도입하여, 각 후보 목표에 대해 과거 관측치의 시간 인식 조절을 가능하게 한다. 교차 보행자 클리크 포텐셜(CPCP) 모듈은 시간에 따라 변하는 사회 그래프를 갖는 동적 클리크 포텐셜 프레임워크를 통해 비대칭적 쌍별 에이전트 관계를 모델링한다. 적응형 KAN 그리드 정제(AKGR) 메커니즘은 에이전트별 목표 분포 엔트로피에 따라 Kolmogorov-Arnold Network 보강 LSTM 디코더의 B-스플라인 그리드 해상도를 동적으로 조정하여, 다양한 운동 복잡도에 걸쳐 모델 표현력과 과적합 사이의 균형을 맞춘다. ETH/UCY 및 Stanford Drone Dataset 벤치마크에 대한 광범위한 실험은 TSCA-Net이 최첨단 성능을 달성함을 보여주며, ETH/UCY에서 평균 ADE/FDE는 0.13/0.20 m이고 SDD에서는 6.95/10.43 픽셀이다. 포괄적 ablation 연구는 제안된 세 모듈 모두의 상보적 기여를 확인한다.
다중 상호작용 차량의 장면 수준 차선 변경 의도 및 궤적 예측을 위한 동적 장면 상호작용 추론 프레임워크
A Dynamic Scene Interaction Reasoning Framework for Scene-level Lane-Change Intention and Trajectory Prediction of Multiple Interacting Vehicles
첨단 운전자 보조 시스템과 자율주행 차량의 안전한 모션 플래닝은 주변 교통 장면이 어떻게 변화할지에 대한 정확한 이해를 필요로 한다. 그러나 기존의 많은 차선 변경 예측 방법은 단일 대상 차량에 중점을 두고 있으며, 다중 에이전트 예측 접근법은 흔히 미래 위치만으로 장면 변화를 기술하고 각 차량과 관련된 조작 기동에 대한 명시적 정보를 제한적으로 제공한다. 본 연구는 국지적 교통 장면 내 모든 관련 차량의 차선 변경 의도 및 미래 궤적을 예측하는 동적 장면 그래프 어텐션 프레임워크를 제안한다. 장면은 시변(time-varying) 상호작용 그래프로 표현되며, 차량은 노드로 모델링되고 공간적·운동학적 관계는 명시적 엣지 특징을 통해 인코딩된다. 시간적 그래프 어텐션 메시지 패싱은 변화하는 차량 간 의존성과 기동 전 단서를 포착하며, 의도 기반 디코더는 예측된 각 기동을 해당 미래 모션에 연결한다. 장면 수준 일관성 목적함수는 다중 차량의 호환 가능한 미래 상태를 추가로 장려한다. NGSIM I-80, NGSIM US-101, highD 데이터셋에 대한 실험은 경쟁 기준선 대비 일관된 성능 향상을 보인다. DSiGAT는 NGSIM I-80 및 US-101에서 각각 90.12% 및 90.97%의 의도 예측 정확도를 달성하고, 가장 강력한 기준선 대비 궤적 RMSE를 최대 52.94%까지 감소시킨다. 또한 에이전트 간 충돌률 및 결합 변위 오류가 낮아 보다 일관된 장면 수준 예측을 나타낸다. 제거 연구(ablation), 민감도, 강건성 및 정성적 분석은 제안된 구성요소의 기여도와 장면 중심 공식화의 효과성을 추가로 검증한다.
SWIFT: 자율주행 흐름 인식 궤적 예측을 위한 소세계 상호작용 프레임워크
SWIFT: A Small-World Interaction Framework for Flow-Aware Trajectory Prediction in Autonomous Driving
자율주행에서 정확한 궤적 예측은 교통 에이전트 간의 동적이고 맥락 의존적인 상호작용을 모델링하는 데 달려 있다. 그러나 기존 접근법의 대부분은 순수하게 데이터 기반이며 구조적 사전 지식이 부재하여, 분포 변화 상황에서의 일반화 능력이 제한된다. 본 연구에서는 교통 네트워크의 구조와 역학을 통해 상호작용 모델링을 재검토하고, 소세계 네트워크와 교통 흐름 이론을 통합하는 통합 프레임워크인 SWIFT(Small-World Interaction Framework for Trajectory prediction)를 제안한다. SWIFT는 지역적 및 전역적 의존성을 모두 포착하는 소세계 상호작용 네트워크와, 장면 수준의 교통 상태에 따라 상호작용 구조를 적응시키는 흐름 체계 인코더(Flow Regime Encoder)를 통해 구조적 귀납 편향을 도입한다. 상호작용 추론은 직접적 및 고차 에이전트 관계를 명시적으로 인코딩하는 다중 관계 그래프 모듈을 통해 더욱 강화된다. nuScenes, MoCAD, NGSIM 세 가지 실세계 데이터셋에 대한 광범위한 실험 결과, SWIFT는 다양한 교통 체계에 걸쳐 예측 정확도 면에서 강력한 기준 모델들을 일관되게 능가함을 보여준다. 정확도를 넘어, SWIFT는 미관측 위치 및 체계에 대한 향상된 일반화 능력, 잡음이 포함된 관측 하에서의 강건성, 그리고 제한된 학습 데이터에서도 우수한 성능을 나타내며, 구조 인식 설계의 효과성을 뒷받침한다.
INTENT: 교차로 시나리오에서 차량 의도 예측을 위한 LSTM 프레임워크 및 포괄적 절제 분석
INTENT: An LSTM Framework for Vehicle Intention Prediction in Intersection Scenarios with Comprehensive Ablation Analysis
차량 의도 예측은 모든 주행 시나리오에서 자율주행 차량의 민첩성과 안전성에 있어 핵심적인 요소이다. 자율주행 차량의 실질적인 향상을 위해서는 교차로, 회전교차로, 급정거와 같은 긴급 상황처럼 높은 수준의 인간 상호작용과 복잡한 주행 행동이 요구되는 상황에서 인간이 운전자의 의도를 해석하는 방식을 차량이 채택하도록 해야 한다. 이러한 상황에서 차량 의도 예측은 매 순간의 행동이 영향을 미치는 실시간 상황 내에서 적절한 회피 행동을 취하는 데 도움을 주어 재앙을 예방할 수 있다. 최악의 경우에도 피해를 최소화하고 안전을 최우선으로 할 수 있다. 또한 의도 예측은 궤적 예측(의도 조건부 궤적 예측)을 향상시키는 데에도 활용될 수 있다. 본 연구에서는 LSTM 모델을 활용한 INTENT 프레임워크를 제안하며, 교차로에서 사건 발생 2초 전에 차량이 직진, 좌회전, 우회전 중 어떤 행동을 할지 차량 의도를 예측한다. 다양한 모델 실험과 절제 연구(ablation study)를 InD 데이터셋에서 철저히 검증하여 99.71%의 정확도를 달성하였다.
WCog-VLA: 엔드-투-엔드 자율주행을 위한 이중 수준 세계-인지 비전-언어-액션 모델
WCog-VLA: A Dual-Level World-Cognitive Vision-Language-Action Model for End-to-End Autonomous Driving
비전-언어-액션(VLA) 모델은 엔드-투-엔드 자율주행을 발전시켜 왔다. 그러나 기존 방법들은 포괄적인 세계 인지(world cognition)가 부족하거나 단편적인 세계 예측(world foresight)으로 인해 어려움을 겪으며, 이로 인해 이러한 모델들은 본질적으로 반응적 주행에 국한된다. 이러한 한계를 해결하기 위해, 우리는 WCog-VLA를 제안한다. 이는 의미론적 세계 예측과 생성적 세계 진화를 성공적으로 연결하여 능동적 자율주행을 달성하는 새로운 이중 수준 세계-인지 VLA 프레임워크이다. 의미론적 수준에서, WCog-VLA는 3D 공간 인지를 통합하고 에이전트 토큰을 주입하여 세계 역학을 포착함으로써 세계 인지와 추론을 통합하며, 동시에 게임 이론적 사고의 연쇄(Game-theoretic Chain-of-Thought, Game-CoT) 추론을 가능하게 한다. 생성적 수준에서는, 물리적으로 타당한 다중 에이전트 합동 궤적을 합성하는 강력한 생성 세계 모델로서 정렬된 분리 확산 트랜스포머(Aligned Decoupled Diffusion Transformer, ADDT)를 도입한다. 장면 표현 정렬(scene representation alignment)을 통해 ADDT는 필요한 노이즈 제거 단계 수를 줄여 추론을 크게 가속화한다. 전략적 추론을 촉진하기 위해, 85k개의 Game-CoT 어노테이션을 포함하는 대규모 데이터셋을 추가로 구축한다. NAVSIM 벤치마크에서의 광범위한 실험을 통해 WCog-VLA가 92.9의 최첨단(SOTA) PDMS 점수를 달성함을 입증한다.
IMR: 다중 에이전트 궤적 예측을 위한 반복적 모드-월드 가중 회귀
IMR: Iterative Mode-World Weighted Regression for Multi-Agent Trajectory Prediction
다중 에이전트 모션 예측은 자율주행 차량이 주변 차량의 의도를 파악하는 데 필수적이다. 그러나 기존의 예측 기반(prediction-based) 및 앵커 기반(anchor-based) 방법은 각각 모드 다양성과 예측 정확도 측면에서 한계를 지닌다. 이러한 한계는 자율주행 차량의 불충분한 안전성 평가와 행동 편차를 초래할 수 있다. 이 문제를 해결하기 위해, 두 특성 간의 간극을 좁히는 모드-월드 가중 회귀 손실이 제안된다. 구체적으로, 이 접근법은 모드 붕괴(mode collapse)를 완화하는 동시에 월드 랭킹과 Top-1 신뢰도를 향상시킨다. 또한, 제안된 반복적 디코더는 궤적을 순환적·분할적으로 생성함으로써 예측 정확도를 개선한다. 실험 결과, 제안된 방법은 Argoverse 2 다중 에이전트 모션 예측 벤치마크에서 다른 방법들 대비 1위를 기록하였다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.