Inference of Target Behavioral Tendency and Preceding Target Selection for Car-following of Autonomous Driving

Abstract

본 연구는 지도와 차선 정보가 부재한 악의 조건 하에 자율주행 선행 차량 추종을 위한 주위 차량 거동 경향 추론 및 추종 대상 선정 알고리즘을 개발하고자 진행하였다. 지금까지 대부분의 자율주행 시스템은 측위부터 경로 계획 등 대부분의 기능에서 차선과 지도 정보와 같은 절대적인 기준점을 활용하였다. 하지만 실제 도로 상황에서 이러한 정보들은 보장되지 않는 경우가 많으며, 또한 차량들이 해당 신호대로 거동하지 않는 경우 또한 빈번히 발생한다. 실제로 고정밀 지도 구축에는 오랜 시간이 소요되며, 센서의 차선 인식에도 문제가 발생하기도 한다. 또한 다양한 불리한 조건들로 인해 실제 교통흐름이 차선을 따라 거동하지 않는 경우도 흔히 발견할 수 있다. 본 논문에서 제시된 알고리즘은 이러한 실패 상황에서도 안정적인 경로 계획을 가능케 하는데 취지가 있다. 보다 정확하게는 지도와 차선 정보에 독립적으로 자율주행 차량이 거동하는데 주 목적을 둔다. 이러한 목적을 위해 선행 차량을 추종하는 자율주행 경로 계획 하에서 최적의 추종 대상을 안정적으로 선정하고자 한다. 이를 위해 차선 추론과 주위 차량 미래 상태 예측, 그리고 이를 활용한 최적의 추종 대상 선정 세가지 과정을 거친다. 첫번째로 주위 차량들의 거동 경향을 이들의 누적된 상태와 러닝 모델을 활용하여 다항식 형태의 차선으로 추론한다. 센서들과 항법장치의 신호에는 필연적으로 노이즈가 내포되는데, 주위 차량의 궤적과 차선과의 상호의존정보를 높이고자 칼만필터를 활용하여 상태를 보정한다. 이후 셀프어텐션(self-attention) 메커니즘을 활용하여 차선 다항식의 계수를 회귀하는 모델을 구축한다. 셀프 어텐션 메커니즘은 모델 입력의 요소 간 상관관계 및 중요성을 학습하여 차등적 가중치를 계산한다. 두번째로 주위 차량들의 미래 상태를 이들이 인접한 차선을 따라 주행할 것이라는 가정 하에 확장칼만필터를 활용하여 예측한다. 예측의 정확성을 높이기 위해 각 차량 별로 인접한 차선과의 오차동역학을 구축하고, 오차를 없애는 가상의 회전 각속도를 계산한다. 이를 가상의 측정값으로 설정한 확장칼만필터를 통해 각 차량의 미래 상태를 예측한다. 마지막으로 앞선 정보들을 기반으로 구축한 2차 비용 함수를 활용하여 최적의 추종 대상을 선정한다. 이때 비용 함수는 안정성과 기능적 효율을 반영한 여러 기준들을 반영한다. 예를 들어 생성된 가상의 차선을 따라 주행하여 주위 차량들의 거동 경향을 따르도록 하였으며, 주위 차량들의 예측된 상태를 통해 미래 충돌 가능성을 최소화하였다. 알고리즘은 파이썬(Python)과 매트랩(Matlab)을 통해 구현되었으며, 모델 학습과 제시된 시스템의 성능을 확인하는 데에는 실재 주행 간 취득한 데이터를 활용하였다. 오프라인 시뮬레이션 결과 제시된 알고리즘의 성능이 타당함을 확인하였다.

This paper presents an inference of surrounding vehicles behavioral tendency and a preceding target selection algorithm for car-following autonomous driving under the condition that map or lane information is not available. To date, most autonomous driving systems highly rely on absolute standard such as map or lane in from localization to motion planning. However, their existences are not frequently guaranteed in real worlds, and vehicles do not conform the signal often. Constructing high resolution map database needs huge effort, and sensing lane often fails. Moreover, actual traffic flows are frequently obstructed by unfavorable conditions. The algorithm in this paper is proposed to secure more robustness of motion planning in such failure cases; it makes autonomous vehicles moves independently of map or lane information. To accomplish this, the purpose of the algorithm is to stabilize target selection plan for autonomous car-following planning. The main concept of the algorithm consists of three parts: inferencing traffic lane, predicting surrounding vehicles future states, and optimal target selection of target to follow. In the first part, the tendency of surrounding vehicles movements is inferenced in the form of lane polynomial using their states trajectories and deep learning model. As background information, targets states are accumulated. Since the signals of sensors contain noise, target states are smoothed by Kalman filter to maximize mutual information between trajectories and lane. Then, a neural network model is built for regression of lane polynomials coefficients using self-attention mechanism, which learn interaction between elements of inputs and calculate their importance. In the second part, surrounding vehicles future states are predicted using extended Kalman filter under the assumption that drivers tend to move along nearby lane. To increase the accuracy of prediction, each vehicles error dynamics with respect to nearest lane is set, and yaw rate which stabilize the system is calculated. Using the information as virtual measurement of extended Kalman filter, vicinal targets future states are predicted. Finally, the optimal preceding target and corresponding initial path is selected using quadratic cost function. The cost reflects several standards for safety and efficiency; for example, following the virtual lane make vehicle moves along actual traffic flow, and predicted states minimize the possibility of future collisions. The overall algorithm is implemented using Python and Matlab, and the real-driving data in urban environment is used to learn and test the proposed system. The results of off-line simulation verify the performance of the algorithm.