Prediction-based Motion Planning for Autonomous Driving in Dynamic Traffic Environment

Abstract

This dissertation presents a prediction-based methodology of motion planning for autonomous driving in dynamic traffic environment to secure ride quality and safety. Statistics reveal that accidents in the dynamic traffic situation such as lane change account for the majority of the accidents, indicating the necessity of the prediction-based motion planning in autonomous vehicles. For safe and comfortable driving, autonomous vehicles should monitor the traffic situation in predictive manner and respond to dynamic events proactively. Surrounding vehicle motions are predicted based on a deep learning model, given the information of the ego vehicle, surrounding vehicles, and lanes. A Recurrent Neural Network (RNN) applying Long Short-Term Memory (LSTM) is used for motion prediction. The model takes into account the historical evolution of the relation between a target vehicle and lanes to encode the lane-aware behaviors of the driver. Graph Convolutional Network (GCN) is also utilized with a self-attention mechanism to capture interactions between neighboring vehicles. The prediction model is trained with the driving dataset which is obtained from the test vehicle driving in the public road environment. The motion planning is established for lane keeping and lane changing maneuvers. In the case of lane change, the decision-making process is required to investigate if the traffic situation is safe enough to activate the lane change mode. To inspect the availability of the lane change space, the feasibility and space sufficiency are investigated using the spatio-temporal corridor constructed using the states of surrounding vehicles. In this process, the set of lane crossing time which enables the safe lane change is determined according to the lane change space. The feasibility investigation process preserves the consistency of the decision making and motion planning of the lane change maneuver. The decision-making process determines the driving mode with the corresponding lane change target space and lane crossing time set. The motion of autonomous vehicle is planned with the decoupled lateral and longitudinal dynamics. In the lane keeping mode, the lateral motion is planned to follow the centerline of the driving lane. The lateral motion trajectory for the lane change maneuver is planned based on a sampling method utilizing the predefined motion pattern which converges to the centerline of the target lane. The lane crossing time set is utilized in the trajectory sampling to secure the feasibility of the planned lateral motion. The longitudinal motion planning is established to maintain adequate clearance and adjust speed with surrounding vehicles. A Model Predictive Control (MPC) is designed to derive longitudinal trajectories for autonomous vehicles. Future trajectories of surrounding vehicles are utilized in the MPC problem to perform proactive maneuvers against cut-in motions of preceding vehicles. In the lane change mode, the results of the lateral motion planning are used to define the references and constraints of the MPC problem, which couples the lateral and longitudinal motion planning. The performance of the proposed methodology has been investigated based on simulation studies and vehicle tests. Comparative studies indicate that the proposed prediction model improves the prediction accuracy compared to baselines. The simulation results show that the proposed motion planning algorithm enhances the safety and ride quality of autonomous vehicle. The autonomous driving test has been conducted with the test vehicle in real-world. The test results confirm that the proposed algorithm is applicable for autonomous driving in dynamic traffic environment.

본 논문은 자율주행 차량의 동적 환경에서의 차선 유지 및 차선 변경을 위한 예측 기반 거동 계획 방법론을 제안한다. 동적으로 거동하는 주변 차량이 혼재되어 있는 도로 환경에서 자율주행 기능을 수행하면서 승차감과 안전성을 확보하는 것을 목표로 하였다. 교통 통계에서는 전체 교통 사고 중 차선 변경과 같이 동적 교통 상황에서 발생하는 사고가 높은 비율을 차지함이 발표되었다. 이는 자율주행 차량이 교통 사고를 방지하기 위해 예측 기반 거동 계획을 수립하는 것이 중요함을 의미한다. 안전성과 승차감이 보존된 주행을 위하여, 자율주행 차량은 주변 교통 상황을 예측적으로 확인해야 하고 동적 교통 상황 발생에 선제적으로 대응할 수 있어야 한다. 이를 위해 자차량 정보, 주변 차량 정보 및 차선 정보를 이용하여 주변 관심 차량의 거동이 예측되었다. 장단기 메모리 (Long Short-Term Memory) 기반 순환 신경망 (Recurrent Neural Network)이 차량 거동 예측 모델에 활용되었다. 예측 모델은 관심 주변 차량과 차선과의 관계에 대한 시계열 누적 정보를 활용하여 운전자의 차선 고려 거동 경향성을 인코딩하였다. 또한, 셀프 어텐션을 적용한 그래프 컨볼루션 신경망 (Graph Convolutional Network)을 예측 모델에 활용하여 이웃하는 차량들 간의 상호작용 경향성을 포착하였다. 예측 모델은 공도로에서의 시험 차량 운전을 통해 취득한 데이터 기반으로 훈련되었다. 자율주행 차량의 차선 유지 및 차선 변경을 위한 거동 계획 알고리즘이 제안되었다. 차선 변경 주행의 경우, 주변 교통 상황이 안전한지 검사하여 차선 변경을 수행할 조건을 확인하는 주행 결정 과정 (decision-making) 이 필요하다. 차선 변경 공간의 유효성을 확인하기 위해, 주변 차량의 상태 정보 기반으로 형성된 시공간 주행 가능 영역 (spatio-temporal corridor)를 활용하여 주행 실현 가능성(feasibility)과 공간 충분도를 검사하였다. 이 과정에서 안전한 차선 변경 주행이 가능한 차선 경계 통과 시간 (lane crossing time)의 집합이 도출되었다. 주행 실현 가능성 검사 과정은 주행 결정과 거동 계획 간의 일관성을 보장한다. 이에 따라 주행 결정 과정은 차선 변경과 관련한 주행 모드, 차선 변경 목표 공간 및 차선 경계 통과 시간 집합을 결정한다. 자율주행 차량의 거동 계획은 종방향과 횡방향 역학을 분리하여 수립되었다. 차선 유지 모드의 경우, 횡방향 거동은 주행 차선의 차로 중심선을 추종하도록 계획되었다. 차선 변경을 위한 횡방향 거동 경로는 목표 차선의 차로 중심선으로 수렴하는 사전 정의 패턴에 기반한 샘플링 방식에 의거하여 도출되었다. 차선 경계 통과 시간 집합은 횡방향 거동 경로 샘플링에 활용되어 횡방향 거동 계획의 주행 실현 가능성을 보장하게 하였다. 종방향 거동 계획은 주변 차량과 적절한 차간 거리를 확보하고 속도를 적응하는 목적에 의거하여 수립되었다. 자율주행 차량의 종방향 거동 경로 도출을 위해 모델 예측 제어 (Model Predictive Control)가 활용되었다. 전방 차량의 끼어들기 거동에 선제적으로 대응하기 위하여, 관심 차량의 미래 거동 예측 결과를 모델 예측 제어 문제에 반영하였다. 차선 변경 모드의 경우, 횡방향 거동 계획 결과가 종방향 모델 예측 제어 문제의 레퍼런스와 제약 조건 정의에 활용되었다. 이를 통해 횡방향 및 종방향 거동 계획을 커플링하였다. 제안된 알고리즘은 시뮬레이션 및 실차 시험을 통하여 평가되었다. 비교 분석 결과에 따르면, 제안된 차량 거동 예측 모델은 기존 예측 모델에 비하여 예측 성능이 개선되었다. 시뮬레이션 결과에 따르면, 제안된 거동 계획 알고리즘은 자율주행 차량의 안전도 및 승차감을 향상시켰다. 제안된 알고리즘은 자율주행 시험 차량에 적용되어, 실제 도로 환경에서 자율주행 기반으로 검증되었다. 시험 결과에 따라 제안된 알고리즘은 동적 교통 환경에서 시험 차량의 자율주행을 가능하게 함을 확인하였다.