티스토리 뷰
차량의 trajectory를 prediction을 진행할 때 딥러닝 기법을 활용하는 추세가 되었다. 따라서 기본적인 LSTM 네트워크를 이용한 prediction 논문에 대해 리뷰해보려고 한다.
Abstract
LSTM을 이용해 고속도로에서의 trajectory prediction 진행. NGSIM US- 101 dataset에서 training 및 test 진행
Introduction
주위 차량의 motion prediction은 효과적이고 안전정인 자율주행에 꼭 필요한 요소이다. trajectory prediction은 크게 classification과 regression method로 나누어지는데 본 논문은 regression method이다.
clssification method - hidden Markov model, Kalman filtering, SVM, ANN 등등
regression method - instance regression forests, ANN
본 논문에서는 RNN 중 LSTM 네트워크를 이용해서 prediction을 진행. LSTM은 time series를 다루는 데에 효과적이다. 본 논문에서는 고속도로 상황이 많은 NGSIM US101 dataset을 사용했으며 RMS error는 10 time step을 predict 했을 때 0.7m(laterally) 이하이며 2.5m/s(longitudinally) 이하이다.
Problem Statement
$K_{prev}+1$개의 measurement가 존재했을 때, $T_{prev}=\{-K_{prev},...,0\}$ 이다. k time step에서의 input feature x를 $x_k$라 한다. $T_{post}=\{{0,...,K_{post}}\}$ 이며 k step에서의 output y를 $y_k$라 한다.
Data and features
A. Dataset
이 논문에서는 US-101에서 local coordinates를 이용할 것이다.
B. Data preparation
data들은 다양한 노이즈에 노출되어 있기 때문에 전처리가 필요하다. velocity의 경우 first order Savitzky-Golay filter를 사용한다.
surrounding vehicle은 다음과 같이 총 9개를 사용하며 해당 차량이 없는 경우에는 그 해당 차량의 데이터를 모두 0이라고 설정한다.
C. Feautres
본 논문에서는 GNSS 나 LiDAR 등을 이용해 실질적으로 얻을 수 있는 데이터만 사용한다.
target vehicle - local lateral position, local longitudinal position, 종방향 횡방향 속도, 해당 차량의 type(motorcycle, car, truck)을 -1, 0 , +1로 각각 인코딩 (총 5개)
surrounding vehicle - 횡방향 속도, 종방향 상대 속도, 횡방향·횡방향 상대 거리, TTC(time to collision) $TTC_p=\frac{\Delta{y_p}}{{\Delta{v_{yp}}}}$,차량 type (총 6개)
횡방향 종방향 거리와 속도들을 10으로 나누어서 [-2,2] 사이의 값으로 나타냈다.
D. Outputs
종방향의 경우 값이 너무 크기 때문에 속도로 내신 output을 정했다.
Learning Model
LSTM는 256개의 셀이 존재하며 뒤로 Dense(fc layer)를 추가했으며 각각 256, 128개의 뉴런을 가지로 있다. LSTM을 추가하는 것에 대해 딱히 개선 사항이 없으므로 한 개의 LSTM을 사용했다.
Results
dataset의 80%는 training, 20%는 test에 사용했다. 10 time step의 past observation을 이용해 10 time step의 future prediction을 예측 텐서 shape 은 (B X 100 X N)이며 B는 대략 20000, N은 대략 50개이다.
(timeseries가 100인 이유는 target과 surrounding vehicle이 총 10개이며 각각 10개의 data이기 때문)
batchsize = 32
train epoch = 5
다양한 test를 통해 RMS 에러를 확인
특히 vehicle type은 종방향 prediction을 예측할 때 향상에 도움이 되었다.
delay가 살짝 존재한다.
LSTM 기법을 사용함으로써 효과적으로 이후 10 timestep을 예측할 수 있었다. 하지만 delay가 존재하는 이유는 아무래도 속도 자체가 빠른 것 뿐만 아니라 feature에서 놓치고 있는 부분이 있을 것이라고 생각이 든다. 더 다양한 논문을 읽어봐야겠다.
'연구 일지 > 논문 리뷰' 카테고리의 다른 글
- Total
- Today
- Yesterday
- 자율주행
- 논문
- prediction
- 리뷰
- 논문리뷰
- 아르떼뮤지엄 #여수 #여행
- 딥러닝
- path planning
- estimation
- 컴퓨터비전
- 연구
- Vision
- mobile robot
- depth
- segmentation
- opencv
- Camera
- 논문구현
- Visual Odometry
- 블로그 #작성요령 #시작
- slam
- bts
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 |