ADAS 및 자율주행 자동차의 가장 중요한 목표 중 하나는 안전이다. 충돌 없는 안전한 경로를 생성하기 위해서는 단순히 센서 데이터로부터 획득한 주변 차량의 위치·속도 등의 정보만을 사용하는 것이 아닌, 주변 차량이 앞으로 어떻게 움직일지 예측하는 것이 필요하다. 주변 차량의 경로를 예측함으로써 미래의 위험을 탐지할 수 있고, 이를 회피하는 경로를 생성할 수 있기 때문이다. 이러한 이유로 최근 ...
ADAS 및 자율주행 자동차의 가장 중요한 목표 중 하나는 안전이다. 충돌 없는 안전한 경로를 생성하기 위해서는 단순히 센서 데이터로부터 획득한 주변 차량의 위치·속도 등의 정보만을 사용하는 것이 아닌, 주변 차량이 앞으로 어떻게 움직일지 예측하는 것이 필요하다. 주변 차량의 경로를 예측함으로써 미래의 위험을 탐지할 수 있고, 이를 회피하는 경로를 생성할 수 있기 때문이다. 이러한 이유로 최근 딥러닝 혹은 플래닝 기반의 주변 차량 경로 예측 연구가 많이 진행되고 있다. 본 논문은 딥러닝 기반 주변 차량 경로 예측과 플래닝 기반 주변 차량 경로 예측의 장점을 결합한 방식의 새로운 예측 방법을 제안한다. 각각의 방식은 서로 장·단점을 가지고 있고, 이를 분석해봤을 때 상호 보완 가능한 부분이 있다고 생각하였다. 우선 딥러닝 기반의 접근을 활용하여 복잡한 상황 모델링을 줄이고, 단순히 차량이 어떠한 행동을 할지 결정하는 부분에만 활용하도록 하였다. 이후, 결정된 행동을 바탕으로 플래닝 기반의 접근을 활용하여 최종적인 경로를 생성할 수 있도록 하였다. 제안한 방법을 통해 최근 많은 연구가 진행되고 있는 딥러닝 기반의 접근 방법보다 더 낮은 오차와 긴 시간에 대한 예측을 달성하고자 하였으며, 미국 연방 고속도로 관리국이 제공하는 NGSIM 데이터를 활용하여 예측을 진행하였다.
ADAS 및 자율주행 자동차의 가장 중요한 목표 중 하나는 안전이다. 충돌 없는 안전한 경로를 생성하기 위해서는 단순히 센서 데이터로부터 획득한 주변 차량의 위치·속도 등의 정보만을 사용하는 것이 아닌, 주변 차량이 앞으로 어떻게 움직일지 예측하는 것이 필요하다. 주변 차량의 경로를 예측함으로써 미래의 위험을 탐지할 수 있고, 이를 회피하는 경로를 생성할 수 있기 때문이다. 이러한 이유로 최근 딥러닝 혹은 플래닝 기반의 주변 차량 경로 예측 연구가 많이 진행되고 있다. 본 논문은 딥러닝 기반 주변 차량 경로 예측과 플래닝 기반 주변 차량 경로 예측의 장점을 결합한 방식의 새로운 예측 방법을 제안한다. 각각의 방식은 서로 장·단점을 가지고 있고, 이를 분석해봤을 때 상호 보완 가능한 부분이 있다고 생각하였다. 우선 딥러닝 기반의 접근을 활용하여 복잡한 상황 모델링을 줄이고, 단순히 차량이 어떠한 행동을 할지 결정하는 부분에만 활용하도록 하였다. 이후, 결정된 행동을 바탕으로 플래닝 기반의 접근을 활용하여 최종적인 경로를 생성할 수 있도록 하였다. 제안한 방법을 통해 최근 많은 연구가 진행되고 있는 딥러닝 기반의 접근 방법보다 더 낮은 오차와 긴 시간에 대한 예측을 달성하고자 하였으며, 미국 연방 고속도로 관리국이 제공하는 NGSIM 데이터를 활용하여 예측을 진행하였다.
For safe autonomous driving, safety is con-sidered as one of the most important goal. In order to plan a collision-free trajectory, not only information about the position and speed of surrounding vehicles, but also information about how the surrounding vehicles will move in the future is needed. Th...
For safe autonomous driving, safety is con-sidered as one of the most important goal. In order to plan a collision-free trajectory, not only information about the position and speed of surrounding vehicles, but also information about how the surrounding vehicles will move in the future is needed. This is because knowing the future trajectory of surrounding vehicles can detect future risks and plan trajectories to avoid them. For these reasons, many studies on predicting the motion of surrounding vehicles based on data-driven or model-driven method are being conducted. In this paper, I propose a hierarchical framework of motion prediction that combines the advantages of data-driven and model-driven methods. Each method has advantages and disadvantages, and the proposed framework is designed to complement them. Data-driven deep learning method was used to reduce complex interaction-aware environments modeling and to simply determine which behavior the target vehicle will perform. And then, model-driven path generation and model predictive control method were applied to generate predicted motion based on the determined behavior. The proposed framework was evaluated through NGSIM public dataset. From this, the proposed framework predicts surrounding vehicles’ motion with lower errors over a long prediction time and operates in real time.
For safe autonomous driving, safety is con-sidered as one of the most important goal. In order to plan a collision-free trajectory, not only information about the position and speed of surrounding vehicles, but also information about how the surrounding vehicles will move in the future is needed. This is because knowing the future trajectory of surrounding vehicles can detect future risks and plan trajectories to avoid them. For these reasons, many studies on predicting the motion of surrounding vehicles based on data-driven or model-driven method are being conducted. In this paper, I propose a hierarchical framework of motion prediction that combines the advantages of data-driven and model-driven methods. Each method has advantages and disadvantages, and the proposed framework is designed to complement them. Data-driven deep learning method was used to reduce complex interaction-aware environments modeling and to simply determine which behavior the target vehicle will perform. And then, model-driven path generation and model predictive control method were applied to generate predicted motion based on the determined behavior. The proposed framework was evaluated through NGSIM public dataset. From this, the proposed framework predicts surrounding vehicles’ motion with lower errors over a long prediction time and operates in real time.
주제어
#Interaction-aware motion prediction hierarchical architecture data-driven model-driven autonomous car
학위논문 정보
저자
나유승
학위수여기관
건국대학교 대학원
학위구분
국내석사
학과
스마트운행체공학과
지도교수
조기춘
발행연도
2022
총페이지
40
키워드
Interaction-aware motion prediction hierarchical architecture data-driven model-driven autonomous car
※ AI-Helper는 부적절한 답변을 할 수 있습니다.