경로 예측 기술
: 동적 객체의 과거 경로, 주변 상황을 해석하여 동적 객체들의 의도나 미래 거동 예측
고전 예측 기술
- 등속도 또는 등가속도 모델에 의한 예측
- 선형보간법에 의한 예측기법
- 칼만필터와 같은 통계적 예측 모델을 사용해 예측
동적 객체의 거동은 객체들의 의도, 주변 도로와 주행 상황, 객체간 상호작용에 의해 영향을 받게 된다. 예측 결과는 여러 개의 가능 경로를 확률과 함께 나타내는 것이 합리적이다.
- 문맥적 정보들의 활용이 어려움
- 다양한 예측 결과를 도출하기 어려움
딥러닝 기반 차량 경로 예측 기술
-
RNN 기반 차량 경로 예측
(기존) 칼만필터, 선형보간법
(최근) RNN, LSTM
과거의 차량 경로 데이터를 입력으로 받아 미래의 차량 경로 데이터를 출력함 -
인코더-디코더 구조
(인코더) 최근 t초 동안의 차량 경로 좌표를 순차적으로 입력받아 경로의 추상적인 정보를 벡터화하여 출력
(디코더) 미래 s초의 경로 생성, 딥러닝을 이용하여 하나 이상의 다양한 경로 생성
기존의 LSTM 인코더-디코더 구조는 타겟 차량의 경로만을 분석하여 주변 환경 요소에 대한 고려가 되지 않는 한계
동적 객체 간 상호작용을 고려한 차량 경로 예측
-> 딥러닝 모델을 이용한 상호작용을 고려한 예측 결과 출력
-> 어텐션 모델 : 타겟 차량의 경로에 영향을 주는 주변 차량들만을 주목하여 예측 수행
주변 도로, 정적 환경을 고려한 차량 경로 예측
-> 주변의 도로나 정적 환경을 2차원 영상으로 구성하여 특징값 추출 -> 차량 경로의 특징값과 융합하여 경로 예측 -> 센서 데이터 또는 고정밀 지도를 이용해 주변 환경 정보 표현
딥러니 기술 적용 상황 예측
센서 데이터 -> 동적 객체의 위치, 상태 정보
- 카메라 영상에 CNN 적용
보행자의 자율주행차 주시 여부, 전방 차량의 방향지시등 상태 - RNN, LSTM 모델 이용
동적 객체의 위치, 상태 등 순차적 변화 분석 -> 미래의 주행 상황 예측
보행자 거동 예측을 위한 딥러닝 기술
비디오 영상 분석 -> 휴먼의 행동 분류/예측
카메라 영상으로 휴먼의 주요 관절에 해당하는 키포인트 추출하는 자세 추정 딥러닝 모델
과거의 휴먼 자세와 상태 정보 -> 미래의 휴먼 자세와 상태 정보 예측
비디오 예측 기술
동영상의 다음 프레임을 직접 예측하는 기술
먼 미래에 대한 예측은 동적 객체의 움직임 등에 대한 시맨틱 정보 활용 필요
포즈의 정답(Ground truth)이 주어지지 않는 비지도 학습 방법에 대한 연구가 활발
의도 예측
동적 객체 움직임의 목표 또는 의도를 예측하는 작업
(장점)
동적 객체의 목표 방향 또는 의도 예측으로 예측 작업의 복잡도 간소화
의도 예측 결과를 조건으로 경로 예측으로 더 높은 예측 정확도 달성
