Lane-Aware Graph Attention Network for Multi-Vehicle Trajectory Prediction in Expressway Merge Zones

기술 요약: 고속도로 합류 구역의 다중 차량 궤적 예측을 위한 차선 인식 그래프 어텐션 네트워크

문제 제기
정확한 다중 차량 궤적 예측은 자율 의사결정에 필수적이며, 특히 상호작용 구조가 기하학적으로 독특하고 복잡한 고속도로 합류 및 분기 구역에서 중요합니다. 기존 그래프 기반 예측 모델들은 주로 NGSIM 과 같은 고정 카메라 데이터셋을 사용하여 본선 고속도로 구간에서 개발 및 검증되었습니다. 이러한 모델들은 종종 합류 구역의 특정 상호작용 토폴로지를 다루지 못합니다. furthermore, 표준 평가 프로토콜은 이변위 오차 지표 (ADE, FDE) 에만 의존하여 예측된 궤적의 안전성 결과를 정량화하지 못합니다. 알려진 측정 오차가 있는 데이터 (예: NGSIM) 로 훈련된 모델의 새로운 환경으로의 일반화에 관한 연구와 궤적 예측에서 대리 안전 지표 (SSM) 평가의 부재는 문헌상 중요한 격차로 남아 있습니다.

방법론
본 논문은 동적 장면 그래프 내에서 차량 상호작용을 인코딩하도록 설계된 차선 인식 그래프 어텐션 네트워크 (LA-GAT) 를 제안합니다. 방법론은 네 가지 핵심 구성 요소를 포함합니다:

1. 동적 장면 그래프 구성: 각 시간 단계에서 교통 장면은 노드가 차량이고 간선이 영향을 나타내는 방향 그래프로 표현됩니다. 간선은 다음에 기반하여 설정됩니다:
   • 근접성: 관측된 차량 간 거리의 95 백분위수에서 도출된 임계값.
   • 구조적 제약: 명시적인 선행 - 추종 기록과 합류 충돌 쌍이 항상 표현되도록 보장하기 위해 종방향 분리 ±10 m 이내의 인접 차선에 있는 차량을 위한 필수 간선.
2. 차선 인식 어텐션 메커니즘: 모델은 학습 가능한 차선 관계 어텐션 편향을 활용합니다. 어텐션 계산 전에 차선 관계 특징 (동일, 왼쪽, 오른쪽, 또는 합류로 매핑) 은 학습 가능한 스칼라 벡터에 의해 수정됩니다. 이 메커니즘은 훈련 초기부터 합류 충돌 상호작용을 구조적으로 우선시하도록 "합류" 관계에 특히 양의 편향을 부여하도록 초기화됩니다.
3. 아키텍처:
   • 시간 인코더: 양방향 LSTM 이 30 프레임 (3 초) 의 역사적 상태 시퀀스 (위치, 속도, 가속도, 정규화된 차선 ID, 차선 변경 플래그) 를 처리하여 128 차원 운동 컨텍스트 벡터를 생성합니다.
   • 그래프 어텐션: 두 개의 적층된 GATv2 레이어가 차선 편향 수정 간선 특징을 사용하여 이웃 정보를 집계합니다.
   • 디코더: 세 개의 독립적인 MLP 헤드가 1 초, 3 초, 5 초 시간 범위에 대한 이변량 가우스 매개변수를 예측합니다.
4. 교차 데이터셋 전이 프로토콜:
   • 사전 훈련: 모델은 원시, 필터링되지 않은 NGSIM US-101 및 I-80 데이터셋에서 사전 훈련됩니다. 리더 - 추종 기록이나 헤드웨이 값에 품질 필터링을 적용하지 않아 실제 세계 데이터 품질 조건 하에서 성능을 벤치마크합니다.
   • 미세 조정: BiLSTM 인코더는 고정된 반면, GATv2 레이어와 디코더는 중국 고속도로 합류 구역의 UAV 로 촬영된 UTE SQM-W-1 궤적 데이터에서 미세 조정됩니다.
   • 평가: 모델은 홀드아웃 UTE SQM-W-2 데이터셋 (제로샷 및 미세 조정 조건) 에서 평가됩니다.

주요 기여

1. LA-GAT 모델: 훈련 중 합류 충돌 상호작용을 명시적으로 우선시하는 학습 가능한 차선 관계 편향을 갖춘 그래프 어텐션 네트워크 도입.
2. 교차 데이터셋 전이 프로토콜: 원시 NGSIM 데이터에서의 사전 훈련과 고해상도 UAV 데이터 (UTE SQM) 에 대한 미세 조정을 포함하는 새로운 워크플로우로, GAT 기반 궤적 예측에 중국 고속도로 드론-BEV 데이터를 적용한 첫 사례입니다.
3. 원시 데이터 일반화 분석: 측정 오차 (예: 잘못된 리더 ID) 로 인한 일반화 한계와 성능 저하를 특성화하기 위해 의도적으로 필터링되지 않은 NGSIM 데이터를 사용하여 기존 벤치마크에서 식별된 데이터 품질 민감성 문제를 직접 해결합니다.
4. 확장된 평가 지표: 이변위 오차를 넘어 시간-충돌 (TTC) 위반률, 충돌 회피 감속률 (DRAC) 초과율, 재구성된 절대 예측 위치에서 계산된 충돌률과 같은 대리 안전 지표 (SSM) 를 포함하도록 평가 확장.

결과

• 이변위 정확도: UAV 데이터에 대한 미세 조정은 교차 데이터셋 전이 격차를 크게 줄였습니다. 홀드아웃 SQM-W-2 데이터셋에서 미세 조정된 모델은 1 초에서 평균 이변위 오차 (ADE) 0.865 m, 3 초에서 2.518 m를 달성했습니다. 이는 제로샷 NGSIM 전용 기준선 (4.125 m 및 10.779 m) 대비 각각 약 79% 및 77% 감소한 수치입니다.
• NGSIM 성능: NGSIM 테스트 세트에서 모델은 높은 오차율 (1 초에서 ADE 17.39 m) 과 높은 SSM 위반률을 보였습니다. 저자들은 이를 손상된 상호작용 기록을 포함하는 원시, 필터링되지 않은 데이터 사용에 기인하며, 훈련 데이터의 측정 오차가 모델 일반화를 직접 제한한다는 것을 확인했습니다.
• 안전 지표: 미세 조정된 모델은 1 초 시간 범위에서 제로샷 기준선보다 낮은 TTC 위반률과 DRAC 초과율을 보였으며, 이는 실제 차량 위치와의 근접성이 부당한 근접 충돌 감지를 줄인다는 것을 시사합니다. 그러나 1 초의 56.74% 에서 5 초의 84.84% 로 상승하는 것과 같이 더 긴 시간 범위에서는 높은 위반률이 지속되었는데, 이는 모델 오류가 아니라 합류 구역에서의 인간 간격 수용 행동에 내재된 고유한 불확실성을 반영합니다.

의의 및 주장
본 논문은 레거시 오류가 많은 데이터셋으로 훈련된 모델과 실제 세계 합류 구역 응용 프로그램 간의 격차를 해소하기 위해 드론 기반 미세 조정이 필수적이라고 주장합니다. 연구는 원시 NGSIM 데이터에 대한 사전 훈련이 기준선을 제공하지만, 해당 데이터셋의 구조적 차이와 측정 오차로 인해 중국 고속도로 기하학으로의 효과적인 제로샷 전이가 불가능함을 보여줍니다.

저자들은 1 초의 0.865 m 에서 5 초의 5.034 m 로 시간이 지남에 따라 예측 정확도가 급격히 저하되고 더 긴 시간 범위에서 안전 위반률이 상승하는 것이 단순히 모델의 한계가 아니라 합류 지점에서의 인간 간격 수용 행동에 내재된 누적 불확실성을 반영한다고 강조합니다. 연구는 합류 차량이 간격에 진입하면 그 궤적이 본선 차량의 비결정론적 반응에 크게 조건 지워지므로, 이러한 구역에서 예측 가능성 시간 범위가 근본적으로 제한된다고 주장합니다.

저자가 인정한 한계

• CPU 하드웨어에서의 계산 비용 ($O(n^2)$) 으로 인해 훈련 중 TTC 안전 패널티 항은 0 으로 설정되었습니다.
• 그래프 어텐션 메커니즘과 차선 인식 편향의 특정 기여도를 분리하기 위한 제거 실험 (예: 일정 속도, LSTM 전용, 소셜 LSTM) 은 수행되지 않았습니다.
• 연구는 "정제된" 기준선을 만들기 위해 NGSIM 사전 훈련 데이터에 품질 필터링을 적용하지 않았으나, 이는 원시 조건 일반화를 테스트하기 위한 의도적인 선택이었습니다.