Despite globally overwhelming research and development efforts toward autonomous vehicle technologies, there are a lot of difficulties in the real-world driving task. Even though several autonomous vehicles are in op-eration in public, human intervention to overcome difficult driving scenes is frequently required. Such a situation is originated from the difficulties in future uncertainty due to the variability of the driving characteristics of the human-driver and inter-vehicular interaction among multiple agents. Therefore, a probabilistic precise future prediction algorithm is essential for reliable and robust autonomous driving. In this dissertation, a methodology for overcoming the various data defections in predicting the future trajectory of the vehicles is proposed. There-fore, the general technical difficulties in predicting the future of vehicles originating from the data quality are overcome so that the broader and detailed context of the vehicle's future maneuver can be predicted with higher performance.
The proposed prediction framework extracts the maneuver context of the vehicles from the infinitely diverse driving scene and predicts the reaction change of the surrounding vehicles for various future plans of the ego vehicle. Here, transfer learning based on the heterogeneous dataset and a semi-supervised learning approach is employed to overcome the data imbalance and data deficit problem. The proposed framework consists of: 1) a Scalable trajectory prediction system using Graph Neural Network (GNN) capable of dynamically varying traf-fic scenes, 2) a Representation learning framework for extracting the maneuver context of the vehicles securing the generality in terms of the vehicle maneuver, and 3) Reactive trajectory prediction for capturing reaction changes of the surrounding vehicles for a maneuver plan of the ego vehicle. The proposed trajectory prediction network is a total trajectory prediction solution capable of the diversity of the driving environment and vehicle maneuver. Thereby, the travel efficiency, as well as the safety, can be secured by integrating with the path plan-ner for the autonomous vehicle.
자율주행 자동차 기술은 지난 10여 년간 이루어진 세계적인 연구 및 개발 노력에도 불구하고 실도로 주행에 있어서 많은 어려움을 겪고 있다. 비록 자율주행 차량이 실도로에서 제한적으로 운용하고 있지만, 주행 도중 빈번하게 사람의 개입을 요하고 있다. 이는 사람이 운전하는 주변 차량 거동 특성의 다양성 및 다수의 차량 사이에 발생하는 차량간 상호작용에 의해서 생기는 미래의 불확실성에 기인한다. 따라서 신뢰도 높은 강건한 자율주행 알고리즘을 위해서는 미래에 대한 정확하면서도 확률적인 예측 기술이 필수적이다. 이를 위해 본 연구에서는 미래 경로 예측에 있어서 발생하는 다양한 데이터 결손 문제를 해결하는 방법론을 제안한다. 기존의 예측 기술은 데이터의 한계로 인해 차량 거동 미래 예측의 범위 및 성능에 있어서 제한이 있었지만 이를 해결하는 방법론을 통하여 예측 기술의 한계를 돌파하였다.
제안된 미래 예측 방법론은 수없이 다양한 도로 주행 환경에서의 차량 거동 특성을 추출하고, 추출된 거동 특성을 바탕으로 다양한 자율주행 차량의 미래 계획에 따라 변화하는 주변 차량의 반응을 예측한다. 이 과정에서 발생하는 데이터 불균형 문제 및 데이터 부족문제를 해결하기 위해 이종 데이터셋 기반의 전이학습 및 준지도 학습방법을 적용하였다. 이러한 접근법을 활용한 본 연구는 실시간으로 변화하는 교통량에 대응하기 위한 그래프 신경망 (Graph Neural Network, GNN) 기반의 확장형 미래 경로 예측, 다양한 주변 차량 거동에 대해 균일하고 강건한 미래 경로 예측을 위한 이종 데이터 셋을 활용한 표현 학습 (Represen-tation Learning) 및 도로 적응형 (Map Adaptation) 예측 방법론, 자율주행 차량의 다양한 미래 경로 후보군 각각에 따라서 변화하는 주변 차량의 대응을 예측 하기 위한 반응형 미래 경로 예측 (Reactive Trajectory Prediction) 연구로 구성된다. 제안된 방법론은 주행 환경의 다양성, 차량 거동의 다양성에 대해 대응 가능한 통합 미래 경로 예측 기술이며 이를 통해서 차량 주행의 안전성은 물론 높은 주행 효율(travel efficiency)을 확보하는 것이 가능하다. 또한, 단순히 주변차량의 미래 경로를 추출하는 것이 아닌 자율주행 경로 계획법과의 통합을 통해 전체적인 자율주행 시스템의 신뢰도 및 안전도 향상에 기여하는 것을 확인 할 수 있었다.
