The movement of a vehicle is much affected by surrounding environments such as road shapes and other traffic participants. This thesis proposes a new vehicle motion prediction method to predict future motion of an on-road vehicle which is observed by a stereo camera system mounted on a moving vehicle. Our proposed algorithm considers not only the history movement of the observed vehicle, but also the environment configuration around the vehicle. To find feasible paths under a dynamic road environment, Rapidly-Exploring Random Tree (RRT) is used. A simulation based method is then applied to generate future trajectories by combining results from RRT and a motion prediction algorithm modelled as a Gaussian Mixture Model (GMM). Our experiments show that our approach can predict future motion of a vehicle accurately, and outperforms previous works where only motion history is considered for motion prediction.
도로 위의 주행 중인 차량의 움직임을 예측할 수 있는 기술은 무인자동차나 첨단운전자보조시스템 (ADAS)과 같은 지능형 차량 기술에 필수적이다. 이 논문은 움직이는 차량 위에 설치 된 카메라를 기반으로, 도로 위의 다른 차량의 움직임을 관찰하여, 향후 약 3초간의 움직임을 예측함을 목표로 한다.
차량의 움직임은 기본적으로 기구학적 그리고 동역학적인 구속에 제한되기 때문에 과거의 움직임을 기반으로 하여 미래의 움직임을 예측 할 수 있다. 추가적으로 도로의 구조나 장애물의 존재와 같은 주변 환경 정보 또한 차량의 미래 움직임에 영향을 주기 때문에, 이 정보들을 활용할 수 있다면 더 정확한 예측을 할 수 있다. 하지만 주행 중인 차량 주변의 환경은 동적으로 변하기 때문에 예측 알고리즘에 적용하기가 쉽지 않다.
해당 논문에서는 동적으로 변화하는 주변 환경 정보를 활용하기 위해서 모션플래닝 알고리즘인 Rapidly-Exploring Random Tree (RRT)를 이용한다. 우선, 차량의 모션 모델을 가우시안 혼합 모델 (GMM)로 구성하여, 과거의 움직임 정보로부터 미래의 속도 정보를 예측한다. 그 후 RRT가 주변 환경 정보를 고려하여 만든 가능한 미래 경로들을 참고삼아, 차량의 기구학적 구조를 고려한 시뮬레이션을 진행한다. 시뮬레이션을 통해 나온 여러 개의 예측되는 움직임을 다양한 기준으로 평가하여 가장 가능성이 높은 움직임을 뽑아내도록 한다.
알고리즘을 검증하기 위한 실험은 실제 도로 주행 데이터를 제공하는 KITTI vision benchmark suit dataset을 이용하였다. 예측 대상이 되는 차량은 컴퓨터비전 알고리즘으로 탐지 및 트랙킹 하였고, 주변 환경 정보는 Google Earth에서 제공하는 위성 지도위에 직접 레이블링한 정보를 이용하였다. 또, Open Street Map에서 추출한 도로 네트워크 정보를 RRT알고리즘의 골 포인트를 찾는 데에 이용하였다. Ground Truth 데이터와 비교하여 예측 알고리즘의 성능을 평가해 본 결과, 주변 환경 정보를 이용하지 않은 다른 알고리즘들에 비하여 훨씬 강건한 성능을 보여 줌을 알 수 있었다.
