Recently, autonomous driving technology on highway situation, semi-autonomous driving, is already commercialized by a number of automotive company. The core technology of the autonomous driving vehicles that leads the fully autonomous driving generation, however, is to extend the technology on the highway situation to urban traffic scenario. Google and Tesla cannot prevent accident of the autonomous vehicles in urban traffic scenario due to inaccurate future prediction technology also. In complex traffic situation, there are a number of actively interacting agents compare to highway situation. Conventional future prediction technology for autonomous vehicles are concentrated on the mono-vehicular prediction so that the accuracy in multi-vehicle environment is quite low because of existence of a number of traffic participants interacting each other. Therefore, this thesis proposes the deep learning architecture for multi-vehicle prediction by introducing the concept of multi-channel occupancy grid map which can represent the overall surrounding traffic scene around the ego vehicle. By doing so, all of the surrounding vehicles are predicted as an integrated manner so that interaction can be predicted. The predicted future OGMs up to 4 seconds are generated via convolutional neural network and long short-term memory networks using historical multi-channel OGM input with static layer channel and dynamic layer channel. While previously developed future prediction algorithm was limited to the one target vehicle, proposed deep learning architecture can provide effective prediction on multiple surrounding vehicles simultaneously by extracting interaction feature from multi-channel OGM. The accuracy of the proposed deep learning architecture trained with 36,000 training set was around 94.69% in 2 seconds of prediction horizon. Also, the proposed algorithm is validated with several case studies on various scenario. Based on these results, the proposed algorithm is expected to be the leading technology to extend the autonomous vehicle technology on high-way like environment into urban traffic situation.
최근 자동차의 자율주행 기술에 대한 활발한 연구 개발을 통하여 고속도로 상에서의 자율주행 기술 (반 자율주행 기술)은 이미 상용화 단계에 이르렀다. 하지만 완전 자율주행 시대로 나아가기 위한 큰 문턱은 도심 도로 환경에서의 자율주행 기술 개발이며 구글과 테슬라 또한 도심에서 자율주행 자동차가 연루된 교통사고를 피하지 못하고 있는 것이 현실이다. 이러한 도심에서의 자율주행 자동차의 사고는 미래에 대한 부정확한 예측 기술에 기반한다. 도심 도로의 상황에서는 자동차 전용도로에 비해서 많은 수의 객체가 교통에 참여하게 되며 각 객체간에 수 많은 상호작용이 발생한다. 하지만 기존의 미래 예측 기술은 단일 차량에 대한 예측기술에 초점이 맞춰져 있기 때문에 다차량 및 다수 객체환경에는 매우 저조한 예측 성능을 보인다. 위 논문에서는 도심도로에서의 정확한 미래 예측의 어려움을 해결하기 위해 다채널 점유 격자 지도 통해 주변 교통 상황을 표현하는 방법을 제안하며 이를 활용한 딥러닝 구조를 설계하고자 한다. 이를 통하여 다차량 환경에서 모든 객체의 미래 거동을 한꺼번에 예측할 수 있는 통합적 예측 알고리즘을 제안하고자 한다. 제안된 알고리즘에서는 동적 계층과 정적 계층으로 나누어져 점유 격자 지도상에 표현된 주변 환경 정보가 컨볼루션 신경망과 장단기 메모리 네트워크를 거쳐 미래 상황에 대한 점유 격자 지도가 추출된다. 개발된 알고리즘은 특정 차량에 한정되어 개발되었던 기존 기술과는 달리 주변 환경의 모든 정보를 동시에 이용하고 이러한 통합적 정보를 바탕으로 상호작용에 대한 특성을 추출 함으로서 다차량 환경에 대한 효율적인 미래 예측이 가능하다. 약 36,000개의 데이터를 통하여 학습된 네트워크는 학습 결과 상호작용이 다수 발생하는 환경에서도 2초의 예측 시간에 대하여 약 94.69%의 정확도를 보였으며 추가적인 알고리즘의 우수성을 입증하기 위해 다양한 시나리오에 대한 시뮬레이션을 통해 성능 검증을 이행하였다. 이러한 결과에서 알 수 있듯이 제안된 기술은 자동차 전용도로에서의 자율주행 기술이 상용화 되기 시작한 현 시점에서 자율주행 기술을 도심 도로 환경으로 확장시키는 데에 있어서 핵심 부분을 차지할 것으로 기대된다.
