The perception and control technology for autonomous vehicles shows significant advances owing to the deep learning techniques. On the other hand, the prediction technology for the future motion of surrounding vehicles remains a challenging problem due to the complexity of vehicle motion. Accidents of autonomous vehicles from Google and Uber can also be attributed to inaccurate predictions. The motion of a vehicle is not only determined by the intention of the driver but is influenced by various interactions with other vehicles. In order to tackle this problem, various approaches for vehicle motion prediction have been developed, but these approaches failed to predict future motion accurately because they use only current and historical information. These future interactions are difficult to predict from current and historical information. Therefore, in this thesis, a vehicle trajectory prediction network that can consider not only current and past interaction but also future interactions, which have not yet happened, is proposed. To this end, a recursive structure, which uses the output of the network as input again, is added to a Long Short Term Memory (LSTM) based encoder-decoder model. With this recursive structure, the model can use the predicted future trajectory together with the current and past information of surrounding vehicles, and this makes the model possible to predict the future trajectory considering future interaction. The proposed method can be expected to play a vital role in moving forward to fully autonomous driving by improving the reliability of prediction technology.
자율주행 차량과 인지 기술과 제어 기술은 최근 나타난 심층 학습 기법들로 인해 비약적인 발전을 이루고 있다. 그에 반해 주변 차량의 미래 거동 예측 기술은 차량 거동의 복잡한 특성으로 인해 아직 어려운 문제로 남아있다. 특히 차량의 거동은 단순히 운전자의 의도에 의해 결정되는 것이 아니라 다른 차량과의 다양한 상호작용을 통해 영향을 받는다. 이러한 문제를 해결하기 위해 다양한 차량 거동 예측 기술들이 개발되고 있지만, 이 기술들은 현재와 과거의 정보만을 이용하기 때문에 정확한 예측을 하지 못하고 있다. 현재와 과거의 정보만을 이용하여 미래의 상호작용을 예측하는 일은 어렵다. 따라서 본 논문에서는 현재와 과거 정보뿐만 아니라 아직 발생하지 않은 미래의 상호작용까지 고려할 수 있는 차량 경로 예측 네트워크를 고안하였다. 이를 위해 장단기 메모리 네트워크 기반의 인코더-디코더 구조의 모델에 네트워크의 출력값을 다시 입력으로 사용하는 재귀 구조를 추가하였다. 이를 통해 주변 차량의 과거와 현재의 정보와 더불어 예측된 미래의 경로를 함께 사용함으로써 미래의 상호작용까지 고려한 주변 차량 미래 경로 예측이 가능하다. 본 논문에서 제안하는 방법은 자율주행 차량에서 예측 기술의 신뢰성을 향상시켜 완전자율주행 기술로 나아가기위해 필요한 핵심 기술로써 역할을 기대할 수 있다.
