Conceptos Básicos
본 연구는 차량 운동 예측 및 생성을 위해 물리적 제약을 고려한 잠재 공간 모델링 기법을 제안한다. 이를 통해 실제 물리적 특성을 반영하는 동시에 복잡한 주행 환경을 효과적으로 학습할 수 있다.
Resumen
본 연구는 차량 운동 예측 및 생성을 위한 새로운 방법론을 제안한다. 기존의 순수 데이터 기반 방법과 모델 기반 방법의 한계를 극복하기 위해, 물리적 제약을 고려한 잠재 공간 모델링 기법을 활용한다.
구체적으로, 차량 운동 정보와 주행 환경 정보를 그래프 신경망을 통해 추출하고, 이를 바탕으로 잠재 공간에서 운동학 기반 확률 미분 방정식(LK-SDE)을 학습한다. LK-SDE는 자전거 모델을 통해 물리적 제약을 반영하면서도 복잡한 주행 환경을 효과적으로 학습할 수 있다.
실험 결과, 제안 방법은 기존 방법 대비 물리적으로 더 현실적이고 제어 가능한 차량 궤적을 생성할 수 있음을 보였다. 또한 잠재 공간의 운동학 정보를 활용하여 관측되지 않는 물리량을 정확하게 예측할 수 있다.
Estadísticas
차량 가속도의 일반화된 파레토 분포와 비교한 와서스타인 거리는 0.45로 가장 작다.
차량 궤적의 평균 저크 값은 0.40 m/s^3이며, 0.9 m/s^3 이상의 저크 위반률은 5.0%로 가장 낮다.