Core Concepts
온라인 고정밀 지도 추정 모델에 불확실성 추정 기능을 추가하여, 이를 궤적 예측 모델에 활용함으로써 예측 성능 향상 및 학습 수렴 속도 개선
Abstract
본 연구에서는 온라인 고정밀 지도 추정 모델에 불확실성 추정 기능을 추가하고, 이를 궤적 예측 모델에 활용하는 방법을 제안한다.
먼저, MapTR, MapTRv2, StreamMapNet 등의 최신 온라인 고정밀 지도 추정 모델을 확장하여 각 지도 요소의 위치와 클래스에 대한 불확실성을 추정하도록 하였다. 이를 통해 가려짐, 센서 범위, 조명 및 날씨 등 다양한 요인에 의한 지도 추정의 불확실성을 포착할 수 있었다.
다음으로, 이렇게 추정된 지도 불확실성 정보를 DenseTNT와 HiVT 등의 최신 궤적 예측 모델에 통합하였다. 그 결과, 지도 불확실성을 활용한 궤적 예측 모델이 기존 모델 대비 최대 50%의 학습 수렴 속도 향상과 15%의 예측 성능 향상을 보였다. 특히 지도 요소 중 차선 중심선 정보가 궤적 예측에 매우 중요한 것으로 나타났다.
이를 통해 온라인 지도 추정 모델의 불확실성 정보를 활용하면 궤적 예측 모델의 성능과 안정성을 크게 개선할 수 있음을 확인하였다.
Stats
지도 요소와 카메라 간 거리가 멀수록 불확실성이 증가한다.
야간에는 보행자 횡단보도 추정의 불확실성이 크게 증가한다.
비 오는 날씨에는 StreamMapNet의 불확실성이 상대적으로 더 크게 나타난다.
Quotes
"온라인 지도 추정 방법들은 하류 작업과 독립적으로 개발되어 왔기 때문에, AV 스택에 통합하기 어려웠다."
"본 연구에서는 온라인 지도 추정 방법들을 확장하여 불확실성을 추정하고, 이를 궤적 예측에 활용함으로써 성능 향상을 달성하였다."