核心概念
전문가 주행 데이터의 분포 불균형으로 인한 문제를 해결하기 위해 안전 중요 주행 시나리오를 식별하고 이를 바탕으로 새로운 주행 궤적을 생성하여 학습 데이터를 증강하는 방법을 제안한다.
摘要
이 연구는 주행 궤적 데이터 증강을 통해 모방 학습 모델의 성능을 향상시키는 방법을 제안한다. 주요 내용은 다음과 같다:
- 자동인코더 기반 클러스터링 방법을 통해 안전 중요 주행 시나리오를 식별한다.
- 동일한 클러스터 내 궤적들을 기하학적 변환을 통해 새로운 궤적을 생성한다.
- 생성된 궤적이 안전 기준을 만족할 경우에만 학습 데이터에 추가한다.
- 도시 및 고속도로 주행 데이터셋에 대한 실험 결과, 제안 방법을 통해 모방 학습 모델의 폐루프 성능이 향상되었음을 확인했다.
統計資料
원본 궤적과 가이드 궤적 간 종방향 및 횡방향 오프셋과 평균 속도 오차가 각각 ∆Lon, ∆Lat, ∆Vel 미만인 경우에만 새로운 궤적 생성을 고려한다.
생성된 새로운 궤적은 충돌 회피, 승차감, 교통 규칙 준수 등의 기준을 만족해야 한다.
引述
"전문가 주행 데이터의 분포 불균형은 모방 학습 모델의 일반화 성능 저하를 초래할 수 있다."
"안전 중요 시나리오는 데이터셋 내 소수 클러스터를 구성하므로, 이를 고려하지 않으면 심각한 결과를 초래할 수 있다."