본 논문에서는 자기 차량(ego vehicle) 전방의 인접 차량(neighboring vehicle)의 주행 의도를 물리 기반(physics-informed) 딥 신경망 기반 오픈셋 분류(open-set classification) 접근을 통해 추론하는 방법을 제안한다. 실제 도로 주행에서 수집한 상대 운동 데이터를 알려진 시나리오와 알려지지 않은 시나리오로 범주화하였으며, 핵심 특징 궤적을 시공간(spatiotemporal) 3D 입력 데이터로 표현하였다. 이를 위해 합성곱 장단기 기억(convolutional long short-term memory) 구조를 설계하였고, 물리 기반 관점과 제약을 통합하기 위한 새로운 손실 함수(loss function)를 제안했으며, 훈련 과정에서 통합 손실 함수의 수렴(convergence)이 입증되었다. 제안된 방법은 비교를 위해 다섯 개의 분류기와 함께 평가되었으며, 1) 단일 시나리오에서의 알려진 클래스(known classes) 분류 정확도, 2) 오픈셋 분류 정확도, 3) 딥 감소 특징 시각화(deep reduced feature visualization)를 통한 분석, 4) 알려지지 않은 데이터에 대한 일반화 성능, 5) 연속 시나리오에서의 분류 강건성 및 경로 내 의사결정 타당성의 관점에서 비교하였다. 그 결과, 정확도에서 평균 23.5%의 향상, 최고 수준의 일반화 성능, 우수한 강건성이 나타났으며, 기존 레이더를 포함한 기존 방법에 비해 특히 애매한 상황에서도 더 빠르고 신뢰할 수 있는 경로 내 탐지가 가능함이 확인되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.