Journal Search Engine
The Journal of The Korea Institute of Intelligent Transport Systems Vol.24 No.1 pp.26-37
DOI : https://doi.org/10.12815/kits.2025.24.1.26
DOI : https://doi.org/10.12815/kits.2025.24.1.26
A Study on Efficient Methodology of Using Transformers to Predict Vehicle Turning Trajectories at Intersections
│
│
Abstract
In this study, we propose an effective methodology based on the well-known transformer deep learning architecture to predict the trajectories of vehicles turning at intersections. From the road infrastructure perspective, segments with abrupt changes in a vehicle's direction are more difficult to predict than straight segments, so a more precise model is required. We generated training data using a microscopic traffic simulation, and trained the transformer-based prediction model for turning trajectories. Through two experiments, we analyzed the impact of loss functions and input sequence lengths on trajectory prediction. The results showed that models using a smooth L1 loss function and input sequences of approximately one second exhibited the best performance, improving prediction accuracy. The findings of this research are expected to enhance the efficiency of path planning for autonomous vehicles and traffic management systems.
교차로 회전 주행 궤적 예측을 위한 트랜스포머의 효율적인 활용 방법론에 대한 연구
초록
본 연구에서는 도로 인프라가 교차로에서 회전하는 차량의 궤적을 예측하기 위해 딥러닝 아키텍처인 트랜스포머 기반의 모형을 효과적으로 이용하는 방법론을 제안하고자 한다. 회전 구간은 차량의 진행 방향이 급격히 변화하는 경우가 많아 직진 구간에 비해 예측이 어렵기 때 문에 더 정밀한 모델이 필요하다. 회전 구간에 특화된 예측 모형을 위해 미시 교통 시뮬레이션 을 이용해 학습 데이터를 생성하고 모형을 학습시켰다. 두 가지 실험을 통해 손실함수와 입력 시퀀스 길이가 궤적 예측에 미치는 영향을 분석했으며, 회전 구간에서의 예측 성능 향상을 위 해서는 Smooth L1 loss 손실함수와 1초 내외의 입력 시퀀스를 사용하는 모델이 가장 우수한 성능을 보였다. 이 연구의 결과는 자율주행 차량의 경로 계획 및 교통 관리 시스템의 효율성 향상에 기여할 것으로 기대된다.
