[論文レビュー] A Deep Learning Framework for Generation and Analysis of Driving Scenario Trajectories

Ανδρέας Δημητρίου, Henrik Alfsvåg+2 more|arXiv (Cornell University)|Jul 28, 2020

Autonomous Vehicle Technology and Safety被引用数 11

ひとこと要約

本稿では、条件付きGANと自己符号化器-GANハイブリッドを用いて、可変長のドライブシナリオ軌道を生成・分析する統合的ディーブラーニングフレームワークを提案する。可変長の軌道生成、潜在空間のクラスタリング、外れ値検出を可能にし、実世界のボルボカーズのデータを用いた実験で再構成誤差を用いた1%の異常検出を達成し、優れた性能を示した。

ABSTRACT

We propose a unified deep learning framework for the generation and analysis of driving scenario trajectories, and validate its effectiveness in a principled way. To model and generate scenarios of trajectories with different lengths, we develop two approaches. First, we adapt the Recurrent Conditional Generative Adversarial Networks (RC-GAN) by conditioning on the length of the trajectories. This provides us the flexibility to generate variable-length driving trajectories, a desirable feature for scenario test case generation in the verification of autonomous driving. Second, we develop an architecture based on Recurrent Autoencoder with GANs to obviate the variable length issue, wherein we train a GAN to learn/generate the latent representations of original trajectories. In this approach, we train an integrated feed-forward neural network to estimate the length of the trajectories to be able to bring them back from the latent space representation. In addition to trajectory generation, we employ the trained autoencoder as a feature extractor, for the purpose of clustering and anomaly detection, to obtain further insights into the collected scenario dataset. We experimentally investigate the performance of the proposed framework on real-world scenario trajectories obtained from in-field data collection.

研究の動機と目的

• 自動運転車の安全性検証のための、実世界のドライブシナリオデータが不足しており、かつ不均衡な状態であるという課題に対処すること。
• 仮想テストに適した現実的で可変長のドライブシナリオ軌道を生成できる統合的ディーブラーニングフレームワークを開発すること。
• 学習された潜在表現を用いて、クラスタリングと異常検出による探索的データ分析を可能にすること。
• ボルボカーズの実世界のフィールドデータから得た軌道データを用いて、フレームワークの妥当性を検証すること。

提案手法

• 軌道長を条件として与えることで、可変長のドライブシナリオを生成できるように、再帰的条件付きGAN（RC-GAN）を適応した。
• 潜在空間表現からの軌道長推定を別個の順方向ネットワークを用いて行う、AE-GANアーキテクチャを提案した。
• 下流の分析タスクに適した意味のある潜在特徴を抽出するために、再帰的自己符号化器を訓練した。
• 潜在空間のクラスタを可視化するために、t-SNEとPCAを用いて次元削減を行った。
• 非球形のクラスタ形状を想定し、DBSCANを潜在空間でのクラスタリングに採用した（K-meansをベースライン比較として用いた）。
• 自己符号化器における高い再構成誤差を用いて外れ値を特定し、センサ異常や行動の異常を示唆した。

実験結果

リサーチクエスチョン

• RQ1 ディーブラーニングフレームワークは、自動運転車の検証に適した現実的で可変長のドライブシナリオ軌道を効果的に生成できるか？
• RQ2 再帰的自己符号化器から得た潜在表現は、ドライブシナリオデータにおけるクラスタリングと異常検出をどの程度サポートできるか？
• RQ3 学習された潜在空間における異なるクラスタリング手法（例：DBSCAN対K-means）の性能はいかがなものか？
• RQ4 自己符号化器における再構成誤差は、まれなまたは異常なドライブ行動をどの程度検出できるか？
• RQ5 提案された生成モデルは、軌道の品質と多様性の観点から、どのように比較できるか？

主な発見

• RC-GANモデルは、軌道長を条件として与えることで、可変長のドライブシナリオ軌道を効果的に生成し、柔軟なテストケース生成を可能にした。
• 長さ推定機能を備えたAE-GANは、固定長の入力を必要とせず、さまざまな長さの軌道を効果的に生成した。
• PCA後に適用したDBSCANは、4つの意味的で非球形のクラスタをシナリオデータから特定し、K-meansを上回る性能を示した。
• 2000件のカットイン軌道のうち約1%が、高い再構成誤差により外れ値として特定された。主な要因は相対的な縦方向距離の急激な変化であった。
• 異常と特定された軌道は主に減速するカットインであり、センサのアーチファクトやまれなドライバー行動を示唆している。
• 本フレームワークは、自動的な異常検出と探索的分析により、シナリオデータセットの品質向上に強く期待できる。