[論文レビュー] A Driving Intention Prediction Method Based on Hidden Markov Model for Autonomous Driving

Shiwen Liu, Kan Zheng+2 more|arXiv (Cornell University)|Feb 25, 2019

Autonomous Vehicle Technology and Safety参考文献 17被引用数 7

ひとこと要約

本稿では、実世界のフライトオーバーデータを用いて訓練された隠れマルコフモデル（HMM）を用いた自動運転車両の走行意図予測手法を提案する。車両の移動特性を、K-meansクラスタリングによる離散的特徴化またはガウス・ミックスチャネル・モデル（GMMs）による連続的特徴化のいずれかでモデル化することで、連続的特徴化と周囲車両の動的特性を組み込むことで、より高い正確性で将来的な走行意図を予測できる。

ABSTRACT

In a mixed-traffic scenario where both autonomous vehicles and human-driving vehicles exist, a timely prediction of driving intentions of nearby human-driving vehicles is essential for the safe and efficient driving of an autonomous vehicle. In this paper, a driving intention prediction method based on Hidden Markov Model (HMM) is proposed for autonomous vehicles. HMMs representing different driving intentions are trained and tested with field collected data from a flyover. When training the models, either discrete or continuous characterization of the mobility features of vehicles is applied. Experimental results show that the HMMs trained with the continuous characterization of mobility features can give a higher prediction accuracy when they are used for predicting driving intentions. Moreover, when the surrounding traffic of the vehicle is taken into account, the performances of the proposed prediction method are further improved.

研究の動機と目的

• 安全な自動運転車両の運用を実現するため、混在交通環境下における人間運転車両の走行意図を予測する課題に対処すること。
• 模擬走行データではなく、現実世界で収集された移動データを活用することで、予測正確性を向上させること。
• 周囲の交通状況が意図予測に与える影響を、近隣車両の動的特性を組み込むことで調査すること。
• 最適な性能を得るためのHMMベースの意図モデル化において、離散的特徴化と連続的特徴化の比較を行うこと。
• 隣接車両の相対的位置と速度比が、予測正確性に与える寄与を評価すること。

提案手法

• 本手法は、走行意図を隠れ状態としてモデル化し、移動特性（例：速度、位置）を観測出力として使用する隠れマルコフモデル（HMM）を用いる。
• 移動特性は、K-meansクラスタリングによる離散的特徴化またはガウス・ミックスチャネル・モデル（GMMs）による連続的特徴化のいずれかで処理される。
• HMMは、フライトオーバー上を走行する車両から収集された実際の軌道データを用いて訓練され、現実世界への適応性が保証される。
• 予測は、観測された移動特性に基づき、最も確率の高い隠れ状態の系列（走行意図）を特定するためのビタビアルゴリズムを用いて実行される。
• 観測ベクトルには、対象車両の履歴に加え、周囲車両の相対的位置と速度が含まれる。
• 特徴行列には、相対的位置差とレーン速度比を追加することで、交通状況の影響を捉える。

実験結果

リサーチクエスチョン

• RQ1 HMMにおける移動特性の連続的特徴化は、離散的特徴化よりも高い予測正確性を達成するか？
• RQ2 周囲車両の動的特性を組み込むことで、走行意図モデルの予測性能はどのように向上するか？
• RQ3 予測時間遅延が、HMMを用いた意図予測の正確性に与える影響は何か？
• RQ4 HMMのハイパーパrameter（例：隠れ状態数Q、ガウス成分数M）が予測正確性に与える影響は何か？
• RQ5 隣接車両の相対的位置と速度比の組み込みにより、変則走行（レーン変更）の意図予測能力は向上するか？

主な発見

• GMMを用いた連続的移動特性特徴化で訓練されたHMMは、K-meansクラスタリングによる離散的特徴化で訓練されたものよりも顕著に高い予測正確性を達成する。
• 予測時間窓が長くなるにつれて正確性は低下するが、3秒先の予測でさえも、モデルは頑健な性能を維持する。
• 周囲車両の移動特性を組み込むことで予測正確性が向上し、特に長時間予測において顕著である。これは、交通制約のより良いモデル化に起因する。
• 周囲車両の相対的位置は、特にレーン変更の意図を制限または可能にする要因として、重要な文脈的情報として機能する。
• 隣接レーンと現在のレーンの速度比は、ドライバーの速度志向の動機を反映しているため、予測正確性をさらに向上させる。
• より多くの特徴を追加することで正確性は向上するが、反復アルゴリズムの収束性が低下する可能性があり、特徴数が多すぎると平均正確性がわずかに低下する。