[論文レビュー] A Transferable Pedestrian Motion Prediction Model for Intersections with Different Geometries

Nikita Jaipuria, Golnaz Habibi+1 more|arXiv (Cornell University)|Jun 25, 2018

Traffic and Road Safety参考文献 14被引用数 14

ひとこと要約

本論文は、曲がり角座標フレームにおける反変成分を用いて、異なる幾何構造を持つ交差点間で軌道のアフィン変換を可能にする、移譲可能な歩行者運動予測モデルTASNSCを提案する。この幾何的不変性を活用することで、同じ交差点で訓練およびテストした場合、ベースライン（ASNSC）よりも7.2%高い分類精度を達成し、異なる交差点間でも同等の性能を維持する。これは、シーン固有の地図を必要としない強力な汎用性を示している。

ABSTRACT

This paper presents a novel framework for accurate pedestrian intent prediction at intersections. Given some prior knowledge of the curbside geometry, the presented framework can accurately predict pedestrian trajectories, even in new intersections that it has not been trained on. This is achieved by making use of the contravariant components of trajectories in the curbside coordinate system, which ensures that the transformation of trajectories across intersections is affine, regardless of the curbside geometry. Our method is based on the Augmented Semi Nonnegative Sparse Coding (ASNSC) formulation and we use that as a baseline to show improvement in prediction performance on real pedestrian datasets collected at two intersections in Cambridge, with distinctly different curbside and crosswalk geometries. We demonstrate a 7.2% improvement in prediction accuracy in the case of same train and test intersections. Furthermore, we show a comparable prediction performance of TASNSC when trained and tested in different intersections with the baseline, trained and tested on the same intersection.

研究の動機と目的

• 異なる歩行者側の境界線および横断歩道の幾何構造を持つ、未観測の新しい交差点においても良好に動作する汎用性のある歩行者意思決定予測モデルの開発。
• シーン固有の空間的特徴量や高精細地図に依存する従来モデルの限界を克服し、移譲性を阻害する要因を排除すること。
• 特に境界線までの距離といった状況的文脈を、幾何的に不変な表現を用いて符号化し、交差点間でアフィン変換が保証されるようにすること。
• 事前定義された意味的マップや高精度なシーン事前知識を必要とせずに、長期間にわたる軌道予測を正確に行えるようにすること。
• 2つの異なる交差点（異なる境界線の角度と幾何構造を有する）でモデルの移譲性を検証すること。

提案手法

• モデルは、アフィン変換を用いて歩行者軌道を歩行者に沿った座標フレームに変換し、異なる交差点の幾何構造間でも、共線性や平行性といった幾何的性質を保持する。
• 境界線までの距離を、交差する境界線間の角度にのみ依存する反変成分を用いて表現することで、幾何的不変性を確保する。
• 拡張半非負スパースコーディング（ASNSC）の定式化を拡張し、歩行者に沿った座標フレームで運動プリミティブと遷移モデルを学習するフレームワークを構築する。
• ガウス過程に基づく遷移モデルを用いて、運動プリミティブ間の遷移を予測し、交通信号の状態を追加の文脈特徴としてオプションで組み込む。
• 交差点の境界線幾何構造から導かれる変換を用いて、軌道を歩行者に沿ったフレームに投影することで、異なる交差点間で一貫した表現が可能になる。
• 予測性能は、尤度で重み付けされた分類精度と、予測軌道と真値軌道の間の修正ヘウスドルフ距離（MHD）を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 シーン固有のトレーニングデータやHDマップを必要とせず、異なる境界線幾何構造を持つ交差点間で一般化可能な歩行者運動予測モデルは構築可能か？
• RQ2 歩行者に沿った座標フレームにおける反変成分を用いて境界線までの距離を表現することで、軌道のアフィン変換が保証され、幾何構造に依存しない一貫したモデリングが可能になるか？
• RQ3 異なる交差点でトレーニングおよびテストした場合、提案手法がベースライン手法に比べて予測精度およびロバスト性でどの程度優れているか？
• RQ4 交通信号の状態を文脈特徴として追加すると、予測性能と計算コストにどのような影響を与えるか？
• RQ5 トレーニングデータの軌道が少ない、または多様性に乏しい交差点においても、モデルは高い性能を維持できるか？

主な発見

• TASNSCは、同じ交差点（交差点A）でトレーニングおよびテストした場合、ベースラインのASNSC（84.39%）に対して7.2%高い分類精度（90.47%）を達成した。
• 交差点Bでトレーニングし、交差点Aでテストした場合、TASNSCは79.43%の分類精度を達成し、異なる境界線幾何構造にもかかわらず強力な移譲性を示した。
• 同じ交差点でトレーニングおよびテストした場合、TASNSCの修正ヘウスドルフ距離（MHD）は2.031mであり、ベースラインのASNSC（2.267m）を上回った。
• 交差交差点実験では、交通信号の状態を文脈特徴として追加することで、交差点Aでトレーニングし交差点Bでテストした場合の分類精度が75.92%から79.51%に向上した。
• 異なる交差点間で同等の性能を維持したため、歩行者に沿った座標フレームが、シーン固有の事前知識を必要とせずに効果的な一般化を可能にしていることが示された。
• ガウス過程のハイパーパrameter学習のため、TASNSCの計算コストはASNSCよりもわずかに高いが、交通信号の文脈を用いた場合でも1予測あたり0.8643秒と管理可能な水準に保たれた。