[論文レビュー] An LSTM Network for Highway Trajectory Prediction

Florent Altché, Arnaud de La Fortelle|arXiv (Cornell University)|Jan 24, 2018

Autonomous Vehicle Technology and Safety参考文献 29被引用数 635

ひとこと要約

本論文は、自然的運転データにおける時間的依存性を活用することで、先行手法がしばしば偏りや限界を持つ軌道データセットに依存するのとは対照的に、全NGSIM US101データセットを用いて、高速道路における車両軌道を予測するLSTMベースのニューラルネットワークを提案する。10秒予測において、横方向で0.73 m、縦方向で2.96 m/sの中央RMS誤差を達成した。

ABSTRACT

In order to drive safely and efficiently on public roads, autonomous vehicles will have to understand the intentions of surrounding vehicles, and adapt their own behavior accordingly. If experienced human drivers are generally good at inferring other vehicles' motion up to a few seconds in the future, most current Advanced Driving Assistance Systems (ADAS) are unable to perform such medium-term forecasts, and are usually limited to high-likelihood situations such as emergency braking. In this article, we present a first step towards consistent trajectory prediction by introducing a long short-term memory (LSTM) neural network, which is capable of accurately predicting future longitudinal and lateral trajectories for vehicles on highway. Unlike previous work focusing on a low number of trajectories collected from a few drivers, our network was trained and validated on the NGSIM US-101 dataset, which contains a total of 800 hours of recorded trajectories in various traffic densities, representing more than 6000 individual drivers.

研究の動機と目的

• 現在のADASシステムにおいて、緊急ブレーキを越える複雑な操作を予測できないという、中距離軌道予測の欠如に対処する。
• 手動で選択された小規模な軌道データセットに依存する先行研究の限界を克服する。これにより選択バイアスが生じ、現実世界への一般化性が低下するのを防ぐ。
• 多様な交通状況下で、長時間にわたる（最大10秒）縦方向および横方向の車両軌道を正確に予測できる深層学習モデルを開発する。
• 周囲車両の行動をより信頼性高く予測することで、自動運転車両の運動計画を向上させる。特に、追い越しやレーン変更時の予測を強化する。
• 大規模で現実世界のデータセット（NGSIM US101）を用いてモデルを検証することで、一般的な高速道路走行シナリオへの頑健性と一般化性能を保証する。

提案手法

• モデルは、順序付きの車両状態データから時間的依存性を学習するため、長短記憶（LSTM）ニューラルネットワークアーキテクチャを採用する。
• 入力特徴量には、縦方向および横方向の位置、速度、および定義された範囲内での周囲車両の相対位置が含まれ、NGSIM US101データセットから抽出される。
• データ前処理では、特徴量の正規化と、過去の観測値を固定長（Kprev = 10）の時間ウィンドウに構成することで、ネットワークへの入力を準備する。
• 将来の横方向位置と縦方向速度を予測する2つの別々の出力ヘッドを設け、平均二乗誤差損失を用いて同時に学習する。
• アンサンブル手法としてバギングを適用し、4つの最良性能を示したモデルの予測を平均化することで、頑健性を向上させ、分散を低減する。
• トレーニングは、事前の軌道選択なしに、全US101データセット（800時間、6000名以上のドライバー）を用いて実施され、現実の運転行動の広範な代表性を確保する。

実験結果

リサーチクエスチョン

• RQ1 自然的高速走行データの偏りのない大規模データセットで学習させた場合、LSTMネットワークが10秒までの長期的軌道予測にどれほど一般化できるか。
• RQ2 車両種別情報の追加が、横方向および縦方向運動の予測精度に与える影響は何か。
• RQ3 標準的な回帰指標とは対照的に、レーン変更や急ブレーキといった稀だが重要なイベントの予測性能は、モデルがどのように評価されるか。
• RQ4 アンサンブル学習（バギング）を用いることで、個々のモデルと比較して予測の安定性と誤差低減が達成できるか。
• RQ5 特にレーン変更などの遷移時において、モデルが予測の遅れを示すことはあるか。そのような遅れは実用的有用性にどのように影響を与えるか。

主な発見

• 提案されたLSTMモデルは、10秒先の予測において、横方向位置予測で中央RMS誤差0.73 m、縦方向速度予測で2.96 m/sを達成した。
• 4つのモデルをアンサンブル化したバギング手法により、10秒予測の横方向誤差が基準モデル比で12%低減され、最良の性能が得られた。
• 予測ホライゾンが延びるにつれて予測精度は徐々に低下し、10秒で横方向誤差が0.73 m、縦方向速度誤差が2.96 m/sに達した。
• 全体的な性能は優れているが、モデルは行動変化への応答に顕著な遅れを示しており、特に横方向位置では最大8〜9秒の遅れが見られた。これは、特に長時間予測において顕著であった。
• 車両種別情報を提供することで、縦方向速度予測の誤差が平均で約0.2 m/s低減されたが、横方向位置予測には効果が認められなかった。
• 先行の最先端手法（[14]のマルチレイヤーパーセプトロンベースラインを含む）を上回り、とくに長時間予測において、軌道モデリングにおける再帰的記憶の優位性が示された。