[論文レビュー] BANet: Motion Forecasting with Boundary Aware Network

Chen Zhang, Sun Hong-lin+2 more|arXiv (Cornell University)|Jun 16, 2022

Traffic Prediction and Management Techniques被引用数 6

ひとこと要約

BANet は、車線中央線に加えて車線端縁を明示的に符号化し、境界に配慮した融合機構を用いることで、軌道予測を向上させるモーション予測モデルである。SOTA性能を達成し、2022年Argoverse2モーション予測チャレンジで1位を獲得し、minFDE 1.3888（K=6）およびbrier-minFDE 2.033を記録した。

ABSTRACT

We propose a motion forecasting model called BANet, which means Boundary-Aware Network, and it is a variant of LaneGCN. We believe that it is not enough to use only the lane centerline as input to obtain the embedding features of the vector map nodes. The lane centerline can only provide the topology of the lanes, and other elements of the vector map also contain rich information. For example, the lane boundary can provide traffic rule constraint information such as whether it is possible to change lanes which is very important. Therefore, we achieved better performance by encoding more vector map elements in the motion forecasting model.We report our results on the 2022 Argoverse2 Motion Forecasting challenge and rank 1st on the test leaderboard.

研究の動機と目的

• 車線中央線のみでなく、車線端縁の情報を組み込むことで、モーション予測を向上させること。
• 境界に配慮した特徴を用いて、車線変更の可能性などの交通ルール制約をモデル化すること。
• 学習可能なアテンションメカニズムを用いて、エージェントとベクターマップ間の特徴融合を強化すること。
• Argoverse2ベンチマークでSOTAの性能を達成すること。

提案手法

• エージェント履歴（座標、進行方向、速度）、車線中央線、車線端縁からそれぞれ別々に特徴を抽出する3本のブランチを持つエンコーダーネットを採用する。
• 車線中央線の異なる隣接タイプに学習可能な重みを適用し、グラフ畳み込み層でトポロジー的影響をよりよくモデル化する。
• 距離アテンションモジュールを備えたマルチステージのファージョンネットを採用し、端縁特徴を車線中央線とエージェントに統合するとともに、エージェント間の特徴相互作用を可能にする。
• 軌道予測を2段階に分解する：まずターゲットポイントを回帰し、その後ターゲットポイントとエージェント特徴を用いて全軌道をデコードする。
• 2段階の訓練スケジュールを採用する：最初に信頼度とターゲット回帰損失で訓練し、その後軌道回帰損失を追加する。
• アンサンブル学習を実装し、信頼度およびbrier-minFDE重み付きサンプリングを用いたk-meansクラスタリングにより42個の予測軌道をクラスタリングし、最終出力を精緻化する。

実験結果

リサーチクエスチョン

• RQ1 車線端縁情報の組み込みが、車線中央線のみのモデルよりもモーション予測性能を向上させるか？
• RQ2 車線端縁を用いた交通ルール制約の明示的モデリングが、予測精度と耐障害性に与える影響は何か？
• RQ3 学習可能な重みを用いた車線グラフ畳み込みは、固定された隣接重みと比較して特徴表現を向上させるか？
• RQ4 ターゲットポイント回帰を伴う2段階の軌道デコード戦略が、軌道生成品質を向上させるか？
• RQ5 信頼度重み付きクラスタリングを用いたアンサンブル学習が、最終予測性能をどの程度向上させるか？

主な発見

• BANet は、Argoverse2テストセットで minFDE 1.3888（K=6）および brier-minFDE 2.033 を達成し、2022年Argoverse2モーション予測チャレンジで1位を獲得した。
• BANet(lite)（端縁符号化を省略）よりも、完全なBANetモデルが優れた性能を示し、境界に配慮した特徴の価値を裏付けた。
• 車線グラフ畳み込みにおける学習可能な重みの使用が性能向上に寄与し、異なる隣接関係がノード表現に異なる影響を及えることが示された。
• 信頼度およびbrier-minFDE重み付きk-meansクラスタリングを用いたアンサンブル学習により、minFDEはさらに1.3648（K=6）に低下し、効果的な軌道精緻化が確認された。
• まずターゲット予測を行い、その後軌道回帰を追加する2段階の訓練スケジュールは、より安定的で正確な訓練を可能にした。
• Argoverse2におけるK=6でのミス率（MR）は17.97%であり、多仮説予測における強力な一般化性能と耐障害性を示した。