[論文レビュー] CMTS: Conditional Multiple Trajectory Synthesizer for Generating Safety-critical Driving Scenarios

Wenhao Ding, Mengdi Xu+1 more|arXiv (Cornell University)|Sep 17, 2019

Autonomous Vehicle Technology and Safety参考文献 55被引用数 6

ひとこと要約

CMTSは、安全な走行軌跡と衝突軌跡の潜在表現の間を補間することで、道路地図に条件づけられた変分ベイズフレームワークを提案し、レアで安全上の重要な走行シナリオを合成する。実際のデータセットに存在しないニアミス軌跡を生成することにより、CMTSは、最先端のモデルを用いたArgoverseベンチマークで、危険なシナリオにおける軌跡予測の精度と耐障害性を顕著に向上させる。

ABSTRACT

Naturalistic driving trajectories are crucial for the performance of autonomous driving algorithms. However, most of the data is collected in safe scenarios leading to the duplication of trajectories which are easy to be handled by currently developed algorithms. When considering safety, testing algorithms in near-miss scenarios that rarely show up in off-the-shelf datasets is a vital part of the evaluation. As a remedy, we propose a near-miss data synthesizing framework based on Variational Bayesian methods and term it as Conditional Multiple Trajectory Synthesizer (CMTS). We leverage a generative model conditioned on road maps to bridge safe and collision driving data by representing their distribution in the latent space. By sampling from the near-miss distribution, we can synthesize safety-critical data crucial for understanding traffic scenarios but not shown in neither the original dataset nor the collision dataset. Our experimental results demonstrate that the augmented dataset covers more kinds of driving scenarios, especially the near-miss ones, which help improve the trajectory prediction accuracy and the capability of dealing with risky driving scenarios.

研究の動機と目的

• 実世界のデータセットにおけるニアミスおよび安全上の重要な走行データの不足に対処すること。
• 安全で繰り返し発生するシナリオを超えて、軌跡予測モデルの一般化を向上させること。
• 潜在空間の補間を用いて、現実的でレアな走行行動を合成するデータ拡張フレームワークの開発。
• 地図に条件づけられた生成モデリングを用いて、安全な軌跡と衝突軌跡の分布ギャップを埋めること。
• 合成データの影響が、自律走行システムにおける予測精度とリスク認識能力の向上に与える影響を評価すること。

提案手法

• CMTSは、順序付き軌跡エンコーダ、地図エンコーダ、および軌跡デコーダを備えた条件付き変分オートエンコーダを用い、軌跡と道路地図の同時分布をモデル化する。
• スタイル変換を適用して、道路構造と走行行動を分離し、潜在空間における地図に条件づけられた生成を可能にする。
• モデルは安全な軌跡と衝突軌跡の潜在表現を別々に学習し、それらの間を補間することで中間のニアミスシナリオを生成する。
• 潜在空間の補間は、道路地図の埋め込みに条件づけられており、生成された軌跡が幾何学的に妥当であることを保証する。
• 変分推論を活用して不確実性をモデル化し、多様で現実的な走行行動を生成する。
• 合成データは、補間された分布からのサンプリングによって生成され、ハイパーパrameter λ がリスクシナリオへの近接度を制御する。

実験結果

リサーチクエスチョン

• RQ1 生成モデルは、実世界のデータセットに存在しない、稀で安全上の重要な走行シナリオを効果的に合成できるか？
• RQ2 安全な軌跡と衝突軌跡の間での潜在空間補間は、シナリオの多様性と現実性をどのように向上させるか？
• RQ3 CMTSが生成したデータは、危険な走行シナリオにおける軌跡予測モデルの性能をどの程度向上させるか？
• RQ4 地図に条件づけられた生成は、合成された軌跡の妥当性と空間的一致性を向上させるか？
• RQ5 合成データは、元のデータセットの分布を超えて予測モデルの一般化を向上させることができるか？

主な発見

• CMTSで拡張されたデータセットは、非パラメトリックベイズクラスタリングにおいてK=215という最多のクラスタ数を達成し、オリジナルデータや衝突データよりもシナリオの多様性が高まっていることを示している。
• CMTSが生成したデータは、オリジナルデータ（OD）とは異なる新たな軌跡クラスタを導入しており、CMTS+ODのK値がOD単体よりも高いことから、それが裏付けられている。
• Argoverseベンチマークにおいて、CMTSで生成されたデータで訓練されたモデルは、3つの軌跡予測モデル（Vanilla-LSTM、Social-LSTM、CS-LSTM）すべてで、最小のMSE、MDV、MDNを達成した。
• 6つの設計された危険なシナリオにおいて、CMTSデータで訓練されたモデルは、オリジナルデータや摂動を加えたデータで訓練されたモデルよりも滑らかで正確な予測を生成したが、ODで訓練されたモデルはニアミスケースへの一般化に失敗した。
• T-SNE可視化により、補間されたサンプルが、安全な軌跡から衝突軌跡へと滑らかで一貫した経路を形成していることが確認され、モデルが妥当な中間シナリオを生成できる能力が裏付けられた。
• このフレームワークは、元のデータセットや衝突データに存在しない稀なニアミス軌跡を効果的に生成でき、安全上の重要なシナリオにおける効果的なデータ拡張を実現した。