[論文レビュー] Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance

Xu Xie, Chi Zhang+3 more|arXiv (Cornell University)|Mar 26, 2021

Autonomous Vehicle Technology and Safety参考文献 84被引用数 5

ひとこと要約

本稿では、グラフベースの変分オートエンコーダーと教師-生徒蒸留スキームを用いて、交通渋滞を潜在的文脈的キューとして明示的にモデル化する、渋滞に配慮したマルチエージェント軌道予測フレームワークを提案する。学習された渋滞パターンを通じて物理的直感（社会的力）と計画に基づく推論（距離コスト）を統合することで、衝突のない軌道予測が達成され、合成された衝突回避データセットではベースラインを上回り、NGSIM US-101ハイウェイデータセットでも競争力を持つ結果を得た。

ABSTRACT

Predicting agents' future trajectories plays a crucial role in modern AI systems, yet it is challenging due to intricate interactions exhibited in multi-agent systems, especially when it comes to collision avoidance. To address this challenge, we propose to learn congestion patterns as contextual cues explicitly and devise a novel "Sense--Learn--Reason--Predict" framework by exploiting advantages of three different doctrines of thought, which yields the following desirable benefits: (i) Representing congestion as contextual cues via latent factors subsumes the concept of social force commonly used in physics-based approaches and implicitly encodes the distance as a cost, similar to the way a planning-based method models the environment. (ii) By decomposing the learning phases into two stages, a "student" can learn contextual cues from a "teacher" while generating collision-free trajectories. To make the framework computationally tractable, we formulate it as an optimization problem and derive an upper bound by leveraging the variational parametrization. In experiments, we demonstrate that the proposed model is able to generate collision-free trajectory predictions in a synthetic dataset designed for collision avoidance evaluation and remains competitive on the commonly used NGSIM US-101 highway dataset.

研究の動機と目的

• 密な交通状況における衝突回避の挑戦に応えること。
• 渋滞パターンなどの高レベルの文脈的キューを学習することで、パターンベースのモデルの誘導バイアスを向上させること。
• 物理ベース、パターンベース、計画ベースのアプローチの原則を統合した「感覚–学習–推論–予測」フレームワークを構築すること。
• 渋滞をマルチモーダルな潜在的表現として明示的にモデル化することで、衝突のない軌道を生成できること。
• 本手法を合成された衝突回避ベンチマークおよび実世界のハイウェイデータセットの両方で検証すること。

提案手法

• フレームワークは、エージェントをノード、エージェント間距離をエッジとするグラフ畳み込みネットワーク（GCN）-VAEを用いて、教師モデルがマルチモーダルな渋滞パターンを学習する。
• 教師モデルは、合流や交差点での追い越しや譲り行為といった異なる渋滞状態を表す、潜在要因のガウス・ミックスチャネル・モデル（GMM）に渋滞を符号化する。
• 生徒モデルは、対照的プーリングモジュール（CPM）を通じて、教師が学習した渋滞パターンに一致するようにトレーニングされ、軌道を予測する。
• 変分パarametrizationを用いた最適化問題として軌道予測を定式化し、計算の tractability を保証する上界を導出する。
• 生徒モデルは2つの損失項でトレーニングされる：1つは軌道の正確性（L1）、もう1つは渋滞パターンの分布に一致させるもの（L2）。
• 本フレームワークは、LSTMベースのモデルを含むさまざまなエンコーダ-プーリング-デコーダアーキテクチャと互換性があり、混合成分数に関するアブレーションスタディをサポートする。

実験結果

リサーチクエスチョン

• RQ1 衝突のない軌道予測を向上させるために、渋滞パターンをマルチモーダルな潜在的表現として効果的にモデル化できるか？
• RQ2 渋滞知識を転送する教師-生徒蒸留アプローチが、軌道予測のパフォーマンスと安全性を向上させるか？
• RQ3 物理的制約（例：社会的力）、データ駆動型パターン、合理的な意思決定（計画）を統合した統合フレームワークが、より良い一般化を実現できるか？
• RQ4 GMMを用いて渋滞を分布としてモデル化する方法と、潜在特徴を直接一致させる方法とを比較した場合、性能と頑健性に差が出るか？
• RQ5 実世界の交通状況に応じて、渋滞パターンの混合成分数の最適値は何か？

主な発見

• 提案手法は、衝突回避評価に特化した合成データセットにおいて、最先端のパフォーマンスを達成した。
• NGSIM US-101ハイウェイデータセットでは、既存手法と同等の性能を示し、実世界交通への一般化能力を裏付けた。
• 定性的な結果から、特に攻撃的な車両の進入など高リスク状況において、減速や交差点での譲り行為といった安全な行動を正しく予測していることがわかった。
• ベースラインとは異なり、本モデルは適切な横方向の間隔を保った追い越し行動を的確に捉えており、他の手法は発散するか、安全な距離を維持できないことが確認された。
• アブレーションスタディにより、潜在的特徴の直接一致よりも、渋滞パターンをマルチモーダルなGMMとしてモデル化することで性能が顕著に向上することが確認された。
• GMMの混合成分数が真値の渋滞モード数と一致する場合に、モデルは最適なパフォーマンスを発揮し、設計選択の妥当性が裏付けられた。