[論文レビュー] Data-Driven Vehicle Trajectory Forecasting

Shayan Jawed, Eya Boumaiza+2 more|arXiv (Cornell University)|Feb 9, 2019

Autonomous Vehicle Technology and Safety参考文献 27被引用数 4

ひとこと要約

本論文は、生のカメラデータを用いたマルチステップ車両軌道予測のための畳み込みニューラルネットワーク（CNN）ベースのアプローチを提案し、この問題を時系列回帰問題として定式化する。この手法は、線形回帰、決定木、平均値／最後の値予測といったベースラインを上回り、統合的予測戦略を用いて平均二乗誤差（MSE）3393.64を達成し、自動運転の安全性向上に寄与する優れた精度とリアルタイム推論能力を示している。

ABSTRACT

An active area of research is to increase the safety of self-driving vehicles. Although safety cannot be guarenteed completely, the capability of a vehicle to predict the future trajectories of its surrounding vehicles could help ensure this notion of safety to a greater deal. We cast the trajectory forecast problem in a multi-time step forecasting problem and develop a Convolutional Neural Network based approach to learn from trajectory sequences generated from completely raw dataset in real-time. Results show improvement over baselines.

研究の動機と目的

• 周囲の車両の将来の軌道を正確に予測することで、自動運転の安全性を向上させること。
• リアルタイムで得られる生のカメラデータを用いて、動的で複雑かつノイズの多い交通環境下における車両軌道の予測という課題に取り組むこと。
• LiDARなどの高価なセンサーに依存せずに、計算効率が良くリアルタイム推論が可能な軌道予測システムを開発すること。
• CNNを用いたマルチステップ軌道予測において、独立予測と統合予測の戦略を比較すること。
• 古典的ベースラインおよび最先端の回帰モデルと比較して、提案されたCNNフレームワークの性能を評価すること。

提案手法

• システムは最新の物体検出およびトラッキング技術を用いて、生のカメラ入力から軌道シーケンスを生成し、LiDARの使用を排除する。
• 1次元畳み込みニューラルネットワーク（CNN）を用いて、追跡された車両の将来の（x,y）位置を複数ステップにわたり予測する。
• 2つの訓練戦略を評価する：独立予測（各予測ホライズンごとに5つの別々のモデル）と統合予測（1つのモデルが同時にすべてのホライズンを予測）。
• リアルタイム応用において極めて重要な高速な推論速度の観点から、最終評価には統合戦略が採用された。
• 学習率0.0001の固定値とバッチサイズ3を用いて、Adam最適化法を用いてエンドツーエンドでモデルを学習する。
• 損失関数は、複数の将来ステップにおける予測値と真値の間の平均二乗誤差（MSE）として計算される。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのアーキテクチャは、線形回帰や決定木といった古典的回帰モデルを上回って、マルチステップ車両軌道予測において優れた性能を示せるか？
• RQ2 独立予測と比較して、統合予測戦略は予測精度と推論速度の点でどのように差がつくか？
• RQ3 提案手法は、自動運転車両への導入に適したリアルタイム推論性能を達成できるか？
• RQ4 予測ホライズンが長くなるに従って、モデルの性能はどの程度低下するか？
• RQ5 LiDARや複雑なセンサーフュージョンに依存せずに、CNNが生の軌道シーケンスから複雑な非線形な軌道パターンを効果的に学習できるか？

主な発見

• 統合CNN戦略は、MSE 3393.64という最低の平均二乗誤差を達成し、次に優れた性能を示した独立CNNアプローチ（MSE 15181.55）を著しく上回った。
• 統合戦略は独立アプローチに比べて推論時間を短縮し、自動運転車両におけるリアルタイム導入に適していることが分かった。
• 予測ホライズンが長くなるに従い、モデルの性能は低下した。これは誤差の蓄積によるものであり、t₄₅₋₅₀におけるMSEが6192.45と高くなったことからも明らかである。
• 最後に観測された位置を予測するベースラインのMSEは23511.61、平均値予測ベースラインのMSEは7259.255であった。これは、単純なベースラインですら達成が難しいことを示している。
• 統合戦略は、平均値ベースラインに対して79.4%、最後の値ベースラインに対して84.5%のMSE低減を達成し、強力な予測能力を示している。
• 自己教師ありトラッキング障害検出手法は、人間による評価（553件の障害）と高い一致度（580件の障害）を示し、データ品質管理の有効性が裏付けられた。