[論文レビュー] Deep Kinematic Models for Kinematically Feasible Vehicle Trajectory Predictions

Henggang Cui, Thi Nguyen+5 more|arXiv (Cornell University)|Aug 1, 2019

Autonomous Vehicle Technology and Safety参考文献 44被引用数 7

ひとこと要約

本論文では、車両の運動学的制約を軌道予測に統合することで物理的に妥当な出力を保証する、深層学習フレームワークであるDeep Kinematic Models (DKM) を提案する。ネットワークの出力層に二軸車両運動モデルを埋め込むことで、位置、向き、速度を同時に予測し、精度を向上させるとともに、物理的妥当性を保証する。実世界の自律走行車両データにおいて、最先端手法を上回る性能を発揮した。

ABSTRACT

Self-driving vehicles (SDVs) hold great potential for improving traffic safety and are poised to positively affect the quality of life of millions of people. To unlock this potential one of the critical aspects of the autonomous technology is understanding and predicting future movement of vehicles surrounding the SDV. This work presents a deep-learning-based method for kinematically feasible motion prediction of such traffic actors. Previous work did not explicitly encode vehicle kinematics and instead relied on the models to learn the constraints directly from the data, potentially resulting in kinematically infeasible, suboptimal trajectory predictions. To address this issue we propose a method that seamlessly combines ideas from the AI with physically grounded vehicle motion models. In this way we employ best of the both worlds, coupling powerful learning models with strong feasibility guarantees for their outputs. The proposed approach is general, being applicable to any type of learning method. Extensive experiments using deep convnets on real-world data strongly indicate its benefits, outperforming the existing state-of-the-art.

研究の動機と目的

• 制約のない深層学習モデルが物理的に不成立な車両軌道を予測するという限界を是正すること。
• 物理的車両運動学を組み込むことで、位置、向き、速度の車両運動状態の予測精度を向上させること。
• 予測された軌道が物理的に現実的であることを保証し、不切な旋回半径や一貫性のない向きの推定を回避すること。
• 任意の深層学習アーキテクチャに適用可能な汎用的手法を開発し、ラスタライズドシーン入力を用いた畳み込みニューラルネットワークを用いて検証すること。
• 信頼性の高い運動学的妥当な予測を可能にすることで、安全で効率的な自律走行車両の運動計画を実現すること。

提案手法

• 深層ニューラルネットワークの出力層に二軸車両運動モデルを埋め込み、予測された軌道に物理的制約を強制する。
• 位置、向き、速度の全運動状態を個別に予測するのではなく、同時に予測する。
• 運動学的層により、最大ステアリング角や旋回半径制限を含む自軌車モデルの制約をすべて満たす予測軌道を保証する。
• 畳み込みニューラルネットワークやリカレントニューラルネットワークを含む、さまざまな深層学習アーキテクチャと互換性があり、ラスタライズド入力における畳み込みネットワークを用いて実証された汎用的アプローチである。
• 真値の運動状態を用いてエンドツーエンドで訓練し、位置、向き、速度の精度を最適化する損失関数を用いる。
• 微分可能運動学層により、運動モデルを介したバックプロパゲーションが可能となり、ネットワークが物理的妥当な運動パターンを学習できる。

実験結果

リサーチクエスチョン

• RQ1 物理的根拠に基づく車両運動学モデルを深層学習に統合することで、車両軌道予測の精度と妥当性が向上するか？
• RQ2 運動学的制約を強制することで、特に加速度および旋回速度のプロファイルの滑らかさと現実性はどのように影響を受けるか？
• RQ3 位置、向き、速度を同時に予測するアプローチが、独立または制約のない位置のみの予測に比べて、運動学的妥当性および誤差指標で優れているか？
• RQ4 位置予測ノイズによって生じる向きの誤差を、補間ベースの手法と比較して、提案手法はどの程度低減できるか？
• RQ5 複雑な操作（旋回やブレーキング）を伴う実世界の自律走行走行シナリオにおいて、DKM手法は最先端のモデルと比較してどの程度優れているか？

主な発見

• DKMは、評価されたすべてのモデルの中で最小の向き誤差を達成し、制約のないモデルや独立して予測された向きのベースラインを顕著に上回った。
• DKMは、制約のないモデルと比較して、旋回速度分布のワルシャー形式距離を2倍以上短縮した。これは、真値の動的特性に極めて近い分布を示していることを示している。
• DKMは、ノイズが最小限に抑えられた滑らかな加速度および向きのプロファイルを生成し、軌道および導関数プロファイルの両面で制約のないUMモデルを上回った。
• DKMは運動学的妥当性を完全に保証しており、0%の予測軌道が物理的制約に違反した。一方、UM-heading（20%の不成立）やCTRA（精度が劣る）のようなモデルとは対照的であった。
• 右折およびブレーキングを伴う事例研究において、DKMは正確で滑らかで物理的に妥当な軌道を生成したが、他の手法は旋回を過剰に予測するか、不適切に逆走を予測した。
• 本フレームワークは実世界でのテストでも成功裏に検証され、自律走行車両に搭載された際の頑健性と信頼性を示した。