[論文レビュー] Deep Kinematic Models for Physically Realistic Prediction of Vehicle Trajectories

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

Autonomous Vehicle Technology and Safety参考文献 25被引用数 24

ひとこと要約

本論文は、物理的車両運動学をトラジェクトリ予測に統合する深層学習フレームワークを提案しており、ニューラルネットワークと運動モデルを組み合わせることで、運動学的に妥当な出力を保証する。実世界のデータを用いた実験では、最先端の手法を上回る性能を発揮し、現実的で物理的に妥当な車両のトラジェクトリを予測できる。

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

• 既存の深層学習モデルが運動学的に不成立な車両のトラジェクトリを生成するという限界を解消するため、車両の運動ダイナミクスを明示的に符号化すること。
• ニューラルネットワークアーキテクチャに物理的制約を統合することで、自律走行車両の運動予測の現実性と安全性を向上させること。
• 任意の深層学習手法に適用可能な汎用的なフレームワークを開発すること。
• 予測されたトラジェクトリが、加速度、曲率、速度制限などの基本的な車両運動学的制約を満たすようにすること。

提案手法

• 運動学的制約（例：運動学的自転車モデル）に基づく物理的車両運動モデルを、深層学習アーキテクチャにインダクティブバイアスとして統合すること。
• 訓練および推論中に運動制約を強制するために微分可能運動層を用い、予測されたトラジェクトリの妥当性を保証すること。
• 畳み込みニューラルネットワーク（CNN）と、動的制約を尊重しながらトラジェクトリポイントを回帰する運動学的ヘッドを組み合わせること。
• 実世界のドライブデータ上でエンドツーエンドのモデルを訓練し、予測精度を最適化するとともに物理的妥当性を維持すること。
• 予測ヘッドをバックボーンネットワークから分離することで、さまざまな深層学習アーキテクチャとの互換性を確保すること。
• 運動学的妥当性からの逸脱をペナルティとする正則化および損失関数を適用し、一般化性能とロバストネスを向上させること。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルに車両運動学を明示的に統合することで、予測トラジェクトリの物理的妥当性が向上するか？
• RQ2 ニューラルネットワークの表現力と物理的運動モデルを組み合わせることで、純粋にデータ駆動のアプローチに比べて予測精度が向上するか？
• RQ3 提案手法が、さまざまな深層学習アーキテクチャおよび走行シナリオにどの程度一般化可能か？
• RQ4 運動学的制約を強制することで、実世界の自律走行アプリケーションにおいてより現実的で安全なトラジェクトリ予測が達成できるか？

主な発見

• 提案手法は、実世界のトラジェクトリ予測ベンチマークにおいて、最先端のベースラインを上回る優れた性能を達成した。
• トラジェクトリの予測は一貫して運動学的に妥当であり、無限大の加速度や不可能な旋回などの不自然な操作を回避した。
• 物理的制約の統合により、特に長時間予測（long-horizon forecasting）において予測精度が顕著に向上した。
• フレームワークは汎用的であり、畳み込み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る。
• 実験により、多様な走行シナリオおよび交通状況において、モデルの一般化性能が良好であることが示された。
• 訓練および推論時に車両ダイナミクスを明示的にモデル化することで、物理的に不成立な予測の数を削減した。