[論文レビュー] Discrete Residual Flow for Probabilistic Pedestrian Behavior Prediction

Ajay N. Jain, Sergio Casas+5 more|arXiv (Cornell University)|Oct 17, 2019

Autonomous Vehicle Technology and Safety参考文献 31被引用数 13

ひとこと要約

本稿では、将来のタイムステップにおける離散化された空間確率分布への段階的更新として歩行者の動きをモデル化する離散的残差フロー ネットワーク（DRF-Net）を提案する。この手法は畳み込みニューラルネットワークと対数確率空間における学習されたフローを活用し、大規模な都市データセットにおいて尤度、マルチモダリティ、マップに配慮した予測の面で最先端の性能を達成している。本手法は、高精度で低エントロピーの分布を用いて、複雑なマルチモーダルな歩行者行動を効果的に捉えている。

ABSTRACT

Self-driving vehicles plan around both static and dynamic objects, applying predictive models of behavior to estimate future locations of the objects in the environment. However, future behavior is inherently uncertain, and models of motion that produce deterministic outputs are limited to short timescales. Particularly difficult is the prediction of human behavior. In this work, we propose the discrete residual flow network (DRF-Net), a convolutional neural network for human motion prediction that captures the uncertainty inherent in long-range motion forecasting. In particular, our learned network effectively captures multimodal posteriors over future human motion by predicting and updating a discretized distribution over spatial locations. We compare our model against several strong competitors and show that our model outperforms all baselines.

研究の動機と目的

• 歩行者の行動における長時間予測の不確実性を捉えることのできない決定論的およびサンプリングベースの予測モデルの限界を克服すること。
• 現実のシーンの相互作用や目的地の曖昧さを反映した、複雑でマルチモーダルな歩行者行動の分布をモデル化すること。
• サンプリングを経由せずに空間確率分布を直接出力することで、自律走行車両における効率的でコストベースの計画を可能にすること。
• 深層畳み込みニューラルネットワークを用いて、シーンの文脈とマップの意味的情報を歩行者行動予測に統合すること。
• ガウス分布や混合モデルよりも、時間依存性を保持し、不確実性をより正確に表現できる確率的フレームワークの構築すること。

提案手法

• モデルは、セマンティックマップに一致するエージェント履歴の空間的・時間的ラスタライゼーションを、深層畳み込みニューラルネットワークの入力として用いる。
• 将来の空間的位置における周辺確率分布を対数確率空間で段階的に更新するため、離散的残差フロー ネットワーク（DRF-Net）を導入する。
• 各タイムステップにおける対数空間でのフロー更新を通じて独立した予測を精緻化する、離散的残差リファインメント（DRR）ヘッドを採用する。
• 予測された離散的分布におけるモード数を推定するために、新しいモードプール（ModePool）演算子を用いる。これによりマルチモーダルリティ評価が可能になる。
• 空間グリッド上のカテゴリカル分布を予測することで、高価なサンプリングや周辺化の必要性を回避する。
• 予測の不確実性と分布の正確性を最適化するために、ネガティブ・ログ尤度（NLL）損失を用いてエンドツーエンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 離散的残差フロー ネットワークは、高い表現力と低エントロピーを備えたマルチモーダルな歩行者行動を効果的にモデル化できるか？
• RQ2 時間経過に伴い離散化された確率分布を更新する学習が、独立または自己回帰ベースのベースラインと比較して、長時間予測の精度を向上させるか？
• RQ3 モデルはセマンティックマップ情報の活用をどれほど効果的に行えるか？
• RQ4 MDNs や Social GAN といった最先端のモデルと比較して、尤度、変位誤差、マルチモーダルリティの面で優れた性能を発揮できるか？
• RQ5 離散的確率表現は、ドライブ可能な領域における意味的質量比やリCALLといった安全に配慮した指標をどれほど向上させるか？

主な発見

• DRF-Netは、最良の連続的混合モデル（MDN-8）と比較して、ネガティブ・ログ尤度（NLL）が0.56低下しており、予測分布の質が顕著に優れていることが示された。
• 大規模な実世界データセットにおいて、DRF-Netは尤度、変位誤差、エントロピー、マルチモーダルリティの各指標で、すべてのベースラインを上回った。
• DRF-Netは低エントロピーで集中した確率質量を生成し、マップポリゴンとよく一致しており、強力なマップ相互作用と空間的正確性を示した。
• 歩行者が横断歩道を渡る状況では、100%の確率で横断歩道への接近を正しく予測した。MDNs や ConvLSTM はこのような行動を検出できず、性能に劣った。
• ドライブ可能な領域（ROAD, CROSSWALK）における安全に配慮したリCALLは、DRF-Netが顕著に高く、重要な計画シナリオにおける優れた性能を示した。
• アブレーションスタディの結果、離散的予測に残差フロー（DRF）を適用した場合が、独立した離散的予測や連続的混合モデルを上回る尤度を達成した。