[論文レビュー] DROGON: A Trajectory Prediction Model based on Intention-Conditioned Behavior Reasoning

Chiho Choi, Srikanth Malla+2 more|arXiv (Cornell University)|Jul 31, 2019

Autonomous Vehicle Technology and Safety被引用数 21

ひとこと要約

DROGONは、関係的相互作用推論、意図推定、行動推論を用いて、車両の運動を推定された意図に条件づける軌道予測モデルを提案する。確率的意図分布を通じて目的志向行動をモデル化することにより、HID、SDD、ETH、UCYデータセットにおいて、先行手法を上回る最先端の性能を達成する。

ABSTRACT

We propose a Deep RObust Goal-Oriented trajectory prediction Network (DROGON) for accurate vehicle trajectory prediction by considering behavioral intentions of vehicles in traffic scenes. Our main insight is that the behavior (i.e., motion) of drivers can be reasoned from their high level possible goals (i.e., intention) on the road. To succeed in such behavior reasoning, we build a conditional prediction model to forecast goal-oriented trajectories with the following stages: (i) relational inference where we encode relational interactions of vehicles using the perceptual context; (ii) intention estimation to compute the probability distributions of intentional goals based on the inferred relations; and (iii) behavior reasoning where we reason about the behaviors of vehicles as trajectories conditioned on the intentions. To this end, we extend the proposed framework to the pedestrian trajectory prediction task, showing the potential applicability toward general trajectory prediction.

研究の動機と目的

• 複雑な交通シーンにおけるドライバーの意図を考慮する、堅牢な軌道予測モデルの開発。
• 交差点シーンにおいて特に顕著な、従来の車両軌道予測フレームワークにおける意図に配慮しないモデルの欠如を解消すること。
• 学習および評価用にラベル付きの意図ゾーンを備えた大規模かつインタラクティブなデータセット（HID）の作成。
• フレームワークを歩行者軌道予測に一般化し、その広範な適用可能性を検証すること。
• 推定された意図に行動を条件づけることで予測精度を向上させ、物理的妥当性とマルチモーダル性を強化すること。

提案手法

• 知覚的文脈に基づいて、車両と環境との間の相互作用を関係的推論によって符号化する。
• 推論された関係的特徴を用いて、潜在的なゴールゾーン（意図）の確率分布を推定する。
• 推定された意図に応じてマルチモーダルな軌道を生成するため、条件付き行動推論を適用する。
• すべてのグリッド領域を潜在的な意図ゾーンとして扱うことで、歩行者へのフレームワークの拡張を実現し、一般化を可能にする。
• 誤分類に対するロバストネスを向上させるため、確率的でゴール条件付きの生成メカニズムを採用する。
• 画像空間を5×5グリッドに分割して意図カテゴリを定義し、クロスドメイン評価を可能にする。

実験結果

リサーチクエスチョン

• RQ1 交通シーンにおける知覚的および関係的文脈から、ドライバーの意図を効果的に推定できるか？
• RQ2 推定された意図に軌道予測を条件づけることで、予測精度と物理的妥当性がどのように向上するか？
• RQ3 提案されたフレームワークは、多様な環境における車両から歩行者への軌道予測に一般化可能か？
• RQ4 意図推定における不確実性が、最終的な予測性能に与える影響は何か？
• RQ5 DROGONは、多様なベンチマークデータセットにおいて、最先端のモデルと比較してどのように差をつけるか？

主な発見

• DROGON-EはSDDベンチマークで最高の性能を達成し、1.0秒でFDEが1.24、2.0秒で2.19、3.0秒で3.36、4.0秒で4.94、4.8秒で30.90（1/5解像度でのピクセル単位）を記録した。
• ETHおよびUCYデータセットでは、DROGON-Eが4.8秒時点で平均ADE 0.41 m、FDE 0.65 mを達成し、S-GAN、SoPhie、S-BiGAT、PMP-NMMP、S-STGCNNを上回った。
• 意図確率への適応的条件づけを採用するDROGON-Prob-20バージョンは、意図誤分類に対するロバストネスが向上した。
• DROGONは静止車両（例：交差点で停止している車両）の運動を効果的に予測でき、意図に配慮した予測により衝突回避を可能にした。
• フレームワークは歩行者運動予測に対しても効果的に一般化され、車両以外への適用可能性を検証した。
• 本田交差点データセット（HID）の作成により、高度にインタラクティブで現実世界の交差点シナリオにおける目的志向行動の評価が可能になった。