[論文レビュー] Exploring Map-based Features for Efficient Attention-based Vehicle Motion Prediction

Carlos Gómez-Huélamo, Marcos V. Conde+1 more|arXiv (Cornell University)|May 25, 2022

Advanced Neural Network Applications被引用数 6

ひとこと要約

本論文は、高精細（HD）地図を処理するための計算コストの高いCNNに代わり、解釈可能な地図特徴（走行可能領域やゴールポイントなど）を活用する効率的で注目メカニズムに基づく運動予測モデルを提案する。最小限の地図情報と軽量なアーキテクチャを用いることで、Argoverse 1.0ベンチマークで競争力ある性能を達成し、FLOPsを著しく削減し、リアルタイムのエッジデプロイに適した高速な推論を実現した。

ABSTRACT

Motion prediction (MP) of multiple agents is a crucial task in arbitrarily complex environments, from social robots to self-driving cars. Current approaches tackle this problem using end-to-end networks, where the input data is usually a rendered top-view of the scene and the past trajectories of all the agents; leveraging this information is a must to obtain optimal performance. In that sense, a reliable Autonomous Driving (AD) system must produce reasonable predictions on time, however, despite many of these approaches use simple ConvNets and LSTMs, models might not be efficient enough for real-time applications when using both sources of information (map and trajectory history). Moreover, the performance of these models highly depends on the amount of training data, which can be expensive (particularly the annotated HD maps). In this work, we explore how to achieve competitive performance on the Argoverse 1.0 Benchmark using efficient attention-based models, which take as input the past trajectories and map-based features from minimal map information to ensure efficient and reliable MP. These features represent interpretable information as the driveable area and plausible goal points, in opposition to black-box CNN-based methods for map processing.

研究の動機と目的

• 既存の注目メカニズムベースの運動予測モデルが、HD地図処理に計算コストの高いCNNに依存しているという非効率性を是正すること。
• 自律走行におけるエッジデバイスへのリアルタイムデプロイに適した、モデル効率の向上と推論時間の短縮を図ること。
• 走行可能領域やゴールポイントなどの解釈可能なハンドクラフト地図特徴が、パフォーマンスを損なわずブラックボックスなCNNベースの地図エンコーダーに置き換え可能かどうかを検証すること。
• FLOPsとモデルの複雑さを最小限に抑えながら、Argoverse 1.0ベンチマークで競争力ある運動予測精度を達成すること。
• 現在のHD地図処理パイプラインに対する軽量で解釈可能な代替手法を提供すること。

提案手法

• モデルは、過去のエージェント軌跡と地図特徴を処理する軽量な注目メカニズムを採用し、エンドツーエンドのCNNベースの地図符号化を回避する。
• 地図特徴は、微分可能でない専用の特徴抽出器を用いて抽出され、走行可能領域や目的のポイントといった解釈可能な要素を出力する。
• これらの特徴は、モデルの複雑さを増さずに注目メカニズムに事前知識として統合され、予測精度が向上する。
• 路線中央線や交差点などの最小限のHD地図データから、物理的文脈を効率的に表現する地図特徴の集合が構築される。
• LSTMまたはSet Transformerエンコーダーと多頭注目メカニズムを組み合わせることで、エージェントと地図要素間の相互作用をモデル化する。
• 地図処理に深層CNNを避けて、スパースで構造的な地図表現を用いることで、FLOPsを最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 解釈可能なハンドクラフト地図特徴（例：走行可能領域、ゴールポイント）が、パフォーマンスを損なわず深層CNNベースの地図エンコーダーに置き換え可能か。
• RQ2 最小限のHD地図情報の使用が、運動予測モデルの推論効率と予測精度に与える影響は。
• RQ3 軽量な注目メカニズムベースのモデルが、FLOPsを削減しつつArgoverse 1.0ベンチマークでSOTA性能を達成できる程度の水準に到達できるか。
• RQ4 解釈可能な地図事前知識（例：ゴールポイント、走行可能領域）の統合が、モデルの汎化性能と解釈可能性を向上させるか。
• RQ5 CNNベースの地図エンコーダーを特徴ベースの地図表現に置き換えた際の、モデル効率（FLOPs）と予測パフォーマンスのトレードオフは。

主な発見

• 提案手法は、Argoverse 1.0ベンチマークで競争力ある性能を達成し、最終誤差はAdeが0.558 m、Fdeが1.281 mであり、最先端手法と同等の水準である。
• CNNベースの地図エンコーダーと比較して、FLOPsが著しく削減され、ResNet18ベースのベースラインと比較して最大50％の削減が達成された。
• FLOP効率において、VectorNetや他のグラフベースのモデルを上回り、特にエージェント数が少ない状況で顕著な優位性を示した。
• ゴールポイントや走行可能領域といった解釈可能な地図特徴の使用により、モデルの信頼性と解釈可能性が向上したが、モデルの複雑さは増していない。
• 複数のエージェントと複雑な道路構造を有する都市部のシナリオにおいても、定性的な結果からモデルの頑健性が示された。
• 効率性の向上にもかかわらず、LSTMベースのバージョンは並列処理が不可能であるため、今後の研究として、Set Transformerなどのより高速な注目メカニズムの検討が求められる。