[論文レビュー] From GEV to ResLogit: Spatially Correlated Discrete Choice Models for Pedestrian Movement Prediction

Rulla Al-Haideri, Bilal Farooq|arXiv (Cornell University)|Mar 1, 2026

Autonomous Vehicle Technology and Safety被引用数 0

ひとこと要約

論文は nuScenes および Argoverse 2 データを用い、3x3 グリッド上の次歩 pedestrian 移動を予測する際、空間的 GEV 離散選択モデル（SCL、GSCL、SCNL、GSCNL）と ResLogit ハイブリッドモデルおよび MNL ベースラインを比較する。ResLogit は適合度が大幅に改善され、局所誤差がより整合的になる。

ABSTRACT

High frequency pedestrian motion forecasting when interacting with autonomous vehicles (AVs) can be enhanced through the use of behavioural frameworks, such as discrete choice models, that can explicitly account for correlation among similar movement alternatives. We formulate the pedestrian next step choice as a spatial discrete choice defined by a grid of speed adjustment and heading change. Using naturalistic pedestrian-AV encounters from nuScenes and Argoverse 2 (1 sec decision interval), we estimate a multinomial logit baseline and four spatial generalized extreme value (GEV) specifications (SCL, GSCL, SCNL, and GSCNL). We then compare them to a residual neural network logit (ResLogit) model that learns cross alternative effects while retaining an interpretable linear utility component. Across the evaluated data, spatial GEV structures yield only marginal improvements over multinomial logit, whereas ResLogit achieves a substantially better fit and produces behaviourally coherent errors concentrated among neighbouring grid cells. The results suggest that in dense, high frequency spatial choice sets, learning based residual corrections can capture proximity induced correlation more effectively than analyst specified GEV nesting structures, while maintaining interpretability.

研究の動機と目的

• 密な移動グリッド上で空間離散選択として歩行者の次歩決定をモデリングし、近接誘発の相関を捉える動機付け。
• 高頻度・高密度のアクション空間において、従来の空間 GEV ネスティング構造が予測力を向上させるか評価する。
• 学習ベースの ResLogit アプローチが、解釈可能な効用基盤を維持しつつ、クロス代替効果をより適切に捉えられるかを評価する。
• 提案モデルの代替子置換パターンと弾性の解釈を提供することで行動的解釈を提供する。

提案手法

• 歩行者の次歩移動を、速度調整と進行方向変更の3x3 グリッド上の空間離散選択として定式化する。
• 自然主義的な歩行者–自動車データを nuScenes および Argoverse 2 から1秒間隔で用い、Multinomial Logit（MNL）ベースラインと4つの空間 GEV 仕様（SCL、GSCL、SCNL、GSCNL）を推定する。
• ResLogitを導入し、継続的に線形な効用成分を維持しつつクロス代替効果を学習する残差ニューラルネットワークロジットを提案し、GEV モデルおよび MNL と対比する。
• 移動と相互作用変数から系統的効用V_itを定義し、残差層を適用して確率的決定を伴う補正効用U_tを得る。
• SCL、GSCL、SCNL、GSCNL の正確な数式を用いて、ネスティングされた相関構造とデータ駆動の割り当てパターンをモデル化する。

実験結果

リサーチクエスチョン

• RQ1 空間 GEV モデルは、密で高頻度な歩行者の移動グリッドにおいて MNL より意味のある改善を提供するか？
• RQ2 学習ベースの ResLogit モデルは、分析者定義の空間ネスティング構造よりも近接誘発の相関をより効果的に捉えつつ、解釈性を維持できるか？
• RQ3 異なるモデル仕様の下で、置換パターンと誤差は近傍のグリッドセルにどのように集中するか？

主な発見

• 空間 GEV モデルは、密で高頻度な移動グリッドにおいてMNLに比べてわずかな改善にとどまる。
• ResLogit ははるかに良い適合を示し、隣接グリッドセル間で行動的に整合性のある誤差を生み出す。
• 学習ベースの残差補正は、解釈可能な線形効用成分を維持しつつ、近接誘発の相関を事前定義されたネスティング構造よりも効果的に捉える。
• 評価データ全体で、ResLogit は局所的な誤分類の一貫性を示し、誤差を離れて遠くて類似しない代替案よりも近接した代替案へ集中させる。
• このフレームワークは、離散的な移動オプションに対する校正済み確率と解釈可能なトレードオフを提供することで、仮説ベースのAV計画を支援する。