[論文レビュー] GAMMA: A General Agent Motion Prediction Model for Autonomous Driving

Yuanfu Luo, Panpan Cai|arXiv (Cornell University)|Jun 4, 2019

Autonomous Vehicle Technology and Safety参考文献 41被引用数 14

ひとこと要約

GAMMA は、速度空間における幾何最適化として運動予測を定式化することで、自律走行のための統合的運動予測モデルであり、物理的制約と人間の内面的状態を統合し、複雑で相互作用的な環境下での多様な交通機器（歩行者、車両、自転車など）の運動を予測する。実世界のデータセットにおいて、最先端の手法を顕著に上回る性能を発揮する。

ABSTRACT

Autonomous driving in mixed traffic requires reliable motion prediction of nearby traffic agents such as pedestrians, bicycles, cars, buses, etc.. This prediction problem is extremely challenging because of the diverse dynamics and geometry of traffic agents, complex road conditions, and intensive interactions among the agents. In this paper, we proposed GAMMA, a general agent motion prediction model for autonomous driving, that can predict the motion of heterogeneous traffic agents with different kinematics, geometry, human agents' inner states, etc.. GAMMA formalizes motion prediction as geometric optimization in the velocity space, and integrates physical constraints and human inner states into this unified framework. Our results show that GAMMA outperforms state-of-the-art approaches significantly on diverse real-world datasets.

研究の動機と目的

• 異なる運動特性と形状を有する多様な交通機器が混在する交通環境において、運動予測の課題に取り組む。
• 既存のモデルが多様なエージェントタイプを統合せず、物理的制約や人間の内面的状態を組み込めていないという限界を克服する。
• 複雑で相互作用的な道路シナリオにおいて、正確な運動予測を可能にする汎用性のあるフレームワークを開発する。
• 運動予測を速度空間における幾何最適化問題として形式化することで、多様なエージェントのダイナミクスと制約を統一する。

提案手法

• 多様なエージェントの表現を統一するために、運動予測を速度空間における幾何最適化として定式化する。
• 運動の現実性を保証するため、物理的制約（例：運動制限、衝突回避）を最適化フレームワークに統合する。
• 学習可能なコンponentsとして人間の内面的状態（例：意思、注意、不確実性）を最適化プロセスに組み込む。
• 最適化プロセスを逆伝播可能にするために、微分可能最適化レイヤーを用いることで、エンドツーエンドの学習を可能にする。
• タスク固有の調整なしに、歩行者、自転車、自動車、バスなど多様なエージェントを処理できる統一アーキテクチャを活用する。
• 汎用性と頑健性を検証するため、多様な実世界データセット上でモデルを学習および評価する。

実験結果

リサーチクエスチョン

• RQ1 速度空間における統合的幾何最適化フレームワークは、異なる運動特性と形状を有する多様な交通機器を効果的にモデル化できるか？
• RQ2 物理的制約と人間の内面的状態の統合は、複雑な交通シナリオにおける運動予測の精度をどの程度向上させるか？
• RQ3 SOTAモデルと比較して、GAMMA は多様な実世界データセットにどの程度一般化できるか？
• RQ4 エンドツーエンドで微分可能な最適化アプローチは、エージェントのダイナミクスと相互作用の学習を効果的に行えるか？

主な発見

• GAMMA は、多様な実世界データセットにおいて、最先端の運動予測モデルを顕著に上回る性能を達成する。
• 物理的制約と人間の内面的状態の統合により、より現実的で安全な運動予測が可能になる。
• 速度空間における幾何最適化フレームワークにより、多様なエージェントに対して一貫性があり汎用的な予測が可能になる。
• 高密度のエージェントとダイナミックな相互作用が生じる複雑で相互作用的な交通シナリオにおいても、モデルは頑健であることが示された。