[論文レビュー] GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory Prediction

Ziyi Zhao, Haowen Fang+2 more|arXiv (Cornell University)|Mar 22, 2020

Autonomous Vehicle Technology and Safety参考文献 32被引用数 10

ひとこと要約

本稿では、グラフニューラルネットワークを用いて、対象車両とその周囲の車両間の動的相互作用をモデル化することで、車両軌道予測を向上させるグラフベースの情報共有ネットワーク、GISNetを提案する。マルチモーダルな軌道特徴量と相対的位置を符号化することで、NGSIMデータセット上で最先端手法と比較して予測誤差を最大50.00％まで低減した。

ABSTRACT

The trajectory prediction is a critical and challenging problem in the design of an autonomous driving system. Many AI-oriented companies, such as Google Waymo, Uber and DiDi, are investigating more accurate vehicle trajectory prediction algorithms. However, the prediction performance is governed by lots of entangled factors, such as the stochastic behaviors of surrounding vehicles, historical information of self-trajectory, and relative positions of neighbors, etc. In this paper, we propose a novel graph-based information sharing network (GISNet) that allows the information sharing between the target vehicle and its surrounding vehicles. Meanwhile, the model encodes the historical trajectory information of all the vehicles in the scene. Experiments are carried out on the public NGSIM US-101 and I-80 Dataset and the prediction performance is measured by the Root Mean Square Error (RMSE). The quantitative and qualitative experimental results show that our model significantly improves the trajectory prediction accuracy, by up to 50.00%, compared to existing models.

研究の動機と目的

• 自律走行システムにおける正確な車両軌道予測の課題に取り組むこと。
• 対象車両と周囲の車両間の複雑な相互作用、ならびにその潜在的意図をモデル化すること。
• 歴史的軌道データと相対的な空間的関係を統合することで、予測精度を向上させること。
• 動的交通相互作用を捉えることができるスケーラブルな情報共有メカニズムを開発すること。
• 定量的および定性的な軌道予測ベンチマークにおいて、既存のモデルを上回ること。

提案手法

• GISNetは、ノードが車両（対象車両および周囲の車両）を表し、エッジが相対的な空間的および時間的関係を符号化する動的グラフを構築する。
• モデルは、車両グラフ全体にわたって軌道特徴量を伝搬・集約するためのグラフニューラルネットワーク（GNN）を用いる。
• 歴史的軌道と相対的位置を含む多次元入力シーケンスが、統合処理が可能な共有特徴空間に埋め込まれる。
• GNNにより、対象車両と周囲の車両間での情報共有が可能となり、局所的およびグローバルな交通ダイナミクスが捉えられる。
• ユークリッド的（空間的）および非ユークリッド的（関係的）なドメインからの特徴量を統合することで、表現学習の質が向上する。
• 多ヘッドアテンション機構を用いて、対象車両の将来の運動に与える影響の大きさに応じて、周囲の車両の重要性を重み付けする。

実験結果

リサーチクエスチョン

• RQ1 周囲の車両からの情報を効果的に共有することで、軌道予測の精度をどのように向上させられるか？
• RQ2 シーケンスベースやテンソルベースの手法と比較して、車両相互作用のグラフベースモデリングが予測性能にどの程度寄与するか？
• RQ3 関係特徴量学習を通じて、周囲の車両の潜在的意図をモデルが捉えられるか？
• RQ4 相対的な空間的位置と歴史的軌道の統合が、長期予測精度にどのように影響するか？
• RQ5 実際の交通状況において、既存の最先端モデルと比較して、提案されたGISNetはどの程度の性能向上を達成するか？

主な発見

• GISNetは、NGSIM US-101およびI-80データセット上で、既存のモデルと比較して決定係数平均二乗誤差（RMSE）を最大50.00％まで低減した。
• 1秒予測時間窓ではCS-LSTMに対して45.35％の精度向上を達成し、5秒では25.86％に低下した。
• MATSと比較すると、1秒では50.00％の誤差低減、5秒では21.79％の低減を達成し、長期予測能力に優れていることが示された。
• 定性的な結果から、GISNetは混雑した交通状況においても、レーン変更やストップアンドゴー行動などの車両の運動トレンドを正確に予測していることが分かった。
• NLS-LSTMと比較して、1秒ではRMSEを41.07％、5秒では24.88％低減しており、予測時間窓にわたる頑健性が確認された。
• 可視化結果から、特に高速および低速交通状況において、GISNetの予測軌道が真値に非常に近いことが確認された。