[論文レビュー] GRIP++: Enhanced Graph-based Interaction-aware Trajectory Prediction for Autonomous Driving

Xin Li, Xiaowen Ying+1 more|arXiv (Cornell University)|Jul 17, 2019

Autonomous Vehicle Technology and Safety参考文献 40被引用数 87

ひとこと要約

GRIP++は固定グラフと学習可能グラフを組み合わせてエージェント間の相互作用を捉え、都市部の走行予測を改善することでGRIPを拡張し、ApolloScapeで最先端の結果を達成し、CS-LSTMより実行時間を速くします。

ABSTRACT

Despite the advancement in the technology of autonomous driving cars, the safety of a self-driving car is still a challenging problem that has not been well studied. Motion prediction is one of the core functions of an autonomous driving car. Previously, we propose a novel scheme called GRIP which is designed to predict trajectories for traffic agents around an autonomous car efficiently. GRIP uses a graph to represent the interactions of close objects, applies several graph convolutional blocks to extract features, and subsequently uses an encoder-decoder long short-term memory (LSTM) model to make predictions. Even though our experimental results show that GRIP improves the prediction accuracy of the state-of-the-art solution by 30%, GRIP still has some limitations. GRIP uses a fixed graph to describe the relationships between different traffic agents and hence may suffer some performance degradations when it is being used in urban traffic scenarios. Hence, in this paper, we describe an improved scheme called GRIP++ where we use both fixed and dynamic graphs for trajectory predictions of different types of traffic agents. Such an improvement can help autonomous driving cars avoid many traffic accidents. Our evaluations using a recently released urban traffic dataset, namely ApolloScape showed that GRIP++ achieves better prediction accuracy than state-of-the-art schemes. GRIP++ ranked #1 on the leaderboard of the ApolloScape trajectory competition in October 2019. In addition, GRIP++ runs 21.7 times faster than a state-of-the-art scheme, CS-LSTM.

研究の動機と目的

• 複雑な相互作用が生じる都市部環境で自動運転の軌道予測の改善を動機づける。
• GRIP++を提案し、固定グラフと学習可能グラフの両方を取り入れてエージェント間の相互作用をより良くモデル化する。
• グラフ畳み込みモデルの設計、続いて残差接続を備えたSeq2Seq GRUベースの軌道予測器を設計する。
• 高規模なデータセット（NGSIM）と都市部データセット（ApolloScape）でGRIP++を評価し、精度向上とスピードアップを示す。

提案手法

• 固定および学習可能な隣接を持つグラフとしてシーンを表現し、エージェント間の相互作用をモデル化する。
• 入力速度から特徴チャネルを拡張するために2D 1x1畳み込みを適用する。
• 空間-時間特徴を学習するために交互のグラフ演算と時間畳み込み層を使用する。
• エンコーダ-デコーダGRUと残差接続を備えた複数ブロックのSeq2Seq軌道予測器を用いて将来位置を予測する。
• Adamでエンドツーエンド訓練します。速度変化を予測し、絶対位置へ変換する。

実験結果

リサーチクエスチョン

• RQ1 固定グラフと学習可能グラフを組み合わせると、都市シナリオにおける軌道予測精度にどう影響するか？
• RQ2 GRIP++はApolloScapeのような都市部の軌道データセットで最新手法を上回れるか？
• RQ3 速度入力と残差接続を利用することで長期予測の精度は向上するか？
• RQ4 近傍距離閾値が予測性能に及ぼす影響は何か？
• RQ5 精度を維持しつつGRIP++はCS-LSTMと比較して速度はどうか？

主な発見

Prediction Horizon (s)	CV	V-LSTM	C-VGMM + VIM	GAIL-GRU	CS-LSTM(M)	CS-LSTM	GRIP	GRIP++ (Δ CS-LSTM)
1	0.73	0.68	0.66	0.69	0.62	0.61	0.37	0.38
2	1.78	1.65	1.56	1.51	1.29	1.27	0.86	0.89
3	3.13	2.91	2.75	2.55	2.13	2.09	1.45	1.45
4	4.78	4.46	4.24	3.65	3.20	3.10	2.21	2.14
5	6.68	6.27	5.99	4.71	4.52	4.37	3.16	2.94

• GRIP++はApolloScapeの軌道データで最先端手法より高い精度を達成し、TrafficPredictおよびStarNetを上回りADE/FDE指標を改善する。
• NGSIMデータセットでは競争力のある結果を示し、短期および長期予測性能が強い。
• GRIP++は都市部の軌道予測実験でCS-LSTMより21.7倍速い。
• アブレーションでは、固定近傍閾値（D_close = 25 feet）を用い、近くのオブジェクトを含めると予測精度が向上する一方、この閾値を超えて近傍を拡張すると性能が低下する。
• モデルは観測された全オブジェクトの軌道を同時に予測し、個別予測方式より効率的である。