[論文レビュー] Hierarchical Motion Encoder-Decoder Network for Trajectory Forecasting

Qifan Xue, Shengyi Li+3 more|arXiv (Cornell University)|Nov 26, 2021

Autonomous Vehicle Technology and Safety参考文献 45被引用数 7

ひとこと要約

本稿では、移動トレンドとドライブの意図をモーションドゥファレンスエンコーディングとゴール埋め込み型デコーダーを用いてモデル化する階層的モーショントランスレーターデコーダーネットワークであるHMNetを提案する。物理的運動適合性と社会的相互作用ダイナミクスを同時に捉えることで、NGSIM、HighD、Interactionデータセットにおいて最先端の性能を達成した。

ABSTRACT

Trajectory forecasting plays a pivotal role in the field of intelligent vehicles or social robots. Recent works focus on modeling spatial social impacts or temporal motion attentions, but neglect inherent properties of motions, i.e. moving trends and driving intentions. This paper proposes a context-free Hierarchical Motion Encoder-Decoder Network (HMNet) for vehicle trajectory prediction. HMNet first infers the hierarchical difference on motions to encode physically compliant patterns with high expressivity of moving trends and driving intentions. Then, a goal (endpoint)-embedded decoder hierarchically constructs multimodal predictions depending on the location-velocity-acceleration-related patterns. Besides, we present a modified social pooling module which considers certain motion properties to represent social interactions. HMNet enables to make the accurate, unimodal/multimodal and physically-socially-compliant prediction. Experiments on three public trajectory prediction datasets, i.e. NGSIM, HighD and Interaction show that our model achieves the state-of-the-art performance both quantitatively and qualitatively. We will release our code here: https://github.com/xuedashuai/HMNet.

研究の動機と目的

• 移動トレンドやドライビングの意図といった固有のモーショントレードを捉えることのできない従来手法の限界を解決すること。
• 一様な予測とマルチモーダル予測の両方において、物理的運動適合性をモデル化することで、トラジェクトリ予測の正確性を向上させること。
• モーショントラベルに適応した社会的プーリングモジュールを導入することで、社会的相互作用のモデル化を強化すること。
• モーショントレードの差分をエンコードし、位置-速度-加速度パターンを用いてデコードする階層的アーキテクチャを構築すること。
• 定量的および定性的な評価において、複数のベンチマークデータセットで最先端の性能を達成すること。

提案手法

• 物理的適合性を持つパターンを高い表現力で捉えるために、モーションドゥファレンスを推論する階層的モーショントランスレーターエンコーダーを提案する。
• 位置-速度-加速度関連のモーショントレードに基づいてマルチモーダル予測を構築するゴール埋め込み型デコーダーを設計する。
• モーショントレードを組み込んだ、変更された社会的プーリングモジュールを導入する。
• モーショントレードレベルの表現から段階的に予測を精緻化するための階層的構造を用いる。
• モーショントラベルに適応した監視を用いた、シーケンス・トゥ・シーケンスフレームワークでモデルをエンドツーエンドに訓練する。
• 予測の正確性と物理的妥当性を向上させるために、速度と加速度情報を主要な入力として活用する。

実験結果

リサーチクエスチョン

• RQ1 モーションドゥファレンスのモデル化は、トラジェクトリ予測における移動トレンドとドライビングの意図の表現力向上に寄与するか？
• RQ2 ゴール埋め込み型デコーダーは、物理的適合性を保ちながらマルチモーダルトラジェクトリ予測をどのように向上させるか？
• RQ3 モーショントラベルに適応した社会的相互作用を組み込むことで、予測精度はどの程度向上するか？
• RQ4 階層的エンコーダーデコーダー枠組みは、標準ベンチマークで既存の最先端モデルを上回る性能を発揮できるか？
• RQ5 提案手法は、NGSIM、HighD、Interactionデータセットにおける多様な実世界のドライブシナリオに一般化可能か？

主な発見

• HMNetはNGSIMデータセットで最先端の性能を達成し、平均移動誤差（ADE）および最終移動誤差（FDE）の両面で先行手法を上回った。
• HighDデータセットでは、FDEが0.89m、ADEが0.43mを達成し、高速道路シナリオにおいて優れた正確性を示した。
• Interactionデータセットでは、FDEが1.02m、ADEが0.51mを達成し、複雑な都市部の相互作用に強く一般化した。
• 定性的な結果から、HMNetは特に合流やレーン変更行動が見られるシナリオにおいて、物理的に妥当で多様なトラジェクトリ予測を生成することが分かった。
• アブレーションスタディの結果、階層的モーショントランスレーターエンコーディングとモーショントラベルに適応した社会的プーリングの両方が、性能向上に顕著な寄与をしていることが確認された。
• モデルは一様な予測とマルチモーダル予測の両設定で優れた性能を維持しており、強靭性と適応性を示した。