[論文レビュー] Impact of Traffic Lights on Trajectory Forecasting of Human-driven Vehicles Near Signalized Intersections

Geunseob Oh, Huei Peng|arXiv (Cornell University)|Jun 2, 2019

Autonomous Vehicle Technology and Safety参考文献 24被引用数 4

ひとこと要約

本論文は、信号機の将来の状態にアクセスできる車両-インfraストラクチャ（V2I）通信を活用することで、信号制御付き交差点周辺の人的運転車両の挙動をより正確に予測できる、革新的な軌道予測フレームワークを提案する。ドライバーの信号フェーズ（緑、黄、赤）およびタイミングへの反応を決定論的および確率論的ヒューマンポリシー・モデルでモデル化することで、長時間予測（例：15秒のGYRシナリオ）において予測誤差を最大150倍まで低減し、特に黄信号のジレンマゾーンのような複雑な状況で顕著な効果を示す。

ABSTRACT

Forecasting trajectories of human-driven vehicles is a crucial problem in autonomous driving. Trajectory forecasting in the urban area is particularly hard due to complex interactions with cars and pedestrians, and traffic lights (TLs). Unlike the former that has been widely studied, the impact of TLs on the trajectory prediction has been rarely discussed. In this work, we first identify the less studied, perhaps overlooked impact of TLs. Second, we present a novel resolution that is mindful of the impact, inspired by the fact that human drives differently depending on signal phase (green, yellow, red) and timing (elapsed time). Central to the proposed approach is Human Policy Models which model how drivers react to various states of TLs by mapping a sequence of states of vehicles and TLs to a subsequent action (acceleration) of the vehicle. We then combine the Human Policy Models with a known transition function (system dynamics) to conduct a sequential prediction; thus our approach is viewed as Behavior Cloning. One novelty of our approach is the use of vehicle-to-infrastructure communications to obtain the future states of TLs. We demonstrate the impact of TL and the proposed approach using an ablation study for longitudinal trajectory forecasting tasks on real-world driving data recorded near a signalized intersection. Finally, we propose probabilistic (generative) Human Policy Models which provide probabilistic contexts and capture competing policies, e.g., pass or stop in the yellow-light dilemma zone.

研究の動機と目的

• 都市環境における信号機の軌道予測精度に与える見過ごされた影響を特定すること。
• 人間ドライバーが変動する信号機状態（フェーズおよびタイミング）にどのように反応するかをモデル化する、行動クローンベースのフレームワークを開発すること。
• V2I通信を介して将来的な信号機状態情報を統合することで、長期間の軌道予測をより正確に実現すること。
• 停止か進行かの両方の選択肢がある黄信号ジレンマのようなマルチモーダル行動を、確率論的ポリシー・モデリングにより扱うこと。
• 信号制御付き交差点周辺の実世界走行データを用いたアブレーションスタディを通じて、本手法の有効性を実証すること。

提案手法

• 本手法は、将来的な信号機フェーズおよびタイミング情報を取得するための車両-インfraストラクチャ（V2I）通信を用い、これを予測モデルに統合する。
• 信号機状態と経過時間の関数としてドライバー行動をモデル化する、決定論的ヒューマンポリシー・モデルを導入し、車両および信号機状態の系列を加速度行動にマッピングする。
• 競合するポリシー（例：黄信号時に停止または進行）を捉えるために、ヒューマンポリシー・モデルの確率論的拡張を提案し、マルチモーダルな軌道予測を可能にする。
• ヒューマンポリシー・モデルを既知のシステムダイナミクス遷移関数と組み合わせることで、逐次的軌道予測を可能にし、決定論的および生成的予測の両方を実現する。
• 予測の不確実性を推定し、確率論的モデルから多様で現実的な軌道サンプルを生成するために、モンテカルロサンプリングを用いる。
• 実世界の信号制御付き交差点からのデータを用いて手法を評価し、信号機状態認識の有無に応じたモデルを比較するアブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 将来的な信号機状態の不確実性は、交差点周辺の人的運転車両の軌道予測精度にどのように影響するか？
• RQ2 将来的な信号機フェーズおよびタイミング情報は、長期間の軌道予測性能をどの程度向上できるか？
• RQ3 行動クローンベースのモデルは、緑、黄、赤フェーズ間の遷移を含め、信号機に依存するドライバー行動を効果的に捉えることができるか？
• RQ4 確率論的モデルは、黄信号ジレンマゾーンにおける停止または進行という競合するドライバー行動をどの程度的確に表現できるか？
• RQ5 V2Iを介して得られる将来的な信号機状態情報を統合することで、多様な交差点シナリオにおける予測誤差にどのような影響を与えるか？

主な発見

• 提案手法は、信号機状態認識のないモデルと比較して、長時間予測（例：15秒のGYRシナリオ）において、軌道予測誤差（MAE、TWAE、ADN）を最大150倍まで低減した。
• 5秒の予測時間窓では、標準ラップトップ上で最も確実な軌道の推論に10ミリ秒未満の時間で処理が可能であり、計算効率が優れていることが示された。
• 確率論的モデルは、黄信号ジレンマゾーンにおける二重行動（停止・進行）を適切な確率で的確に捉えており、決定論的モデルがそのような状況で失敗するのとは対照的である。
• アブレーションスタディにより、将来的な信号機状態へのアクセスが、全テストシナリオ（G、R、GY、YR、RG、GYR）において予測精度を顕著に向上させることを確認した。特に長期予測で顕著な向上が得られた。
• 予測の外れ値の主な原因は、急ブレーキなどのエッジケースおよび競合するポリシーであり、確率論的モデルはマルチモーダル出力によりこれらを効果的に捉えている。
• 本フレームワークは生成的であり、不確実性推定のためのモンテカルロサンプリングを可能としており、耐障害性の高い自律走行計画の実用的ツールを提供する。