[論文レビュー] Intention-aware Residual Bidirectional LSTM for Long-term Pedestrian Trajectory Prediction.

Zhe Huang, Aamir Hasan+1 more|arXiv (Cornell University)|Jun 30, 2020

Autonomous Vehicle Technology and Safety参考文献 36被引用数 5

ひとこと要約

本稿では、物理的妥当性を高めるために、標準的な線形予測からの残差オフセットを学習する、新しい意図認識型残差双方向LSTM（ReBiL）フレームワークを提案する。遺伝的アルゴリズムとパーティクルフィルタリングにインspiredされた可変的意図フィルタを統合することで、異常な意図の変化下でも頑健な性能を達成し、公開データセットにおいてベースラインを上回る性能を示した。

ABSTRACT

Trajectory prediction is one of the key capabilities for robots to safely navigate and interact with pedestrians. Critical insights from human intention and behavioral patterns need to be effectively integrated into long-term pedestrian behavior forecasting. We present a novel intention-aware motion prediction framework, which consists of a Residual Bidirectional LSTM (ReBiL) and a mutable intention filter. Instead of learning step-wise displacement, we propose learning offset to warp a nominal intention-aware linear prediction, giving residual learning a physical intuition. Our intention filter is inspired by genetic algorithms and particle filtering, where particles mutate intention hypotheses throughout the pedestrian motion with ReBiL as the motion model. Through experiments on a publicly available dataset, we show that our method outperforms baseline approaches and the robust performance of our method is demonstrated under abnormal intention-changing scenarios.

研究の動機と目的

• 人間の意図と行動パターンを運動モデルに統合することで、長期的歩行者軌道予測を改善すること。
• 突然の異常な意図変化下での頑健な予測の挑戦に応えること。
• 直接的な変位の学習ではなく、標準的な線形予測を変形する物理的に直感的な残差学習フレームワークを提供すること。
• 遺伝的アルゴリズムとパーティクルフィルタリングの原則を用いて、時間経過とともに仮説を進化させる動的意図フィルタリング機構を開発すること。

提案手法

• フレームワークは、時間的理解の向上のため、双方向的な文脈を活用する残差双方向LSTM（ReBiL）を用いて歩行者の運動をモデル化する。
• 絶対的な変位を予測するのではなく、意図認識型の標準線形予測からの残差オフセットを学習することで、物理的解釈可能性を向上させる。
• 可変的意図フィルタは、複数の仮説パーティクルを保持し、それぞれが歩行者の潜在的意図を表す。これらのパーティクルは、ReBiLを運動モデルとして用いて時間経過とともに進化する。
• 遺伝的アルゴリズムとパーティクルフィルタリングにインspiredされた変異と選択メカニズムにより、意図のシフトに適応可能なパーティクルの更新が行われる。
• 観測された運動に基づいて、意図パーティクルが動的に再重み付けおよび更新され、予期しない行動に対しても頑健性が向上する。
• 最終的な予測は、ReBiLモデルを通じて意図フィルタリング済みパーティクルの重み付き出力を集約することで生成される。

実験結果

リサーチクエスチョン

• RQ1 人間の意図と行動パターンを、長期的軌道予測モデルに効果的に統合する方法は何か？
• RQ2 標準線形予測への残差学習は、物理的妥当性と予測精度を向上させることができるか？
• RQ3 変異メカニズムを備えたパーティクルベースの意図フィルタは、異常な意図変化下での頑健性をどのように向上させるか？
• RQ4 ReBiLフレームワークは、標準的なRNNベースのベースラインに比べて、長期的軌道予測でどの程度優れているか？
• RQ5 双方向LSTMと適応的意図フィルタリングの統合は、多様な歩行者行動の下での一般化性能を向上させるか？

主な発見

• 提案されたReBiLフレームワークは、公開済みの歩行者軌道予測データセットにおいて、ベースライン手法を上回る性能を示した。
• ベースラインモデルが失敗または著しく性能を低下させるような、異常な意図変化のシナリオでも、モデルは頑健な性能を示した。
• 直接的な変位学習と比較して、標準線形予測への残差学習アプローチは、物理的直感性が高く、予測精度も向上した。
• 可変的意図フィルタは、歩行者の意図のシフトを効果的に捉え、モデルの耐性を高めた。
• LSTMにおける双方向コンテキストの統合により、複雑な運動パターンにおいて特に長期的な時間的推論が向上した。
• パーティクルベースの意図フィルタリング機構により、動的仮説の更新が可能となり、モデルの適応性と精度に寄与した。