[論文レビュー] Interaction-aware Kalman Neural Networks for Trajectory Prediction

Ce Ju, Zheng Wang+3 more|arXiv (Cornell University)|Feb 28, 2019

Traffic Prediction and Management Techniques被引用数 10

ひとこと要約

本論文は、相互作用に配慮した加速度、運動論的軌道変換、および学習されたカルマンフィルタを用いて車両の相互作用をモデル化する、マルチレイヤーのディープラーニングアーキテクチャであるInteraction-aware Kalman Neural Networks (IaKNN)を提案する。IaKNNはNGSIMデータセットにおいて、最良のベースライン（CS-LSTM）に対して10%の性能向上を達成し、複雑な交通状況における優れた性能を示している。

ABSTRACT

Forecasting the motion of surrounding obstacles (vehicles, bicycles, pedestrians and etc.) benefits the on-road motion planning for intelligent and autonomous vehicles. Complex scenes always yield great challenges in modeling the patterns of surrounding traffic. For example, one main challenge comes from the intractable interaction effects in a complex traffic system. In this paper, we propose a multi-layer architecture Interaction-aware Kalman Neural Networks (IaKNN) which involves an interaction layer for resolving high-dimensional traffic environmental observations as interaction-aware accelerations, a motion layer for transforming the accelerations to interaction aware trajectories, and a filter layer for estimating future trajectories with a Kalman filter network. Attributed to the multiple traffic data sources, our end-to-end trainable approach technically fuses dynamic and interaction-aware trajectories boosting the prediction performance. Experiments on the NGSIM dataset demonstrate that IaKNN outperforms the state-of-the-art methods in terms of effectiveness for traffic trajectory prediction.

研究の動機と目的

• 高次元かつ動的な車両間の相互作用を伴う複雑な交通シーンにおける軌道予測の課題に対処すること。
• 単一エージェントモデルの限界を克服し、複数車両環境における集団的で相互作用に配慮した運動パターンをモデル化すること。
• ノイズの多いセンサデータと不確実性に対処するため、ディープラーニングと確率的フィルタリングを統合することで、予測精度を向上させること。
• 動的軌道と相互作用に配慮した信号を統合するエンドツーエンドで学習可能なフレームワークを構築し、頑健な運動予測を実現すること。

提案手法

• 近隣車両の過去の軌道から相互作用に配慮した加速度を抽出するため、畳み込みニューラルネットワークとLSTMネットワークを用いた相互作用層を備えたマルチレイヤー構造を採用する。
• 運動論的統合を用いて、相互作用に配慮した加速度を相互作用に配慮した軌道に変換する運動層を用いる。
• 時間変動するプロセスノイズと測定ノイズパラメータを、2つのLSTMネットワークによって学習するカルマンフィルタをフィルタ層として実装する。
• フィルタ層で動的軌道と相互作用に配慮した軌道を統合し、推定精度と頑健性を向上させる。
• 勾配クリッピングとXavier重み初期化を用いて、Adam最適化によりモデル全体をエンドツーエンドで学習する。
• 密な交通状況における車両間の非明示的相互作用をモデル化するため、社会的力（social force）を潜在表現として組み込む。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、密な交通状況における高次元かつ複雑な車両間の相互作用効果を効果的に捉えることができるか？
• RQ2 相互作用に配慮した加速度と学習されたカルマンフィルタを統合することで、標準的なRNNベースのモデルと比較して、軌道予測の精度がどの程度向上するか？
• RQ3 相互作用に配慮した軌道と動的軌道を統合することで、ノイズの多いセンサ条件下でも予測の頑健性がどの程度向上するか？
• RQ4 提案されたアーキテクチャは、実世界の軌道予測ベンチマークにおいて、RMSEとNLLの両面で最先端の手法を上回る性能を示せるか？

主な発見

• IaKNNは、NGSIMデータセットにおいて5秒予測時間窓で、最良のベースラインであるCS-LSTMに対してRMSEで約10%の性能向上を達成した。
• 比較対象のすべての手法の中で、NLLが最低となり、予測軌道の確率的キャリブレーションが優れていることを示している。
• 事例研究では、IaKNNがlane-changeの意思決定や安全な追従行動を正確に予測しており、現実的な交通ダイナミクスを反映している。
• 相互作用層は、社会的力に類似した相互作用パターンを効果的に捉えており、車両の集団的行動（例：レーン変更）を予測可能にしている。
• カルマンフィルタ層における学習されたプロセスノイズと測定ノイズの統合により、軌道推定の安定性と精度が顕著に向上した。
• 相互作用密度の高い複雑なシーンにおいて、IaKNNは単一エージェントモデルが集団的運動パターンを捉えられないのに対し、優れた性能を示している。