[論文レビュー] Interaction-Aware Trajectory Prediction of Connected Vehicles using CNN-LSTM Networks

Xiaoyu Mo, Yang Xing+1 more|arXiv (Cornell University)|May 25, 2020

Autonomous Vehicle Technology and Safety参考文献 24被引用数 6

ひとこと要約

本稿では、連結車両における相互作用を考慮した軌道予測のためのCNN-LSTMモデルを提案する。共有重みLSTMを用いて個々の車両の動的特性を符号化し、3×3の方向性グリッドと2層のCNNを用いて空間的相互作用特徴を抽出する。このモデルは先行手法を上回り、RMSEが低く抑えられ、横方向の移動が開始する前に対応する車線変更を正確に予測する。

ABSTRACT

Predicting the future trajectory of a surrounding vehicle in congested traffic is one of the basic abilities of an autonomous vehicle. In congestion, a vehicle's future movement is the result of its interaction with surrounding vehicles. A vehicle in congestion may have many neighbors in a relatively short distance, while only a small part of neighbors affect its future trajectory mostly. In this work, An interaction-aware method which predicts the future trajectory of an ego vehicle considering its interaction with eight surrounding vehicles is proposed. The dynamics of vehicles are encoded by LSTMs with shared weights, and the interaction is extracted with a simple CNN. The proposed model is trained and tested on trajectories extracted from the publicly accessible NGSIM US-101 dataset. Quantitative experimental results show that the proposed model outperforms previous models in terms of root-mean-square error (RMSE). Results visualization shows that the model is able to predict future trajectory induced by lane change before the vehicle operate obvious lateral movement to initiate lane changing.

研究の動機と目的

• 混雑した交通状況における軌道予測の精度を向上させるために、車両間の相互作用を明示的にモデル化すること。
• 個々の車両の動的特性と周囲の車両間の空間的相互作用を両方とも捉える深層学習フレームワークの開発。
• 顕著な横方向移動が生じる前に対応する複雑な運転行動（例：車線変更）を早期に予測できること。
• NGSIM US-101データセットを活用して、相互作用を考慮した軌道予測モデルの学習と評価を実施すること。
• 畳み込み層を用いた階層的特徴抽出が、全結合層に比べて車両相互作用のモデル化において優れていることを示すこと。

提案手法

• 共有重みLSTMを用いて、エゴ車両および最大8台の周囲の車両の履歴軌道系列から時間的動的特性を符号化する。
• 車両間の相互作用は、エゴ車両を基準とした相対的な方向性に基づき、3×3の方向性グリッドにLSTM出力を配置することで符号化され、絶対的位置ではなく方向性に基づいた空間的構造を保持する。
• 2層の畳み込みニューラルネットワーク（CNN）を用いて、方向性グリッドから階層的な相互作用特徴を抽出し、局所的からグローバルな相互作用パターンをモデル化する。
• 符号化されたエゴ車両の動的特性とCNNで抽出された相互作用特徴を連結し、最終的なLSTMデコーダーに供給して、将来のエゴ車両の軌道を予測する。
• モデルは、NGSIM US-101データセット上で平均二乗誤差損失関数を用いてエンドツーエンドで学習される。
• アブレーションスタディでは、エゴ車両の動的特性のみ、相互作用のみ、または全結合層をCNNの代わりに用いたバージョンと比較される。

実験結果

リサーチクエスチョン

• RQ1 方向性空間符号化を用いることで、CNN-LSTMアーキテクチャは混雑した交通状況における車両相互作用を効果的にモデル化できるか？
• RQ2 相互作用を考慮した特徴を組み込むことで、相互作用を無視するモデルと比較して、軌道予測の精度が向上するか？
• RQ3 顕著な横方向移動が生じる前に対応する車線変更を予測できるか？
• RQ4 畳み込み層による階層的特徴抽出と全結合層との比較において、車両相互作用のモデル化にどちらが優れているか？
• RQ5 予測ヘッドにおいて、エゴ車両の動的特性を相互作用特徴とは別に取り扱うことで、性能にどのような影響を与えるか？

主な発見

• 提案されたCNN-LSTMモデルは、比較対象の全モデルの中で最小の平均二乗誤差（RMSE）を達成し、優れた予測精度を示した。
• 軌道可視化の結果、車線変更の前段階においても、横方向移動が顕著になる前に対応する車線変更を正確に予測できた。
• アブレーションスタディの結果、エゴ車両の動的特性と相互作用特徴を併用することで、相互作用特徴のみを用いる場合よりも高い性能が得られた。
• CNNベースの相互作用抽出器は、全結合層を用いたバージョンを上回ったことから、局所的からグローバルな空間的特徴の学習が、相互作用モデル化においてより効果的であることが示された。
• 相互作用を無視するシンプルなLSTMモデルは最も性能が低く、相互作用を考慮したモデル化の重要性が裏付けられた。
• 複雑な運転行動（例：車線変更）の予測においても、モデルは良好な性能を維持し、変更中の段階と変更後の段階を正しく区別できた。