[論文レビュー] LAformer: Trajectory Prediction for Autonomous Driving with Lane-Aware Scene Constraints

Mengmeng Liu, Hao Cheng+6 more|arXiv (Cornell University)|Feb 27, 2023

Autonomous Vehicle Technology and Safety被引用数 6

ひとこと要約

LAformerは、自動運転のための2段階の軌道予測フレームワークを提案する。時間的に密なランチアウェアモジュールを用いて、各未来の時刻ステップで動的かつ最適な上位k個のレーンセグメントを選択し、運動ダイナミクスをシーン制約と整合させる。さらに2段階目の運動精緻化モジュールを導入することで、Argoverse 1とnuScenesベンチマークで最先端の性能を達成し、Argoverse 1では0.64 ADE₆および0.92 FDE₆を達成した。

ABSTRACT

Trajectory prediction for autonomous driving must continuously reason the motion stochasticity of road agents and comply with scene constraints. Existing methods typically rely on one-stage trajectory prediction models, which condition future trajectories on observed trajectories combined with fused scene information. However, they often struggle with complex scene constraints, such as those encountered at intersections. To this end, we present a novel method, called LAformer. It uses a temporally dense lane-aware estimation module to select only the top highly potential lane segments in an HD map, which effectively and continuously aligns motion dynamics with scene information, reducing the representation requirements for the subsequent attention-based decoder by filtering out irrelevant lane segments. Additionally, unlike one-stage prediction models, LAformer utilizes predictions from the first stage as anchor trajectories and adds a second-stage motion refinement module to further explore temporal consistency across the complete time horizon. Extensive experiments on Argoverse 1 and nuScenes demonstrate that LAformer achieves excellent performance for multimodal trajectory prediction.

研究の動機と目的

• 複雑なシーン（交差点など）における不正確な軌道予測の課題に対処する。特に、従来の1段階モデルでは、運動ダイナミクスとHDマップ制約との間で一貫性を保てないことが問題である。
• 時間に依存するランチセレクション機構により、不要なレーンセグメントを動的にフィルタリングすることで、デコーダーの表現負荷を軽減する。
• 1段階目の予測を補正する2段階目の運動精緻化モジュールを導入することで、長時間予測における時間的整合性を向上させる。
• ベクトル化されたHDマップとアテンションベースの特徴抽出を活用することで、より正確でシーンに適合したマルチモーダルな軌道予測を実現する。

提案手法

• グローバルインタラクショングラフ（GIG）エンコーダーは、統合されたベクトル化された軌道データとHDマップデータを処理し、共同の空間時間的特徴を抽出する。
• 二値分類器は、GIG埋め込み特徴とエージェントの運動状態（速度、向き）を入力とし、各時刻ステップで各レーンセグメントが運動ダイナミクスと整合する確率を推定する。
• 各時刻ステップごとに上位k個の最も確率の高いレーンセグメントが選択され、これにより後続のアテンションベースのデコーダーが条件付けられ、不要なマップノイズが低減される。
• ラプラス混合密度ネットワーク（MDN）は、選択されたレーンセグメントにのみ整合するマルチモーダルな軌道予測を生成する。
• 2段階目の運動精緻化モジュールは、観測済みの軌道と1段階目の予測軌道を入力とし、予測を精緻化して時間的オフセットを低減する。
• マルチタスク損失を用いて、エンドツーエンドでモデルを学習する。損失関数には、レーン選択用の分類損失と、軌道生成用の予測損失が含まれる。

実験結果

リサーチクエスチョン

• RQ1 時間的に密なランチアウェアな選択機構により、運動ダイナミクスをシーン制約と継続的に整合させることで、軌道予測の正確性が向上するか？
• RQ2 2段階フレームワークにより、レーン選択と軌道予測を分離することで、長時間予測における時間的整合性が向上するか？
• RQ3 不要なレーンセグメントをフィルタリングすることで、デコーダーの表現効率と予測品質にどのような影響が生じるか？
• RQ4 1段階ベースラインと比較して、2段階目の運動精緻化モジュールが予測誤差をどの程度低減するか？

主な発見

• LAformerはArgoverse 1ベンチマークで0.64 ADE₆および0.92 FDE₆を達成し、先行する最先端モデルを上回った。
• nuScenesでは0.65 ADE₆および0.95 FDE₆を達成し、多様な交通シナリオにわたる強力な一般化性能を示した。
• アブレーションスタディの結果、時間的に密なランチアウェアモジュールを削除すると、特に曲がりや加速のシナリオで予測の多様性と正確性が著しく低下した。
• 2段階目の精緻化モジュールは予測品質を顕著に向上させ、定量的および定性的な両評価で、完全なモデルがアブレーションバージョンを上回った。
• ハイパーパrameterの変更に対してもモデルは頑健であり、さまざまな損失重み設定下でも性能の変動が最小限に抑えられた。
• LAformerの推論速度は1シナリオあたり約115ms（12エージェント）であり、LTPと同等でDenseTNTより高速であり、近似リアルタイムでの実装に適している。