[論文レビュー] Learning to Predict Vehicle Trajectories with Model-based Planning

Haoran Song, Di Luan+3 more|arXiv (Cornell University)|Mar 6, 2021

Autonomous Vehicle Technology and Safety参考文献 46被引用数 59

ひとこと要約

PRIME は、モデルベースの軌跡生成器と学習ベースの評価器を組み合わせて、実現可能で多模态の車両軌跡予測を作成し、非完璧な追跡に対して堅牢に対処します。

ABSTRACT

Predicting the future trajectories of on-road vehicles is critical for autonomous driving. In this paper, we introduce a novel prediction framework called PRIME, which stands for Prediction with Model-based Planning. Unlike recent prediction works that utilize neural networks to model scene context and produce unconstrained trajectories, PRIME is designed to generate accurate and feasibility-guaranteed future trajectory predictions. PRIME guarantees the trajectory feasibility by exploiting a model-based generator to produce future trajectories under explicit constraints and enables accurate multimodal prediction by utilizing a learning-based evaluator to select future trajectories. We conduct experiments on the large-scale Argoverse Motion Forecasting Benchmark, where PRIME outperforms the state-of-the-art methods in prediction accuracy, feasibility, and robustness under imperfect tracking.

研究の動機と目的

• 運動学的および環境的制約の下で、自動運転の正確で実現可能な軌跡予測を促進する。
• 相互作用を考慮した評価から実現可能な軌跡生成を分離する、二段階フレームワークを開発する。
• HDマップと Frenét 座標を活用して、エージェントと地図の相互作用および多模態予測を管理する。
• 不完全な追跡に対する頑健性を向上させ、長期追跡データへの依存を低減する。

提案手法

• モデルベースの生成器 G は、マップベースのパス探索を利用して到達可能な経路を生成し、明示的な制約の下で実現可能な軌跡をサンプリングする。
• Frenét座標系での軌跡生成は、現在の状態を参照経路に射影し、4次・5次多項式を用いて縦方向および横方向の軌跡を生成し、続いて制約フィルタリングを行う。
• 学習ベースの評価器 E は、二重の空間表現でシーンコンテキストをエンコードし、注意機構を用いたモジュール（P2T、P2F、A2A、F2F）で実現可能な軌跡を評価・選択する。
• 予測結果 T_tar は、実現可能な軌跡 T を順位付けし、非極大抑制を適用して関連確率を持つ K 個の軌跡を得る。
• 訓練はクロスエントロピー損失を用いて予測軌跡スコアを真値の関連性に合わせ、推論は確率付きのK個の最良軌跡を出力する。

実験結果

リサーチクエスチョン

• RQ1 モデルベースの軌跡生成器は、予測のための実現可能で制約適合の未来軌跡を提供できるか。
• RQ2 学習ベースの評価器は、暗黙的な相互作用を効果的にモデル化して正確な多模态予測を選択できるか。
• RQ3 完全に学習ベースのベースラインと比較して、不完全な追跡下で PRIME はどのように性能を示すか。
• RQ4 Frenét 表現と F2F インタラクション融合が予測品質に与える影響はどの程度か。
• RQ5 モデルベースの計画を統合することで、精度を損なうことなく予測の実現性と頑健性が向上するか。

主な発見

• PRIME は Argoverse ベンチマークで欠損率および確率ベースの指標で最先端手法を上回り、強力な多模態予測精度を示しています。
• モデルベースの生成器は運動学的および環境的制約を課すことで軌跡の実現性を保証し、制約なしのベースラインでよく起こる非実現可能な予測を減少させる。
• 評価器は注意ベースのコンテキスト融合（P2T、P2F、A2A、F2F）を通じて暗黙的な相互作用をうまく捉え、コンパクトなパラメータ規模で競争力のある精度を達成する。
• アブレーション研究は Frenét 表現と F2F 融合が性能向上に寄与することを示し、完全な PRIME ネットワークは約 1.02M のパラメータで最良の結果を達成。
• PRIME は不完全な追跡に対して頑健性を示し、訓練時および推論時に追跡データが削除された場合でも、ベースラインと比較して性能低下が顕著に小さい。