[論文レビュー] Leveraging Future Relationship Reasoning for Vehicle Trajectory Prediction

Dae-Hee Park, Hobin Ryu+4 more|arXiv (Cornell University)|May 24, 2023

Autonomous Vehicle Technology and Safety被引用数 18

ひとこと要約

本論文は Future Relationship Modeling (FRM) を提案し、車両間の相互作用を推定するために車線レベルのウェイポイント占有を確率的に用い、多様なマルチモーダル軌跡予測を実現し、長距離予測において nuScenes で最先端の性能を達成します。

ABSTRACT

Understanding the interaction between multiple agents is crucial for realistic vehicle trajectory prediction. Existing methods have attempted to infer the interaction from the observed past trajectories of agents using pooling, attention, or graph-based methods, which rely on a deterministic approach. However, these methods can fail under complex road structures, as they cannot predict various interactions that may occur in the future. In this paper, we propose a novel approach that uses lane information to predict a stochastic future relationship among agents. To obtain a coarse future motion of agents, our method first predicts the probability of lane-level waypoint occupancy of vehicles. We then utilize the temporal probability of passing adjacent lanes for each agent pair, assuming that agents passing adjacent lanes will highly interact. We also model the interaction using a probabilistic distribution, which allows for multiple possible future interactions. The distribution is learned from the posterior distribution of interaction obtained from ground truth future trajectories. We validate our method on popular trajectory prediction datasets: nuScenes and Argoverse. The results show that the proposed method brings remarkable performance gain in prediction accuracy, and achieves state-of-the-art performance in long-term prediction benchmark dataset.

研究の動機と目的

• 道路構造を取り入れて、車両間の将来の相互作用をより適切に推論する。
• 決定論的な関係ではなく、確率的でマルチモーダルな相互作用をモデル化する。
• 車線レベルの情報を活用して未来の関係を予測し、軌跡予測を改善する。
• 相互作用と未来経路の不確実性を捉えるためCVAEで訓練する。

提案手法

• 車線セグメントに沿ったウェイポイント占有を未来の運動の確率的表現として予測する。
• 車両間の相互作用に対するガウス混合分布を用いて将来の関係を推定する。
• グラフ畳み込みネットワークを用いてウェイポイント占有を平滑化し、車線トポロジー全体でエージェント間の近接を計算する。
• 未来の軌跡をデコードするために、意図（ゴール）と相互作用（未来の関係）を共同でモデル化するCVAEフレームワークを適用する。
• エッジデジェネシーを軽減するため再構成項を含むELBO最適化で訓練する。

実験結果

リサーチクエスチョン

• RQ1 車線情報をどのように活用して車両間の将来の相互作用を予測できるか。
• RQ2 確率的でマルチモーダルな将来の関係モデルは、決定論的な相互作用モデリングより軌跡予測を改善できるか。
• RQ3 将来の関係を明示的にモデル化することで、実データセットでより長距離の軌跡予測が得られるか。

主な発見

• 提案手法は nuScenes で長距離予測の最先端性能を達成している。
• ウェイポイント占有を介した明示的な将来の関係モデリングは、過去軌跡ベースの相互作用手法と比べて相互作用の理解とサンプルの妥当性を向上させる。
• マルチモーダル確率的相互作用（ガウス混合）は、単一モダリティの事前分布より良い結果をもたらす。
• アブレーション研究は、将来の関係モデリングとGCNベースの近接推定が性能向上において重要であることを示している。
• 定性的な結果は、妥当な将来の相互作用を反映した多様で相互作用を意識した軌跡サンプルを示している。