[論文レビュー] Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron

Zhenyu Shou, Ziran Wang+4 more|arXiv (Cornell University)|Jun 23, 2020

Autonomous Vehicle Technology and Safety参考文献 20被引用数 4

ひとこと要約

本論文は、横方向または角度情報に依存せずに、縦方向の車両軌道データのみを用いて長期間の車線変更予測（5–10秒）を行うMLPベースのモデルを提案する。本モデルは、独自の時間窓ラベリング方式と予測スムージング技術を用いることで、ロジスティック回帰およびRNNベースラインを上回り、実際の車線変更の75％を検出することができ、平均予測リードタイムは8.05秒に達する。

ABSTRACT

Behavior prediction plays an essential role in both autonomous driving systems and Advanced Driver Assistance Systems (ADAS), since it enhances vehicle's awareness of the imminent hazards in the surrounding environment. Many existing lane change prediction models take as input lateral or angle information and make short-term (< 5 seconds) maneuver predictions. In this study, we propose a longer-term (5~10 seconds) prediction model without any lateral or angle information. Three prediction models are introduced, including a logistic regression model, a multilayer perceptron (MLP) model, and a recurrent neural network (RNN) model, and their performances are compared by using the real-world NGSIM dataset. To properly label the trajectory data, this study proposes a new time-window labeling scheme by adding a time gap between positive and negative samples. Two approaches are also proposed to address the unstable prediction issue, where the aggressive approach propagates each positive prediction for certain seconds, while the conservative approach adopts a roll-window average to smooth the prediction. Evaluation results show that the developed prediction model is able to capture 75% of real lane change maneuvers with an average advanced prediction time of 8.05 seconds.

研究の動機と目的

• 縦方向または角度の車両データに依存せずに、5–10秒の長期的車線変更予測を可能にすること。
• 予測の不安定性を解消するための強固なラベリングおよびスムージング戦略を用いて、長期的行動予測の課題に取り組むこと。
• 実世界のNGSIM軌道データを用いて、MLP、ロジスティック回帰、RNNモデルの性能を評価および比較すること。
• 正例と負例の間に時間的ギャップを設けることで、予測の信頼性を向上させる時間窓ラベリング方式を開発すること。

提案手法

• 正例と負例の間に時間的ギャップを設けることで、軌道ラベリングの曖昧性を低減する時間窓ラベリング方式を提案する。
• 横方向または角度特徴を除き、縦方向の軌道データ（x, y, v）のみを入力として使用することで、入力を簡素化し、一般化性能を向上させる。
• 長期間の予測に適した複雑な時間的パターンを学習するため、多層パーセプトロン（MLP）モデルを採用する。
• 2種類のスムージング手法を適用する：予測を時間的に伝搬させる攻撃的アプローチと、出力を安定化させる保守的なロールウィンドウ平均法。
• MLPモデルの性能を公正に評価するため、NGSIMデータセットを用いてロジスティック回帰およびRNNベースラインと比較する。
• 検出率、予測リードタイム、F1スコアといった標準的な指標を用いて、モデルの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、縦方向の軌道データのみを用いて、10秒前までに車線変更を予測できるか？
• RQ2 提案された時間窓ラベリング方式は、標準的なラベリング手法と比較して、予測の信頼性をどのように向上させるか？
• RQ3 MLPはロジスティック回帰およびRNNモデルと比較して、長期的車線変更予測においてどの程度の性能向上を達成するか？
• RQ4 攻撃的および保守的なスムージング戦略は、予測の不安定性をどの程度低減できるか？
• RQ5 長期的車線変更予測において、予測精度とリードタイムの最適なバランスは何か？

主な発見

• MLPモデルは、実際の車線変更行動の75％を検出することができ、ロジスティック回帰およびRNNベースラインを顕著に上回った。
• 平均予測リードタイムは8.05秒に達し、効果的な長期予測能力を示した。
• 提案された時間窓ラベリング方式により、曖昧な軌道遷移に起因する誤検出を低減し、モデルの一般化性能が向上した。
• 保守的なロールウィンドウ平均法は、高い検出精度を維持したまま、予測の不安定性を効果的に低減した。
• MLPモデルは、車両軌道における長期的時間的依存性を捉える能力において、ロジスティック回帰およびRNNモデルを上回り、優れた性能を示した。
• 横方向または角度の車両データを必要としないため、実世界への導入に向けた入力要件が簡素化され、信頼性の高い予測が達成された。