[論文レビュー] MATS: An Interpretable Trajectory Forecasting Representation for Planning and Control

Boris Ivanovic, Amine Elhafsi+3 more|arXiv (Cornell University)|Sep 16, 2020

Advanced Database Systems and Queries被引用数 20

ひとこと要約

本稿では、MATS（アフィン時変システムの混合）を提案する。MATSは、エージェント行動を線形アフィン力学系としてモデル化する新しい軌道予測表現であり、モーションプランナとの直接統合を可能にする。時間変化するシステム行列としてマルチモーダル予測を符号化することにより、MATSは24台のエージェントと552の相互作用を考慮しながらも、50msのQPソルブ時間で効率的かつ相互作用に配慮したモーションプランニングを実現し、トラックレットベースの手法と比較して100倍速い。

ABSTRACT

Reasoning about human motion is a core component of modern human-robot interactive systems. In particular, one of the main uses of behavior prediction in autonomous systems is to inform robot motion planning and control. However, a majority of planning and control algorithms reason about system dynamics rather than the predicted agent tracklets (i.e., ordered sets of waypoints) that are commonly output by trajectory forecasting methods, which can hinder their integration. Towards this end, we propose Mixtures of Affine Time-varying Systems (MATS) as an output representation for trajectory forecasting that is more amenable to downstream planning and control use. Our approach leverages successful ideas from probabilistic trajectory forecasting works to learn dynamical system representations that are well-studied in the planning and control literature. We integrate our predictions with a proposed multimodal planning methodology and demonstrate significant computational efficiency improvements on a large-scale autonomous driving dataset.

研究の動機と目的

• 自律システムにおける軌道予測と下流のモーションプランニングの間の統合ギャップを解消すること。
• マルチモーダル予測を力学系パrameterとして符号化することで、効率的かつリアルタイムの計画を可能にする表現を開発すること。
• 複雑な交通シーンにおける安全性と相互作用認識を維持しながら、計画の計算コストを低減すること。
• プランナがエゴ車両の制御行動が予測されたエージェント行動に与える影響を事後に評価できるようにすること。
• 大規模かつ現実世界のシナリオにおいて、トラックレットベースの計画手法と比較して顕著な効率性向上を示すこと。

提案手法

• MATSは、時間変化する行列A、B、およびcによってパrameter化された、アフィン時変力学系の混合としてエージェント軌道を表現する。
• モデルは、特にエゴ車両が他のエージェントに与える影響を符号化するB行列を通じて、エージェント間およびエゴ車両との相互作用ダイナミクスを学習する。
• マルチモーダル計画フレームワークは、MATS表現を用いてエゴ車両の制御シーケンスを最適化するとともに、エージェントの反応を連合最適化で予測する。
• プランナは、最も可能性の高いモードに対応する複数の並列ホライズンを持つモデル予測制御（MPC）定式化を用い、凸QPとして解く。
• システムは、予測と計画の両方のための共有パラメータを有する、nuScenesデータセット上でエンドツーエンドに訓練される。
• 本手法は、A、B、およびc行列のブロックがエージェントのダイナミクスと相互作用を表す、時空間的グラフ構造を活用する。

実験結果

リサーチクエスチョン

• RQ1 MATSのような力学系表現は、現実世界の交通シナリオにおける複雑でマルチモーダルな人間の運動を効果的にモデル化できるか？
• RQ2 MATSは、トラックレットベースの予測手法と比較して、モーションプランニングにおける計算効率をどのように向上させるか？
• RQ3 MATSは、エゴ車両の行動が予測されたエージェント行動に与える影響を、どの程度プランナが推論できるか？
• RQ4 MATSは、効率的で相互作用に配慮した計画を可能にする一方で、十分な予測精度を維持できるか？
• RQ5 MATSベースの計画は、都市の交差点のような複雑なマルチエージェント環境でも安全で滑らかな軌道を達成できるか？

主な発見

• MATS表現により、CPU上で平均50msのQPソルブ時間で計画が可能となり、トラックレットベースの手法と比較して顕著に高速化された。
• 24台のエージェントが関与する交差点シナリオにおいて、提案手法は1台のエージェントの計画に要する時間と同じ時間で、すべてのエージェントとその552の有向相互作用を計画している。
• 1ステップあたりの計画時間は、TBPP（トラックレットベースの計画）の0.25秒から50ms未満に短縮され、計画周波数が5倍に向上した。
• エゴ車両の他のエージェントへの影響は、B行列によって捉えられており、交差点の中心にいるときにピークに達しており、物理的に妥当であることが確認された。
• 構造的制約によるわずかな予測精度の低下を除き、強力な予測性能を維持しながら、効率的な計画が可能である。
• 他のエージェントの速度が変動しても、プランナは安全で滑らかな軌道を効果的に生成しており、衝突を回避し、交通を妨げない。