[論文レビュー] Modeling Multi-Vehicle Interaction Scenarios Using Gaussian Random Field

Yaohui Guo, Vinay Varma Kalidindi+5 more|arXiv (Cornell University)|Jun 25, 2019

Autonomous Vehicle Technology and Safety参考文献 14被引用数 4

ひとこと要約

本稿では、自然的交通データから運動パターンを学習するために、ディリクレ過程（DP）を事前分布として用いたガウス過程（GP）混合モデルを用いた非パrametricベイズ枠組みを提案する。この手法は、事前にシナリオの種類を指定せずに、複雑で高次元の走行インタラクションを捉えることができ、インプリシットなレーン配置学習を伴い、高速道路および交差点のシナリオを現実的かつ自然にシミュレート可能である。

ABSTRACT

Autonomous vehicles are expected to navigate in complex traffic scenarios with multiple surrounding vehicles. The correlations between road users vary over time, the degree of which, in theory, could be infinitely large, thus posing a great challenge in modeling and predicting the driving environment. In this paper, we propose a method to model multi-vehicle interactions using a stochastic vector field model and apply non-parametric Bayesian learning to extract the underlying motion patterns from a large quantity of naturalistic traffic data. We then use this model to reproduce the high-dimensional driving scenarios in a finitely tractable form. We use a Gaussian process to model multi-vehicle motion, and a Dirichlet process to assign each observation to a specific scenario. We verify the effectiveness of the proposed method on highway and intersection datasets from the NGSIM project, in which complex multi-vehicle interactions are prevalent. The results show that the proposed method can capture motion patterns from both settings, without imposing heroic prior, and hence demonstrate the potential application for a wide array of traffic situations. The proposed modeling method could enable simulation platforms and other testing methods designed for autonomous vehicle evaluation, to easily model and generate traffic scenarios emulating large scale driving data.

研究の動機と目的

• 自律走行車環境における複雑で高次元の複数車両インタラクションを完全にデータ駆動でモデル化する手法の開発。
• 従来のモデルが強い事前分布や固定されたシナリオ数、または簡略化された1対1のインタラクションに依存するという限界を克服すること。
• 事前にシナリオ数を仮定せずに、大規模な自然的交通データから潜在的な運動パターンを抽出すること。
• 自律走行車のテストおよびシミュレーションに適した現実的で代表的な交通シナリオを生成すること。
• 幾何的入力を明示的に与えず、軌跡データからのみレーンレベルの行動および道路レイアウトをインプリシットに学習すること。

提案手法

• 各運動パターンを別個のガウス過程（GP）成分としてモデル化し、複数車両の運動をGP成分の混合として表現する。
• データから運動パターンの数を非パrametric的に推定するために、ディリクレ過程（DP）を事前分布として用いることで、事前に指定しない。
• 混合成分、重み、およびGPハイパーパramータの後部確率推定にギブスサンプリングを適用する。
• 各運動パターンを関心領域（ROI）上のGP速度場として表現することで、滑らかで連続的な軌跡生成を可能にする。
• NGSIM高速道路および交差点データセットを用いて、実世界の観測からインタラクションダイナミクスを学習する。
• 学習されたGP平均速度場を用いて、実際のインタラクションシナリオ（レーン使用、曲がり行動など）を反映した軌跡をシミュレートする。

実験結果

リサーチクエスチョン

• RQ1 事前に固定されたシナリオ数を仮定せずに、大規模な自然的交通データから複数車両のインタラクションパターンを非パrametricベイズモデルが効果的に学習できるか。
• RQ2 ガウス過程ベースの速度場モデルは、交差点および高速道路における複雑で多方向のインタラクションをどれほど正確に捉えることができるか。
• RQ3 軌跡データのみから、道路レイアウトおよびレーンレベルの行動をどれほど正確にインプリシットに学習できるか。
• RQ4 学習された運動パターンは、現実の運転行動を反映した現実的で多様な交通シナリオを生成できるか。
• RQ5 パrametricモデルや簡略化モデルと比較して、動的で高次元のインタラクションをどれほど効果的に捉えられるか。

主な発見

• モデルは高速道路および交差点データセットの両方から運動パターンを効果的に学習し、合流、レーン変更、左折などの多様なインタラクションタイプを捉えた。
• GP平均速度場は、幾何的入力を明示的に与えずとも、道路境界およびレーン配置をインプリシットに学習しており、道路領域外への確率質量が低いことから裏付けられた。
• シミュレートされた軌跡は、実際の行動（方向別流れ、交差点でのストップアンドゴー）とよく一致した。
• 手動でのラベル付けなしに、車両が左折する、まっすぐ進む、交差点で待機するといった意味的交通シナリオを反映した運動パターンを生成した。
• ディリクレ過程により、事前にシナリオ数を仮定することなく、潜在的な運動パターンの数を自動で同定できた。
• 特に、高速道路データよりもインタラクションの多様性が高い交差点シナリオにおいて、複雑で多方向のインタラクションを効果的にモデル化するという点で、本フレームワークの強靭性が示された。