[論文レビュー] Motion Prediction of Traffic Actors for Autonomous Driving using Deep Convolutional Networks.

Nemanja Djuric, Vladan Radosavljević+5 more|arXiv (Cornell University)|Aug 17, 2018

Advanced Neural Network Applications被引用数 56

ひとこと要約

本論文は、自律走行車両の走行シナリオにおける交通参加者の将来の運動を予測するために、周囲状況のラスタライズド表現を用いる深層畳み込みニューラルネットワーク手法を提案する。空間的文脈と不確実性をモデル化することで、実車両の自動運転車両群における実世界での導入によって検証された、頑健な運動予測を実現する。

ABSTRACT

Recent algorithmic improvements and hardware breakthroughs resulted in a number of success stories in the field of AI impacting our daily lives. However, despite its ubiquity AI is only just starting to make advances in what may arguably have the largest impact thus far, the nascent field of autonomous driving. In this work we discuss this important topic and address one of crucial aspects of the emerging area, the problem of predicting future state of autonomous vehicle's surrounding necessary for safe and efficient operations. We introduce a deep learning-based approach that takes into account current state of traffic actors and produces rasterized representations of each actor's vicinity. The raster images are then used by deep convolutional models to infer future movement of actors while accounting for inherent uncertainty of the prediction task. Extensive experiments on real-world data strongly suggest benefits of the proposed approach. Moreover, following successful tests the system was deployed to a fleet of autonomous vehicles.

研究の動機と目的

• 安全な自律走行車両運用のため、交通参加者の将来の運動を予測するという重要な課題に取り組む。
• 交通シーンのラスタライズド表現を活用することで、空間的文脈を統合し、運動予測を改善する。
• 深層畳み込みニューラルネットワークを用いて、交通行動に内在する不確実性を扱う。
• 実世界の自律走行車両群での検証が可能な、実装可能なシステムを開発する。

提案手法

• 本手法は、交通参加者の現在の状態を、その周辺を表すラスタライズドトップダウン画像に変換する。
• これらのラスタライズド入力は、深層畳み込みニューラルネットワークによって処理され、将来の軌道が推定される。
• モデルは、確率的出力層を用いて予測の不確実性を明示的にモデル化する。
• アーキテクチャは、複雑な空間時系列依存関係を学習できるよう、実世界の走行データ上でエンドツーエンドで訓練される。
• リアルタイム推論を想定して設計されており、自律走行車両群に実際に導入された。
• マルチヘッド出力ヘッドが、不確実性推定を伴う将来の位置を予測する。

実験結果

リサーチクエスチョン

• RQ1 自律走行車両における運動予測のために、交通シーンからの空間的文脈をどのように効果的に符号化できるか？
• RQ2 深層畳み込みニューラルネットワークを用いることで、交通参加者のラスタライズド表現を活用して運動予測の精度を向上させられるか？
• RQ3 深層学習フレームワーク内で、将来の運動予測における不確実性をどのようにモデル化・表現できるか？
• RQ4 自律走行車両群に実際に導入された運動予測システムの実世界での性能はいかがなものか？
• RQ5 提案手法は、多様な交通シナリオや条件下でも一般化可能か？

主な発見

• 提案手法は、純粋に状態情報のみを用いるベースライン手法と比較して、運動予測の精度が顕著に向上した。
• ラスタライズド表現により、交通参加者の周囲の空間的文脈が符号化され、性能向上に寄与した。
• モデルは予測の不確実性を効果的に捉えており、より信頼性の高い軌道予測が得られた。
• 本システムは実世界の自律走行車両群に成功裏に導入され、実用性とスケーラビリティの両立を示した。
• 実世界データを用いた広範な実験により、多様な交通シナリオにおける手法の有効性が検証された。