[論文レビュー] Motion Prediction on Self-driving Cars: A Review

Shahrokh Paravarzar, Belqes Mohammad|arXiv (Cornell University)|Nov 6, 2020

Autonomous Vehicle Technology and Safety参考文献 29被引用数 4

ひとこと要約

本レビューでは、自律走行車両における動き予測の最先端的手法を統合的に検討し、古典的手法、ディープラーニング、強化学習の手法を評価している。動的交通状況下での複雑でマルチモーダルな相互作用をモデル化できる点から、深層強化学習が最も有望なアプローチであると判明した。

ABSTRACT

The autonomous vehicle motion prediction literature is reviewed. Motion prediction is the most challenging task in autonomous vehicles and self-drive cars. These challenges have been discussed. Later on, the state-of-theart has reviewed based on the most recent literature and the current challenges are discussed. The state-of-the-art consists of classical and physical methods, deep learning networks, and reinforcement learning. prons and cons of the methods and gap of the research presented in this review. Finally, the literature surrounding object tracking and motion will be presented. As a result, deep reinforcement learning is the best candidate to tackle self-driving cars.

研究の動機と目的

• 自律走行車両における動き予測の現状を分析し、動的で相互作用的な交通行動をモデル化する課題に焦点を当てる。
• 古典的、ディープラーニング、強化学習に基づく動き予測手法の長所と短所を評価する。
• 実世界での自律走行システムの導入に必要な正確性、安全性、一般化性能の分野における研究ギャップを特定する。
• 意味的マップ、センサーフュージョン、環境制約が予測性能に与える影響を検討する。
• 強化学習がマルチモーダルかつ相関関係のある車両行動を処理するスケーラブルなソリューションとして実現可能かどうかを評価する。

提案手法

• 2011年から2020年までの自律走行車両における動き予測に関する文献を系統的レビューし、手法的アプローチ別に分類する。
• 動き予測手法を3つの主要なカテゴリに分類する：古典的／物理モデル、ディープラーニング（CNN-RNNハイブリッド）、強化学習。
• マルチモーダル行動、環境依存性、リアルタイム制約の処理能力に基づいて手法を評価する。
• LiDAR、レーダー、カメラからのセンサーデータ統合と意味的マッピングによる文脈認識型予測の分析。
• 確率的フレームワークと不確実性下での軌道予測を用いた動きモデリングの分析。
• 交通ルール、道路の幾何学的形状、動的環境変化を予測モデルの制約として統合する。

実験結果

リサーチクエスチョン

• RQ1 古典的および物理的動き予測モデルは、複雑な現実世界の交通相互作用をどの程度効果的に処理できるか？
• RQ2 ディープラーニングモデル（例：CNN-RNN）は、従来の手法に比べてマルチモーダルな状況での予測精度をどの程度向上させるか？
• RQ3 強化学習モデルは、自律走行における長期的依存関係および車両間の依存関係を効果的に捉えることができるか？
• RQ4 安全性、頑健性、多様な走行環境における一般化性能の面で、現在の動き予測モデルにどのような主な制限があるか？
• RQ5 天候、道路の幾何学的形状、交通ルールなどの環境要因が、動き予測システムの性能にどのように影響を与えるか？

主な発見

• 特にCNNとRNNを組み合わせたディープラーニングモデルは、車両軌道の空間的・時間的依存関係をモデル化する上で優れた性能を示している。
• 強化学習手法は、古典的およびディープラーニングのベースラインに比べ、複雑でマルチモーダルな行動と車両間の相互作用を処理する上で顕著な潜在能力を示している。
• 進展は見られるものの、依然として高リスクの交通状況での実用的導入に求められる正確性と安全性基準を満たせていない。
• 意味的マップとセンサーフュージョンの統合は、動的環境における文脈認識の向上と予測信頼性の強化に顕著な効果をもたらしている。
• Lane change（車線変更）、停止、急ブレーキなどのマルチモーダル行動は、依然として大きな課題であり、車両間の高い不確実性と相関関係が要因である。
• 現在のモデルは、悪天候や予期せぬ道路状況の下でも一般化が困難であり、特にその分野で失敗している。