[論文レビュー] Multi-Vehicle Trajectories Generation for Vehicle-to-Vehicle Encounters.

Wenhao Ding, Wenshuo Wang+1 more|arXiv (Cornell University)|Sep 15, 2018

Autonomous Vehicle Technology and Safety参考文献 20被引用数 8

ひとこと要約

本論文は、車両間の出会いの分離可能で解釈可能な潜在表現を学習するため、変分オートエンコーダー（VAE）を用いた教師なしのマルチビークル軌道生成フレームワークを提案する。学習された潜在空間からのサンプリングにより、マルチビークル軌道生成器（MTG）は、ヴァニラVAEおよびinfoGANよりも優れた分離性と現実性を示す多様で交通状況に配慮したドライブシナリオを生成する。これにより、自動運転車両の堅牢なテストが可能になる。

ABSTRACT

Generating multi-vehicle trajectories analogous to these in real world can provide reliable and versatile testing scenarios for autonomous vehicle. This paper presents an unsupervised learning framework to achieve this. First, we implement variational autoencoder (VAE) to extract interpretable and controllable representatives of vehicle encounter trajectory. Through sampling from the distribution of these representatives, we are able to generate new meaningful driving encounters with a developed Multi-Vehicle Trajectory Generator (MTG). A new metric is also proposed to comprehensively analyze and compare disentangled models. It can reveal the robustness of models and the dependence among latent codes, thus providing guidance for practical application to improve system performance. Experimental results demonstrate that our proposed MTG outperforms infoGAN and vanilla VAE in terms of disentangled ability and traffic awareness. These generations can provide abundant and controllable driving scenarios, thus providing testbeds and algorithm design insights for autonomous vehicle development.

研究の動機と目的

• 自動運転車両のテストを目的とした、現実的で多様かつ制御可能なマルチビークルドライブ遭遇を生成すること。
• 人為的ラベルなしで、車両軌道パターンの分離可能で解釈可能な潜在表現を学習すること。
• 自動運転車両開発のための体系的シナリオ設計をサポートするスケーラブルで多用途な軌道生成器を開発すること。
• 実用的導入を支援するため、モデルのロバストネスおよび潜在コードの独立性を評価すること。

提案手法

• 本研究では、実世界に類似したマルチビークル軌道データを用いて、コンactで分離可能な潜在空間を学習するための変分オートエンコーダー（VAE）を訓練する。
• VAEの潜在空間から、解釈可能で制御可能な軌道レプリカントを抽出し、シナリオ設計に活用する。
• 学習された潜在分布からサンプリングし、新たな意味のあるドライブ遭遇を合成するためのマルチビークル軌道生成器（MTG）を開発した。
• 潜在コード間の分離性、ロバストネス、相関性を評価するための新しい指標を提案した。
• 条件付きサンプリングを可能にし、特定のドライブ行動や遭遇タイプを有するシナリオの生成を可能にした。
• 定性的および定量的分析を用いて、infoGANおよびヴァニラVAEと比較して本手法の有効性を評価した。

実験結果

リサーチクエスチョン

• RQ1 教師なしのVAEベースのフレームワークは、マルチビークル軌道パターンの分離可能で解釈可能な表現を学習できるか？
• RQ2 生成された軌道は、現実の交通ダイナミクスおよび遭遇の多様性をどの程度適切に反映しているか？
• RQ3 モデルの潜在コードは、どの程度独立したドライブ行動や遭遇タイプを表しているか？
• RQ4 提案された指標は、従来のモデルと比較して、モデルのロバストネスおよびコードの独立性をどのように明らかにしているか？
• RQ5 MTGは、ベースラインのGANおよびVAEアプローチと比較して、より現実的で制御可能なシナリオを生成できるか？

主な発見

• 提案されたマルチビークル軌道生成器（MTG）は、ヴァニラVAEおよびinfoGANと比較して優れた分離性能を達成した。
• モデルは、現実の車両間の出会いに類似した多様で交通状況に配慮したドライブシナリオを生成した。
• 提案された指標は、潜在コード間の依存関係を的確に同定し、モデルのロバストネスを効果的に評価した。
• 学習された潜在空間からのサンプリングにより、変則的移動や合流行動などの特定の遭遇タイプの制御可能な生成が可能になった。
• MTGは、複雑なマルチビークル相互作用をより良くモデル化できており、自動運転車両のためのより洗練されたテストベッド開発を支援した。
• 実験結果から、MTGが分離性および交通状況への配慮に関する指標において、ベースラインモデルを上回ることが確認された。