[論文レビュー] Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections

Junha Roh, Christoforos Mavrogiannis+3 more|arXiv (Cornell University)|Nov 8, 2020

Autonomous Vehicle Technology and Safety参考文献 33被引用数 10

ひとこと要約

本論文は、非制御交差点におけるマルチモーダル行動をモデル化するためにトポロジカル不変性を活用するデータ駆動型軌道予測手法であるMultiple Topologies Prediction (MTP)を提案する。トポロジカル構造を用いて高尤もらしさの高いマルチエージェント相互作用モードを符号化することで、MFPに比べ78.24%高い再構成精度を達成し、MTPnavプランナはCARLAシミュレーションにおいて多様なシナリオで衝突のない、時間的に効率的なナビゲーションを実現する。

ABSTRACT

We focus on decentralized navigation among multiple non-communicating rational agents at \emph{uncontrolled} intersections, i.e., street intersections without traffic signs or signals. Avoiding collisions in such domains relies on the ability of agents to predict each others' intentions reliably, and react quickly. Multiagent trajectory prediction is NP-hard whereas the sample complexity of existing data-driven approaches limits their applicability. Our key insight is that the geometric structure of the intersection and the incentive of agents to move efficiently and avoid collisions (rationality) reduces the space of likely behaviors, effectively relaxing the problem of trajectory prediction. In this paper, we collapse the space of multiagent trajectories at an intersection into a set of modes representing different classes of multiagent behavior, formalized using a notion of topological invariance. Based on this formalism, we design Multiple Topologies Prediction (MTP), a data-driven trajectory-prediction mechanism that reconstructs trajectory representations of high-likelihood modes in multiagent intersection scenes. We show that MTP outperforms a state-of-the-art multimodal trajectory prediction baseline (MFP) in terms of prediction accuracy by 78.24% on a challenging simulated dataset. Finally, we show that MTP enables our optimization-based planner, MTPnav, to achieve collision-free and time-efficient navigation across a variety of challenging intersection scenarios on the CARLA simulator.

研究の動機と目的

• 非通信可能なエージェントが非制御交差点で分散的に衝突のないナビゲーションを実現する課題に対処すること。
• 幾何的構造とエージェントの合理性を活用することで、マルチモーダル軌道予測の複雑さを低減すること。
• トポロジカル不変性を用いて高尤もらしさの高いマルチエージェント行動を形式化し、解釈可能でコンパクトなモデル化を実現すること。
• 再トレーニングなしで多様な交差点シナリオに一般化するデータ駆動型予測フレームワークを構築すること。
• 予測モデルをプランナーフレームワーク（MTPnav）に統合し、高精細シミュレーションにおいてリアルタイムで安全かつ効率的なナビゲーションを実現すること。

提案手法

• MTPは、複数エージェントの軌道行動を、同じトポロジカルな特徴（例：交差順序、相対パス）を持つモードの集合としてモデル化する。
• 本手法は、エージェント間の相互作用を符号化し、各トポロジカルモードの軌道代表を予測するためにグラフニューラルネットワークを用いる。
• トポロジカル不変性は、交差点における空間的・時間的順序に基づき、軌道を離散的な行動モードにグループ化する数学的制約として形式化される。
• 予測モデルは、合理的なエージェントの仮定に基づき、多様な交差点通過行動を捉えたカスタムシミュレータデータセット上で学習される。
• MTPnavは、MTPが予測したモードを基に、効率性、通過可能性、尤もらしさ、滑らかさを評価基準としてエゴ軌道の候補を評価し、最適な経路を選択する。
• プランナは分散的に動作し、エージェント間の明示的通信は一切行わず、予測された行動に依存する。

実験結果

リサーチクエスチョン

• RQ1 トポロジカル不変性を用いることで、非制御交差点における多様なマルチエージェント行動空間をコンパクトかつ意味的に表現できるか？
• RQ2 トポロジカル構造を組み込むことで、マルチモーダル軌道予測の精度と一般化性能がどの程度向上するか？
• RQ3 トポロジカルに情報化された予測モデルは、複雑で現実に近い交差点シナリオにおいて安全かつ効率的なナビゲーションを可能にするか？
• RQ4 MTPの性能は、最先端のベースラインと比較して、軌道再構成精度の観点でどの程度優れているか？
• RQ5 MTPをプランニングフレームワークに統合することで、明示的通信なしに衝突のない、時間的に効率的なナビゲーションが実現できるか？

主な発見

• MTPは、非制御交差点の通過行動を模倣した挑戦的なシミュレーテッドデータセットにおいて、MFPベースラインに比べ78.24%高い軌道再構成精度を達成した。
• 2エージェントおよび3エージェントの困難なシナリオにおいて、MTPnavは衝突頻度を0%に低減し、オートパイLOTおよびMPCベースラインを上回った。
• 4エージェントのシナリオでは、MTPnavは28.00%の衝突率を達成したが、オートパイLOTベースラインの40.00%に比べ顕著に低い水準であった。
• 2エージェントのシナリオでは、MTPnavが到着までの平均所要時間を19.13±3.78秒短縮し、3エージェントのシナリオでは14.81±1.56秒短縮し、MPCおよびオートパイLOTを上回った。
• 本手法は、エージェント密度が高く、複雑な相互作用パターンを示す多様なシナリオにおいても、強固な性能を示した。
• トポロジカル不変性の活用により、マルチモーダル行動のコンパクトで解釈可能かつ数学的に根拠のある表現が可能となり、モデルの一般化性能が向上した。