[論文レビュー] OCTNet: Trajectory Generation in New Environments from Past Experiences

Weiming Zhi, Tin Lai+3 more|arXiv (Cornell University)|Sep 25, 2019

Autonomous Vehicle Technology and Safety参考文献 25被引用数 4

ひとこと要約

OCTNet は、異なる環境で観測された過去のトラジェクトリから一般化することで、新しい環境においてマルチモーダルでマップに配慮したトラジェクトリを生成する確率的生成モデルである。OCTNet は占有マップを特徴ベクトルにエンコードし、ニューラルネットワークを用いてトラジェクトリパラメータの条件付き分布をモデル化することで、リジェクションサンプリングを必要とせず、高品質で妥当なトラジェクトリ生成を可能にし、GAN や CVAE よりもトラジェクトリの忠実性とマップ適合性で優れている。

ABSTRACT

Being able to safely operate for extended periods of time in dynamic environments is a critical capability for autonomous systems. This generally involves the prediction and understanding of motion patterns of dynamic entities, such as vehicles and people, in the surroundings. Many motion prediction methods in the literature can learn a function, mapping position and time to potential trajectories taken by people or other dynamic entities. However, these predictions depend only on previously observed trajectories, and do not explicitly take into consideration the environment. Trends of motion obtained in one environment are typically specific to that environment, and are not used to better predict motion in other environments. In this paper, we address the problem of generating likely motion dynamics conditioned on the environment, represented as an occupancy map. We introduce the Occupancy Conditional Trajectory Network (OCTNet) framework, capable of generalising the previously observed motion in known environments, to generate trajectories in new environments where no observations of motion has not been observed. OCTNet encodes trajectories as a fixed-sized vector of parameters and utilises neural networks to learn conditional distributions over parameters. We empirically demonstrate our method's ability to generate complex multi-modal trajectory patterns in different environments.

研究の動機と目的

• 観測された運動データがない新しい環境で自律エージェントが現実的で妥当な運動トラジェクトリを生成できるようにすること。
• 異なる環境での過去の経験から一般化できるマップに配慮したトラジェクトリ生成モデルを開発すること。
• 複雑な環境における人間や動的エージェントの運動の確率的かつマルチモーダルな性質をモデル化すること。
• 前方サンプリングや誤差蓄積に依存せずに、任意の時間分解能で連続的かつクエリ可能なトラジェクトリを生成すること。
• 占有マップを類似度に基づく特徴ベクトルにエンコードし、それらを条件としてトラジェクトリ生成をすることにより、一般化性能を向上させること。

提案手法

• OCTNet は、基本関数係数（w）の固定サイズのベクトルとしてトラジェクトリを表現することで、コンactかつ微分可能なトラジェクトリ符号化を可能にする。
• モデルは、占有マップの学習済み埋め込み（φ）を条件として、p(w | φ) の条件付き分布を学習するニューラルネットワークを用いる。これにより、環境の構造を捉える。
• マルチモーダルなトラジェクトリ分布をモデル化するため、混合密度ネットワーク（MDN）を採用し、多様で現実的な運動パターンのサンプリングを可能にする。
• w の要素に、正規分布とラプラス分布の2つの事前分布を評価し、実験ではラプラス分布がより優れた性能を示した。
• サンプリングされた w ベクトルからカーネルベースの補間を用いてトラジェクトリを再構成することで、連続的かつ解像度に柔軟なトラジェクトリクエリを実現する。
• モデルは、占有マップを類似度を捉えるシアン型ネットワークでエンコードすることで、エンドツーエンドで最大尤度推定により訓練される。

実験結果

リサーチクエスチョン

• RQ1 生成モデルは、異なる環境からの過去のトラジェクトリデータのみを用いて、新しい環境で妥当でマルチモーダルな運動トラジェクトリを学習して生成できるか？
• RQ2 運動データがその環境に存在しない未確認の環境に対し、マップ条件付きモデルはどの程度一般化できるか？
• RQ3 異なる事前分布が生成トラジェクトリの品質と多様性に与える影響は何か？
• RQ4 GAN や CVAE と比較して、トラジェクトリの妥当性とマップ適合性において、モデルはどの程度優れているか？
• RQ5 前方サンプリングによる誤差蓄積に依存せずに、任意の時間分解能で連続的なトラジェクトリを生成できるか？

主な発見

• OCTNet はリジェクションサンプリングを必要とせず、未確認の環境でも高品質で妥当なトラジェクトリを生成し、サンプルされたトラジェクトリの約33％が有効であった。これは GAN や CVAE よりも顕著に高い成功率を示している。
• トラジェクトリパラメータにラプラス事前分布を用いることで、正規事前分布を上回る性能を発揮し、ハウスドルフ距離が 1.86、フレシェ距離が 2.00 と、優れたトラジェクトリ忠実性を達成した。
• OCTNet は、ハウスドルフ距離（11.79 対 1.86）、フレシェ距離（16.66 対 2.00）、DTW（1147.40 対 93.10）のすべての指標で GAN や CVAE を上回り、トラジェクトリ品質とマップ適合性に優れていることが示された。
• 環境間の類似性を捉えるマップ埋め込み φ を用いることで、占有マップの訓練データが限られている状況でも、効果的な一般化が可能になった。
• 多様で環境に整合したトラジェクトリ出力を通じて、マルチモーダルな運動パターンを効果的に捉えていることが裏付けられた。
• カーネルベースの補間による連続的トラジェクトリ表現により、任意の時間点でのトラジェクトリクエリが可能となり、柔軟な下流計画を支援した。