[論文レビュー] Physically Feasible Vehicle Trajectory Prediction

Harshayu Girase, Jerrick Hoang+2 more|arXiv (Cornell University)|Apr 29, 2021

Autonomous Vehicle Technology and Safety参考文献 35被引用数 7

ひとこと要約

この論文では、物理的現実性、保守性、データ効率性を保証するために、グラフニューラルネットワークと微分可能な純追従（Pure Pursuit）パス追跡層を組み合わせたハイブリッド車両軌道予測モデルであるPTNetを提案する。学習可能なフレームワークにロボティクスベースの動的制約を埋め込むことで、PTNetは物理的制約を満たすとともに、ベースラインモデルの半分の学習データで最先端の軌道誤差性能を達成した。

ABSTRACT

Predicting the future motion of actors in a traffic scene is a crucial part of any autonomous driving system. Recent research in this area has focused on trajectory prediction approaches that optimize standard trajectory error metrics. In this work, we describe three important properties -- physical realism guarantees, system maintainability, and sample efficiency -- which we believe are equally important for developing a self-driving system that can operate safely and practically in the real world. Furthermore, we introduce PTNet (PathTrackingNet), a novel approach for vehicle trajectory prediction that is a hybrid of the classical pure pursuit path tracking algorithm and modern graph-based neural networks. By combining a structured robotics technique with a flexible learning approach, we are able to produce a system that not only achieves the same level of performance as other state-of-the-art methods on traditional trajectory error metrics, but also provides strong guarantees about the physical realism of the predicted trajectories while requiring half the amount of data. We believe focusing on this new class of hybrid approaches is an useful direction for developing and maintaining a safety-critical autonomous driving system.

研究の動機と目的

• 自動運転分野で用いられる完全にデータ駆動型の軌道予測モデルにおける物理的現実性の欠如に対処すること。
• 機械学習と構造的なロボティクス技術を統合することで、技術的負債やコードの混在を低減し、システムの保守性を向上させること。
• 事前に存在する物理的動的知識を活用することで、学習に必要なデータ量を削減し、データ効率性を向上させること。
• ハイブリッド学習-ロボティクス手法が動的妥当性を保証しながら最先端の性能を達成できることを示すこと。
• 軌道誤差のみに注目するのではなく、妥当性指標を重要な評価基準として組み込むこと。

提案手法

• PTNetは、シーンの文脈と相互作用を考慮して、各アクターの運動プロファイル（加速度とステアリング）を予測するためのグラフニューラルネットワークを用いる。
• 微分可能な純追従パス追跡層が予測された運動プロファイルを実行し、曲率や加速度制限などの物理的制約を強制する。
• パス追跡層は微分可能であり、物理的妥当性を保ちつつ、モデル全体をエンドツーエンドで訓練可能である。
• 各ゴールごとに複数の運動プロファイルを生成し、それらを微分可能なトラッカーを介して実行することで、マルチモーダルな空間時間的軌道を出力する。
• 古典的なロボティクスの動的モデル（例：運動学的自転車モデル）をニューラルネットワークに統合し、物理的現実性をインダクティブバイアスとして埋め込む。
• 実世界のドライブデータ上でエンドツーエンドで学習し、軌道誤差と妥当性制約の両方を最適化する損失関数を用いる。

実験結果

リサーチクエスチョン

• RQ1 機械学習とロボティクス技術を組み合わせたハイブリッドモデルは、性能を損なわせることなく、車両軌道予測における物理的現実性を向上させることができるか？
• RQ2 微分可能なパス追跡層を統合することで、システムの保守性がどの程度向上し、技術的負債が低減されるか？
• RQ3 物理ベースの制約を組み込むことで、軌道予測モデルのデータ効率性にどのような影響が生じるか？
• RQ4 標準的な軌道誤差指標が捉えきれない、最先端モデルの欠陥が妥当性指標によって明らかになるか？
• RQ5 モデルが物理的動的妥当性を保証しながら、同時に最先端の軌道誤差性能を達成できるか？

主な発見

• PTNetは、3T設定下で曲率と走行加速度の妥当性指標において0%の違反を示したのに対し、GoalNetはそれぞれ69.02%および5.64%の違反を示した。
• PTNetは、すべての時間的モードにおいて最小および最大走行加速度の妥当性指標で0%の違反を維持し、一貫した物理的妥当性を示した。
• モデルは100%のデータ効率性向上を達成した：PTNetは、GoalNetと同等の性能に到達するための学習データ量を半分に削減した。
• 定性的な分析から、PTNetは滑らかで動的妥当な軌道を生成する一方、GoalNetの出力はL2誤差が低くてもノイジーで物理的に妥当でないことがあることが確認された。
• 微分可能な純追従層により、物理的制約を強制しながらエンドツーエンド学習が可能となり、保守性と解釈可能性の高いシステムが実現された。
• PTNetは、標準的な軌道誤差指標でGoalNetと同等またはそれを上回る性能を示した一方で、重要な妥当性指標においても優れた性能を示した。