[論文レビュー] Predicting Vehicle Behaviors Over An Extended Horizon Using Behavior Interaction Network

Wenchao Ding, Jing Chen+1 more|arXiv (Cornell University)|Mar 3, 2019

Autonomous Vehicle Technology and Safety参考文献 31被引用数 9

ひとこと要約

本稿では、再帰的符号化と適応的相互作用重み付けを用いて動的で相互作用に配慮した車両行動をモデル化することにより、長時間予測における車両行動予測を向上させる行動相互作用ネットワーク（VBIN）を提案する。この手法は、2.622秒の平均予測リードタイムを達成し、実際の高速道路データセットにおいて、最先端のモデルを上回る精度と不確実性低減を実現した。

ABSTRACT

Anticipating possible behaviors of traffic participants is an essential capability of autonomous vehicles. Many behavior detection and maneuver recognition methods only have a very limited prediction horizon that leaves inadequate time and space for planning. To avoid unsatisfactory reactive decisions, it is essential to count long-term future rewards in planning, which requires extending the prediction horizon. In this paper, we uncover that clues to vehicle behaviors over an extended horizon can be found in vehicle interaction, which makes it possible to anticipate the likelihood of a certain behavior, even in the absence of any clear maneuver pattern. We adopt a recurrent neural network (RNN) for observation encoding, and based on that, we propose a novel vehicle behavior interaction network (VBIN) to capture the vehicle interaction from the hidden states and connection feature of each interaction pair. The output of our method is a probabilistic likelihood of multiple behavior classes, which matches the multimodal and uncertain nature of the distant future. A systematic comparison of our method against two state-of-the-art methods and another two baseline methods on a publicly available real highway dataset is provided, showing that our method has superior accuracy and advanced capability for interaction modeling.

研究の動機と目的

• 既存の行動予測手法における予測時間枠の短さという制限を解決し、自律走行車両における効果的な長期計画を可能にする。
• 従来のソーシャルプールが、異なるエージェントの動的特性のため機能しないため、高速で動的変化が激しい走行状況において、車両相互作用をより効果的にモデル化する。
• 観察可能な行動パターンを超えて、相互作用の手がかりを活用することで、早期の行動予測を可能にする。
• 隣接する車両の行動確率に与える影響を捉える、エンドツーエンドで学習可能なスケーラブルな相互作用に配慮したネットワークを構築する。
• 特に車線変更に関して、長期的行動予測の精度を向上させるとともに不確実性を低減する。

提案手法

• 本手法は、再帰的ニューラルネットワーク（RNN）を用いて、車両の観測を隠れ状態に符号化し、時間的ダイナミクスを捉える。
• 相対的位置、速度、行動特徴に基づいて、車両ペア間の動的相互作用重みを計算する、新規の車両行動相互作用ネットワーク（VBIN）を提案する。
• 相互作用特徴が集約され、予測対象に対する総合的な社会的影響が計算され、それが行動クラスの尤度に影響を与える。
• 出力は、行動クラス（例：車線維持、車線変更）の確率分布であり、将来的な行動のマルチモーダル性と不確実性を反映する。
• モデルはエンドツーエンドで学習可能であり、リアルタイムの自律走行車両計画に適したスケーラブルな設計である。
• 相互作用重みは動的に学習されるため、高速走行状況において従来のソーシャルプール手法が抱える等重み化の欠陥を回避する。

実験結果

リサーチクエスチョン

• RQ1 行動パターンが可視化される時点を過ぎても、車両相互作用が行動予測の信頼できる手がかりを提供できるか？
• RQ2 エージェントの動的特性が社会的影響に顕著に影響を与える高速走行状況において、相互作用モデリングをどのように適合できるか？
• RQ3 学習可能な動的相互作用重み付け機構は、固定されたソーシャルプール手法を上回れるか？
• RQ4 相互作用に配慮したモデリングは、予測精度をどの程度向上させ、予測時間枠をどの程度延長できるか？
• RQ5 提案手法は、遠くの未来の行動予測における誤検出（偽陽性）と誤検出（偽陰性）をどの程度低減できるか？

主な発見

• 提案されたVBINは、2.622秒の平均予測時間で最高水準を達成し、ベースラインモデルと比較して予測時間枠を顕著に延長した。
• 重大な偽陰性（FN）数が206にまで低下し、全比較手法の中で最低水準に抑えられ、車線変更の早期検出能力に優れていることが示された。
• 重大な偽陽性（FP）数が322にまで低下し、全手法の中で最低水準であり、相互作用モデリングによる誤警報の低減が実証された。
• 全時間リードコリジョン（TTLC）値において、VBINは最小の負の対数尤度（NLL）損失を達成し、分類精度の優位性が確認された。
• TTLCが3.6秒の時点で、VBINは高い信頼度で車線変更を正しく予測したが、CLSTMは静的ソーシャルプールによる誤ったブロッキング仮定のため失敗した。
• F1スコア、適合率、再現率において、2つの最先端手法と2つのベースラインを上回り、特に長期予測において優れた性能を示した。