[論文レビュー] Probabilistic Prediction of Vehicle Semantic Intention and Motion

Yeping Hu, Wei Zhan+1 more|arXiv (Cornell University)|Apr 10, 2018

Autonomous Vehicle Technology and Safety参考文献 16被引用数 17

ひとこと要約

本論文は、多様な交通状況において、車両の意図（セマンティックな挿入領域を介して）と運動（最終目的地およびLane Changeまでの時間）を統合的に予測する、意味的意図および運動予測（SIMP）フレームワークを提案する。本手法は、SVMおよびQRFベースラインと比較して、意図予測の正確性（F1スコア：0.931 対 0.888）と、より狭い信頼区間を伴う運動予測を達成し、挿入領域検出ではほぼ完璧なAUC（1.0）を達成し、Lane Changeまでの時間予測では1秒未塔のRMSEを達成した。

ABSTRACT

Accurately predicting the possible behaviors of traffic participants is an essential capability for future autonomous vehicles. The majority of current researches fix the number of driving intentions by considering only a specific scenario. However, distinct driving environments usually contain various possible driving maneuvers. Therefore, a intention prediction method that can adapt to different traffic scenarios is needed. To further improve the overall vehicle prediction performance, motion information is usually incorporated with classified intentions. As suggested in some literature, the methods that directly predict possible goal locations can achieve better performance for long-term motion prediction than other approaches due to their automatic incorporation of environment constraints. Moreover, by obtaining the temporal information of the predicted destinations, the optimal trajectories for predicted vehicles as well as the desirable path for ego autonomous vehicle could be easily generated. In this paper, we propose a Semantic-based Intention and Motion Prediction (SIMP) method, which can be adapted to any driving scenarios by using semantic-defined vehicle behaviors. It utilizes a probabilistic framework based on deep neural network to estimate the intentions, final locations, and the corresponding time information for surrounding vehicles. An exemplar real-world scenario was used to implement and examine the proposed method.

研究の動機と目的

• ハードコーディングされた行動クラスを必要とせず、多様な交通状況に適応可能な汎用的な意図および運動予測フレームワークの開発。
• 環境的制約を自然に組み込むことで、直接的に目的地位置とLane Changeまでの時間を予測することにより、長期的な運動予測の精度を向上。
• 確率的分布を用いた不確実性のモデリングにより、信頼区間をより狭くすることで予測の信頼性を向上。
• 統一されたセマンティック表現を用いて、Lane Changeおよび挿入意図を早期かつ正確に検出可能にする。

提案手法

• 本手法は、車両の意図を特定のセマンティックな挿入領域（例えば、他の車両の間のギャップやレーン進入位置）に進入することとして定義し、シナリオに依存しない行動モデリングを可能にする。
• 深層ニューラルネットワークが、周囲の車両の挿入領域、最終目的地、およびLane Changeまでの時間（TTLC）の確率分布を推定する。
• 変分ガウス・ミックス・モデル（VGMM）を用いて、目的地とTTLCの連合分布を表現し、確率的トラジェクトリ生成を可能にする。
• 意図と運動予測を1つの確率的推論パイプラインに統合することで、エンドツーエンド学習と不確実性の定量化を可能にする。
• 予測の信頼区間は、学習されたガウス・ミックス成分から導出され、TTLCが0に近づくに従い幅が小さくなることで、確実性の向上を示している。
• 本手法は、実世界の高速道路データを用いて訓練および評価され、精度、再現率、F1スコア、AUCなどの指標を用いて性能が検証された。

実験結果

リサーチクエスチョン

• RQ1 挿入領域を介した統一されたセマンティック表現を用いることで、シナリオ固有の行動クラスを必要とせずに、多様な交通状況に一般化可能か？
• RQ2 目的地位置とTTLCを直接予測することで、軌道ベースまたは回帰のみの手法と比較して、長期的な運動予測の正確性がどのように向上するか？
• RQ3 提案された確率的フレームワークは、信頼区間の幅とRMSEで測定される不確実性をどの程度低減するか？
• RQ4 本手法は、Lane Changeを早期かつ正確に検出可能か？また、SVMなどの従来の分類器と比較して、予測のリードタイムはどの程度か？

主な発見

• SIMP手法は、SVM（0.888）と比較して、意図予測でより高いF1スコア（0.931）を達成し、分類性能の優位性を示した。
• Lane Change検出の平均予測時間は1.957秒であり、SVMの1.911秒と比較してわずかに早期に検出可能であることが示され、早期検出能力の向上が裏付けられた。
• 動的挿入領域（DIA1–DIA3）ではAUCが1.0、DIA4では0.994を達成し、Lane Changeの方向およびターゲットギャップの検出精度がほぼ完璧であることを示した。
• Lane Changeまでの時間（TTLC）予測に関しては、SIMP手法のRMSEがイベントに近づくに従い0に近づく傾向を示し、高い時間的正確性を示した。
• SIMP手法の2σ信頼区間は、QRFベースラインの68%区間よりも狭く、不確実性推定がよりきめ細やかであることを示した。
• 予測された目的地誤差はt=0で0に達しなかったが、これはモデルの失敗ではなく、基準車両の相対的運動および速度のばらつきに起因するとされた。