[論文レビュー] Probabilistic Trajectory Prediction for Autonomous Vehicles with Attentive Recurrent Neural Process

Jiacheng Zhu, Shenghao Qin+2 more|arXiv (Cornell University)|Oct 17, 2019

Autonomous Vehicle Technology and Safety参考文献 31被引用数 12

ひとこと要約

本稿では、再帰的ニューラルネットワークとニューラルプロセスを組み合わせることで、逐次的相互作用とグローバルな文脈を捉える確率的トラジェクトリ予測モデル、Attentive Recurrent Neural Process (ARNP) を提案する。ARNP は、予測分布を明示的にモデル化するため、従来手法に比べてトラジェクトリの正確性、不確実性の表現力、一般化性能において優れている。

ABSTRACT

Predicting surrounding vehicle behaviors are critical to autonomous vehicles when negotiating in multi-vehicle interaction scenarios. Most existing approaches require tedious training process with large amounts of data and may fail to capture the propagating uncertainty in interaction behaviors. The multi-vehicle behaviors are assumed to be generated from a stochastic process. This paper proposes an attentive recurrent neural process (ARNP) approach to overcome the above limitations, which uses a neural process (NP) to learn a distribution of multi-vehicle interaction behavior. Our proposed model inherits the flexibility of neural networks while maintaining Bayesian probabilistic characteristics. Constructed by incorporating NPs with recurrent neural networks (RNNs), the ARNP model predicts the distribution of a target vehicle trajectory conditioned on the observed long-term sequential data of all surrounding vehicles. This approach is verified by learning and predicting lane-changing trajectories in complex traffic scenarios. Experimental results demonstrate that our proposed method outperforms previous counterparts in terms of accuracy and uncertainty expressiveness. Moreover, the meta-learning instinct of NPs enables our proposed ARNP model to capture global information of all observations, thereby being able to adapt to new targets efficiently.

研究の動機と目的

• 複雑で不確実性を伴う複数車両の相互作用状況における車両のトラジェクトリを予測する課題に対処すること。
• 不確実性や長期間の依存関係を捉えることができない決定論的モデルや非確率的学習フレームワークの限界を克服すること。
• ニューラルプロセスのメタラーニング特性を活用することで、少数の観測データで新しい交通状況に効率的に適応できること。
• 周囲の車両間の逐次的ダイナミクスとグローバルな相互作用パターンを統合的にモデル化することで、トラジェクトリ予測を改善すること。

提案手法

• ニューラルプロセス（NPs）と再帰的ニューラルネットワーク（RNNs）を統合し、車両のトラジェクトリの分布を確率的プロセスとしてモデル化する。
• RNN を用いて周囲の車両の長期間にわたる逐次的トラジェクトリを潜在表現に符号化する。
• 予測時に、周囲の車両からの関連する文脈的情報を動的に重みづけするためのアテンション機構を組み込む。
• 潜在変数 z を介して、観測済みのコンテキストペア（周囲のトラジェクトリ、ターゲットのトラジェクトリ）に条件づけて、ターゲット車両のトラジェクトリの予測分布をモデル化する。
• 予測における不確実性を明示的に学習するために、負の対数尤度（NLL）を最小化することで、モデルをエンドツーエンドで訓練する。
• NPs のメタラーニング能力を活用し、限られたデータで未観測のシナリオに一般化できることを実現する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、複雑な交通状況における人間運転車両行動の確率的かつ相互作用的な性質を効果的に捉えることができるか？
• RQ2 ニューラルプロセスによる確率的インダクティブバイアスを有するモデルは、少数の観測データで未観測の交通状況にどの程度一般化できるか？
• RQ3 再帰性とアテンションを組み込むことで、従来手法に比べて長期間のトラジェクトリ予測の正確性と不確実性の定量化がどの程度向上するか？
• RQ4 予測の正確性と分布表現力の面で、非確率的または非メタラーニングベースラインを上回ることができるか？

主な発見

• ARNP は、横方向において、比較対象のすべての手法の中で最小の平均予測誤差（1秒後：0.020 m、2秒後：0.109 m、3秒後：0.130 m、4秒後：0.203 m）を達成した。
• ARNP は、予測の分散が最小（1秒後：0.235 m、2秒後：0.276 m、3秒後：0.307 m、4秒後：0.332 m）であり、安定的かつ適切にキャリブレーションされた不確実性推定を示している。
• ARNP は負の対数尤度（NLL）が -0.0229 であり、ANP（7024.45）や他の手法を著しく上回り、優れた分布学習性能を示している。
• モデルは、レーン変更行動のグローバルなトレンドを効果的に捉えており、特にレーンマーカーを越えた後は、予測されたトラジェクトリ分布が真値と密接に一致している。
• メタラーニングのインダクティブバイアスのおかげで、新しいシナリオへの一般化が効果的に行えるため、限られたコンテキストデータでも迅速な適応が可能である。
• 可視化結果から、ARNP は明示的な予測分布（黒線の平均と青色の分散面）を生成しており、真値のトラジェクトリをしっかりと包摂しており、優れた不確実性表現力が確認された。