[論文レビュー] Probabilistic Vehicle Trajectory Prediction over Occupancy Grid Map via Recurrent Neural Network

ByeoungDo Kim, Chang Mook Kang+5 more|arXiv (Cornell University)|Apr 24, 2017

Traffic Prediction and Management Techniques参考文献 12被引用数 70

ひとこと要約

この論文はLSTMネットワークを用いて占有グリッドマップ上の未来の車両位置を確率的に予測し、ハイウェイ状況でKalmanフィルターベースの手法を上回る。

ABSTRACT

In this paper, we propose an efficient vehicle trajectory prediction framework based on recurrent neural network. Basically, the characteristic of the vehicle's trajectory is different from that of regular moving objects since it is affected by various latent factors including road structure, traffic rules, and driver's intention. Previous state of the art approaches use sophisticated vehicle behavior model describing these factors and derive the complex trajectory prediction algorithm, which requires a system designer to conduct intensive model optimization for practical use. Our approach is data-driven and simple to use in that it learns complex behavior of the vehicles from the massive amount of trajectory data through deep neural network model. The proposed trajectory prediction method employs the recurrent neural network called long short-term memory (LSTM) to analyze the temporal behavior and predict the future coordinate of the surrounding vehicles. The proposed scheme feeds the sequence of vehicles' coordinates obtained from sensor measurements to the LSTM and produces the probabilistic information on the future location of the vehicles over occupancy grid map. The experiments conducted using the data collected from highway driving show that the proposed method can produce reasonably good estimate of future trajectory.

研究の動機と目的

• 周囲車両の不確実性下で安全な自動運転を促進するための運転挙動予測。
• 軌跡データから複雑な車両ダイナミクスを学習するデータ駆動型のエンドツーエンドのLSTMベースのフレームワークを提案。
• 計画と衝突回避を支援するために占有グリッドマップ上の確率的な未来位置を出力。
• 将来のグリッド占有ターゲットによる自動ラベリングを用いた実世界センサデータからのトレーニングを可能にする。

提案手法

• LSTMネットワークを用いて周囲車両の相対座標列と自車状態の時系列ダイナミクスをモデル化。
• 未来Delta秒間のM x ×My占有グリッド上の確率的占有をソフトマックス層で予測。
• N台の近傍車両からの予測をユニオン式 Po(i_x,i_y)=1-∏(1-Po^(i)(i_x,i_y)) によって結合。
• ラベル付き未来グリッド占有に対して負の対数尤度損失、L2正則化、BPTTで学習。
• 任意でソフトマックスを直接座標出力と二乗誤差損失に置換して決定論的回帰パスを提供。

実験結果

リサーチクエスチョン

• RQ1 LSTMは歴史的センサデータから車両軌跡を支配する複雑な潜在因子を学習できるか？
• RQ2 LSTMによる占有グリッドの確率的予測は伝統的なKalmanフィルタベースの軌跡予測と比較してどうか？
• RQ3 高速道路状況における短期・中期・長期予測の予測精度（Delta = 0.5s, 1.0s, 2.0s）はどの程度か？
• RQ4 近傍車両を複数統合した予測は全体の軌道リスク評価と計画を改善するか？

主な発見

• LSTMベースの手法は全ての時間分解能でカルマンフィルタよりも予測精度が高い。
• Delta=0.5sの場合、 proposed scheme での MAE x, y, grid はそれぞれ 0.29, 0.52, 0.77 grid units。
• Delta=1.0s の MAE は 0.27 (X), 0.70 (Y), 0.88 (grid)；Delta=2.0s は 0.44 (X), 1.06 (Y), 1.31 (grid)。
• Kalman filter の MAE は 0.51, 1.55, 1.73 (Delta=0.5s); 0.96, 2.99, 3.26 (Delta=1.0s); 2.07, 5.84, 6.36 (Delta=2.0s)。
• この手法は難しいケースでも合理的な精度を維持し、特に水平方向運動で horizons が長くなるほど大きな改善を示す。
• 決定論的回帰バリアントも MAE でカルマンフィルタよりも substantial improvement を示す。