[論文レビュー] Recursive Social Behavior Graph for Trajectory Prediction

Jianhua Sun, Qinhong Jiang+1 more|arXiv (Cornell University)|Apr 22, 2020

Autonomous Vehicle Technology and Safety参考文献 44被引用数 17

ひとこと要約

本稿では、距離に依存しない関係性を捉えるためにグループベースのアノテーションを用いることで、人間の軌道予測における社会的相互作用をグラフベースでモデル化する新規な手法、Recursive Social Behavior Graph (RSBG) を提案する。RSBGに従ってグラフ畳み込みネットワークにより歩行者の特徴を再帰的に更新することで、ETHおよびUCYデータセットにおいて最先端手法比でADEとFDEが平均11.1%および10.8%向上を達成した。

ABSTRACT

Social interaction is an important topic in human trajectory prediction to generate plausible paths. In this paper, we present a novel insight of group-based social interaction model to explore relationships among pedestrians. We recursively extract social representations supervised by group-based annotations and formulate them into a social behavior graph, called Recursive Social Behavior Graph. Our recursive mechanism explores the representation power largely. Graph Convolutional Neural Network then is used to propagate social interaction information in such a graph. With the guidance of Recursive Social Behavior Graph, we surpass state-of-the-art method on ETH and UCY dataset for 11.1% in ADE and 10.8% in FDE in average, and successfully predict complex social behaviors.

研究の動機と目的

• 距離に基づく相互作用モデリングの限界を解消すること。これは、追従や衝突回避といった複雑な社会的行動を捉えられないことによる。
• 空間的近接性を超えた社会的関係をモデル化するため、潜在的な社会的表現を学習するための監督としてグループベースのアノテーションを導入すること。
• グラフニューラルネットワークを活用して社会的相互作用情報を再帰的に更新された社会的行動グラフを通じて伝搬させることで、軌道予測の精度を向上させること。
• グループレベルの社会的規範や長距離相互作用が、深層学習フレームワークにおいて効果的に捉えられ、利用可能であることを実証すること。

提案手法

• 歩行者をノードとし、関係性を表す社会的表現（エッジ）がグループレベルの相互作用パターンをエンコードするRecursive Social Behavior Graph (RSBG) を構築する。
• 専門家がラベル付けしたグループアノテーションを用いて社会的表現の学習を監視することで、ユークリッド距離を超えた潜在的な社会的関係をモデルが学習可能となる。
• メッセージパッシングを用いて、歩行者特徴と社会的表現を交互に再帰的に更新するメカニズムを採用する。
• Graph Convolutional Networks (GCNs) を用いて、RSBG内のノード間で社会的相互作用特徴を伝搬・集約させ、より良い軌道予測を実現する。
• 最終予測精度を向上させるために、FDE（Final Distance Error）を強調するためのハイパーパrameter γ を用いた指数的L2損失関数を適用する。
• 各ノードの入力として歴史的軌道特徴を統合することで、社会的行動における時間的ダイナミクスをモデルが考慮可能となる。

実験結果

リサーチクエスチョン

• RQ1 グループベースのアノテーションは、距離に依存しない複雑な社会的相互作用のモデリングを向上させることができるか？
• RQ2 社会的行動グラフにおける再帰的特徴の精錬は、静的または距離に基づく手法と比較して予測精度をどのように向上させるか？
• RQ3 GCNsは、動的に更新されるグラフ構造を通じて社会的相互作用情報を効果的に伝搬できるか？
• RQ4 提案手法は、複雑なシーンにおける追従、参加、衝突回避といった多様な社会的行動に一般化可能か？
• RQ5 損失関数においてFDEを強調することは、標準的なL2損失と比較して、最終的な予測性能を向上させるか？

主な発見

• 提案されたRSBGモデルは、ETHおよびUCYベンチマークデータセットにおいて、最先端手法比で平均11.1%のADE（Average Displacement Error）の向上と10.8%のFDE（Final Displacement Error）の向上を達成した。
• モデルは、距離の遠い歩行者が追従しているような長距離社会的関係を効果的に捉え、距離に基づくモデルでは検出できない。
• RSBGのエッジ重みの可視化により、空間的に離れていても追従行動や衝突回避といった一貫性のある社会的規範が学習されていることが確認された。
• γ=20 の指数的L2損失は最良のトレードオフを実現し、標準的なL2損失と比較してADEとFDEをそれぞれ4.0%および4.8%削減した。
• 定性的な結果から、RSBGは他のモデルが見逃す「参加」「追従」「衝突回避」行動を正しく予測する、より社会的に妥当な軌道を生成することが分かった。
• 再帰的メカニズムにより、個々の特徴と社会的表現の両方が繰り返し精錬され、より正確で文脈に整合した予測が可能となった。