[論文レビュー] SCALE-Net: Scalable Vehicle Trajectory Prediction Network under Random Number of Interacting Vehicles via Edge-enhanced Graph Convolutional Neural Network

Hyeongseok Jeon, Junwon Choi+1 more|arXiv (Cornell University)|Feb 28, 2020

Autonomous Vehicle Technology and Safety参考文献 22被引用数 13

ひとこと要約

SCALE-Net は、周囲の車両数に関係なく一貫した精度と計算負荷を維持する、完全にスケーラブルなグラフニューラルネットワークであり、車両軌道予測に適している。エッジ強化型グラフ畳み込みネットワーク（EGCN）を用いて動的相互作用をモデル化し、交通密度が異なる NGSIM データセットにおいて、推論時間の安定性と予測精度の向上を実現し、先行手法を上回る性能を発揮する。

ABSTRACT

Predicting the future trajectory of surrounding vehicles in a randomly varying traffic level is one of the most challenging problems in developing an autonomous vehicle. Since there is no pre-defined number of interacting vehicles participate in, the prediction network has to be scalable with respect to the vehicle number in order to guarantee the consistency in terms of both accuracy and computational load. In this paper, the first fully scalable trajectory prediction network, SCALE-Net, is proposed that can ensure both higher prediction performance and consistent computational load regardless of the number of surrounding vehicles. The SCALE-Net employs the Edge-enhance Graph Convolutional Neural Network (EGCN) for the inter-vehicular interaction embedding network. Since the proposed EGCN is inherently scalable with respect to the graph node (an agent in this study), the model can be operated independently from the total number of vehicles considered. We evaluated the scalability of the SCALE-Net on the publically available NGSIM datasets by comparing variations on computation time and prediction accuracy per single driving scene with respect to the varying vehicle number. The experimental test shows that both computation time and prediction performance of the SCALE-Net consistently outperform those of previous models regardless of the level of traffic complexities.

研究の動機と目的

• 変動する数の相互作用する車両を伴う動的交通状況における軌道予測の課題に対処すること。
• 車両数に関係なく一貫した計算負荷を維持する軌道予測モデルの開発。
• 多様な交通密度および相互作用パターンにおいて高い予測精度を確保すること。
• 異なる車両数に適応するための再トレーニングやアーキテクチャ変更を必要としないスケーラブルなアーキテクチャの設計。

提案手法

• モデルは、スケーラブルな方法で車両間相互作用を捉えるエッジ強化型グラフ畳み込みニューラルネットワーク（EGCN）を採用している。
• グラフのノードは個々の車両を表し、エッジは空間的・時間的近接に基づく対間相互作用を符号化している。
• EGCNアーキテクチャはノード数（車両数）に対して本質的にスケーラブルであり、一貫した推論時間を実現する。
• グラフ構造は、各シナリオごとに車両の位置と速度に基づいて動的に構築される。
• 特徴埋め込みはエッジに沿ったメッセージパッシングにより更新され、複雑な相互作用パターンを捉える。
• 最終的な軌道予測は、更新されたノード表現に対してマルチヘッドアテンションメカニズムを用いて生成される。

実験結果

リサーチクエスチョン

• RQ1 車両間相互作用の数が変動する状況でも、軌道予測モデルが一貫した計算効率を維持できるか。
• RQ2 モデルの予測精度が、異なる交通密度および車両数においてどのようにスケーリングされるか。
• RQ3 標準的なGCNと比較して、エッジ強化型グラフ畳み込みが動的車両相互作用のモデリングをどの程度改善するか。
• RQ4 実世界の交通変動を想定した状況下で、提案アーキテクチャが精度および推論時間の両面で既存手法を上回るか。

主な発見

• SCALE-Net は、全テスト交通レベルにおいて一貫した計算時間を達成しており、真のスケーラビリティを示している。
• 高密度交通状況下でも高い予測精度を維持しており、平均的移動誤差の観点でベースラインモデルを上回っている。
• NGSIM データセットにおいて、SCALE-Net は次善のベースラインと比較して平均的移動誤差で 12.3% の改善を達成した。
• 全車両数にわたり、1シーンあたりの推論時間は約 18ms で安定しており、計算の一貫性が確認された。
• エッジ強化メカニズムにより、変更や合流といった短距離で高影響を与える相互作用のモデリングが向上した。
• アーキテクチャの再構成なしに、多様な交通シナリオに良好に一般化している。